ビジネスインテリジェンス

Looker エージェントでダッシュボードをインタラクティブなデータエクスペリエンスに変革

Wed, 24 Jun 2026 02:00:00 +0000

※この投稿は米国時間 2026 年 6 月 12 日に、Google Cloud blog に投稿されたものの抄訳です。

ダッシュボードは、データからインサイトを引き出すための主要な手段として長年活用されてきましたが、アジャイルな環境では不十分な場合があります。ダッシュボードはインタラクティブではなく、追加の質問をすることもできないため、必要な回答を得るために、ワークフローから離れたり、データアナリストに頼ったりする必要がありました。こうした課題に対処するために、このたび、Looker ダッシュボードエージェント（プレビュー版）を発表しました。これは、インテリジェントな会話型データエージェントをダッシュボードに直接組み込むことで、ユーザーが自然言語を使用してビジネスインテリジェンス（BI）データを探索できるようにするものです。

Looker ダッシュボードエージェントとの会話の例

エージェント主導のインタラクティブな調査

従来のダッシュボードはデータの静的なビューを表示するものでした。Looker のダッシュボードエージェントを使用すると、ユーザーはダッシュボードのインターフェース内で直接データを探索できます。Gemini アイコンをクリックして会話を開始し、自然言語で質問することで、コンテキストに沿ったインサイトを得ることができます。

データエージェントの精度は、提供されるビジネスコンテキストと、ユーザーの問い合わせに対して適切な指標やディメンションをマッピングする能力に依存します。Looker ダッシュボードエージェントは、ユーザーが適用しているフィルタ、クロスフィルタ、事前にキュレートされたタイルについてコンテキストを直接参照できるため、複雑なビジネス上の質問に対しても、極めて関連性が高く正確な回答を生成できます。

クエリにより多くのデータが必要な場合、エージェントは基盤となる Explore にアクセスして追加情報を抽出できます。これらのインサイトには、関連するグラフや自然言語の説明が添えられており、データ探索を簡素化できます。

ダッシュボードの枠を超えてデータを探索し、より深いインサイトを引き出す

ビジネスに合わせてエージェントをカスタマイズ

データアナリストは、ビジネスユーザーが組織のデータを正確に把握できるよう、ダッシュボードをキュレートしています。こうした一貫性と信頼性の高い分析環境を維持するために、Looker ダッシュボードエージェントは高度に構成可能な設計になっています。アナリストは、エージェントに対して自然言語で直接指示することで、Looker のセマンティックレイヤにコンテキストを追加できます。これにより、エージェントが独自のビジネスロジックを解釈する方法や、対象ユーザーに合わせて回答を調整する方法を正確に定義できます。ダッシュボードエージェントは、セルフサービスでのデータ分析を可能にすることで、ビジネスの増大するデータ需要にアナリストチームが対応できるよう支援します。

Looker ダッシュボードエージェントの構成

信頼性と透明性を継承

ユーザーが AI ベースのシステムを採用するには、そのシステムが提供する情報を信頼できる必要があります。Looker ダッシュボードエージェントは、インサイトを生成する際、中間の推論、参照したダッシュボードタイル、適用したフィルタを表示することで、そのプロセスを明示的に示します。さらに、管理者は、ユーザーがアクセスできるデータや分析情報が、そのユーザーに権限が付与されているものだけであることを信頼する必要があります。ダッシュボードエージェントは、標準の権限を通じて管理される Looker のガバナンスモデルによって支えられています。

iframe の埋め込みのサポートなど、Looker ダッシュボードエージェントの追加機能の開発も積極的に進めています。今後、Looker ダッシュボードとともにダッシュボードエージェントを重要なポータルやアプリケーションに組み込めるようにする予定です。

ダッシュボードエージェントを使ってみる

Looker バージョン 26.08.11 以降では、管理者が Gemini in Looker の設定で [ダッシュボードでチャットを有効にする] を切り替えることで、ダッシュボードエージェント機能を有効にできます。有効にすると、権限のあるユーザーには Gemini アイコンが表示され、ダッシュボードのデータとのチャットをすぐに開始できます。詳細については、サポートドキュメントをご覧ください。

- プロダクトマネージャー、Vaibhavi Sonavane

データエージェントの新機能: AI ワークフローの強化

Tue, 23 Jun 2026 02:00:00 +0000

※この投稿は米国時間 2026 年 6 月 16 日に、Google Cloud blog に投稿されたものの抄訳です。

AI エージェントの台頭は、アプリケーションや分析システムに根本的な変革をもたらしています。汎用的な AI プラットフォームは通常、企業データベースに保存されているコンテキストにアクセスできません。これは、従来のデータアーキテクチャでは、データ資産全体にわたってエージェント向けのコンテキストが欠如していることが多く、エージェントの精度の低下につながる可能性があるためです。また、きめ細かなアクセス制御が不足しているため、セキュリティギャップが生じやすい傾向もあります。

Google の Agentic Data Cloud は、運用システムと分析システムの両方を備えた、AI ネイティブなアクションシステムです。カスタムシリコンから最先端の Gemini モデルまで、スタック全体に AI を組み込むことで、エージェントがリアルタイムの企業データに基づいてほぼ 100% の精度で推論できる、テンプレートを使用した決定論型のデベロッパーフレームワークと、統合されたガバナンスを提供します。

このたび Google は、より簡単にエージェントを開発できるようにするため、多数のデータエージェントとツールを新たに導入いたしました。具体的には、ビジネスアナリスト向けの会話型分析、自動化とインテリジェンスを強化する、データサイエンティスト、エンジニア、データベース管理者向けの一連の Google 製データエージェント、現在のオープンなエージェントエコシステムとの統合を強化する、デベロッパー向けのデータエージェントツールです。

1. 会話型分析

自然言語を使用してエージェントを構築するデベロッパーを支援するため、データクラウド全体にわたって会話型分析対応を拡充することをお知らせいたします。

BigQuery の会話型分析（プレビュー版提供中）では、高度な AI 推論エンジンが BigQuery Studio に直接組み込まれています。これにより、データチームやビジネスチームは、手動で SQL を記述するだけでなく、ビジネスコンテキストを活用したマルチモーダル統合と詳細な調査を使用して、回答をグラウンディングできます。また、一部のお客様にプレビュー版が提供されている Agentic Workflows は、根本原因分析を自動化し、アクションをスケジュール設定して、企業データをプロアクティブで実用的なインテリジェンスに変換します。

BigQuery の会話型分析でエージェントを作成し、データ分析情報を迅速に取得する

Lakehouse の会話型分析（プレビュー版提供開始）は、Lakehouse の統合インフラストラクチャを拡張し、ユーザーが自然言語を使用して、AWS、Azure、Google Cloud に分散したデータレイクに対してクエリを実行できるようにします。これにより、データを 1 バイトも移動させることなく、クラウドプラットフォーム全体で分析情報を統合することが可能になります。
AlloyDB、Spanner、Cloud SQL の会話型分析（いずれもプレビュー版を提供開始）は、すぐに使える会話型 AI をサポートしているため、誰でもデータにアクセスできるようになります。AlloyDB、Spanner、Cloud SQL のユーザーは、自然言語でデータベースと会話をして、リアルタイムの運用データの可視化や分析情報の取得を行うことができます。

会話型分析を使用して、運用データから回答を得る

Looker 埋め込み会話型分析（一般提供開始）では、ローコードの iframe 実装を介して、エージェントをカスタムアプリケーションや社内ワークフローに直接埋め込むことができるため、プロダクションレディな会話型 AI をあらゆるアプリケーションに簡単に組み込むことができます。さらに、Looker の Conversational Analytics API を使用すると、AI による推奨事項を提供するマルチターンの会話型ワークフローを作成できるだけでなく、その基盤となる SQL クエリの検証と説明も行うことができます。また、すでに一般提供されている Looker の核となる会話型分析エージェントも大幅にアップグレードされ、優れた推論とセマンティックグラウンディングにより、曖昧さを解消できるようになります。

会話型 AI のためにエージェントをアプリケーションに直接埋め込む

2. 新たなデータエージェント

データプロフェッショナルが事後対応型のデータ管理から事前対応型のインテリジェンスに移行し、ビジネスアナリストがダッシュボードをより効果的に操作できるよう、Google は、自動化、インテリジェンス、自然言語機能を日々のワークフローに提供する新たなデータエージェントを発表いたします。

データエンジニアリングエージェント（一般提供開始）は、データパイプラインの構築や維持管理といった手間のかかる作業を自動化します。自然言語の要件を BigQuery と Dataflow 向けに最適化された SQL または Python コードに変換するとともに、パイプラインの障害を事前対応的に特定して修正します。スキーマの改善やパーティショニング戦略を提案することにより、手動で試行錯誤する必要なく、スケーラブルで信頼性の高い、パフォーマンスが調整されたデータ基盤を確保できます。
データサイエンスエージェント（プレビュー版提供開始）は、元データからプロダクションレディなモデルへの移行を加速させます。関連する特徴の提案、ボイラープレートノートブックコードの生成、技術ドキュメント処理の自動化を通じて、データサイエンティストを支援します。
データベースオブザーバビリティエージェント（Cloud SQL、AlloyDB、Spanner、Bigtable の一部のお客様にプレビュー版を提供中）は、データベースのパフォーマンスを事前対応的にモニタリングし、潜在的な問題が深刻化する前に、継続的に特定します。その後、インテリジェントな推奨事項とマルチターンの修復ワークフローを提供し、迅速かつ包括的なトラブルシューティングと最適化を実現します。また、データベースフリート全体のパフォーマンス分析機能は、データベース全体のパフォーマンスを最適化する機会を迅速に特定するのに役立ちます。
データベースオンボーディングエージェント（一部のお客様にプレビュー版を提供中）は、推測に頼らずにデータベースの選択やデプロイができるようにします。単純なユースケースの説明から複雑な企業ニーズまで、さまざまな要件の評価をもとに、最適な Google Cloud データベースを推奨し、プロビジョニングのプロセスを支援します。
Looker ダッシュボードエージェント（プレビュー版提供開始）では、ダッシュボード内のデータと会話形式でやり取りできます。ダッシュボード内で、ユーザーは自然言語で質問し、コンテキストを認識した回答を受け取ることができます。この機能では、ダッシュボードから得られた重要なポイントや分析情報をまとめた、AI 生成による要約も提供されます。
Gemini Enterprise の会話型分析（プレビュー版提供開始）は Looker、BigQuery、Lakehouse に対応しており、データ実務者が構築した、管理されたインテリジェンスをビジネスリーダーに直接提供します。これは、Google データクラウドへの「正面玄関」として機能し、ビジネスユーザーは技術コンソールにアクセスすることなく、BigQuery、Looker、Lakehouse で構築されたエージェントを利用できるようになります。これらのエージェントを Google データから Gemini Enterprise に公開することにより、組織は正確なデータ探索と即時の回答のためのグラウンディングされた単一のインターフェースを、ビジネスユーザーに提供します。
Data Insights エージェント（プレビュー版提供開始）は、構造化されたソース（BigQuery や Snowflake など）と構造化されていないデータ（会議メモや公開ウェブ情報など）を同時にクエリすることで、Gemini Enterprise 内のデータ資産に関する総合的な分析情報を提供します。このエージェントは、日常業務で利用するユーザー向けの迅速な応答エンジンとして機能し、Workspace エコシステム（ドキュメント、スプレッドシート、ドライブ）や、Jira、HubSpot などのサードパーティ製アプリの情報を統合します。このエージェントは、インタラクティブな可視化機能を豊富に備えており、時間の経過とともにユーザーの好みに合わせて継続的に学習します。
Deep Research エージェント（プレビュー版提供開始）は、Knowledge Catalog を使用して、リスクの高い多層的なビジネス上の問題を解決します。単なる検索にとどまらず、社内ドキュメント、BigQuery テーブル、公開ウェブの情報を統合して包括的な調査計画を策定します。その結果、企業のプライバシーとユーザーの権限を常に尊重しながら、動的な可視化と検証可能な引用を使用した詳細なレポートが生成されます。

3. データエージェント向けのツール

エージェント開発向けのオープンソース標準は、AI アプリケーションやカスタムエージェントを構築するデベロッパーに対し、データやツールに一貫性を持って安全にアクセスするための統合フレームワークを提供します。このたび Google は、エージェント開発の取り組みを支援する、以下のツールを発表いたします。

Data Agent Kit（プレビュー版提供開始）は、好きな開発環境（IDE / CLI）内で直接使用できる標準化されたスキルとツールのスイートを提供し、データ実務者が Agentic Data Cloud 機能の規範的なガイダンスを使用して、データを大規模に検出、変換、活用できるようにします。
データベース向けマネージド MCP サーバー（一般提供開始）は、AlloyDB、Spanner、Cloud SQL、Bigtable、Firestore で利用でき、AI モデルをデータに安全に接続するために必要なインフラストラクチャを完全に管理します。そのため、MCP サーバーをお客様ご自身でホスト、保護、スケーリングする必要はありません。これにより、デベロッパーは Google のデータベースポートフォリオ全体から最新のコンテキストをエージェントに提供できるようになり、AI モデルは最新の企業データに基づいて推論や行動ができるようになります。
Looker 向けマネージド MCP サーバー（プレビュー版提供開始）を使用すると、あらゆる MCP クライアントやエージェントプラットフォームで Looker のセマンティックモデルをクエリできるようになり、管理された BI 分析情報をサードパーティ製アプリケーション全体に拡張できるようになります。

マネージド MCP サーバーを介して Looker セマンティックモデルにアクセスする

データベース向け MCP ツールボックス 1.0（一般提供開始）は、安定性における大きなマイルストーンを達成し、本番環境アプリケーションを安心して構築できるようになりました。また、ドキュメントを全面的に見直し、人間の開発者にとっても自律型エージェントにとっても、プラットフォームがはるかに使いやすくなりました。
Cloud SQL、AlloyDB、Spanner 向け QueryData（いずれもプレビュー版提供開始）は、自然言語の質問をデータベースクエリに変換します。各 QueryData はこれらのデータベースにネイティブに組み込まれており、メタデータ、クエリの例、評価を通じて、自然言語から SQL への変換をほぼ 100% の精度で実現します。
BigQuery を活用した Universal Commerce Protocol（UCP）分析（プレビュー版提供開始）により、販売者やデベロッパーは UCP から BigQuery にリアルタイムイベントを直接ストリーミングできるようになります（サンプルを参照）。この統合により、エージェント型コマースでオブザーバビリティ機能がすぐに使えるようになり、チームはコンバージョンプロセスのモニタリング、自動購入手続きのパフォーマンスの追跡、システムエラーの特定が可能になります。BigQuery 内でこれらの指標を標準化することで、企業は AI によるトランザクションと既存のビジネスインテリジェンスワークフローのギャップを埋めることができます。

新しいエージェントやツールへのアクセス方法について詳しくは、このページにある各ドキュメントへのリンク先をご覧ください。また、データエージェントは、Gemini Enterprise と Google Cloud コンソールからもご利用いただけます。

- Google Cloud、プロダクト管理担当、Sean Rhee

- Google Cloud、アウトバウンドプロダクト管理責任者、Geeta Banda

Looker が実現するエージェント型 BI の時代

Fri, 15 May 2026 01:10:00 +0000

※この投稿は米国時間 2026 年 4 月 23 日に、Google Cloud blog に投稿されたものの抄訳です。

詳細な分析が可能な Looker と Google のエージェント型データクラウドを組み合わせることで、データのモデリング、データとのやり取り、データに基づく行動のあり方を変革する可能性が無限に広がります。今週開催される Google Cloud Next では、BigQuery とのより緊密なインテグレーションを皮切りに、AI 時代に向けて Looker を使用したビジネスインテリジェンス（BI）スタックの再構築をどのように行っているかをご紹介します。

Google のプロダクト戦略は、信頼できるデータと処方的なインサイトを提供し、誰もがエージェント型 BI を通じて行動を起こせるようにすることに重点を置いています。

Google は Gemini を使用して Looker を再構築し、AI エージェントの新時代を切り開きます。信頼できるデータ基盤を Looker が提供することで、チームは精度を損なうことなく迅速にイノベーションを起こすことができます。

会話型 BI とエージェント: 会話からアクションへ

Next ‘26 では、静的な回答を提供するだけでなく、Looker のセマンティックレイヤと既存のエンタープライズガバナンスフレームワークに基づいてダウンストリームのビジネスアクションをトリガーする Looker BI エージェントを発表します。

このたび、多くのエージェントが Looker に新たに導入されました。

ダッシュボード内で直接データに関する回答を生成できるダッシュボードエージェント。

会話エージェントのアップグレード（プレビュー版）: すでに一般提供されている Google の主要なエージェントである会話型分析エージェントを大幅にアップグレードしました。優れた推論とセマンティックグラウンディングを実現することで、曖昧さを解消します。新しい可視化ツールにより、管理者はエンドツーエンドのオブザーバビリティを実現し、パフォーマンスの傾向をモニタリングして、モデルの精度を大規模に向上させることができます。また、チームは Looker の会話型分析を Gemini Enterprise に直接パブリッシュして、信頼できるデータをより広範なワークフローに組み込むこともできます。
ダッシュボードエージェント（プレビュー版）: 会話機能を BI ワークフローに直接組み込んだダッシュボードエージェントは、即座に要約を確認し、ダッシュボード内で直接質問することを可能にします。
組み込みの会話機能（一般提供版）: 会話型分析エージェントをカスタムアプリケーションや社内ワークフローに直接組み込めるようになりました。これにより、ユーザーは専用ツールを離れることなく、UI や API を介してデータをクエリできます。
Looker のエージェントワークフロー（プレビュー版）: エージェントが重要な指標の異常をモニタリングし、隠れた相関関係と「次のステップ」の推奨事項を特定できるようになりました。これにより、収益に影響が及ぶ前にビジネスの変化に対応できるようになります。

「YouTube は、クリエイターの成功を支援し、クリエイターの創造性を世界に広げることに注力しています。これまで行ってきた Looker の会話型分析機能のテストを通じて、パートナーマネージャーが即座に行動に移せるデータを入手できるようにしました。パートナーマネージャーは、そのデータを使ってクリエイターに助言を迅速に提供し、クリエイターサポートを最適化します。」- YouTube ビジネス、テクノロジーおよびインサイト担当シニアディレクター、Thomas Seyller

セルフサービスの再構築: AI の力、UI コントロール

AI を活用した Google の簡単な探索で、使いやすさとシンプルさを実現。

ビジネスユーザーとアナリストの双方にとって、Looker がより直感的で使いやすくなります。

さらに、Looker の Explore に新しい AI アシスタントが導入されたことで、BI の難しさが解消され、複雑なワークフローが Google 検索と同じくらい使い慣れた自然言語のやり取りに変わりました。今回新たにリリースされた AI アシスタントは以下のとおりです。

新しくモダンな Looker インターフェース（プレビュー版）: モダンで Google らしく使いやすいドラッグ＆ドロップインターフェースが AI を活用したセルフサービス Explore に実装されました。タブ付きダッシュボード（一般提供版）とページネーション形式のレポート（一般提供版）が特徴です。
ビジュアリゼーションアシスタント（一般提供）: 自然言語を使用してグラフを作成、改良します。下書きされたビジュアルを積み上げ棒グラフに変更したり、地域別に色分けしたりするよう指示するだけで、Gemini が必要な処理を行います。
Expression Assistant（プレビュー版）: 必要なロジックを記述するだけで、カスタムディメンション、メジャー、フィルタを生成できます。構文を覚える必要はありません。
インサイトアシスタント（プレビュー版）: インサイトアシスタントは、単にデータを表示するだけでなく、レポートの要約生成と主要な傾向の強調表示を自動的に行い、「だから何なのか」を数秒で把握できるようにします。
セルフサービス Explore（一般提供版）: CSV ファイルや Excel ファイルの個人データと企業データを統合できます。新しいインターフェースにより、モデルを視覚的かつ簡単に構築できます。Looker はバックグラウンドで LookML コードを処理します。両者を組み合わせることで、スプレッドシートの俊敏性とエンタープライズプラットフォームの厳格なバージョン管理が実現し、アドホックなデータ分析も管理された状態を維持できます。

「ユーザーやお客様は Excel の柔軟性を気に入っていますが、ガバナンスの欠如を懸念しています。Looker のセルフサービス Explore を使用すれば、両者の長所を活かすことができます。アドホックな CSV をアップロードして迅速に仮説分析を行うことができますが、そのデータは LookML ディメンションとともに分析されるため、基盤となるビジネスロジックは依然として正確であることがわかります。」 - Promevo、最高技術責任者、John Pettit 氏

信頼できるオープンなプラットフォーム

堅牢で管理されたセマンティックレイヤは、AI のハルシネーションを防ぎ、信頼できる唯一の情報源を確保するための強力な方法です。この分野で、Google は重要な新機能を発表しています。

オープン BI と MCP（プレビュー版）: Looker は MCP ツールボックスを介してオープンソースの Model Context Protocol（MCP）をサポートしていますが、このたび、お客様が簡単に管理できるように、Looker ネイティブの新しいマネージド MCP サーバーを提供することになりました。このオープンな BI アプローチにより、AI による変革をユーザーにどう提供するかを柔軟に選択できるようになります。
Looker Extension for VS Code（プレビュー版）: 新しいインテリジェントな設定ウィザードと、ビジネスインテントをプロダクションレディなコードに直接変換する専用の LookML AI エージェントにより、デベロッパーのライフサイクルを加速します。VS Code と Agentic IDE 向けのこの新しいプラグインを使用すると、LookML でバイブコーディングが行えます。ユーザーは、AI を活用したオーサリングエクスペリエンスにより、望ましい結果を記述するだけで LookML モデルを構築できます。

Gemini 搭載の IDE から Gemini のサポートで LookML を更新

継続的インテグレーション（CI / CD）（一般提供版）: 一般提供が開始されたこの高度な CI 機能は Looker に完全に統合されており、開発ワークフロー内の SQL 検証とコンテンツテストを自動化します。本番環境に到達する前に潜在的な互換性を破る変更を特定することで、Looker はモデルの更新の信頼性と正確性を確保します。
Knowledge Catalog のインテグレーション（プレビュー版）: Looker は Knowledge Catalog を使用してメタデータをセマンティックグラフに変換し、AI エージェントがタスクを自律的に完了するために必要なコンテキストを提供します。

データの未来は、分析情報を確認するだけでなく、それに基づいて行動することにあります。Gemini の持つ力と Looker の信頼できるセマンティックレイヤを組み合わせることで、すべてのユーザーが、あらゆるワークフローで、日常的にデータドリブンな行動を実現できるようになります。

エージェント型 BI の時代へようこそ。

Looker を使ってエージェント時代に合わせたビジネス変革を実現する取り組みを cloud.google.com/looker で始めましょう。また、デベロッパーエクスペリエンスには https://docs.cloud.com/looker/docs/api-sdk からアクセスできます。

- データクラウドのプロダクト管理ディレクター、Sean Zinsmeister

- データクラウドのエンジニアリング担当バイスプレジデント、Karthik Ramakrishnan

Agentic Data Cloud の新機能：「System of Action」を実現

Wed, 22 Apr 2026 03:50:00 +0000

※この投稿は米国時間 2026 年 4 月 22 日に、Google Cloud blog に投稿されたものの抄訳です。

企業は単に質問に答えるだけの生成 AI から、自律的に状況を認識し、推論し、ユーザーに代わって行動する「自律型エージェント」へと転換期を迎えています。これらのエージェントをレガシースタック上で拡張しようとすると、ガバナンスの断片化、信頼性の欠如、寸断された推論ループといった構造的な問題が露呈し、コストの急増を招くことがあります。

これらの課題を解決するために、 Google Cloud は Agentic Data Cloud を発表します。これは、エンタープライズデータプラットフォームを静的なリポジトリから動的な推論エンジンへと進化させる、 AI ネイティブアーキテクチャです。これにより「思考」と「行動」の間のギャップを埋め、 AI エージェントがビジネスデータとコンテキストに基づいて自律的に行動することを可能にします。前世代のシステムオブインテリジェンス（System of Intelligence）は人間が扱う規模を想定し構築されていましたが、Agentic Data Cloud はエージェントによる大規模な処理を前提とした「行動のシステム（System of Action）」へと進化させました。

すでに多くの先進的な企業が、Agentic Data Cloud を使用して具体的な価値を創出しています。

Vodafone は、顧客にシームレスなサービスを提供すべく、数百のエージェントを導入し、年間数百万ユーロのコスト削減を見込んでいます。
American Express は、基幹オンプレミスデータウェアハウスと数百の本番アプリケーションを BigQuery に移行し、大規模で信頼性の高い「エージェンティックコマース」を推進しています。
Virgin Voyages は、1,000 以上の専門 AI エージェントを活用しており、そのうちの 1 つは大規模な旅程の再予約にかかる時間を 6 時間からわずか 11 分に短縮しました。

本日、 Google Cloud は Agentic Data Cloud を強化する 3 つの新しいイノベーションを発表します。

ユニバーサルコンテキストエンジンは、エージェントに信頼性の高いビジネスコンテキストを提供し、精度を向上させます。
エージェントファーストの開発者体験により、データ担当者や開発者の役割をエージェントのオーケストレーターへと進化させます。
AI ネイティブなクロスクラウドレイクハウスがデータ資産全体を接続し、データサイロを排除します。

ユニバーサルコンテキストエンジンでエージェントを強化

AI の有用性は、そのコンテキストに依存します。エージェントが企業独自の「粗利」の定義や、複雑なサプライチェーンの相関関係を理解していなければ、正確な判断は下せません。エージェンティックエンタープライズの時代において、データだけでは不十分であり、従来のガバナンスモデルも十分ではありません。Google Cloud は、Dataplex Universal Catalog を Knowledge Catalog へと進化させました。これは、集約、継続的なエンリッチメント、および検索という厳格なフレームワークを用いて、データ資産全体にわたるビジネス上の意味をマッピングし、推論します。

仕組みは以下の通りです。

集約：真のコンテキストを構築するには、あらゆる場所から情報を集める必要があります。Google Cloud およびパートナーのデータプラットフォーム全体からネイティブコンテキストを集約しています。これには、サードパーティのカタログ、アプリケーション、オペレーティングシステム、および Palantir、Salesforce Data360、SAP、ServiceNow、Workday（プレビュー）などの AI プラットフォームが含まれます。Google Cloud のレイクハウスを使用することで、サードパーティのデータ資産を Knowledge Catalog へ自動的にマッピングします。Google Cloud のデータソースについては、戦略ドキュメントからセマンティクスを自律的に生成する新しい LookML Agent（プレビュー）や、ビジネスロジックをプラットフォームにネイティブに埋め込む BigQuery measures（プレビュー）によって、ビジネスロジックの自動化を実現します。
継続的なエンリッチメント： Knowledge Catalog は、組織全体の利用ログの分析とバックグラウンドでのデータをプロファイリングを通じて、継続的なエンリッチメントを提供します。これにより、データが「何であるか」だけでなく、企業内で「実際にどのように使用されているか」を学習します。この機能は非構造化データにも対応します。Google Cloud Storage にファイルが保存された瞬間に、Smart Storage（プレビュー）が瞬時に画像にタグを付け、エンリッチメントを実行します（PDF オブジェクトも近日対応予定）。また、Knowledge Catalog は有用な非構造化データのコレクションを特定し、Gemini を使用して欠落しているスキーマを自動生成して複雑な関係性をマッピングすることで、AI がコンテキストを把握できない「視界不良」の状態を防ぎます。
検索とリトリーバル： 膨大なコンテキストレイヤーの構築は重要ですが、エージェント時代において、検索は新しいクエリパスへと進化しました。エンタープライズスケールにおける大きな課題は、速度、関連性、グローバルなリーチ、そしてセキュリティです。これらを解決するため、Knowledge Catalog は Google 検索のイノベーションを基盤とした高度なハイブリッド検索スタックを採用しています。高い関連性を実現するために、セマンティックマッチングとレキシカル（語彙）マッチングを、機械学習ベースのインテリジェントなリランキングと組み合わせています。また、信頼性を確保するため、アクセス制御を考慮した検索によってセキュリティ権限をネイティブに適用しており、エージェントは権限を持つ資産のみを取得し、操作することができます。この高精度なインフラストラクチャにより、信頼できるコンテキストを即座に特定し、特化型エージェントに提供することが可能になります。

Knowledge Catalog は Deep Research Agent（プレビュー版）を強化しています。Gemini Enterprise で利用可能なエージェント群の一部であるこのエージェントは、 BigQuery などの Google Cloud データプラットフォーム、社内文書、ウェブ資産にわたって多段階の推論を行い、これまで数週間の手作業を要していた複雑な問いに対し、引用元を伴う正確な回答を提示します。

エージェントファーストな開発者体験

この新しいアーキテクチャへの移行に伴い、データ担当者の役割は、手動でパイプラインを構築することから、「意図（インテント）」に基づいたエンジニアリングをオーケストレーション（統括および制御）することへとシフトします。

この移行を加速させるため、 Google Cloud Data Agent Kit（プレビュー版）を提供します。これは新しいインターフェースを導入するのではなく、 VS Code、 Gemini CLI、 Codex、 Claude Code といった開発者が使い慣れた環境に組み込めるポータブルなスキル、ツール、環境固有の拡張機能、および組み込みプラグインのスイートを提供します。これにより、 IDE やノートブック、またはエージェント型ターミナルがネイティブなデータ環境となり、 dbt、 Apache Spark、 Apache Airflow などの適切なフレームワークを自動選択し、 Google のベストプラクティスに基づいた本番環境対応のコードを生成しながら、幅広いビジネス成果を自律的に運用できます。

このキットは単にツールを接続するだけではなく、データを移動させることなく、ペタバイト規模まで拡張可能な高パフォーマンスな機能を開発者のフローに直接組み込みます。Data Agent Kit は、Google 独自のビルトインエージェントを動かしているものと同じ次のスキルやツールが含まれています。

Data Engineering Agent（一般提供）：複雑なパイプライン変換をゼロから構築し、不良データが本番環境に混入しないようガバナンスルールを自動適用します。
Data Science Agent（一般提供）：データの前処理からトレーニングまで、モデルのライフサイクル全体を自動化し、BigQuery Dataframes および Serverless Apache Spark 上でスケーラブルに処理を実行します。
Database Observability Agent（プレビュー版）：24 時間 365 日体制でインフラを監視し、根本原因の診断とデータベースの修復を実行します。

さらに、エージェントのスムーズな実行を支援するため、Google Cloud は Model Context Protocol（MCP）を全面的に採用しました。MCP はあらゆるエージェントがデータ資産を検出および利用できる、セキュアなユニバーサルインターフェースを提供します。対応するコアエンジンには、BigQuery、Spanner（プレビュー版）、AlloyDB、Cloud SQL（一般提供）、 Looker MCP（プレビュー版）が含まれます。また、 Google Cloud 向け MCP は Google のセキュリティスタックを使用しており、既存の IAM ポリシー、 VPC Service Controls 、およびデータレジデンシー要件に基づいて、エージェントのインタラクションを管理します。

また、Conversational Analytics によってビジネスユーザー体験を再定義します。BigQuery（一般提供）、Cloud SQL、Spanner、 AlloyDB（プレビュー版）、および Looker（一般提供）に対応しており、組織はこれらのカスタム分析エージェントを Gemini Enterprise で公開するだけで、従業員が使い慣れたインターフェースでライブデータと対話できるようになります。技術的な障壁を取り除くことで、手動レポート作成に費やしていた数週間という待ち時間を排除し、ビジネスを「思考のスピード」で加速させます。

エージェントスケールに合わせて構築されたクロスクラウド基盤

エージェントが行動するには、オープンな基盤が必要です。エージェントがクラウド間の遅延によってブロックされたり、特定のベンダー環境に囲い込まれた場合、その自律性は損なわれます。そのため、データがどこに存在していてもその価値を解き放つことができる、真に境界のないクロスクラウドレイクハウスを導入します。

分析基盤の接続：Cross-Cloud Interconnect（CCI）をデータプレーンに直接統合します。 CCI の専用高速プライベートネットワークと Apache Iceberg REST Catalog を組み合わせることで、低遅延で膨大なエグレス費用なしにクラウド間の接続を実現します。その結果、エージェントは AWS や Azure 上のデータを、まるで Google Cloud のローカルデータであるかのようにシームレスなクロスクラウドアクセスで利用できます。
独自サイロの解消：特定ベンダーに依存したカタログの時代に終止符を打つべく、オープンフェデレーションを推進し、双方向フェデレーション（プレビュー版）を開始します。Iceberg REST Catalog により強化された、Amazon S3 上の Databricks Unity Catalog（プレビュー版）、 Snowflake Polaris（プレビュー版）、および Amazon S3 上の AWS Glue Data Catalog（プレビュー版）からエンジンが直接読み取れるようになります。これは強化された Lakehouse Governance（プレビュー版）によって補強され、セキュリティポリシーとアクセス制御がこの境界のない環境全体に即座に適用されます。
運用データの解放：世界で最もスケーラブルかつグローバルに一環したデータベースを、あらゆる場所で利用できるようにする Spanner Omni（プレビュー版）を発表します。これにより初めて、Googleの運営を支える Spanner エンジンをクラウド、オンプレミス、あるいはあなたの PC など、あらゆる場所で、実行可能にします。
インサイトからアクションへのギャップを埋める：インサイトとアクションの間のギャップも解消します。多くの「統合」データプラットフォームでは、複雑な ETL パイプラインの作成を必要とし、エージェントがリアルタイムデータにアクセスすることを妨げています。 AlloyDB 向けレイクハウスフェデレーション（プレビュー版）により、プロトコルレベルのゼロ ETL 同期を提供することでこれらのパイプラインを排除し、エージェントが運用トランザクションにおいて低遅延で蓄積された膨大な分析データにアクセスできるようにします。

未来の自動化に向けて

エージェント規模への移行により、ワークロードは桁違いに増加します。これをサポートするため、 Google は 4 つの主要なパフォーマンスのブレークスルーを発表します。

Lightning Engine for Apache Spark は、市場の競合製品と比較して、最大 2 倍のコストパフォーマンスを実現します。
Managed Lustre は、最大 10 TB/s のスループットを実現し、要求の厳しいモデルに対してデータを十分な速度で処理します。
Bigtable のインメモリティアにより、リアルタイムアプリケーション向けにミリ秒未満の読み取り遅延を提供します。これにより、個別のキャッシュ層が不要になります。
BigQuery fluid scaling により、オートスケーリングが適用されるワークロードにおいて、コストを平均で最大 34% 削減します。エージェントの行動に合わせて瞬時にリソースをスケールアップし、不要な時にはスケールダウンします。

System of Action で成功を築く

受動的なデータ観察の時代は終わりました。これからのビジネスは、Google Cloud の Agentic Data Cloud が実現する「System of Action」によって思考と同じ速さで動きます。

Agentic Data Cloud の詳細や、System of Action を通じて自律型エージェントを加速させるためのデータ準備については、戦略ワークショップにお申し込みください。

Agentic Data Cloud の詳細については、受動的なデータを能動的なアクションへと変えるための設計図についてご覧ください。

Looker の埋め込み分析環境で会話型分析が利用可能に

Tue, 21 Apr 2026 01:00:00 +0000

※この投稿は米国時間 2026 年 4 月 7 日に、Google Cloud blog に投稿されたものの抄訳です。

Looker の埋め込み分析アナリティクスは、多くの次世代データプロダクトの中核をなすもので、ライブ指標とカスタマイズ可能なユーザーエクスペリエンスによる収益化を可能にします。AI 時代において、ユーザーはアプリに高度なインタラクティブ性と会話性、データにコンテキスト、アクセシビリティ、直感性を求めています。このたび、一般提供が開始された Conversational Analytics API を使用して、Looker の埋め込み分析環境で会話型分析が提供されるようになりました。これにより、ユーザーが Looker に期待する自然言語エクスペリエンスを、お客様の想像力次第で、より多くのサーフェスに拡張できるようになりました。

コンポーズ可能なエージェント型 BI への移行を牽引

組織は、ユーザーが作業する場所でユーザーのニーズを満たす統合データエクスペリエンスを構築しようとしています。これは、デベロッパーが AI エージェントを使用して複雑なエンジニアリングタスクを計画、コーディング、実行するエージェント IDE の台頭と並行して進んでいます。このような環境で Looker の埋め込みアーキテクチャを活用すると、次のような多くのメリットが得られます。

差別化されたエージェントエクスペリエンス: 独自の会話エクスペリエンスを構築して製品を差別化し、高い需要を生み出します。
データ収益化とデベロッパー拡張性の向上: 元データを高度な埋め込みプロダクトに変換して、データアセットを高利益率の収益源に変えます。
IDE における AI 対応: Looker のセマンティックレイヤを使用してハルシネーションを抑制し、市場投入までのスピードを最大化することで、自信を持ってエージェント IDE での開発を進められます。

埋め込みユーザー向けに会話型分析を一般提供

Looker の既存の埋め込みフレームワークと管理されたセマンティックレイヤを基盤として、ローコードの iframe 実装または拡張可能な SDK を介して、Gemini を活用した自然言語クエリと AI レコメンデーションを統合できるようになりました。これにより、あらゆるアプリケーション内で、プロダクションレディな会話型 AI を簡単にリリースできます。

複数の Looker Explore のクエリ、埋め込みのコードインタープリタ、カスタマイズ可能なテーマをネイティブにサポートしているため、コア機能と並行して、プライベートブランドの高度な推論エージェントエクスペリエンスを提供できます。これにより、複雑なデータモデルと直感的なユーザーによる発見のギャップを埋めることができます。

iframe を使用して、アプリケーションの任意の場所に Looker の会話型分析を組み込む

Looker API から会話型分析が利用可能に

Google の会話型分析 API を使用すると、Looker Explore を基盤とする会話型エクスペリエンスを、顧客向けのアプリケーション内に直接構築できます。Looker API を活用することで、AI による推奨事項を提供するマルチターンの会話型ワークフローを作成できるだけでなく、基盤となる SQL クエリの検証と説明も行えます。Looker API は、ユーザー認証と管理のために Looker SDK を使用するため、アプリのどこにでもエージェントによる会話を簡単に統合できます。

Looker API エンドポイントの会話型分析を使用したカスタム UI の構築

データ探索は会話の時代へ

静的で柔軟性に欠けるダッシュボードから、AI を活用した探索への移行は、企業が顧客に価値を提供する方法を変革し、企業がより多くのことを行えるようにします。これらの新しい会話機能を Looker のセマンティックレイヤにグラウンディングすることで、Looker で常に信頼してきた分析情報の精度がサードパーティアプリケーションでも得られます。これにより、分析情報の根拠が常に検証可能になります。

埋め込み iframe オプションを使用する場合でも、Looker SDK を使用する場合でも、情報を表示するだけでなく、ユーザーが対話できるデータエクスペリエンスを構築できるようになりました。Looker の埋め込み分析を使用して、独自のプロダクトで会話エクスペリエンスの構築を開始するには、ドキュメントとベストプラクティスガイドをご覧ください。

- Google Cloud、シニアアウトバウンドプロダクトマネージャー、Ani Jain

- Google Cloud、プロダクトマネージャー、Sharon Zhang

Looker の新機能: セルフサービス Explore、タブ付きダッシュボード、カスタムテーマ

Thu, 15 Jan 2026 02:00:00 +0000

※この投稿は米国時間 2025 年 12 月 20 日に、Google Cloud blog に投稿されたものの抄訳です。

データチームにとって、統制された信頼できる指標の必要性と、アドホックな分析を迅速に行うことに対するビジネスニーズの兼ね合いは常に課題となっているようです。Google Cloud は、統制されたレポート作成と迅速なデータ探索を両立させるため、Looker にいくつかの新機能を導入し、ユーザーのセルフサービス機能を拡張します。このアップデートによって、統制されたモデルとローカルデータを組み合わせて分析することや、複雑なダッシュボードをより効率的に整理すること、分析レポートのデザインを企業ブランディングに合わせてカスタマイズすることなどを、ユーザーがすべて Looker プラットフォーム内で行えるようになります。

Looker のセルフサービス Explore でアドホックデータを分析する

予算スプレッドシート、販売リスト、非定型の調査ファイルなどの貴重なデータは、しばしば主要なデータベースの外部に存在します。セルフサービス Explore（現在はプレビュー版）では、ユーザーが Looker 内で直接ドラッグ＆ドロップインターフェースを使用して、CSV とスプレッドシートベースのデータをアップロードできます。

この機能を使用し、ローカルファイルを完全にモデル化された Looker データと組み合わせることで、新しい理論のテストと分析情報の強化が可能になります。データのアップロード後、ユーザーはセルフサービス Explore に新しいメジャーとディメンションを視覚的な方法で追加してカスタマイズし、ダッシュボードと Look を介して結果を共有できます。

CSV ファイルをアップロードし、わずか数回のクリックで新しいセルフサービス Explore を作成可能

ガバナンスを維持するため、Looker インスタンスにアップロードされるファイルと、アップロードを実行する権限を持つユーザーについては、管理者が継続的に監視します。さらに、Google Cloud は新しいコンテンツ認定フローを導入しました。これにより、検証済みの信頼できる情報源であるコンテンツをより簡単に示すことができるようになり、ユーザーはアドホックテストデータと認定済みデータを確実に区別できます。

セルフサービス Explore を認定する

データのアップロードとコンテンツ認定は、Looker 25.20 の公開プレビュー版で利用可能になります。

タブ付きダッシュボードを使用して、より明確で一貫性のあるデータストーリーを伝える

新しいタブ付きダッシュボード機能により、ダッシュボード編集者は 1 つのページに情報が密集した状態から脱却し、複雑な情報を整理して論理的なナラティブに変換できるようになりました。編集者は、タブの追加、名前変更、並べ替えの各コントロールを使用して、効率的にコンテンツを作成できます。

また、閲覧者もシームレスに操作できます。フィルタの値は自動的にダッシュボード全体に渡されますが、各タブには現在のビューに関連するフィルタのみが表示されるため、すっきりした外観になります。ユーザーは、特定のタブ固有の URL を共有できます。また、マルチタブダッシュボードの複数のタブをまとめて 1 つの PDF ドキュメントとして扱い、作成スケジュールを設定したりダウンロードしたりできます。

マルチタブダッシュボードの複数のタブ間を移動する

現在、この機能はプレビュー版で利用できます。

ダッシュボードにカスタムスタイルを適用する

社内ダッシュボードを会社のブランディングに合わせてカスタマイズすると、使い慣れた操作でデータを活用できるため、ユーザーエンゲージメントが高まります。Google Cloud は、社内ダッシュボードテーマ設定の公開プレビュー版をリリースします。作成者は、タイルのスタイル、色、フォント、書式設定をカスタマイズし、Looker アプリケーション内で使用されるダッシュボードに直接適用できるようになります。

社内ダッシュボードにカスタムテーマ設定を適用する

この機能を使って事前構成済みのテーマを保存、共有、適用することで、一貫性が確保されます。社内テーマを管理する権限を持つユーザーは、既存のダッシュボード用の新しいテンプレートを作成したり、インスタンス全体に適用するデフォルトのテーマを選択したりできます。

社内ダッシュボードテーマ設定は、[管理者] > [ラボ] ページですぐに有効にできます。

社内ダッシュボードテーマ設定のプレビューを有効にする

使ってみる

Looker のこうした新しいセルフサービス機能は、プレゼンテーションの柔軟性と品質を高め、組織内のすべてのユーザーがデータをより有効に活用できるように設計されています。セルフサービス Explore と社内ダッシュボードテーマ設定をぜひお試しになり、ご意見、ご感想をお寄せください。

- シニアプロダクトマネージャー、Aleks Flexo

- プロダクトマネージャー、Sharon Zhang

MCP ツールボックスと ADK を使用して Looker を Gemini Enterprise に数分で接続する方法

Wed, 14 Jan 2026 00:00:00 +0000

※この投稿は米国時間 2025 年 12 月 13 日に、Google Cloud blog に投稿されたものの抄訳です。

AI による回答の質は、基盤となるデータの整合性に左右されることは周知のとおりです。しかし、AI モデルは強力であるものの、そのままではビジネスコンテキストが欠けています。自然言語を使用してデータについて質問する組織が増えるにつれ、ビジネスにおけるメジャーとディメンションを統合し、会社全体で一貫性を確保することがますます重要になっています。信頼できる AI を実現するには、ビジネス指標の信頼できる唯一の情報源として機能するセマンティックレイヤが必要です。

しかし、エンドユーザーがそのデータにアクセスして活用できるようにするにはどうすればよいでしょうか。Looker の Model Context Protocol（MCP）サーバーの最近の導入を基に、このブログでは、データベース向け MCP ツールボックスを介して Looker に接続され、Gemini Enterprise 内で公開される Agent Development Kit（ADK）エージェントを作成するプロセスについて説明します。さあ始めましょう。

ステップ 1 - MCP ツールボックスで Looker との統合を設定する

データベース向け MCP ツールボックスは、ツールセットをホストして管理する中央のオープンソースサーバーです。これにより、エージェントアプリケーションはプラットフォームを直接操作することなく Looker の機能を活用できます。エージェントは、ツールロジックと認証を直接管理するのではなく、MCP クライアントとして機能し、ツールボックスにツールをリクエストします。MCP ツールボックスは、Looker への安全な接続、認証、クエリの実行などの基本的な複雑さをすべて処理します。

データベース向け MCP ツールボックスは、Looker の事前構築済みツールセットをネイティブにサポートします。これらのツールにアクセスする手順は次のとおりです。

Cloud Shell に接続します。次のコマンドを使用して、すでに認証済みであることと、プロジェクトがプロジェクト ID に設定されていることを確認します。

code_block: <ListValue: [StructValue([('code', 'gcloud auth list'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f5e74eade80>)])]>

Cloud Shell で次のコマンドを実行して、gcloud コマンドがプロジェクトを認識していることを確認します。

code_block: <ListValue: [StructValue([('code', 'gcloud config list project'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f5e74ead640>)])]>

mcp-toolbox という名前のフォルダを作成します。

code_block: <ListValue: [StructValue([('code', 'mkdir mcp-toolbox'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f5e74ead4f0>)])]>

以下のコマンドで mcp-toolbox フォルダに移動します。

code_block: <ListValue: [StructValue([('code', 'cd mcp-toolbox'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f5e74ead5e0>)])]>

以下のスクリプトを使用して、データベース向け MCP ツールボックスのバイナリバージョンをインストールします。このコマンドは Linux 用です。Macintosh または Windows で実行する場合は、正しいバイナリをダウンロードしてください。オペレーティングシステムとアーキテクチャのリリースページを確認し、正しいバイナリをダウンロードします。

code_block: <ListValue: [StructValue([('code', 'export OS="linux/amd64" # one of linux/amd64, darwin/arm64, darwin/amd64, or windows/amd64\r\ncurl -O https://storage.googleapis.com/genai-toolbox/v0.12.0/$OS/toolbox\r\nchmod +x toolbox'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f5e74eadf10>)])]>

ツールボックスを Cloud Run にデプロイする

次に、MCP ツールボックスを実行する必要があります。最も簡単な方法は、Google Cloud のフルマネージドコンテナアプリケーションプラットフォームである Cloud Run です。手順は次のとおりです。

code_block: <ListValue: [StructValue([('code', 'export PROJECT_ID="YOUR_GOOGLE_CLOUD_PROJECT_ID"'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f5e74eadd00>)])]>

必要に応じて、関連する API を有効にします。

code_block: <ListValue: [StructValue([('code', 'gcloud services enable run.googleapis.com \\\r\n cloudbuild.googleapis.com \\\r\n artifactregistry.googleapis.com \\\r\n iam.googleapis.com \\\r\n secretmanager.googleapis.com'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f5e74ead520>)])]>

サービスアカウントを作成し、必要なロールを割り当てます。

code_block: <ListValue: [StructValue([('code', 'gcloud iam service-accounts create toolbox-identity\r\n\r\ngcloud projects add-iam-policy-binding $PROJECT_ID \\\r\n --member serviceAccount:toolbox-identity@$PROJECT_ID.iam.gserviceaccount.com \\\r\n --role roles/secretmanager.secretAccessor\r\n\r\ngcloud projects add-iam-policy-binding $PROJECT_ID \\\r\n --member serviceAccount:toolbox-identity@$PROJECT_ID.iam.gserviceaccount.com \\\r\n --role roles/cloudsql.client'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f5e74ead940>)])]>

クライアント ID とシークレットの取得については、ドキュメントをご覧ください。

deploy.env ファイルを作成します。

code_block: <ListValue: [StructValue([('code', 'LOOKER_BASE_URL="YOUR_LOOKER_URL"\r\nLOOKER_CLIENT_ID="YOUR_CLIENT_ID"\r\nLOOKER_CLIENT_SECRET="YOUR_CLIENT_SECRET"'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f5e74ead8b0>)])]>

ツールボックス構成をイメージ変数にエクスポートします。

code_block: <ListValue: [StructValue([('code', 'export IMAGE=us-central1-docker.pkg.dev/database-toolbox/toolbox/toolbox:latest'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f5e74ead3a0>)])]>

MCP ツールボックスを Cloud Run にデプロイします。

code_block: <ListValue: [StructValue([('code', 'gcloud run deploy toolbox \\\r\n --image $IMAGE \\\r\n --env-vars-file=deploy.env \\\r\n --service-account toolbox-identity \\\r\n --region us-central1 \\\r\n --args="--prebuilt=looker","--address=0.0.0.0","--port=8080"'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f5e74ead820>)])]>

Cloud Run で未認証を許可するかどうかを尋ねられたら、[いいえ] を選択します。

Allow Unauthenticated: N

ステップ 2: ADK エージェントをエージェントエンジンにデプロイする

次に、AI エージェントの開発とデプロイ用に設計された、柔軟性の高いモジュール型のフレームワークである Agent Development Kit（ADK）を設定する必要があります。ADK は、エージェント開発をソフトウェア開発のように感じられるよう設計されており、デベロッパーは単純なタスクから複雑なワークフローまで、幅広いエージェントアーキテクチャを簡単に作成、デプロイ、オーケストレートできます。ADK は Gemini と Google エコシステム向けに最適化されていますが、モデルにもデプロイにも依存せず、他のフレームワークとの互換性を考慮して構築されています。

Vertex AI Platform の一部である Vertex AI Agent Engine は、開発者が本番環境で AI エージェントをデプロイ、管理、スケーリングできるようにする一連のサービスです。本番環境でエージェントをスケーリングするためのインフラストラクチャの処理は Agent Engine が行うため、開発者はアプリケーションの作成に注力できます。

Cloud Shell で新しいターミナルタブを開き、次のように my-agents という名前のフォルダを作成します。また、my-agents フォルダに移動する必要があります。

code_block: <ListValue: [StructValue([('code', 'mkdir my-agents\r\ncd my-agents'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f5e74ead220>)])]>

次に、venv を使用して、仮想 Python 環境を作成します。

code_block: <ListValue: [StructValue([('code', 'python -m venv .venv'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f5e74ead4c0>)])]>

仮想環境をアクティブにします。

code_block: <ListValue: [StructValue([('code', 'source .venv/bin/activate'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f5e74ead0a0>)])]>

ADK とデータベース向け MCP ツールボックスのパッケージを langchain の依存関係とともにインストールします。

code_block: <ListValue: [StructValue([('code', 'pip install google-adk toolbox-core'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f5e74ead250>)])]>

最初のエージェントアプリケーションを作成

これで、adk を使用して、スキャフォールディングを作成する準備が整いました。ここには、adk create コマンドとアプリ名 looker_app を介した、Looker エージェントアプリケーションのフォルダ、環境、基本ファイルが含まれます。

code_block: <ListValue: [StructValue([('code', 'adk create looker_app'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f5e74eadb50>)])]>

手順に沿って、以下を選択します。

ルートエージェントのモデルを選択するための Gemini モデル
バックエンド用の Vertex AI
デフォルトの Google プロジェクト ID とリージョン

code_block: <ListValue: [StructValue([('code', 'Choose a model for the root agent:\r\n1. gemini-2.5-flash-001\r\n2. Other models (fill later)\r\nChoose model (1, 2): 1\r\n\r\n\r\n1. Google AI\r\n2. Vertex AI\r\nChoose a backend (1, 2): 2\r\n\r\nEnter Google Cloud project ID [your_current_project_id]:\r\nEnter Google Cloud region [us-central1]:\r\n\r\nAgent created in /home/romin/looker-app:\r\n- .env\r\n- __init__.py\r\n- agent.py'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f5e74ead1f0>)])]>

エージェントのデフォルトテンプレートと必要なファイルが作成されたフォルダを確認します。

まず、.env ファイルです。

code_block: <ListValue: [StructValue([('code', 'GOOGLE_GENAI_USE_VERTEXAI=1\r\nGOOGLE_CLOUD_PROJECT=YOUR_GOOGLE_PROJECT_ID\r\nGOOGLE_CLOUD_LOCATION=YOUR_GOOGLE_PROJECT_REGION'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f5e74ead100>)])]>

これらの値は、Google Cloud プロジェクト ID とロケーションのそれぞれの値とともに Vertex AI 経由で Gemini を使用することを示しています。

次に、__init__.py ファイルがあります。このファイルはフォルダをモジュールとしてマークし、agent.py ファイルからエージェントをインポートする単一のステートメントを含んでいます。

code_block: <ListValue: [StructValue([('code', 'from . import agent'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f5e74ead1c0>)])]>

最後に、agent.py ファイルを見てみましょう。内容は、以下の例のように編集できます。

ここでハイライト表示されている Cloud Run の URL を挿入します（URL にプロジェクト番号が含まれているものではありません）。

code_block: <ListValue: [StructValue([('code', 'import os\r\nfrom google.adk.agents import LlmAgent\r\nfrom google.adk.planners.built_in_planner import BuiltInPlanner\r\nfrom google.adk.tools.mcp_tool.mcp_toolset import MCPToolset\r\nfrom google.adk.tools.mcp_tool.mcp_session_manager import SseConnectionParams, StreamableHTTPConnectionParams\r\nfrom google.genai.types import ThinkingConfig\r\nfrom google.auth import compute_engine\r\nimport google.auth.transport.requests\r\nimport google.oauth2.id_token\r\n\r\n# Replace this URL with the correct endpoint for your MCP server.\r\nMCP_SERVER_URL = "YOUR_CLOUD_RUN_URL/mcp"\r\nif not MCP_SERVER_URL:\r\n raise ValueError("The MCP_SERVER_URL is not set.")\r\ndef get_id_token():\r\n """Get an ID token to authenticate with the MCP server."""\r\n target_url = MCP_SERVER_URL\r\n audience = target_url.split(\'/mcp\')[0]\r\n auth_req = google.auth.transport.requests.Request()\r\n id_token = google.oauth2.id_token.fetch_id_token(auth_req, audience)\r\n # Get the ID token.\r\n return id_token\r\n\r\n\r\nroot_agent = LlmAgent(\r\n model=\'gemini-2.5-flash\',\r\n name=\'looker_agent\',\r\n description=\'Agent to answer questions about Looker data.\',\r\n instruction=(\r\n \'You are a helpful agent who can answer user questions about Looker data the user has access to. Use the tools to answer the question. If you are unsure on what model to use, try defaulting to thelook and if you are also unsure on the explore, try order_items if using thelook model\'\r\n ),\r\nplanner=BuiltInPlanner(\r\nthinking_config=ThinkingConfig(include_thoughts=False, thinking_budget=0)\r\n),\r\ntools=[\r\nMCPToolset(\r\nconnection_params=StreamableHTTPConnectionParams(\r\nurl=MCP_SERVER_URL,\r\nheaders={\r\n"Authorization": f"Bearer {get_id_token()}",\r\n}\r\n),\r\nerrlog=None,\r\n# Load all tools from the MCP server at the given URL\r\ntool_filter=None,\r\n)\r\n],\r\n)'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f5e74ead460>)])]>

必要に応じて、Cloud Storage バケットを作成します。

code_block: <ListValue: [StructValue([('code', 'gcloud storage buckets create gs://BUCKET_NAME --location=BUCKET_LOCATION'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f5e74eadfd0>)])]>

[my-agents] ディレクトリにいることを確認します。使用する Cloud Storage バケットで BUCKET_NAME を更新します。

code_block: <ListValue: [StructValue([('code', 'export PROJECT_ID="YOUR_GOOGLE_CLOUD_PROJECT_ID"\r\nadk deploy agent_engine --project $PROJECT_ID --region us-central1 --staging_bucket gs://BUCKET_NAME --display_name "looker-agent1" looker_app'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f5e74eadac0>)])]>

注意事項: Cloud Run の起動元ロールをデフォルトのエージェントエンジンサービスアカウント（service-PROJECT_NUMBER@gcp-sa-aiplatform-re.iam.gserviceaccount.com）に付与してください。

ステップ 3: Gemini Enterprise に接続する

次に、Gemini Enterprise アプリを作成します（手順はこちら）。

以下のコマンドを、GCP プロジェクト番号、上記の「deploy agent_engine」コマンドの出力である推論エンジンリソース名、Gemini Enterprise アプリインターフェースの Gemini Enterprise エージェント ID を使用して実行します。

code_block: <ListValue: [StructValue([('code', 'export PROJECT_NUMBER="YOUR_PROJECT_NUMBER"\r\nexport REASONING_ENGINE="projects/XXXXX/locations/us-central1/reasoningEngines/XXXXX"\r\nexport DISPLAY_NAME="Looker Agent"\r\nexport DESCRIPTION="Looker\'s MCP Capability."\r\nexport TOOL_DESCRIPTION="Looker\'s Query Engine is used to answer Ecommerce questions."\r\nexport AS_APP="YOUR_GEMENI_ENTERPRISE_AGENT_ID"\r\n\r\ncurl -X POST \\\r\n -H "Authorization: Bearer $(gcloud auth print-access-token)" \\\r\n -H "Content-Type: application/json" \\\r\n -H "X-Goog-User-Project: ${PROJECT_NUMBER}" \\\r\nhttps://discoveryengine.googleapis.com/v1alpha/projects/${PROJECT_NUMBER}/locations/global/collections/default_collection/engines/${AS_APP}/assistants/default_assistant/agents \\\r\n -d \'{\r\n "displayName": "\'"${DISPLAY_NAME}"\'",\r\n "description": "\'"${DESCRIPTION}"\'",\r\n "adk_agent_definition": {\r\n "tool_settings": {\r\n "tool_description": "\'"${TOOL_DESCRIPTION}"\'"\r\n },\r\n "provisioned_reasoning_engine": {\r\n "reasoning_engine":\r\n "\'"${REASONING_ENGINE}"\'"\r\n }\r\n }\r\n }\''), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f5e74ead0d0>)])]>

これで、Looker のデータが Gemini Enterprise アプリ内で利用できるようになります。

この機能にアクセスできない場合は、Google Cloud のアカウント担当者にお問い合わせください。

ビジネスデータのクエリをより簡単に

ADK と MCP ツールボックスを介して Looker のセマンティックレイヤを Vertex AI エージェントサービスに接続することは、データアクセシビリティにとって大きなメリットです。信頼できる Looker モデルと Explore を Gemini Enterprise で公開することで、エンドユーザーは自然言語を使用して複雑なビジネスデータをクエリできるようになります。この統合により、データの分析情報と即時のアクションの間のギャップが解消され、組織のセマンティックレイヤが単なる受動的なレポートのソースではなく、アクティブで会話型の意思決定を促進するアセットになります。

使用を開始するには、GitHub のデータベース向け MCP ツールボックスに接続して Looker との統合を設定します。

-エンタープライズカスタマーエンジニア、Rob Carr

Gemini CLI で利用可能な Looker と Looker の会話型分析拡張機能

Fri, 28 Nov 2025 02:00:00 +0000

※この投稿は米国時間 2025 年 11 月 22 日に、Google Cloud blog に投稿されたものの抄訳です。

現代のビジネスには、データに簡単にアクセスして理解できる機能が不可欠です。Gemini コマンドラインインターフェース（CLI）は、ターミナルから Gemini に直接アクセスできるオープンソースの AI エージェントです。これにより、ユーザーは使い慣れたインターフェースから Google の最新の AI モデルと直接やり取りできます。現在リリースされている Looker と Looker の会話型分析拡張機能を利用することで、コマンドラインから Looker のデータやダッシュボードを操作できるようになり、ワークフローが効率化され、データへのアクセスが容易になります。

Gemini CLI のこの新しい拡張機能により、ターミナルを離れることなく、簡単にデータに関する複雑な質問をしたり、知見に富んだレポートを生成したり、新しいダッシュボードを作成したりできるようになります。これにより、普段使用するアプリケーションからのデータ探索やデータ分析の幅が広がります。

ご利用にあたって

Gemini CLI 用の新しい Looker 拡張機能は、簡単に使い始めることができます。インストールと構成の手順は次のとおりです。

1. Gemini CLI をインストールする

Gemini CLI がインストールされていない場合は、インストールする必要があります。npm を使用してインストールできます。

code_block: <ListValue: [StructValue([('code', 'npm install -g @google/gemini-cli'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f5e77de70d0>)])]>

2. Looker 拡張機能をインストールする

次のコマンドを使用して Looker 拡張機能をインストールします。

code_block: <ListValue: [StructValue([('code', 'gemini extensions install \r\nhttps://github.com/gemini-cli-extensions/looker'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f5e77de7070>)])]>

3. Looker の会話型分析拡張機能をインストールする

次のコマンドを使用して Looker の会話型分析拡張機能をインストールします。

code_block: <ListValue: [StructValue([('code', 'gemini extensions install \r\nhttps://github.com/gemini-cli-extensions/looker-conversational-analytics'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f5e77de7640>)])]>

4. Looker の接続を構成する

インストール後、Looker インスタンスに接続されるように拡張機能を構成する必要があります。Looker のクライアント ID とクライアントシークレットが必要です。これらは、Looker API 認証に関するドキュメントの手順に沿って取得できます。Looker システムの管理ページにアクセスできない場合は、管理者に ID とシークレットの取得を依頼してください。

次に、Gemini CLI を起動する前に、以下の環境変数を設定します。これらの変数は .env ファイルから読み込むこともできます。

LOOKER_BASE_URL: Looker インスタンスのベース URL（例: https://looker.example.com）。場合によっては、URL に :19999 を追加する必要があります。
LOOKER_CLIENT_ID: Looker API クライアント ID
LOOKER_CLIENT_SECRET: Looker API クライアントシークレット
LOOKER_VERIFY_SSL:（省略可）SSL 証明書を検証するかどうか。デフォルトは true です。

looker-conversational-analytics の場合は、適切なロールを持つアプリケーションのデフォルト認証情報と、適切な API が有効になっている GCP プロジェクトも必要です。詳しくは、https://googleapis.github.io/genai-toolbox/resources/sources/looker/ をご覧ください。さらに、次の環境変数を定義する必要があります。

LOOKER_PROJECT: 使用する Google Cloud プロジェクト
LOOKER_LOCATION: 使用する Google Cloud のロケーション（例: us）

さらに詳しく

これらの新しい拡張機能のリリースは、Gemini と Looker のメリットを最大限に活用できるようにするという Google の取り組みにとって、重要なマイルストーンになります。これらの新しい拡張機能を最大限に活用していただけるよう、MCP ツールボックス内に関連ドキュメントをご用意しました。これらのリソースでは、利用可能なすべてのツールと機能に関する詳細情報を提供しています。

Looker のツールのドキュメント

Looker の会話型分析のドキュメント

今後もイノベーションを続けてまいりますので、ぜひフィードバックをお寄せください。今すぐ利用を開始して、データの可能性を最大限に引き出しましょう。

-デベロッパーリレーションズエンジニア Mike DeAngelo

一般提供となった Looker の会話分析を使用してデータと対話し、データを信頼する

Tue, 18 Nov 2025 03:00:00 +0000

※この投稿は米国時間 2025 年 11 月 14 日に、Google Cloud blog に投稿されたものの抄訳です。

データ量と需要が増加する世界で、企業はより迅速に意思決定を行い、雑多な情報からインサイトを抽出しようとしています。このたび、会話分析を一般提供とし、Looker で組織内のすべてのユーザーが自然言語クエリを利用できるようにし、BI のボトルネックを解消します。会話分析は回答を得る方法を変革し、古いダッシュボードを刷新してデータ検出を加速します。Google の目標は、アナリティクスと AI を Google 検索を行うのと同じくらい簡単でスケーラブルなものにすることです。プロンプトから完全なデータ検出までを数秒で行い、BI を企業の隅々にまで展開します。

Looker の会話分析で AI を活用したインサイトを即座に取得

4 月の Google Cloud Next で会話分析のプレビューを発表しました。その後も、会話分析 API を通じて Google の最新の Gemini モデルをユーザー自身のカスタムアプリケーションで活用する機能を拡張し、AI と BI の融合による生産性向上をもたらして、現代のデータアナリストとデベロッパーがより多くの仕事をもっと迅速に行えるようにしました。

その結果、会話分析では最も知識豊富な同僚とチャットするのと同じくらい簡単にデータから回答を得ることができます。会話分析では、人間の会話を活用して、複雑なダッシュボードフィルタ、わかりにくいフィールド名、カスタム SQL の記述の必要性といった問題から解放されます。

「YouTube は、クリエイターの成功を支援し、クリエイターの創造性を世界に広げることに注力しています。これまで Looker の会話分析をテストしており、パートナーマネージャーが即座に行動に移せるデータを入手できるようにしています。これにより、クリエイターを迅速に助言し、クリエイターサポートを最適化できます。」- YouTube ビジネス、テクノロジーおよびインサイト担当シニアディレクター、Thomas Seyller

会話分析の一般提供では、Gemini の推論能力、Google のエージェントフレームワークの新機能、Looker プラットフォームの実績あるデータモデリングが組み合わされています。これらが組み合わさることで、セルフサービスアナリティクスを次の高みに導く用意ができ、信頼できるデータ分析情報を企業全体で利用できるようになります。会話分析エージェントは、ユーザーの質問を理解し、データに関する質問に対して分析情報に富んだ回答を提供できます。

一般提供で新たに加わったのは、ドメインをまたいでデータを分析する機能です。複数のビジネス分野にまたがり、最大 5 つの異なる Looker Explore（事前に結合されたビュー）からの分析情報を統合する質問をすることができます。さらに、作成したエージェントを同僚と共有することで、同僚は信頼できる唯一の情報源にすばやくアクセスし、合意形成を迅速化して、ベクトルの合った意思決定ができます。

エージェントを構築して同僚と共有することで、一貫したデータ像を形成できます。

実績ある、管理された基盤上に構築

会話分析の力は、会話を可能にするだけでなく、基盤となるデータの信頼性にもあります。会話分析は、Looker のセマンティックレイヤでグラウンディングされているため、すべての指標、フィールド、計算が一元的に定義され、一貫性が保たれ、AI の重要なコンテキストエンジンとして機能します。同僚がこうしたさらに幅広い機能を迅速に使用するようになるにつれて、同僚が見て、行動を起こす結果が正確であることを把握する必要があります。

データを探索しようとしているアナリストや、ビジネスのコンテキストで分析情報を得ている一般ユーザーにとって、会話分析はデータセルフサービスも改善し、ボトルネックを生み出してインサイトを手が届きにくくしている技術的な困難さも最小限に抑えます。

次の操作が可能になりました。

いつでも何でも質問: 「先月の靴の売上に関するウェブサイトトラフィックを表示して」といった簡単な質問に即座に回答し、様々なビジネス分野やドメインをまたいだ、より深い質問やより大きなインサイトにつながります。
状況把握を深める: 静的なダッシュボードの制約を超えて、「過去 6 か月間のウェブサイトトラフィックの傾向を、カリフォルニアリージョンでフィルタリングして教えて」といった自由形式の質問をします。すると、システムは適切なクエリと可視化をインテリジェントに即座に生成します。
エンタープライズ BI の拡張: Looker モデルをエンタープライズ BI エコシステムに接続し、エージェントを一元化して共有し、プロンプトから新しいダッシュボードを作成します。Looker Explore をベースに構築された会話分析の自然言語インターフェースでは、LookML を使用して微調整と出力精度を実現しています。
迅速にピボット: 会話型インターフェースはマルチターンの質問に対応しているため、分かったことについて繰り返し質問できます。総売上高を尋ね、その後「今度はそれを、支払い方法別に内訳を表示した面グラフで示して」と尋ねます。
完全な透明性を確保: 信頼とデータリテラシーを上げるために、「算出方法」機能では、結果を生成した基盤となるクエリについて、自然言語による明確な説明を提供します。これにより、調査結果のソースを理解できます。

BI アナリストとビジネスユーザーを支援

会話分析は、ビジネスチームの誰もがビジネスのデータを使えるようにし、ビジネスデータを自分達のものにできます。同時に、データアナリストやデベロッパーの生産性と影響力も高めています。

ビジネスユーザーが信頼できるデータ分析情報をセルフサービスで利用できるようになると、データアナリストは中断や「不規則な」チケットリクエストが減り、代わりに重要度の高い業務に専念できるようになります。アナリストは、良くある質問、フィルタ、スタイルのガイドラインを定義する会話分析エージェントを構築することで、クライアントチームの BI エクスペリエンスをカスタマイズできます。これにより、さまざまなチームが同じデータに対してさまざまな方法で活用できます。

話しかけてみましょう

会話分析は、Looker プラットフォームのすべてのユーザーが利用できるようになりました。管理者は今すぐ Looker インスタンスでこの機能を有効にできます。これにより、「何？」と尋ねるだけでなく、「次のステップは？」と自信を持って判断できるようになります。詳しくは、プロダクトドキュメントをご覧になるか、動画チュートリアルをご覧ください。

-データクラウドアウトバウンドプロダクト管理担当ディレクター、Sean Zinsmeister

-データエージェント、グループプロダクトマネージャー Richard Kuzma

どこからでもデータとチャット: Google の新しい Conversational Analytics API

Thu, 04 Sep 2025 01:00:00 +0000

※この投稿は米国時間 2025 年 8 月 26 日に、Google Cloud blog に投稿されたものの抄訳です。

意思決定者、従業員、顧客などの立場を問わず、日々の業務で使用するアプリケーションの「中で」答えが得られることが求められています。近年、AI を活用したビジネスインテリジェンス（BI）の進歩によって人とデータとの関係が変化し、自然言語で質問して迅速に回答を得られる状況が生まれました。しかし、自然言語がサポートされていても、BI ツール内のデータという形でしか答えとしての情報が得られないこともよくあります。Google Cloud の目標は、この状況を変えることです。

Google Cloud はこのたび、Google Cloud Next 25 で Conversational Analytics API を発表しました。この API により、信頼できるデータアクセスとスケーラブルで信頼性の高いデータモデリングに支えられた自然言語のクエリ機能を、カスタムアプリケーション、社内ツール、ワークフローに埋め込むことができるようになります。この API は、Looker や BigQuery データキャンバスなどの Google Cloud 独自の会話型エクスペリエンスにすでに導入されており、各分野の Google Cloud 開発者の方にさまざまな実装でご利用いただけます。Conversational Analytics API は、本日、公開プレビュー版としてリリースされました。ドキュメントをご確認になり、早速ご活用ください。

Conversational Analytics API を使用すると、Looker の信頼できるセマンティックモデルによる正確性の確保、BigQuery のエージェントへの重要なビジネスおよびデータコンテキストの提供が可能となり、これらを活用してデータ、グラフ、テキストの形式の回答を提供するカスタムデータエクスペリエンスを構築できます。この機能を埋め込むことにより、直感的なデータエクスペリエンスを創出し、自然言語による複雑な分析を実現できます。また、Agent Development Kit を使用して、オーケストレーターエージェントの「ツール」として会話分析エージェントをオーケストレートすることもできます。

Google Health Population アプリは Conversational Analytics API を使用して開発されている

Conversational Analytics API でできること

Conversational Analytics API を使用すると、どこからでもチャットを通じて BigQuery または Looker のデータを操作・活用できます。Looker ダッシュボードのサイドパネルにチャット機能を埋め込む、Slack などのチャットアプリケーションでエージェントを呼び出す、会社のウェブアプリケーションをカスタマイズする、マルチエージェントシステムを構築するなど、さまざまな使い方が可能です。

日々のワークフローはそのままに、必要なときに必要な場所ですぐに答えを得ることができる優れた特性は、Google の高度な AI モデルおよびエージェント機能と、Looker のセマンティックレイヤおよび BigQuery のコンテキストエンジニアリングサービスとの統合によって生み出されています。これにより、組織全体で共通の自然言語エクスペリエンスが実現し、会社で最もよく使用されるアプリケーションで、シームレスにデータを分析情報に変えることができるようになります。

aside_block: <ListValue: [StructValue([('title', '300 ドル分のクレジットで Google Cloud のデータ分析を試用'), ('body', <wagtail.rich_text.RichText object at 0x7f5e7658bf40>), ('btn_text', ''), ('href', ''), ('image', None)])]>

Google の分析および AI スタックを使用した構築には、正確な質問応答という点で大きなメリットがあります。

データ分析に優れた最先端の AI
システムが環境を認識して動作するエージェントアーキテクチャ
信頼できる回答を実現する Looker の強力なセマンティックレイヤへのアクセス
専任のエンジニアリングチームがサポートする高性能なエージェントツール（ソフトウェア機能、グラフ、API など）
高度な分析のための Python コードインタープリタ
構造化されたコンテキストとプロンプトによるエージェントの知識のチューニング

データのニーズに合ったエージェントアプリケーションを構築できる柔軟性も備えています。

BigQuery または Looker のデータとチャットできるエージェントを作成、更新、共有
エージェントと会話の管理にステートフル API を使用してメンテナンスの負担を軽減
ステートレスのチャット API でユーザーエクスペリエンスを完全に制御
ADK と MCP で API をラップしてマルチエージェントアーキテクチャを構築
AI を活用したコンテキストエンジニアリングで、エージェントによるビジネスとデータの理解を促進
エージェントをバージョン管理し、本番環境での使用に影響を与えることなくプロンプトを更新

Google Cloud Platform ならではのエンタープライズクラスの制御性とセキュリティも実現します。

ロールベースアクセス制御によってエージェントの使用を管理
デフォルトの行レベルと列レベルのアクセス制御によってデータのセキュリティを確保
組み込みのクエリ制限で高額なクエリを防止

Conversational Analytics API を Looker と組み合わせると、Looker のセマンティックレイヤによって生成 AI の自然言語クエリのデータエラーが最大で 3 分の 2 も減少し、クエリが正確なデータに基づいたものになります。

Looker のセマンティックレイヤにより会話分析がデータの事実で根拠づけられる

Google AI を活用したエージェントアーキテクチャ

Conversational Analytics API では、正確な回答を提供するために、データをクエリして分析する専用のモデルが使用されます。また、柔軟なエージェントアーキテクチャにより、質問への最適な回答のためにエージェントによって利用される機能を構成することができます。

エージェント作成者が適切なツールを利用できるようエージェントアーキテクチャを活用

開発者は、次のツールを使用して AI エージェントを構成できます。

Gemini in BigQuery のお客様の信頼を得ている Text-to-SQL
個人や組織の使用状況に基づくコンテキストの取得
アナリストによって選定されたセマンティックレイヤを活用するための Looker の NL-to-Looker クエリエンジン
予測や根本原因分析などの高度な分析用のコードインタープリタ
優れた可視化によりデータを活用するためのチャート作成
回答をわかりやすい言葉で説明するための分析情報

これらの生成 AI ツールは、Google の最新の Gemini モデルを基に構築され、特定のデータ分析タスク向けにファインチューニングされているため、高い精度を実現します。会話分析用のコードインタープリタもあり、コホート分析から期間ごとの計算まで、さまざまなコンピューティング処理が可能です。現在プレビュー版のコードインタープリタを使用すると、高度なコーディングや統計手法を学ぶことなく、データサイエンティストの業務をこなすことができます。ぜひ、こちらから早期アクセスにお申し込みください。

コンテキストの取得と生成

優れたデータアナリストは、単に頭脳明晰なだけでなく、自社のビジネスとデータに関する深い知識も持ち合わせています。これに匹敵する価値を提供するには、「データとのチャット」エクスペリエンスでも、同様に豊富な知識にアクセスできる必要があります。そのため、Conversational Analytics API では、データとクエリに関するコンテキストの収集に重点が置かれています。

会話分析エージェントは、検索拡張生成（RAG）を活用して特定のユーザーとそのデータを理解します。たとえば「ニューヨーク」または「NYC」の売上を尋ねられた場合は「ニューヨーク市」を意味することを認識します。また、この API は質問の意味を分析して、クエリ対象として最適なフィールドを選択し、組織から学習します。たとえば、ある BigQuery プロジェクトでは「revenue_final_calc」が「revenue_intermediate」よりも頻繁にクエリされることを認識し、それに応じて動作を調整します。最後に、この API は過去のやり取りからも学習します。たとえば、火曜日に BigQuery Studio で「顧客のライフタイムバリュー」についてクエリを実行したことを記憶し、金曜日に再度同じ質問をすると、そのことを考慮して回答します。

すべてのデータセットに、エージェントが機能するために必要なコンテキストが含まれているわけではありません。列の説明、ビジネス用語集、質問とクエリのペアといったものはどれもエージェントの精度向上に役立ちますが、手動で作成するのは大変な作業であり、特に 1,000 個のテーブルそれぞれに 500 個のフィールドがあるような場合はなおさらです。エージェントの学習プロセスを迅速化するために、この API には AI によるコンテキスト支援機能が含まれています。Gemini がエージェントが知っておくと役立つ可能性のあるメタデータを提案し、開発者は変更を承認または拒否できます。

メンテナンス負担の軽減

Conversational Analytics API を使用すると、Google Cloud の最新のデータエージェントツールにアクセスできるため、エージェントの構築ではなくビジネスの拡大に集中できます。コーディングおよびデータ分析用の生成 AI の分野における Google のたゆみない進歩をぜひご活用ください。

エージェントを作成した時点から、Google のセキュリティ、ベストプラクティス、ロールベースアクセス制御によってデータが保護されます。Looker または BigQuery エージェントを共有すると、Agent Development Kit などの Google Cloud プロダクトや独自のアプリケーションでそのエージェントを使用できるようになります。

Conversational Analytics API を使用すればどこからでもデータを活用可能

API を活用したチャットをどこからでも

API 経由で利用できるエージェントによって、意思決定者に求められるあらゆる場所で分析情報を提示できます。サポートチケットで顧客と話しているとき、現場でタブレットを使用しているとき、メッセージアプリを使用しているときなど、いつでも対応可能です。

Conversational Analytics API は、ビジネスユーザー、エージェントを構築するデータアナリスト、ソフトウェア開発者など、あらゆるユーザーにメリットをもたらすように設計されています。会話型エージェントでは、ユーザーが質問すると、分析情報の取得に適切なアプローチが使用されていることを確認できるよう、エージェントの思考プロセスとともに回答が提供されます。個別の更新により、開発者はユーザーに提示する内容（回答やグラフなど）と、アナリストによる事後監査用にログに記録する内容（SQL や Python コードなど）を制御できます。

使用を開始するには、REST API と SDK のドキュメントと API リファレンスをご確認ください。また、Colab ノートブックの例、GitHub の Streamlit アプリケーション、TypeScript リファレンスアプリケーションのコード例もご活用ください。

-データエージェント担当グループプロダクトマネージャー Richard Kuzma

Google Cloud 向けの AI ファーストの Colab ノートブックエクスペリエンスを発表

Tue, 19 Aug 2025 02:00:00 +0000

※この投稿は米国時間 2025 年 8 月 6 日に、Google Cloud blog に投稿されたものの抄訳です。

Google I/O 2025 で、Google はエージェント機能を備えた新しい AI ファーストの Colab を発表しました。これにより、現在のコード、アクション、意図、目標を理解する真のコーディングパートナーが実現します。このたび、Colab Enterprise ノートブックを通じて、これらの機能を Google Cloud BigQuery と Vertex AI で利用できるようになりました。組織のデータサイエンスと分析のワークフローを簡素化し、変革するように設計された Colab Enterprise ノートブックの新機能は、次のことを可能にします。

組み込みの データサイエンスエージェント（DSA）を使用して、エンドツーエンドのデータサイエンスワークフローを自動化します。DSA は、複数ステップのプランを作成し、コードを生成して実行し、結果について推論して、その結果を提示します。
コードの生成、説明、変換、およびエラーの説明、自動修正が可能です。入力中にコードの提案も行えます。
簡単なプロンプトから可視化を作成できます。

では、詳しく見ていきましょう。

データサイエンスエージェントでワークフローを簡素化

データサイエンスは複雑かつ反復的で、時間がかかる場合があります。まず、ビジネス上の問題を ML タスクに変換し、未加工のデータを特定してクリーンアップし、変換してモデルをトレーニング、評価してから、ループを繰り返して最適化する必要があります。これにはスキルと時間が必要です。Colab のデータサイエンスエージェント（DSA）は、データの探索、変換、ML モデリングを容易にするエージェント機能を備えており、データサイエンス開発を加速します。

まず、ノートブックのチャットで 「bigquery-public-data.ml_datasets.census_adult_income テーブルから「所得区分」を予測するモデルをトレーニングして」のような簡単なプロンプトを入力します。その後、データサイエンスエージェントは、データの読み込み、探索、クリーニング、可視化、特徴量エンジニアリング、データの分割、モデルのトレーニング/最適化、評価など、データサイエンスモデリングのあらゆる要素を網羅する詳細なプランを生成します。

このプランは承認、キャンセル、変更できます。生成されたコードは Colab ランタイムで実行されます。エージェントでエラーが発生した場合、自動修正して、訂正した新しいコードを生成できます。各ステップを承認して完全に管理し、必要に応じて手動で編集できます。この反復的なアプローチにより、透明性と信頼性が確保されます。

また、エージェントはノートブックのコンテキストを完全に認識し、既存のコード、出力、変数を理解して、計画の各ステップに合わせてカスタマイズされたコードを提供します。これにより、既存のコードに反復的な変更を加えることもできます。

データサイエンスエージェントがワークフローを簡素化

AI と共同開発したノートブックに満足したら、自動実行をスケジュール設定するか、BigQuery パイプラインを使用して複数ステップの DAG で使用できます。

データでやりたいことを何でもできるマルチセルコード生成

AI ファーストの Colab Enterprise ノートブックは、幅広いタスクのコード生成もサポートしており、上記のデータサイエンスエージェントと同じインタラクションパターンに従います。たとえば、チャットインターフェースを使用して、次のようなプロンプトを入力できます。

任意の Python ベースのデータ変換、可視化、分析（因果分析の実行など）のコードを生成する。
Colab 環境を管理する（新しいライブラリのインストールなど）。
他の Google Cloud サービスとやり取りするためのコードを生成する（例: Cloud Run への関数のデプロイを管理する）。

人間参加型のインタラクション設計により、生成されたコードの承認、変更、編集が可能になります。

チャットインターフェースを使用したコード生成

既存のコードを変換することもできます。自然言語で変更を説明（例: 「このデータ読み込み関数にエラー処理を追加して」や「このモノリシックな関数をより小さなモジュール化された部分にリファクタリングして」など）すると、エージェントが関連するコードを特定して変更してくれます。

簡単な可視化

Python の可視化エコシステムには、Matplotlib、Seaborn、Plotly など、多くの選択肢が用意されています。これらは Colab ノートブックでも問題なく機能しますが、これらのライブラリを使用して適切なグラフを作成するには、ボイラープレートコードを記述し、ライブラリに精通している必要があります。

AI ファーストの Colab ノートブックは、このような可視化のための Python コードの生成に優れています。「... を表示するグラフを生成して」のようなプロンプトから開始し、BigQuery テーブル、Colab のローカルデータフレーム、アップロードされたファイルなど、データソースを参照します。次に、コードを承認して実行するだけで、可視化が生成されます。可視化を変更するには、たとえば軸を対数軸に変更したり、グラフの色を変更したりする場合、増分変更をプロンプトで指示するだけで、エージェントがニーズに合わせてコードを調整します。

Python コードを生成して簡単に可視化

エラーの説明と修正

Colab には、エラーの説明と修正のフローが組み込まれています。AI が生成したコードセルまたはユーザーが作成したコードセルでエラーが発生した場合は、[エラーの説明] ショートカットをクリックします。これにより、ノートブックチャットが開き、エラーの説明と修正コードが差分ビューで生成され、承認を求められます。

エラーを説明して修正する

高速かつインテリジェントなコード補完

Colab Enterprise のコード補完機能は、入力時に暗黙的な提案を行い、キーストロークを減らすことでワークフローを加速させます。タブで候補を適用するか、候補を修正します。

Colab Enterprise のコード補完

使ってみる

AI ファーストの Colab Enterprise とそのデータサイエンスエージェントは、データプロフェッショナルの働き方を変革しています。BigQuery と Vertex AI にわたって、Colab Enterprise のエクスペリエンスはシームレスであり、作成されたノートブックは作成場所に関係なく相互運用可能です。

Colab Enterprise にアクセスする方法は次のとおりです。

BigQuery: Google Cloud コンソール > BigQuery > ノートブックに移動します。
Vertex AI: Google Cloud コンソール > Vertex AI > Colab Enterprise に移動します。

データサイエンスエージェントを使用した AI ファーストのノートブックエクスペリエンスは、現在、米国とアジアのリージョンでプレビュー版が提供されており、近日中に他の Google Cloud リージョンにもロールアウトされる予定です。

機能のリクエスト、お住まいの地域での提供状況に関するご質問、フィードバックなどがありましたら、vertex-notebooks-previews-external@google.com までご連絡いただくか、こちらのフォームにご記入ください。

-Google、プロダクトマネージャー Vaibhav Sethi

-Google、プロダクトマネージャー Diego Granados

Conversational Analytics API を使用して自然言語 AI サービスを活用する方法

Mon, 14 Jul 2025 02:10:00 +0000

※この投稿は米国時間 2025 年 7 月 10 日に、Google Cloud blog に投稿されたものの抄訳です。

AI を活用して、データから明確で信頼できる回答をますます簡単に得られるようになってきました。Gemini を搭載した Conversational Analytics API のようなインテリジェントツールを使用すれば、複雑なシステムを使わなくてもインサイトが得られます。

現時点では、Conversational Analytics API を使用して普段使う自然言語で BigQuery や Looker のデータについて質問することができるようになっており、対応するデータソースは今後さらに増える予定です。Slack など、すでにお使いのアプリと API 連携させると、組織全体で高度なビジネスインテリジェンスが可能になります。デベロッパーのお客様は、ビジネスを理解し、必要なときに回答を提供するカスタムデータエージェントを構築することもできます。

現在プレビュー版で提供されているこの API は、非構造化の会話と構造化データを実用的な分析情報に変換し、自然言語でアクセスできるようにします。カスタムデータエージェントの作成、ビジネス用語のマッピング、計算の定義により、ユーザーとアナリストを支援できます。

aside_block: <ListValue: [StructValue([('title', 'Google Cloud を無料で試す'), ('body', <wagtail.rich_text.RichText object at 0x7f5e76556df0>), ('btn_text', '無料で開始'), ('href', 'https://console.cloud.google.com/freetrial?redirectPath=/welcome'), ('image', None)])]>

Conversational Analytics API のインテリジェントなツールキット

Conversational Analytics API は、Natural Language to Query（NL2Query）や Python コードインタープリタなど、複数の AI 搭載ツールを統合してユーザーのリクエストを処理し、回答を生成します。また、重要な役割を果たすコンテキスト取得ツールも利用して、特定のデータセットに関する詳細を含めることで、API の回答が正確かつ関連性の高いものになるようにしています。

では、その仕組みを簡単に説明しましょう。

Conversational Analytics API を支えるエンジン

コンテキストの取得: 関連性の高い回答を引き出す鍵

インテリジェントな会話型データインタラクションを実現するには、コンテキスト取得ツールが欠かせません。BigQuery の場合、このツールは Dataplex からスキーマ情報、列とテーブルの詳細な説明を細部まで取得します。Looker とのやり取りの場合は、LookML モデルにアクセスして、フィールド定義、ラベル、定義されたメジャーを取得します。データの構造、関係、固有のビジネスロジックを深く正確に理解することは、エージェントがデータランドスケープの専門家になるために必須のステップで、この理解があってこそ、確固たる根拠に基づき、関連性が高く、最終的にはビジネスにとって信頼できる回答を提供できるようになります。

NL2Query エンジン: 質問をクエリに変換

Conversational Analytics API の中心にあるのは、BigQuery と Looker の両方のデータソースをサポートするように設計された堅牢な NL2Query エンジンです。このエンジンは、ユーザーが提供した自然言語の質問を、指定されたデータソースに合わせて意味的に同等かつ構文的に正しいクエリに変換します。

たとえば、「注文商品あたりの平均販売額を支払い方法別に教えて」と質問をするとエンジンがこれを処理し、SQL を記述しなくても必要なクエリを生成して実行し、正確な回答を提供してくれます。NL2Query エンジンには、曖昧さの処理や、自然言語入力から利用者の意図を推測する機能が含まれており、探索するデータセット構造への正確なマッピングを可能にしています。

自然言語をデータクエリに変換する NL2Query

Python コードインタプリタ: 高度な分析を可能に

基本的なクエリ機能に加えて、Conversational Analytics API 内のコードインタープリタ機能は Python を活用して高度な分析タスクを支援しています。複雑な計算や統計分析も Python コードを生成して実行できるので、標準的なクエリ言語では表現できない処理を実行できるようになりました。複雑すぎて SQL だけでは簡単にまたはまったく処理できないようなシナリオにも対応でき、統計モデリングやデータ変換などの高度な分析も Python ライブラリを通じてアクセスできます。しかも、これらはすべて会話型インターフェースを介して行われ、Python コーディングを直接行う必要はありません。

たとえば、「顧客セグメント別の離脱率を計算して、分布を示して」とリクエストすると、コードインタープリタは、この分析を実行して洞察に富んだ分析情報を可視化し、統計を提供するのに必要な Python コードを自動的に生成して実行します。

コードインタープリタは、Python コードを利用して複雑な計算を行うことで、データサイエンスを簡素化

現在プレビュー版として提供されているコードインタープリタツールのテストにご興味がある場合は、こちらをご覧ください。

インテリジェントな可視化エンジンで印象的なデータストーリーに

数値データをただ並べただけでは、意味がとれないことが結構あります。クエリ結果を説得力のある視覚的表現に変換することでこの問題に対処できるのが、Conversational Analytics API に組み込まれた可視化エンジンです。データ可視化プロセスを合理化するこの機能により、データの選択、軸のラベル付け、グラフの種類や色の選択など、手動で設定しなくてもグラフを即座に生成することができ、数値データが視覚的に魅力的で理解しやすい分析情報に変換され、数値だけでは見えないパターンや傾向が浮き彫りになります。

たとえば、「月ごとの注文総数をグラフ化して」とリクエストすると、関連データを可視化して即座に折れ線グラフなどを生成し、すぐに共有や分析に活用できるような形で経時的な販売実績をわかりやすく示します。

スマートな可視化によりデータを即座にグラフ化できる Gemini の力

データとのインテリジェントな会話を始めましょう

データの複雑さに悩む必要はありません。今すぐデモをリクエストするか、Looker で会話分析を有効にして、データとのチャットを開始しましょう。この API を使用すると、お客様独自のアプリケーションに会話分析を組み込むこともできます。こちらのクイックスタートアプリケーションから、数分でご利用を開始いただけます。

ー Google Cloud、プロダクトマネージャー Vasiya Krishnan

ー Google Cloud、プロダクトマネージャー Ellery Berk

安心して会話: Looker の会話分析のセキュリティを解説

Fri, 11 Jul 2025 03:00:00 +0000

※この投稿は米国時間 2025 年 7 月 8 日に、Google Cloud blog に投稿されたものの抄訳です。

ビジネスインテリジェンスは急速な進化を遂げており、AI を活用した、優れたセルフサービス機能と自然言語機能への期待はますます高まっています。Looker の会話分析は、データに内在する豊富な情報を、組織の誰もが活用できるようにするツールです。調べたいデータを選び、同僚に話すように自然な言葉で質問するだけで、Looker のセマンティックレイヤにより、信頼性の高い分析情報と可視化された回答がすぐに得られます。直感的に操作できることで、データ分析の技術的なハードルが下がり、組織全体でデータを活かす文化が自然と育っていきます。

では、その仕組みを簡単にご紹介しましょう。会話分析は、技術的なコアとして、質問の背後にある意図を理解する力を持っています。Gemini モデルによって強化されたこのプロセスは、自然な言葉で入力された質問を解釈し、適切なデータ取得ロジックを生成した上で、結果を図やグラフなど、わかりやすい形で提示します。このプロセスを支えているのが、Looker のセマンティックモデルです。あらかじめ定義されたビジネス指標に基づいて複雑なデータを単純化することで、Gemini の AI の判断を、信頼できる一貫したデータ理解に根拠づけます。

プライバシーを優先する Gemini

Gemini のような強力な生成 AI モデルの台頭は、イノベーションと効率化の素晴らしい機会をもたらします。しかし、データに対しては、責任ある安全なアプローチを取ることが必要です。AI ツールの利用に際して、まず懸念されるのが、データのプライバシーとセキュリティです。プロンプトやデータはどのように使われるのか？保存されるのか？モデルのトレーニングに利用されるのか？といった疑問が生まれます。

Google Cloud では、Gemini モデルをご利用いただく際、お客様のデータのプライバシーを最優先事項と位置づけています。また、お客様がデータを自ら管理し、安心してご利用いただけるよう、データガバナンスの仕組みを設計しています。具体的にご紹介しましょう。

プロンプトと出力は保護されます

Google Cloud は、お客様のプロンプトやお客様の会社のデータでモデルをトレーニングすることはありません。

会話分析は、データクエリの生成、グラフの作成、要約の作成、回答の提示など、お客様のビジネス上の質問に答える目的に限って、お客様のデータを使用します。エージェントのメタデータ（エージェントに対する特別な指示など）は、エージェントの回答の質を向上させる目的で保存されます。これにより、複数のチャットセッションにおいて、同じエージェントを継続的に利用することが可能になります。またチャットの会話も、会話を中断したところから再開できるようにするために保存されます。どちらも IAM で保護されており、許可なく組織外のユーザーと共有されることはありません。

aside_block: <ListValue: [StructValue([('title', 'Google Cloud を無料で試す'), ('body', <wagtail.rich_text.RichText object at 0x7f5e752af4c0>), ('btn_text', '無料で開始'), ('href', 'https://console.cloud.google.com/freetrial?redirectPath=/welcome'), ('image', None)])]>

お客様のデータがモデルのトレーニングに使用されることはありません

会話分析は、複数のステップから成るワークフローでデータを処理しています。

エージェントはユーザーの質問を確認し、回答に必要な具体的なコンテキストを特定して、ツールを使用してサンプルデータや列の説明などの有用な文脈情報を取得します。
ビジネス上の文脈とデータ上の文脈、そしてユーザーの質問をもとに、エージェントがデータを取得するためのクエリを生成し、これを実行します。データが返され、結果のデータテーブルが生成されます。
これまでに収集した情報は、図やグラフ、テキストによる説明、またはフォローアップの質問の提案などにも使用されます。このプロセスを通じて、システムはユーザーの質問、データサンプル、クエリ結果を覚えておき、それらをもとに最終的な回答を組み立てることができます。
ユーザーがフォローアップなどの新しい質問をした場合も、エージェントはそれまでの会話の文脈をもとに、ユーザーの新たな意図を把握します。

会話分析の信頼性とセキュリティの強化

会話分析を安心してご利用いただけるよう、Google Cloud では包括的なベストプラクティスに則り運用しています。

Looker のセマンティックレイヤを活用: 会話分析は、Looker のセマンティックモデルでグラウンディングされ、AI モデルが信頼性と一貫性をもってビジネス指標を理解し、判断を下せるようにしています。これにより、分析情報の精度が向上するだけでなく、Looker の確立されたガバナンスフレームワークを効果的に活用できます。
安全なデータ接続: 会話分析が接続する BigQuery などの Google Cloud サービスは、独自の堅牢なセキュリティ対策とアクセス制御を備えています。これにより、基盤となるデータが保護されます。
データを暗号化: 処理のために Gemini に送信されるデータは、転送中に暗号化され、不正アクセスから保護されます。エージェントのメタデータと会話履歴も暗号化されます。
継続的なモニタリングと改善: Google のチームは、Google Cloud の会話分析と Gemini のパフォーマンス、およびセキュリティを継続的にモニタリングしています。

ロールベースのアクセス制御

さらに、Looker は堅牢なロールベースのアクセス制御（RBAC）フレームワークを提供します。会話分析では、このフレームワークを利用して、ユーザーに応じて扱えるデータをきめ細かく制御できます。Looker ユーザーがデータとのチャットを行う場合、会話分析では、そのユーザーに設定されている Looker の権限が尊重されます。つまり、ユーザーはすでにアクセス権を持っている Looker Explore とのみ会話できるということです。たとえば、ユーザーが 2 つの Looker Explore を閲覧する権限を持っている場合でも、管理者は会話機能を 1 つに制限できます。会話型エージェントが広く活用されるようになった後も、ユーザーが使用できるのはアクセス権が付与されたエージェントのみという形の運用になります。エージェント作成者は、会話分析エージェントの機能を構成することもできます。たとえば、ユーザーがグラフを表示できるようにする一方で、予測などの高度な機能は制限するといった調整が可能です。

安心して挑戦できる環境を

Gemini は、お客様の作成、分析、自動化を支援する、ビジネスの強力なパートナーとなるように、Google の最も高性能な AI モデルを使用して設計されています。Google は、お客様のデータのセキュリティやプライバシーを損なわず、またお客様のプロンプトやデータをトレーニングに使用することなく、機能をご提供することを、重要な方針として取り組んでいます。プロンプト、データ、モデルの出力を保存せず、トレーニングにも使用しないことで、ユーザーはデータのコントロールを維持したまま、生成 AI の力を最大限に引き出すことができます。

会話分析は、これらのセキュリティ原則に従い、Google Cloud の堅牢なインフラを活用することで、安全性と信頼性を備えた、強力で洞察に富むエクスペリエンスを提供します。データによる分析を誰もが安全に活用できるようになることで、組織全体のイノベーションと生産性は飛躍的に向上します。Looker で会話分析を今すぐ有効化し、信頼できるデータ対話を始めましょう。

-プロダクトマネージャー、Richard Kuzma

-プロダクトマネージャー、Kate Grinevskaja

Google、2025 年 Gartner® Magic Quadrant™ 分析およびビジネスインテリジェンスプラットフォーム部門のリーダーに

Wed, 02 Jul 2025 01:20:00 +0000

※この投稿は米国時間 2025 年 6 月 19 日に、Google Cloud blog に投稿されたものの抄訳です。

このたび、Google が 2025 年「Gartner® Magic Quadrant™」の分析およびビジネスインテリジェンス部門でリーダーに選出されたことを発表いたします。これは 2 年連続の快挙となります。この成果は、自然言語を通じて組織全体がアクセスできる、セルフサービスや管理された環境向けの包括的な BI プラットフォームを提供するという Google の戦略を実証するものだと考えています。この BI プラットフォームは、セマンティックモデリングレイヤによって実現した信頼できるデータに支えられています。

こちらから、2025 Gartner Magic Quadrant for Analytics and Business Intelligence Platforms の無料レポートをダウンロードできます。

生成 AI は、ビジネスインテリジェンスプラットフォームが提供できるサービスを再定義しています。過去 1 年間で、Google はスライド生成や数式作成などの AI を活用した多くの機能を Looker プラットフォームに追加し、会話分析も導入しました。これは、組織のあらゆる部門のユーザーがシンプルで自然な言語を使用してデータと対話し、回答を得られる新しい方法です。また、Looker の信頼できる指標を使用して真実を根拠とする AI エージェントの基盤を築き、セマンティックレイヤを新しいサードパーティプロバイダに拡張しました。さらに、Google ならではの使いやすいダッシュボード作成用に Looker レポートを導入し、開発者がより迅速に構築とテストを行えるように継続的インテグレーションを初めて導入しました。

目標は、信頼できるデータを企業のあらゆるワークフローと意思決定に組み込むことです。

BI における生成 AI の革命

Google の基盤となる Gemini モデルを Looker プラットフォームに深く統合したことで、AI を活用したビジネスインテリジェンスの新時代が到来し、データの探索と分析がこれまで以上に利用しやすく、有益なものになりました。

過去 1 年間に導入した AI を活用した機能により、ユーザーがデータとやり取りする方法が根本的に変わりました。

会話分析: ユーザーはデータについて自然言語で複雑な質問をすることができ、インテリジェントで可視化された回答を即座に受け取れるようになりました。これにより、ビジネスユーザーはコードを 1 行も記述することなく、データのニーズにセルフサービスで対応できるようになり、データチームはより戦略的な取り組みに集中できるようになります。
会話分析のコードインタープリタは、自然言語の質問を Python コードに変換し、そのコードを実行して高度な分析と可視化を提供します。これにより、「もし～だったら」という質問や前年同期比の成長分析など、より複雑なシナリオに対応できます。
AI を活用した開発: Looker プラットフォームのあらゆるアクションには Google の Gemini モデルが活用されており、LookML の記述とデバッグ、堅牢で信頼性の高いデータモデルの開発、新しいレポートやスライドの作成など、すべての BI 関連のアクションを加速します。
スライドの自動生成と数式の作成: Google の最新の Gemini モデルにより、Looker は AI 時代における情報の作成と共有の方法を再定義しています。分析に役立つグラフの要約を含む Google スライドプレゼンテーションを数秒で作成でき、数式アシスタントを使用して独自のデータに基づく指標とディメンションを活用した計算フィールドを構築することもできます。

Conversational Analytics API を活用した Looker エージェントがまもなく Agentspace で利用できるようになり、検出とアクセスの中央リポジトリが提供されることでエージェントのデプロイと管理が簡単になります。

Looker レポートを活用した Google ならではの簡単なデータストーリーテリング

柔軟で強力なデータ可視化への Google の取り組みを基盤として、より直感的な新しい Looker レポート エクスペリエンスが導入されました。この刷新されたレポート機能は、データ探索とストーリーテリングのための美しくコラボレーション可能なキャンバスを提供し、以下のような機能を備えています。

強化された可視化機能: 新しいグラフの種類とカスタマイズオプションにより、ユーザーはデータの表示方法をより細かく制御でき、説得力のあるストーリーを伝えられるようになります。
簡素化された共同作業のワークフロー: 新しいレポート作成インターフェースではレポートの作成、共有、共同編集がこれまで以上に簡単になり、より包括的なデータ文化を促進できます。
レスポンシブキャンバス: レポートの応答性が向上し、パソコン、タブレット、モバイルなど、さまざまなデバイスの画面サイズでスムーズに表示できるようになりました。

開発者支援と組み込みエクスペリエンスを強化

Looker では、開発者の創造性を制限するのは開発者自らが課した制限だけであると考えています。ただし、それはツールが邪魔しない限りです。このことを念頭に置き、Google は開発者エクスペリエンスの向上に多大な投資を続けています。

Google の新しい Conversational Analytics API を使用すると、自然言語クエリをアプリケーションやワークフローに直接埋め込むことができ、埋め込み分析エクスペリエンスにおいて新たなレベルのインタラクティブ性とユーザーエンゲージメントを実現します。これに Looker の埋め込み分析と新しい Model Context Protocol（MCP）標準を組み合わせて適用することで、開発者は独自のアプリケーションやイノベーションのために、BI 用のカスタム会話型エージェントを構築、設計できるようになりました。

Agentspace は、Looker エージェントの管理と共有のための中央ハブとして機能し、検出可能性を高めるとともにデプロイを簡素化します。このアプローチにより、チームは AI を活用した分析情報を迅速に活用し、エージェントをチーム間で共有できるため、よりデータドリブンな文化を促進できます。また、Google Cloud Next ‘25 で発表されたエージェント開発キットも加わり、Google はマルチエージェント機能向けに設計された豊富なモデルとツールのエコシステムを提供しています。

会話分析のコードインタープリタを使用すると、従来は高度なコーディングや統計手法に関する専門知識が必要だった高度な分析を実行できます。コードインタープリタは、「データ内の売り上げを左右した主な要因は何ですか？」や「2023 年と 2024 年の四半期の売上はいくらで、前四半期比の成長率はどのくらいでしたか？」といった、標準的な BI クエリの範疇を超える質問において優れています。また、AI を活用したデータの世界では、回答がどのように生成されたかを検証できなければ、その回答に価値はほとんどありません。そのため、コードインタープリタではその処理内容を表示できます。生成された回答ごとに、[How is this calculated?] セクションを開いて実行された Python コードを正確に確認でき、ブラックボックス化しない仕組みになっています。

Google は、開発者がアプリケーションとダッシュボードの正確性を信頼し、毎回正しくビルドされることを期待しているのも理解しています。LookML 開発の信頼性と速度を高めるために、Spectacles.dev チームが Google Cloud に加わり、Looker プラットフォームに強力な継続的インテグレーション（CI）と自動テスト機能を提供すべく全力で取り組んでいます。これにより、データ品質と整合性を大規模に確保できます。

生成 AI を活用するあらゆるビジネスに信頼性を

AI の時代において、データはビジネス、アプリ、意思決定を推進するものになっています。データは正確かつ整合性のあるものでなければなりませんが、従来のツールでは必ずしもそうではありませんでした。この新たな世界では、セマンティックレイヤによって管理される、そのビジネス固有の情報によって裏付けられた信頼できる定義が必須要素です。レポートやダッシュボードは、単に利用できる、あるいは単に魅力的なだけでは不十分です。特定のユースケースに合わせてデータエージェントを最大限に活用したり、組織が日常的に使用するサードパーティアプリに組み込んだりできる必要があります。

Looker の強力なセマンティックモデルと Google の先進的な AI 機能を組み合わせることで、これまで以上にインテリジェントで直感的、かつインパクトのあるビジネスインテリジェンスの新しい基盤が実現します。Google のテストでは、Looker のセマンティックレイヤを使用して構築することで、生成 AI の自然言語クエリにおけるデータエラーが 3 分の 2 ほども減少しました。データの整合性と品質は現代の組織にとって最優先事項です。私たちは、今この瞬間のために構築を続けています。

「2025 Gartner Magic Quadrant for Analytics and Business Intelligence Platforms」レポートの全文は、こちらからダウンロードできます。Looker の詳細についてはこちらをご覧ください。

_{2025 Gartner Magic Quadrant for Analytics and Business Intelligence Platforms - Anirudh Ganeshan、Edgar Macari、Jamie O'Brien、Kurt Schlegel、Christopher Long、2025 年 6 月 16 日}

_{Gartner は、リサーチに関する発行物に掲載されている特定のベンダー、製品、サービスを推奨するものではありません。また、最高の格付けまたはその他の評価を得たベンダーのみを選択するように助言するものでもありません。Gartner のリサーチの刊行物は、Gartner のリサーチ組織の見解により構成されるものであり、事実を述べたものとは解釈しないでください。Gartner は、明示または黙示を問わず、本リサーチの商品性や特定の目的への適合性を含め、いかなる保証も行いません。}

_{上の図は、リサーチドキュメントの一部として Gartner, Inc. より公開されているもので、ドキュメント全体の文脈に即して評価する必要があります。この Gartner のドキュメントをご希望の方は、Google までご請求ください。}

ー Google Cloud、データクラウド担当マネージングディレクター、Yasmeen Ahmad

ーアウトバウンドプロダクト管理担当ディレクター、Sean Zinsmeister

Looker のセマンティックレイヤがビジネスインテリジェンス向けの信頼できる AI を実現する仕組み

Thu, 22 May 2025 01:00:00 +0000

※この投稿は米国時間 2025 年 5 月 8 日に、Google Cloud blog に投稿されたものの抄訳です。

データがインテリジェントなアプリケーションを支え、ビジネス上の意思決定を促進する AI の時代において、正確で一貫性のあるデータ分析情報の需要はかつてないほど高まっています。しかし、データの複雑さと膨大さがツールやチームの多様性と相まって、誤解や精度の問題につながるリスクもあります。そのため、セマンティックレイヤで信頼性のあるデータの定義を管理することが非常に重要になります。セマンティックレイヤは、自社ビジネスに関する固有情報を、標準化された参照情報とともに利用して、ビジネスに適した一貫性のあるデータ解釈を提供します。これにより、真実に基づく AI イニシアチブと分析プロセスを確立でき、信頼できる結果を導くことができます。

Looker のセマンティックレイヤは、ビジネスの指標やディメンションの信頼できる唯一の情報源として機能し、組織内で各種ツールにまたがって一貫性のある明確な用語が確実に活用されるようにします。つまり、セマンティックレイヤは、生成 AI ツールが単なる元データではなくビジネスロジックを解釈するための基盤を提供します。これは、ビジネス用語とユーザー意図をマッピングする重要なシグナルによって正確な答えが導き出され、曖昧さが軽減されることを意味します。また、LookML（Looker モデリング言語）が、セマンティックモデルの作成を支援します。セマンティックモデルによって、組織がデータの構造とロジックを定義でき、複雑さが抽象化されるので、組織内のユーザーは必要な情報を簡単に得ることができるようになります。

セマンティックレイヤは特に生成 AI において重要な意味を持ちます。管理されていないデータに生成 AI を直接適用すると、印象的であるものの、根本的に精度と整合性に欠ける結果が生成される場合があります。たとえば、複雑な SQL を記述する際など、重要な変数を誤算したり、データを不適切にグループ化したり、定義を誤解したりすることがあります。場合によっては、これが誤った戦略や収益機会の逸失につながります。

データドリブンな組織には、信頼できるビジネス情報が必須です。Google 内部のテストでは、Looker のセマンティックレイヤによって、生成 AI の自然言語クエリにおけるデータエラーがほぼ 3 分の 1 に減少しました。Enterprise Strategy Group の最近のレポートによると、組織の分析およびビジネスインテリジェンスプラットフォームにとって、データの品質と整合性を確保することが最大の課題であることがわかりました。Looker は、信頼できる唯一の情報源として、データの精度を確保し、組織全体とすべての接続されたアプリケーションに信頼できるビジネスロジックを提供します。

aside_block: <ListValue: [StructValue([('title', 'Google Cloud を無料で試す'), ('body', <wagtail.rich_text.RichText object at 0x7f5e753d1340>), ('btn_text', '無料で開始'), ('href', 'https://console.cloud.google.com/freetrial?redirectPath=/welcome'), ('image', None)])]>

信頼できる生成 AI の基盤

生成 AI を真に信頼できるものにするには、組織のデータインテリジェンスエンジンとして機能する堅牢なセマンティックレイヤをその基盤に据える必要があります。これにより、核となるビジネスコンセプトを定義する一元化された管理フレームワークが提供され、一貫した唯一の信頼できる情報源が確保されます。

セマンティックレイヤは、BI 向けの信頼できる生成 AI の実現に不可欠であり、次の効果をもたらします。

信頼性の向上: 一貫して定義され、管理されているデータを根拠に AI の回答を生成することで、生成 AI の「ハルシネーション」を減らします。
ビジネスコンテキストを深く理解: AI エージェントとデータエージェントは、組織内のアナリストと同じくらいビジネスを理解している必要があります。セマンティックレイヤを使用することで、これらのエージェントにビジネス用語、指標、相互関係を理解させ、ユーザーのクエリを正確に解釈して関連性の高い回答を提供できるように強化できます。
ガバナンスの徹底: 既存のデータセキュリティとコンプライアンスのポリシーを生成 AI 環境に適用して、機密情報を保護し、監査可能なデータアクセスを実現します。

組織内の整合性: 組織全体でデータの整合性を確保することで、すべてのユーザー、レポート、AI を活用した分析情報で、共通の定義と用語を使用し、同じ方法で参照できるようにします。

LookML で精度を向上させ、大規模言語モデルの推測依存を減らす

生成 AI 時代におけるセマンティックレイヤの利点

Looker のセマンティックモデリング言語である LookML は、クラウド向けに設計されており、生成 AI を BI に完全統合するために多くの重要なメリットを提供します。

一元化された定義: 専門家が指標、ディメンション、結合関係を一度定義すれば、すべての Looker エージェント、チャット、ユーザーがそれらを再利用できます。これにより、回答の一貫性が確保され、認識を統一できます。
高度な決定的計算: Looker はランダム性を排除し、予測可能で再現可能な結果を提供するので、複雑な数学的または論理学的な演算に特に効果を発揮します。さらに、ディメンション化されたメジャー機能によって値が集計されるため、グループとして一括で演算を行い、複雑なアクションを迅速かつ簡単に実行できます。
ソフトウェアエンジニアリングのベストプラクティス: Looker は、継続的インテグレーションとバージョン管理により、コード変更を頻繁にテスト、追跡し、本番環境のアプリケーションが円滑に稼働し続けられるように徹底します。
時間ベースの分析: 組み込みのディメンショングループにより、時間ベースと期間ベースの計算を実行できます。
データの深掘り: ドリルフィールドを使用すると、ユーザーは単一データポイントの探索を通じてデータを詳細に調べることができます。データエージェントはこの機能を利用して、ユーザーがさまざまなデータのスライスを詳しく調べられるように支援できます。

セマンティックレイヤの基盤により、曖昧なフィールド名（order.sales_sku_price_US など）が含まれる元テーブルに対する SQL コードの記述を LLM に要求する必要はありません。LookML 内で明確に定義されたビジネスオブジェクト（Orders > Total Revenue など）を検索するという、LLM の特性を生かした機能が LLM によって自ずと発揮される仕組みになっています。これらのオブジェクトには、メタデータに加え、人間にわかりやすい説明（例:「取引金額または販売価格の合計」）が含まれています。これは、ビジネスユーザーがビジネス表現を使い（例:「収益を表示」）、データ的な表現（例:「数量ではなく販売額（価格）の合計を表示」）を使わない場合に非常に重要な要素となります。LookML はデータソースと意思決定者が求める情報とを結び付けるので、LLM は正しいフィールド、フィルタ、並べ替えをより適切に識別でき、データエージェントをインテリジェントなアドホックアナリストとして機能させることができます。

LookML は、データの構造化されたライブラリカタログを提供します。これにより、AI エージェントは関連する情報と要約を見つけて、質問に正確に回答できます。その情報を適切な場所から実際に取得するタスクは、Looker によって処理されます。

AI と BI の密な連携によって、インテリジェントで信頼性の高い会話型の分析情報が約束されます。Looker のセマンティックレイヤにより、お客様はデータにアクセスするすべてのサーフェスでこれらのイノベーションを活用できます。今後も、さまざまなデータソースにサポートを拡大し、エージェントインテリジェンスを強化して、会話分析にさらなる機能を追加することで、データインタラクションを最も信頼できるビジネスアドバイザーとの会話と同じくらい直感的で強力なものにしていきます。

Looker のセマンティックレイヤと会話分析のメリットを最大限に活用するための第一歩を踏み出しましょう。Conversational Analytics API の詳細については、Google Cloud Next の最新のアップデートをご覧ください。また、こちらからプレビュー版へのアクセスをお申し込みいただけます。

-グループプロダクトマネージャー、Richard Kuzma

-プロダクトマネージャー、Jesse Sherb

AI と BI の融合: Gemini in Looker の詳細

Tue, 13 May 2025 01:03:00 +0000

※この投稿は米国時間 2025 年 4 月 16 日に、Google Cloud blog に投稿されたものの抄訳です。

ビジネスインテリジェンス（BI）の環境は、生成 AI のイノベーションに後押しされて大きな変革期を迎えています。企業は、新しい直感的な方法でデータインサイトを組織にもたらすことを目指し、組織のより多くの部門でインサイトを発見することをこれまで妨げてきた障壁を引き下げようとしています。

Google は、Gemini in Looker でこのトレンドをリードしています。Gemini in Looker は、クラウドファーストの BI ツールである Looker の歴史をさらに積み上げていくものです。データを整合させるセマンティックレイヤを基盤として、Google の最新 AI モデルを活用したインテリジェントな AI 搭載 BI により、ユーザーとデータとのやり取りを変革します。AI と BI が融合することで、データインサイトを組織全体で民主化し、従来の方法を打開する直感的で利用しやすい方法でデータを探索することが可能になります。

Gemini in Looker は、情報へのアクセスに伴う技術的な障壁を引き下げ、コラボレーションを強化し、元データを行動につながるインサイトに変換するプロセスを加速します。Google Cloud Next 25 で発表したとおり、Gemini in Looker は、Looker プラットフォームのすべてのユーザーにご利用いただけるようになりました。この投稿では、その主な機能、基盤となるアーキテクチャ、データアナリストとビジネスユーザーの両者にもたらされる変革の可能性について説明します。

aside_block: <ListValue: [StructValue([('title', '300 ドル分のクレジットで Google Cloud のデータ分析を試用'), ('body', <wagtail.rich_text.RichText object at 0x7f5e7648fcd0>), ('btn_text', '無料で構築を始める'), ('href', 'http://console.cloud.google.com/freetrial?redirectPath=/bigquery/'), ('image', None)])]>

AI を使って生産性と効率性を高める

Gemini in Looker は、アナリストやビジネスユーザーの生産性を AI で向上させるという明確な目標に基づいて設計されています。Gemini in Looker を使用すると、BI 用のデータやセマンティックモデルの準備が容易になり、ダッシュボードの可視化とレポートの作成が簡素化されます。さらに、ビジネスユーザーのデータリテラシーとデータ精通度を向上させて効率化をサポートできるため、ビジネスユーザーがプレゼンテーションでデータのストーリーを語り、ダッシュボードを見るだけでなく自然言語を使って質問の答えを得ることが可能になります。その結果、アナリストはより迅速に業務を遂行し、ビジネスユーザーはデータのストーリーを伝え、答えを得られるようになります。

Gemini in Looker は、分析タスクとワークフローを容易にする生成 AI を活用した以下の一連の機能でこれを実現します。

Looker の会話分析: ユーザーはデータについて自然言語で質問して、視覚的にわかりやすい回答をすぐに得ることができます。回答は Looker のセマンティックモデルを基盤とし、AI が活用されます。これにより、データエキスパートとチャットしているかのように簡単にデータを探索できるようになりました。

データアナリストに話しかけるようにデータと対話でき、回答もより迅速に得られます。

スライドの自動生成: Looker レポートだけでなく、AI で生成したグラフの要約や重要なインサイトも Google スライドにエクスポートして、プレゼンテーションの作成を自動化できます。スライドの自動生成では、スライドが基盤となるレポートに直接接続され、常に最新のデータが反映されるため、プレゼンテーションを常に関連性が高い最新の状態に維持できます。

レポートを共有可能なライブプレゼンテーションに素早く変換できます。

数式アシスタント: 目的とする計算を自然言語で記述できるため、アナリストはアドホック分析用の計算フィールドを簡単に作成できるようになります。AI を使用して数式が自動的に生成されるため、アナリストやレポート作成者の時間と労力が軽減されます。
LookML Assistant: ユーザーが作成しようとしているものを自然言語で記述できるようにし、対応する LookML のメジャーとディメンションを自動的に作成することで、LookML コードの作成を簡素化します。これにより、管理対象データの作成や維持のプロセスを効率化できます。
高度なビジュアリゼーションアシスタント: ユーザーが自然言語で記述した内容に基づいて、カスタマイズされたデータビジュアライゼーションを作成します。Gemini in Looker によって、必要な JSON コード構成が作成されます。

セマンティックレイヤ: AI の精度の基盤

Looker の AI アーキテクチャの重要なコンポーネントは、LookML セマンティックモデリングレイヤです。これにより、Gemini などの LLM と連携して、LLM がデータを理解するために必要なコンテキストを提供し、指標の定義を一元化することで、AI モデルを混乱させる可能性がある不整合の発生を防ぐことができます。セマンティックレイヤがなければ AI の回答が不正確になり、結果の信頼性が低下し、採用が進まず、努力が無駄になる可能性があります。Looker のセマンティックモデルは、データガバナンスの統合を可能にします。既存のコントロールでコンプライアンスと信頼を維持しながら、ビジネスに合わせて進化し、データセットとメジャーを繰り返し更新して、AI の回答を正確なものにします。Google の内部テストでは、Looker のセマンティックレイヤによって、生成 AI の自然言語クエリにおけるデータエラーがほぼ 3 分の 2 に減少しました。

お客様のデータとプライバシーを保護

Gemini in Looker はお客様のデータを保護するため、安心してご利用いただけます。Gemini はデータのプライバシーを最優先しており、お客様の許可なくプロンプトや出力を保存することはありません。また、プロンプトや生成された出力を含むお客様のデータを、Google が生成 AI モデルのトレーニングに使用することもありません。

Looker のエージェント AI アーキテクチャがインテリジェントな BI を実現

Next 25 で発表した Looker の Conversational Analytics API は、Looker AI のエージェントバックエンドとして機能します。この API は、複数のツールを使用して分析的な質問に答える推論エージェントを使用して、質問に答えます。また、会話履歴を使用してマルチターンの質問に答えられるほか、Explore UI でクエリを開く機能などを備えており、より効率的な Looker クエリを可能にします。

Looker の AI アーキテクチャは精度と品質を重視して設計されており、生成 AI の品質向上のために次のような多角的アプローチを採用しています。

エージェント推論
基盤となるセマンティックレイヤ
検索拡張生成（RAG）のコンテキストを提供する動的ナレッジグラフ
SQL と Python の生成用にファインチューニングされたモデル

この堅牢なアーキテクチャにより、Looker は「それは何か」という単純な質問への回答だけでなく、「その違いは何か」「それはなぜか」「何が起こるのか」「最終的にはどうすべきか」といったさらに複雑なクエリにも対応できるようになっています。

Looker の AI と BI のロードマップ

Looker では、AI と BI の融合に取り組んでいるほか、以下のような新しいサービスの開発も進めています。

会話分析用のコードインタープリタ: 高度な分析を容易にし、Python に関する深い専門知識がないビジネスユーザーでも、自然言語を使用した予測や異常検出といった複雑なタスクを実行できるようにします。この新機能の詳細とプレビュー版へのお申し込みについては、こちらをご覧ください。
Conversational Analytics API: お客様のアプリケーション、チャットアプリ、Agentspace、BigQuery などの複数のエクスペリエンスにわたって開発者が会話分析を統合できます。Conversational Analytics API のプレビュー版へのアクセスは、こちらからお申し込みいただけます。
Agentspace: Looker エージェントを一元化して共有できます。アクセスの一元化、迅速なデプロイ、チームのコラボレーション強化、安全なガバナンスを実現できます。
Gemini による自動セマンティックモデル生成: LookML 作成の民主化、開発者の生産性向上、マルチモーダル入力によるデータインサイトの活用が可能になります。Gemini では、自然言語による説明、SQL クエリ、データベーススキーマなど、さまざまな入力タイプを利用できます。

AI を活用した BI の未来を見据える

Gemini in Looker は、AI / BI 革命における重要なマイルストーンです。Google の Gemini モデルの機能と Looker の堅牢なデータモデリング機能や分析機能を統合することで、アナリストの業務を支援し、ビジネスユーザーの生産性を高め、より詳細で、より行動につながるインサイトをデータから引き出すことができます。Gemini in Looker は、データの理解や活用の方法を変革し、よりスマートで情報に基づいた意思決定を行えるようにします。Gemini in Looker によって、「それが何か」を問うことから「次に何をすべきか」を自信を持って判断できる段階へと大きく前進できます。Looker の詳細については、https://cloud.google.com/looker をご覧ください。Gemini in Looker の詳細と、Looker デプロイで有効にする方法については、こちらをご覧ください。Trusted Tester の機能を有効にして、開発中の早期機能にアクセスすることもできます。

-プロダクト管理担当ディレクター、Vijay Venugopal
-プロダクトマネージャー、Kate Grinevskaja

会話分析を使用して、ユーザーがデータを最大活用できるようにする

Fri, 02 May 2025 02:00:00 +0000

※この投稿は米国時間 2025 年 4 月 30 日に、Google Cloud blog に投稿されたものの抄訳です。

Google Cloud Next 25 で、Google は会話分析を含む Gemini in Looker の提供範囲を拡大し、Looker プラットフォームのすべてのユーザーに対して提供開始いたしました。これにより、事業部門の従業員は、今までにない形で、信頼性の高いデータドリブンな分析情報に自然言語を使って迅速にアクセスできるようになります。従来のビジネスインテリジェンス（BI）プロダクトは複雑で覚えることが多く、高度な SQL の知識を必要とするため、本来なら BI ツールの恩恵を受けられる多くのユーザーが BI ツールを活用していません。しかし、AI と BI が融合することで、自然言語を使用してデータに関する質問やチャットができるようになり、長い間妨げとなっていた障壁が取り除かれます。

Looker の会話分析は、BI をよりシンプルで親しみやすいものにし、データアクセスを民主化するように設計されています。ユーザーは、データ関連のクエリを普段使う言葉で実行でき、質問のすべてには答えられないことが多い静的なダッシュボードから得られる情報以上の回答を得ることができます。ユーザーは、SQL や特定のデータツールの知識がなくても、Looker Explore や BigQuery テーブルから導き出された正確で関連性の高い回答を受け取ることができます。

データアナリストは、サポートチケットや作業の中断が減り、優先度の高い業務に集中できるようになります。また、ビジネスユーザーは、データクエリを各自で実行して回答を得ることが可能です。回答を最も必要とするユーザーにコントロールを委ね、信頼性の高いセルフサービスを推進できます。ユーザーはフィールド名や日付形式に悩まされることなく、たとえば「前四半期の売り上げ上位の商品は何？」と質問したり、「過去 6 か月間のウェブサイトトラフィックの傾向を教えて」と指示したりするだけで済みます。さらに、会話分析を Looker Explore とともに使用すると、テーブルが常に同じように結合され、指標が毎回同じ方法で計算されるようになります。

会話分析を通じてデータに関する質問をすると、AI を活用した分析情報を取得できます。

Looker の会話分析はシンプルかつ便利で、使いやすく設計されており、次の特徴があります。

結果の信頼性と整合性: 会話分析では、データエキスパートが LookML で定義したフィールドのみが使用されます。フィールドが選択されると、Looker によって一貫して毎回同じ方法で SQL に変換されます。
「算出方法」機能による透明性: 結果を生成した基盤となるクエリについて、理解しやすい箇条書きで自然言語による明確な説明を提供する機能です。
フォローアップの質問による詳細の深掘り: ユーザーは、フォローアップとして、普段の会話で使っているような表現で質問し、データをさらに詳しく調べることができます。たとえば、結果を特定の地域に絞り込んだり、日付フィルタの期間を変更したり、棒グラフから面グラフに切り替えたりできます。会話分析では、シームレスなイテレーションと、より詳細なデータ探索が可能です。
Gemini による分析情報: 最初のクエリ結果が表示されたら、ユーザーは [分析情報] ボタンをクリックして Gemini にデータ結果を分析させ、見逃していた可能性のあるパターンや傾向に関する詳細な分析情報を生成できます。

aside_block: <ListValue: [StructValue([('title', 'Google Cloud を無料で試す'), ('body', <wagtail.rich_text.RichText object at 0x7f5e8808a5e0>), ('btn_text', '無料で使ってみる'), ('href', 'https://console.cloud.google.com/freetrial?redirectPath=/welcome'), ('image', None)])]>

データアナリストとデベロッパーを支援

Google は、会話分析のリリースにあたり、事業部門チームに加え、データアナリストやデベロッパーにもメリットをもたらすことを目指しています。会話分析エージェントを使用すると、データアナリストは重要なコンテキストや指示を Gemini に提供できるため、Gemini がビジネスユーザーの質問に効果的に答えられるようになります。また、アナリストはビジネス用語を特定のフィールドにマッピングし、フィルタリングに最適なフィールドを指定し、カスタム計算を定義できます。

アナリストは、特定のユースケース用にエージェントを作成することで、エクスペリエンスをさらにカスタマイズすることもできます。ビジネスユーザーは、エージェントを選択する際に、適切なデータソースとやり取りしている安心感を得ることができます。

Next 25 で発表したとおり、Conversational Analytics API は、顧客アプリケーション、チャットアプリ、Agentspace、BigQuery など、Google Cloud のさまざまなエクスペリエンスとサードパーティプロダクトで会話分析の機能を強化し、自然言語によるデータクエリの利点を、日常的に使うアプリケーションにもたらします。また、今年は会話分析を Looker ダッシュボードにも導入いたします。Looker 内でも、他のアプリケーションに埋め込まれた状態でも、ユーザーが使い慣れたインターフェースでデータとチャットできるようになります。データとチャットしながらさらに複雑な問題を解決する場合は、新しいコードインタープリタ（プレビュー版）をお試しください。これは、SQL ではなく Python を使用してコホート分析や予測などの高度な分析を行うものです。会話分析のコードインタープリタを使用すると、高度なコーディングや統計手法を学ばなくても、データサイエンスのタスクに取り組むことができます。アクセスするには、こちらからご登録ください。

BI 向け AI の対象範囲を拡大

Looker の会話分析は、より幅広いユーザーが BI を利用できるようにするための第一歩です。Looker は、技術的な障壁を取り除き、直感的な会話型インターフェースを提供することで、より多くのビジネスユーザーが日常業務でデータを活用できるようにしています。Looker で会話分析を直接使用できると、組織の誰もがデータドリブンな分析情報を利用できるようになります。Looker インスタンスで会話分析を今すぐご利用ください。

-Google Cloud、プロダクトマネージャー、Greg Michnikov

AI を活用した視覚的な会話型データ探索と継続的インテグレーションを Looker に追加

Fri, 25 Apr 2025 01:03:00 +0000

※この投稿は米国時間 2025 年 4 月 11 日に、Google Cloud blog に投稿されたものの抄訳です。

このたびの Google Cloud Next ‘25 において、Google は Looker をデータ分析とデータ探索の最も強力なプラットフォームにする、大きな一歩を踏み出したことを発表いたします。Looker を強化する卓越した AI 機能と新たなレポート機能はすべて、信頼できるセマンティックモデル（AI 時代の精度と信頼性の高い分析情報の基盤）に基づいて構築されています。

このたび、すべてのプラットフォームで、会話分析を活用して自然言語と Google の最新の Gemini モデルを使用したデータ分析が可能になりました。また、データストーリーテリングの強化と探索の効率化を目的として設計されたまったく新しいレポート機能も Looker 内で利用できるようになります。どちらのイノベーションも、Looker でホストされているすべてのお客様にご利用いただけます。

現代の組織に必要なのは正確な分析情報だけではありません。隠れたパターンを発見し、トレンドを予測して、インテリジェントなアクションを促してくれる AI が必要です。Gemini in Looker と Looker レポートを導入すると、ビジネスインテリジェンスがより簡素化され、誰でも簡単に利用できるようになります。これにより、組織全体のユーザーが力を発揮し、データチームの負担が軽減され、アナリストはより影響力の大きな業務に集中できるようになります。

会話分析を通じてデータに関する質問をすると、AI を活用した分析情報を取得できます。

Looker の独自の基盤は、信頼できる唯一の情報源から誰もが作業できるようにする、そのセマンティックレイヤにあります。Google AI と組み合わせることにより、Looker はインテリジェントな分析情報の提供、分析の自動化、組織全体にわたるデータドリブンな意思決定の加速を実現します。

aside_block: <ListValue: [StructValue([('title', '300 ドル分のクレジットで Google Cloud のデータ分析を試用'), ('body', <wagtail.rich_text.RichText object at 0x7f5e7744c040>), ('btn_text', '無料で構築を始める'), ('href', 'http://console.cloud.google.com/freetrial?redirectPath=/bigquery/'), ('image', None)])]>

すべてのプラットフォームユーザーが Gemini in Looker の利用が可能に

Google Cloud Next ’24 では、Gemini in Looker を発表し、AI を活用したインテリジェントな BI をすべてのユーザーが利用できるようにしました。Gemini in Looker には、データについて自然言語で質問して、データモデリング、グラフ生成、プレゼンテーション生成などのタスクやワークフローを簡素化できる一連のアシスタント機能が備わっています。

以来、Google はこれらの機能をプレビュー版として提供してきましたが、プロダクトの成熟度と精度を考慮した結果、現在はすべてのプラットフォームユーザーにアクセスを拡大しています。たとえば、会話分析では、自然言語のクエリを通じてデータに関する分析情報を得ることができます。ビジュアリゼーションアシスタントでは、自然言語でカスタム画像の生成を開始し、ダッシュボード作成用のグラフや視覚要素を簡単に構成できます。数式アシスタントでは、強力な計算フィールドを瞬時に作成したり、アドホック分析を即座に実行したりすることが可能です。スライドの自動生成では、データの分析情報と即時のテキスト要約で、インパクトのあるプレゼンテーションを作成できます。LookML コードアシスタントでは、ディメンション、グループ、メジャーなどを作成するためのガイダンスや提案などで、コード作成を簡素化できます。

また、会話分析用のコードインタープリタもプレビュー版をご利用いただけます。これにより、ビジネスユーザーは Python に関する深い専門知識がなくても、自然言語を使用した予測や異常検出など、複雑なタスクの実行や高度な分析の導出を行うことができます。この新機能の詳細とご登録方法については、こちらをご覧ください。

スライドの自動生成機能を使用すると、Looker レポートからカラフルで情報量の多いスライドを作成できます。

会話分析 API

会話分析機能を Looker インターフェース以外にも提供できるよう、このたび、Conversational Analytics API を導入しました。デベロッパーは、進化するニーズに適応できるスケーラブルで信頼性の高いデータモデリングと信頼できるデータアクセスに支えられた自然言語のクエリ機能を、カスタムアプリケーション、社内ツール、ワークフローに直接埋め込むことができます。

この API を使用すると、精度が高く信頼できる Looker のセマンティックモデルと、Google の高度な AI モデル（NL2SQL、RAG、VizGen など）を活用して、カスタム BI エージェントエクスペリエンスを構築できます。デベロッパーは、この機能を簡単に埋め込んで直感的なデータエクスペリエンスを創出して、自然言語による複雑な分析を行うことができます。また、Looker プラットフォーム内で会話から生成された分析情報を共有することも可能です（こちらから Conversational Analytics API のプレビュー版へのアクセスご登録ください）。

Looker レポートの導入

セルフサービス分析は、事業部門のユーザーを支援し、コラボレーションを促進する鍵となります。Looker Studio の成功と使いやすさという基盤の上に Looker レポートを導入することで、その優れた可視化機能とレポート機能が Looker のコアプラットフォームに直接組み込まれます。

Looker の Studio の統合により Looker レポートが利用可能になりました。

Looker レポートは、データストーリーテリングの強化、探索の効率化、データ接続の拡大をユーザーにもたらします。これには、ネイティブの Looker コンテンツから生成されたレポート、Microsoft Excel や Google スプレッドシートのデータへの直接接続、さまざまなデータソースへのファーストパーティコネクタやアドホックのアクセスなどが含まれます。

説得力のある、インタラクティブなレポートの作成がこれまで以上に簡単になりました。Looker レポートには、ユーザーが好む直感的なドラッグ＆ドロップインターフェース、きめ細かいデザイン制御、豊富な可視化機能とテンプレートのライブラリ、リアルタイムのコラボレーション機能が備わっています。

この新しいレポート環境は、Looker の管理されたフレームワーク内にある既存の Looker ダッシュボードや Looker Explore と併せて利用できます。重要な点として、Looker レポートは Gemini in Looker とシームレスに統合されるため、この新しいレポート機能内で会話分析を活用できます。

継続的インテグレーションによる開発の迅速化と信頼性の向上

Google Cloud が Spectacles.dev を買収したことで、デベロッパーは SQL や LookML の変更のテストと検証を自動化できるようになり、開発サイクルの迅速化と信頼性の向上が実現しています。堅牢な CI / CD 手法は、セマンティックモデルの精度と整合性を確保してデータの信頼性を高めます。これは、AI を活用した信頼性の高い BI にとって不可欠です。

Looker の継続的インテグレーションにより、デベロッパーはこれまで以上に迅速にビルドとテストを実行できます。

こうした進化（Gemini in Looker の提供内容の拡大、新しい会話分析 API、Looker レポートの導入、ネイティブな継続的インテグレーション機能）は、完全な AI 主導の BI プラットフォームの実現に向けた大きな飛躍と言えます。信頼できる分析情報へのアクセス、強力な AI の活用、そして真にデータドリブンな文化の醸成が、これまで以上に容易になります。

ぜひ Google Cloud Next にご参加いただき、イベント終了後にはオンデマンドで「What’s new in Looker: AI for BI（Looker の新機能: AI 主導の BI）」セッションをご覧ください。Looker を活用した BI の未来を体験し、完全な AI 主導の BI がどのようにデータを利用して戦略的な優位性を実現するかをご確認いただけます。

-エンジニアリング担当バイスプレジデント、Peter Bailis
-プロダクト管理担当ディレクター、Sean Zinsmeister

Looker を AWS Marketplace で提供開始、AI 主導の BI がマルチクラウド環境で活用可能に

Mon, 20 Jan 2025 01:00:00 +0000

※この投稿は米国時間 2024 年 12 月 17 日に、Google Cloud blog に投稿されたものの抄訳です。

Google Cloud の AI 主導 BI プラットフォームである Looker が AWS Marketplace で入手可能になりました。AWS をご利用のお客様には、ご自身の環境で Looker の強力な分析機能と報告機能をご活用いただけます。これは Looker のオープンなマルチクラウド戦略の次のステップとなるマイルストーンで、AWS クラウドや Amazon Redshift などのデータベースを利用する企業が調達を簡素化できるようになるほか、Looker の AI を活用した高度な可視化や分析情報を、既存のインフラストラクチャに統合できるようになります。

昨今の企業は競争力の強化にデータを活用していますが、生成 AI の導入が加速し、その傾向はますます強まっています。データの可能性を最大限引き出すには、以下の要件を満たすビジネスインテリジェンスプラットフォームが必要です。

セルフサービスが可能で、従業員全員がデータにアクセスしてメリットを得られる
組織内のどこにでも、AI を活用した分析情報を瞬時に届けられる
企業を支える基盤となるデータに基づいて意思決定が行われるように、セマンティックレイヤを備えている

aside_block: <ListValue: [StructValue([('title', 'Google Cloud のデータ分析を試せる 300 ドル分のクレジットを獲得できます'), ('body', <wagtail.rich_text.RichText object at 0x7f5e75875550>), ('btn_text', '無料で始める'), ('href', 'http://console.cloud.google.com/freetrial?redirectPath=/bigquery/'), ('image', None)])]>

Looker は、AI を活用した新しい機能の考案を支援するエンジンで、データ分析情報を視覚的にわかりやすい方法で示してくれます。会話分析機能を備えた Gemini in Looker を使用すると、データと自然言語でやり取りして、Looker の Studio で高度なデータ可視化が可能です。このような完全な AI 主導の BI ソリューションにより、チームは複数の異なるデータソースに接続して情報の全体像を把握し、トレンドを発見したり、分析に基づく意思決定をアプリケーションや企業全体に埋め込んだりできるようになります。

従業員は、期待されている精度の高い仕事をするために、日々決まったデータやツールを活用しています。今回のアップデートにより、Looker のセマンティックレイヤを AWS 環境に新たに組み込めるため、組織内で、一貫性と信頼性がある管理されたデータの定義が可能になります。この仕組みにより、AI モデルは高品質なデータに基づいて分析を行い、その分析情報の精度と信頼性を高められます。

AWS Marketplace から Looker を導入すると、以下を実現できます。

マルチクラウドの柔軟性: Looker により、組織は強力な AI 主導の BI 機能を、AWS を含むマルチクラウド環境で利用できるようになります。その結果、希望する環境内で分析情報を得られるようになり、ベンダーロックインを回避できるほか、ニーズの変化に応じて進化するクラウド戦略に簡単に適応できます。
調達の簡素化: AWS Marketplace から Looker を直接購入して、調達の効率化や請求の統合を行うことで、AWS への投資の効果を最大限に高められます。これによってクラウドへの投資が簡素化され、AWS 環境の価値が向上します。
ユニバーサル セマンティック レイヤによる信頼できるデータの実現: AWS Marketplace のお客様向け Looker では、AI による分析情報を得るための、信頼性と一貫性を備えた基盤を構築できます。データの定義とガバナンスをプラットフォーム間で標準化することで、データサイロが最小限に抑えられ、データアクセシビリティが強化されるため、組織はよりスマートかつ正確でデータドリブンな意思決定を行えるようになります。
AWS で Google AI を BI に活用: 強力な ML、予測分析、AI による分析情報を含む、Google Cloud の高度な AI 機能を、会話分析による自然言語でのやり取りを通じで既存の AWS 環境で活用できます。

Looker は、AI 主導の未来を見据えた BI エンジンです。このマルチクラウド BI ソリューションの機能を体験するには、AWS Marketplace で Looker をご確認ください。Looker について詳しくは、cloud.google.com/looker をご覧ください。

-アウトバウンドプロダクトマネージャー Rishabh Dhingra
-パートナー戦略マネージャー Deb Dasgupta

Google Cloud の新しいオンデマンドコースで Looker Studio Pro のスキルを向上

Fri, 10 Jan 2025 01:05:00 +0000

※この投稿は米国時間 2024 年 12 月 13 日に、Google Cloud blog に投稿されたものの抄訳です。

ビジネスデータによって競合他社との差別化を図れます。ビジネスデータがイノベーションと文化を推進し、すべての従業員に構築と探求の基盤を提供します。2022 年以降、あらゆる業界の企業が Looker Studio Pro を導入し、セルフサービスダッシュボード、AI を活用した可視化、分析情報によりビジネスを強化しています。これらには、高度なエンタープライズ機能と Google Cloud テクニカルサポートが備わっています。

Looker コミュニティが成長するにつれ、ユーザーが Looker Studio Pro 環境をさらに強化し、より高度な機能を活用する方法についてのガイダンスを求める声が増えてきました。こうしたリクエストは、Looker Studio Pro をより広範な Looker プラットフォームに導入する Looker Studio の登場によって加速し、増加の一途をたどっています。それに応えるべく、本日、新しいオンデマンドトレーニングコース「Looker Studio Pro Essentials」を発表いたします。

aside_block: <ListValue: [StructValue([('title', 'Google Cloud を無料で試す'), ('body', <wagtail.rich_text.RichText object at 0x7f5e77404ac0>), ('btn_text', '無料で開始'), ('href', 'https://console.cloud.google.com/freetrial?redirectPath=/welcome'), ('image', None)])]>

Looker Studio Pro は、データアクセスを管理する企業のニーズと、探索、構築、質問を行う個々の従業員のニーズを結び付けるものです。この Google Cloud Skills Boost コースでは、レポートと視覚化の基本的な設定だけでなく、Looker Studio Pro のより高度な特徴や機能を詳しく学習できます。

このコースで学べる内容をご紹介します。

Looker Studio Pro を包括的に理解: Looker Studio Pro の主要な特徴と機能を説明し、それを使ってデータ分析能力を向上させる方法を確認します。
コラボレーションの強化: 共同作業用のワークスペースの作成・管理、レポート共有の効率化、レポート配信の自動化について学びます。
レポートのスケジュール設定と共有: 共有設定に基づいて、Google Chat やメールで複数の受信者にレポートを配信するなど、ビジネスに合わせてスケジュール設定オプションをカスタマイズする方法を学びます。
データのセキュリティと管理を確保: ユーザー管理、監査ログのモニタリングのほか、データの完全性を維持するために有用な各種の重要な管理タスクのエキスパートになりましょう。
Google Cloud カスタマーケアの活用: Google Cloud カスタマーケアのリソースを使用して解決策の検索、問題の報告、フィードバックを行う方法を学習します。

注力しているもの、従業員、顧客など、ビジネスの内容はお客様によってそれぞれ異なります。そのためこのコースは、営業やマーケティングの専門家からデータアナリスト、製品イノベーターまで、あらゆる人に価値をもたらように設計されています。各自の環境で Looker Studio Pro を最大限に活用するための知識とスキルを提供します。なぜなら、この生成 AI の時代においては、データを活用して従業員のやる気を高め、より多くの成果を出すことに真のチャンスがあるからです。今すぐ新しい Looker Studio Pro Essentials コースを受講して、そのチャンスを加速させましょう。

-アウトバウンドプロダクトマネージャー、Rishabh Dhingra

-プロダクトマネージャー、Jennifer Skene

ビジネス インテリジェンス

Looker エージェントでダッシュボードをインタラクティブなデータ エクスペリエンスに変革