这并不是秘密——代理正在流行。
在OpenAI推出ChatGPT两年后，激发了人们对生成性人工智能的浓厚兴趣，数据管理和分析供应商开始采用代理式生成性人工智能的方法。这包括Looker，谷歌云的旗舰商业智能平台，在九月份预览中推出了一款基于生成性人工智能的数据代理。
代理人工智能是指人工智能不仅仅是帮助人类完成工作，而是主动承担任务。在分析和数据管理中，这意味着可以执行诸如建议后续问题、监控数据异常、挖掘洞察以及建议语义建模指标等任务。
从某种意义上说，代理人工智能是关于人工智能工具的主动性，而不是对用户请求的被动响应。与此同时，人工智能代理是代理人工智能的媒介——用户通过这一接口受益于代理人工智能。
在过去两年中，许多数据管理和分析供应商推出了基于人工智能的助手，使用户能够使用自然语言而非代码与数据进行交互。最近，Salesforce的子公司Tableau是首批增加更多主动功能并将其人工智能助手重新命名为代理的分析供应商之一。
谷歌的Looker也是一家转向代理式人工智能而非辅助式人工智能的分析供应商。然而，根据Looker的工程副总裁彼得·贝利斯（Peter Bailis）的说法，Looker正试图采取与其他供应商不同的代理式人工智能方法，他曾是Sisu Data的创始人兼首席执行官。
与大多数同行不同，Looker拥有一个语义层；在分析平台中，MicroStrategy和Microsoft Power BI是为数不多的其他拥有语义层的公司。语义层使数据管理员能够定义指标并在整个组织中标准化术语，以确保数据在组织中的任何地方都是一致和可信的。
Looker的人工智能代理以Looker的语义层为基础，称为Looker建模语言（LookML），旨在为用户提供值得信赖的人工智能工具。
贝利斯最近讨论了Looker在生成性人工智能方面的方法，包括在ChatGPT推出后的几个月内初步增加生成性人工智能能力的尝试，当前人工智能举措的现状，以及未来的计划。
此外，贝利斯还谈到了Looker如何试图与竞争对手区分开，以及他如何看待生成性人工智能如何改变商业智能，使其成为所有员工的工具，而不仅仅是经过培训的专业人士。
编辑注：本问答已编辑以提高清晰度和简洁性。
代理这一术语和代理人工智能的概念在最近几个月变得流行。对于仍不熟悉代理和代理人工智能的人来说，什么是人工智能代理？
彼得·贝利斯：这是我们从客户那里听到的问题。人们对人工智能的看法受到基于聊天的体验（如Gemini和ChatGPT）的影响，人们提问并获得答案。这就像有一个坐在你旁边的副驾驶，他是一个参考图书管理员，一个超级聪明的朋友。
当你超越简单的问题和答案时，代理就会发挥作用，你的朋友会主动去完成任务。这些任务可能是多步骤的，可能需要复杂的推理，并可能需要用户的澄清，但它们确实是关于采取行动和尽量减少人类干预来做出复杂决策。
那么人类的角色是什么——他们是否仍需检查代理的工作并在采取任何行动之前批准？
贝利斯：这要看情况。
用户负责问题的规范，例如“给我生成一份关于过去一周销售情况的报告”，然后确定“销售”意味着什么，以及一周是否是七天的日历周。然后，代理可以代表用户做出某些推断，因为代理的责任是尽可能自动化整个过程，以便用户不必反复澄清细节。
一般来说，当存在模糊性时，最佳做法是回到人类，因为代理是为用户服务的，用户具有上下文。
在Looker以及竞争分析平台如Tableau和Power BI中，代理的角色是什么？
贝利斯：我们多年来一直在讨论这一增强分析的概念[与人工智能]，承担那些占用分析师大量时间的重复性、例行性任务，或者根本没有完成的任务。例如，进行后续分析，例如按类别分解或进行周期对比。
总是会出现一些后续问题，帮助用户更深入地理解他们的数据。这些可以通过生成性人工智能更轻松地自动化，代理能够将许多这些后续步骤串联在一起，讲述一个完整的故事。
在OpenAI推出ChatGPT两年后，生成性人工智能的兴趣激增，Looker是如何最初将其纳入其平台的？
贝利斯：Looker一直在某种程度上具备传统的自然语言问答能力。之前有一个名为Ask Looker的功能，用户输入问题，工具进行关键字匹配。平台上还有一些预测功能。
当生成性人工智能推出时，在ChatGPT和谷歌的Gemini早期，最有趣的事情就是找出如何让模型说错话。即使今天，尽管模型已经改善很多，但人们仍然对人工智能幻觉、事实性和基于可信信息语料库的答案有很大担忧。Looker生成性人工智能团队早期的一个关键认知是，事实性是让这些产品获得采用的基石。这是采纳的基础。
你对仪表板或其他分析工具的期待，并不是它可能提供正确的答案。你在寻找真实的数据——可以信赖的具体证据。这与典型的搜索场景或信息检索截然不同。
Looker在ChatGPT推出后的几个月内是如何努力建立对生成性人工智能的信任的？
贝利斯：很早之前，Looker的生成性人工智能战略是利用其现有的增强分析投资，通过利用Gemini的强大功能和类似Ask Looker的功能，将其提升到一个更广泛的问题集上。通过自然语言查询，如果你没有正确表达你的问题，你就得不到答案。生成性人工智能允许你提出更多问题，那么如何使生成性人工智能对分析师来说值得信任呢？
因为Looker有一个语义层——因为Looker有LookML——你基本上拥有一套经过人类认证的语义，能够为模型提供人类编写但机器可读的数据。这是独特的。
语义层使用户能够做什么，从而建立信任？
贝利斯：当你从代理那里获得响应时，你可以将每一个字段和数据定义追溯到一个黄金真相源。
从一开始，Looker生成性人工智能战略的基础就是事实性是不可妥协的。其目的是利用我们的语义层，确保用户在逐渐回答更多问题时可以信任我们的输出。我们从关于指标和汇总的简单问题开始，现在我们可以在同一数据基础上进行相对复杂的代码生成。
这对于那些采用这些技术的分析师并将其推广到用户群中非常有用。
如果Looker最初的生成性人工智能战略专注于值得信赖的输出，那么自那以来有哪些与生成性人工智能相关的发展？
贝利斯：有两个方面。
一个是进行分析时最痛苦的部分是必须完成的任务。我们通过Gemini和Looker构建了生成性人工智能功能，以加速这些任务。现在，从LookML生成开始，你可以生成和编辑LookML，提供代码辅助功能——这是公开预览——到公式编辑和幻灯片生成，如果你需要开发Looker Studio报告并与团队分享。
这是第一个方面，即加速分析中一些痛苦的部分。
第二个方面是什么？
贝利斯：我们开发的旗舰功能是我们所称的对话分析。
每个人都喜欢Gemini或ChatGPT类型的界面，提出问题并获得答案。但是今天，如果你想使用其中一个系统获得商业洞察，你必须上传一个[表格]或电子表格。在Looker中，你已经连接到组织的数据，因此挑战是使用户能够询问任何关于其组织数据的问题并获得可信的答案。
我们所做的使这一目标成为现实的是使用最新的Gemini模型，将其插入Looker生态系统中，因此你有一个Looker数据源和所有Gemini推理在其上。此外，因为对话分析是基于LookML语义模型构建的，用户可以追溯答案的来源，以知道这是一个可信的答案。或者，如果Looker对话代理找不到匹配的内容，它可以请求澄清。
支柱是Gemini的质量以及我们为Gemini和Looker提供的工具，以及对答案的基础。这一基础部分在推动这些产品的采用中起到了最大作用。拥有一个聊天机器人是一回事，而拥有一个可以向你的商业利益相关者展示的东西又是另一回事。
客户使用Looker帮助构建生成性人工智能工具的一些例子是什么？
贝利斯：我不能具体谈论客户，但我们看到三个关键用例。
借助对话分析功能，我们有一些人正在回答高管的问题，而不是深入研究，他们能够快速调出对话分析用户体验，并能够回答这些问题。他们甚至能够创建一个侧边报告并与他们的领导分享。这使他们能够在后续问题和深入研究方面实现实时响应。
我们看到的另一个现象是客户在更频繁地使用API，希望构建嵌入式应用程序，例如，店内员工能够访问本质上是定制版的对话分析。他们能够拥有一个基于数据的聊天体验，允许他们在客户在场时提出和回答关于客户的问题。这非常引人注目，因为它超越了传统的商业智能用户。它将面向前线工作人员。
第三个方面涉及更常见的功能，如幻灯片生成。听到节省的时间量非常令人兴奋。
你提到Looker和Gemini（均为谷歌云平台（GCP）实体）之间的顺畅协作。在被谷歌收购五年后，Looker是否与其他供应商的数据管理和人工智能开发工具良好协作，还是已经成为仅为谷歌客户服务的商业智能平台？
贝利斯：商业智能一直是也是将来仍然会是一个多仓库的游戏。我们希望能在每一个数据仓库和每一个数据库中运行，例如在Microsoft SQL Server上。我们还在多个云上部署——Azure、AWS、GCP。我们在GCP上进行了大量投资，但我们绝对是一个多云、多仓库的平台。
对于生成性人工智能功能，我们确实依赖于Gemini模型的一些独特功能。例如，Gemini拥有最大的上下文窗口，这意味着如果我想，我可以将整个Looker文档放入上下文窗口。当我们想提供答案时，我们可以将大量关于用户关心的信息——语义模型、用户行为、推荐——放入上下文窗口。如果我们没有在Gemini上构建，就会获得较低质量的生成性人工智能体验。
如果客户更喜欢其他语言模型，他们是否可以使用这些模型来开发生成性人工智能工具？
贝利斯：有一些用户在Looker平台上构建的开源扩展。Looker API仍然活跃，人们构建了第三方生成性人工智能与Looker的结合体验。
我们已经讨论了Looker与生成性人工智能相关的过去和现在，那么未来会怎样？
贝利斯：我大约一年前加入谷歌，因为我认为谷歌是唯一拥有出色数据仓库BigQuery、出色商业智能栈Looker和Looker Studio以及前沿模型的超大规模公司。高质量的答案来自出色的推理能力和上下文，而这些正是我们与Gemini所拥有的。当你思考下一代生成性人工智能能力时，毫无疑问，大家都在思考如何进行越来越多的高级推理，如何从同时进行两件事转变为三件事，如何让代理在不再向用户请求澄清的情况下更长时间地运行。它解决了模糊性，随着时间的推移学习，建立历史，建立记忆。
我们的路线图非常围绕我之前分享的两个支柱——高质量的答案，配合更复杂的问答能力，并继续在这一信任基础上构建。对信任的需求不会消失。随着这些模型变得越来越强大，将[响应]与真相源联系起来将变得越来越重要。
最后，随着企业对人工智能的兴趣不断增长，像Looker这样的商业智能平台在未来几年将会是什么样子？
贝利斯：借助生成性人工智能，商业智能终于有望实现其名称的真正意义——为商业提供智能。
在过去的20年里，它仅仅意味着相同的仪表板和报告。借助生成性人工智能，能够将非常复杂的商业背景转化为精准的数据驱动答案。Looker在其中的角色是成为一个值得信赖的基础，利用LookML。它使生成性人工智能能够在组织数据之上进行推理。
前端将会是一个完全不同的体验，面向更广泛的用户。
