Osvědčené postupy pro sémantický model pro datového agenta

Datový agent Fabric umožňuje organizacím vytvářet konverzační systémy pomocí generování umělé inteligence. Propojením sémantických modelů Power BI jako zdrojů dat můžou týmy klást otázky v přirozeném jazyce a získávat přesné kontextové odpovědi bez psaní složitých dotazů DAX nebo SQL.

Kvalita odpovědí na AI ale výrazně závisí na tom, jak dobře připravíte zdroje dat. I když datový agent Fabric podporuje více typů zdrojů dat, včetně jezer, skladů, událostí a ontologií, tento průvodce se zaměřuje konkrétně na sémantické modely Power BI a projde osvědčenými postupy pro jejich konfiguraci pro maximalizaci přesnosti a relevance.

Jak funguje datový agent Fabric

Agent dat používá vrstvenou architekturu, kde dotazy uživatelů procházejí orchestrátorem. Orchestrator určí příslušný zdroj dat a vyvolá specializované nástroje, včetně nástroje pro generování jazyka DAX pro sémantické modely Power BI, které generují, ověřují a spouštějí dotazy.

Tok zpracování dotazů

1. Analýza otázek: Agent zpracovává dotazy uživatelů prostřednictvím Azure OpenAI a zajišťuje dodržování bezpečnostních protokolů a oprávnění a dodržování principů Zodpovědné umělé inteligence Microsoftu.

2. Výběr zdroje dat: Systém vyhodnotí otázku oproti dostupným zdrojům pomocí informací o schématu a pokynů k umělé inteligenci, které zadáte.

3. Generování dotazů: V případě sémantických modelů nástroj pro generování jazyka DAX generuje dotazy DAX na základě schématu, metadat (synonyma, minimální a maximální hodnoty číselných sloupců, metadat vizuálů sestav a dalších), kontextu nakonfigurovaných v přípravných datech pro AI a historii konverzací.

4. Formátování odpovědi: Agent formátuje výsledky na odpovědi čitelné člověkem pomocí tabulek, souhrnů nebo přehledů na základě pokynů agenta.

Pokročilá generace DAX (náhled)

Pokročilý nástroj pro generování DAX je pro datové agenty k dispozici v runtime ve verzi Preview. Na rozdíl od standardní generace DAX, která generuje dotaz v jednom průchodu, pokročilá generace DAX využívá více kroků uvažování k inspekci metadat modelu, interpretaci otázky, vyřešení nejasností a generování dotazu DAX.

Výhody pokročilé generace DAX zahrnují:

• Přesnější odpovědi na složitější otázky: Uvažuje iterativně, zkoumá výsledky, řeší nejasnosti a zpřesňuje svůj přístup v několika krocích.
• Indexování hodnoty instance: Vyhledává hodnoty v sémantických modelových sloupcích, aby generoval přesnější a spolehlivější filtry.
• Jednotné odpovědi napříč prostředími Microsoftu: Využívá sdílené funkce k zajištění jednotnějších odpovědí napříč datovým agentem Fabric, dovednostmi Fabric, Power BI, Microsoft 365 Copilotem a modulem plug-in Fabric IQ.
• Zlepšená latence v některých situacích: Ačkoliv nástroj může provádět více kroků uvažování, jeho schopnost efektivněji identifikovat relevantní objekty a hodnoty modelu může snížit latenci odpovědí u některých otázek.

Použijte pokročilou generaci DAX

Chcete-li funkci povolit, přepněte datového agenta na běhové prostředí Preview.

Pokročilé generování DAX využívá metadata sémantického modelu a konfigurace Prep for AI popsané v tomto článku. Dodržujte osvědčené postupy uvedené v tomto článku, abyste maximalizovali přesnost a výkon odezvy.

Indexování hodnoty instance v současnosti vyžaduje zapnutí nastavení Q&A v sémantickém modelu. Toto nastavení je ve výchozím nastavení povoleno pro modely Import a Direct Lake. Protože Q&A končí v prosinci 2026, nastavení náhrady bude po ukončení služby podporovat indexování hodnoty instance a tento článek bude aktualizován o nové konfigurační kroky.

Příprava pro AI: Příprava sémantického modelu AI

Funkce Příprava Power BI pro AI poskytuje tři konfigurační komponenty, které přímo ovlivňují, jak agent dat Fabric interpretuje váš sémantický model. K těmto komponentám můžete přistupovat jak v Power BI Desktopu, tak ve službě Power BI. Power BI Copilot také využívá konfigurace Příprava pro AI, takže investování času do jejich nastavení prospívá jak Copilot, tak i reakcím datového agenta.

Důležité

Při dotazování sémantických modelů spoléhá nástroj generování DAX používaný datovým agentem výhradně na metadata sémantického modelu a na přípravu pro konfigurace AI. Nástroj pro generování jazyka DAX ignoruje všechny pokyny, které přidáte na úrovni datového agenta pro generování dotazů DAX. Správná příprava pro konfiguraci AI je nezbytná pro přesné výsledky.

Schémata dat AI

Schémata dat AI umožňují definovat prioritní podmnožinu modelu pro stanovení priority umělé inteligence. I když má agent dat při přidávání sémantického modelu jako zdroje dat také vlastní výběr tabulky, nakonfigurujte nejprve schéma v rámci přípravy pro AI. Nástroj pro generování jazyka DAX používá toto schéma k vytváření dotazů DAX.

Toto schéma můžete nakonfigurovat v Power BI Desktopu nebo ve službě Power BI výběrem Příprava dat pro AI na pásu Domů. Pak přejděte na kartu Zjednodušit schéma dat . Odtud vyberte tabulky, sloupce a míry, které má AI použít při generování odpovědí. Podrobné pokyny k nastavení najdete v tématu Nastavení schématu dat AI.

Když do datového agenta přidáte sémantický model, vyberte stejné tabulky, které jste definovali v nástroji Prep for AI, abyste zajistili konzistentní chování. Nejprve definujte rozsah vašeho datového agenta (typy otázek, na které by měl odpovědět). Pak vyberte pouze relevantní objekty. Tento přístup snižuje nejednoznačnost, zlepšuje přesnost a snižuje latenci odezvy.

Nástroj pro generování DAX spoléhá na metadata modelu k interpretaci dotazů. Používejte jasné a obchodní popisné názvy tabulek, sloupců a měr, které odrážejí způsob, jakým uživatelé přirozeně odkazují na data. Použijte například "Total Revenue" místo "TR_AMT" nebo "Sales Region" místo "DIM_GEO_01". Tyto pokyny jsou zvlášť důležité pro velké modely s překrývajícími se nebo podobnými pojmenovanými poli, kde nejednoznačné názvy můžou vést k nesprávnému generování dotazů.

Příklad: Řešení nejednoznačnosti pole

Bez schématu dat AI	S datovým schématem AI
Uživatel se zeptá: "What were our sales last quarter?" Sémantický model obsahuje více měr souvisejících s prodejem: Celkové výnosy, Hrubé prodeje, Čisté prodeje a Prodej po výnosech. AI vrací hrubé prodeje, ale váš tým obvykle používá čisté prodeje pro čtvrtletní zprávy.	Po konfiguraci schématu dat AI tak, aby zahrnovalo pouze net sales a vyloučila ostatní míry, které nejsou relevantní, vrátí stejná otázka očekávanou metriku. AI už nemusí hádat, kterou metriku prodeje má uživatel na mysli.

Tipy pro schémata dat AI

• Pokud chcete dosáhnout konzistentních a přesných výsledků, ujistěte se, že v datovém agentu Fabric vyberete stejné tabulky, které jsou definované také prostřednictvím datových schémat AI v rámci přípravy pro AI.

• Při výběru schématu také zahrnout závislé objekty. Pokud například míra Total Revenue odkazuje na dvě další míry, které závisí na dalších sloupcích, zahrňte do schématu všechny tyto závislé objekty. K identifikaci závislostí použijte funkci get_measure_dependencies z knihovny Sémantic Link Labs .

• Pokud máte velký sémantický model, přejmenování všech objektů ručně může být zdlouhavé. Použijte server MCP pro modelování Power BI, aby LLM vygeneroval uživatelsky přívětivé názvy pro vaše tabulky, sloupce a míry. Před uložením zkontrolujte a ověřte změny, abyste zajistili, že nenarušují žádné výrazy, relace nebo jiné závislé objekty DAX.

Ověřené odpovědi

Ověřené odpovědi jsou vizuální odpovědi schválené uživatelem, které aktivují konkrétní otázky. Poskytují konzistentní a spolehlivé odpovědi na běžné nebo složité otázky, které by jinak mohly být nesprávně interpretovány. Protože ukládáte ověřené odpovědi na úrovni sémantického modelu (ne na úrovni sestavy), fungují napříč všemi datovými agenty, kteří používají stejný model. Další informace najdete v tématu Příprava dat pro AI – ověřené odpovědi.

Když použijete ověřené odpovědi s datovým agentem, systém nevrátí samotný vizuál Power BI. Místo toho používá dotazy uživatelů a vlastnosti vizuálu (sloupce, míry, filtry) k ovlivnění generování dotazů DAX. Tento přístup znamená, že ověřené odpovědi zlepšují přesnost výstupu tím, že nástroj pro generování DAX směruje ke správné struktuře dotazů. Když uživatel položí dotaz na datového agenta, systém nejprve zkontroluje přesnou nebo sémanticky podobnou shodu s výzvou definovanou v ověřené odpovědi před vygenerováním nové odpovědi.

Příklad: Zpracování regionální terminologie

Bez ověřené odpovědi	S ověřenou odpovědí
Uživatel se zeptá: "Show me performance by territory" AI interpretuje "territory" jako kategorii produktu, protože v tabulce Products (Produkty) je sloupec Territory (Oblast). Uživatel měl na mysli prodejní oblasti.	Vytvoříte ověřenou odpověď pomocí vizuálu regionálního prodeje s aktivačními otázkami, jako je "What is the sales performance by territory?" „Zobrazit prodeje rozdělené podle oblasti" a „Jak se prodej distribuuje napříč oblastmi?“ Nyní, když se uživatelé ptají na výkon podle oblasti, důsledně získávají přesné odpovědi na základě objektů použitých ve vizuálu regionálního prodeje.

Tipy ke konfiguraci pro ověřené odpovědi

• Pro pokrytí přirozených variací použijte pět až sedm aktivačních otázek na ověřenou odpověď.
• Zahrňte formální i konverzační formulace, které by uživatelé mohli vyzkoušet.
• Nakonfigurujte až tři filtry pro flexibilní řezy bez vytváření více ověřených odpovědí.
• Pokud přejmenujete tabulky, sloupce nebo míry odkazované na ověřenou odpověď, aktualizujte ověřenou odpověď a uložte ji znovu, aby se změny projevily.

Pokyny pro AI

Pokyny pro AI v rámci přípravy pro AI poskytují kontext, obchodní logiku a pokyny přímo v sémantickém modelu. Pomáhají objasnit terminologii, navrhnout přístupy k analýze a poskytují kritický sémantický a obchodní kontext, který by AI jinak nepochopila.

Tyto pokyny můžete nakonfigurovat v Power BI Desktopu nebo ve službě Power BI výběrem příprava dat pro AI na pásu karet Domů a poté přejděte na kartu Přidat pokyny AI. Podrobné pokyny k nastavení najdete v pokynech pro AI.

Instrukce umělé inteligence jsou nestrukturované pokyny, které LLM interpretuje, ale není zaručeno, že se přesně řídí. Jasné, konkrétní pokyny jsou efektivnější než složité nebo konfliktní.

Jak už jsme zmínili dříve, nástroj pro generování DAX odkazuje pouze na AI instrukce nakonfigurované v části Příprava pro AI sémantického modelu. Pokyny k datovému agentovi se do nástroje nepředají a při dotazování na sémantické modely se ignorují. Z tohoto důvodu nepřidávejte pokyny specifické pro sémantický model na úrovni datového agenta. Místo toho ponechte všechny pokyny k sémantickému modelu v přípravě pro AI, kde je nástroj pro generování jazyka DAX může používat. Pokyny pro agenta dat by měly obsahovat jenom pokyny, které platí pro všechny zdroje dat nakonfigurované v agentu, jako jsou obecné předvolby formátování odpovědí, pravidla směrování mezi zdroji, běžné zkratky, tón atd. Všimněte si také, že na rozdíl od jiných zdrojů dat agent dat nepodporuje pokyny ke zdroji dat ani popisy sémantických modelů.

Příklad: Definování obchodní terminologie

Bez pokynů umělé inteligence	S pokyny pro AI
Uživatel se zeptá: "Who were the top performers last month?" Umělá inteligence nerozumí tomu, co znamená "nejlepší výkon" ve vaší organizaci, a vrátí chybu nebo požádá o objasnění.	Přidáte pokyn: "Špičkový pracovník je prodejní zástupce, který dosáhne 110 % nebo více ze své měsíční kvóty. Použijte tabulku Rep_Performance a vyfiltrujte, kde Quota_Attainment >= 1,1" AI teď správně interpretuje otázku a vrací správné výsledky.

Efektivní vzory instrukcí

• Definice časového období: "Špička sezóny běží od listopadu do ledna. Mimo sezónu je únor až duben."
• Předvolby metrik: "Když se uživatelé ptají na ziskovost, použijte míru Contribution_Margin, ne Gross_Profit."
• Směrování zdroje dat: "V případě dotazů k inventáři upřednostnit tabulku Warehouse_Inventory přes Sales_Orders."
• Výchozí seskupení: "Pokud neurčíte jinak, analyzujte výnosy podle fiskálního čtvrtletí místo kalendářního měsíce."

Kromě přípravy na AI používá nástroj pro generování dotazů DAX také metadata z vizuálů sestav, jako je název vizuálu, sloupce, míry, filtry atd., aby se zlepšila přesnost dotazů.

Doporučený pracovní postup implementace

1. Optimalizace sémantického modelu: Začněte optimalizací sémantického modelu pro výkon. Nízký výkon datového agenta často pochází z špatně navrženého sémantického modelu, neefektivních měr DAX nebo kombinace těchto dvou. Když se uživatel zeptá, datový agent vygeneruje dotaz DAX a spustí ho pro váš model. Dobře optimalizovaný model používá méně prostředků a dosahuje rychlejšího provádění dotazů. V konverzačním rozhraní uživatelé očekávají rychlé odpovědi, takže nízký výkon přímo ovlivňuje uživatelské prostředí a přijetí.

   Navíc nafouknutý model s nepotřebnými sloupci, tabulkami a mírami způsobuje více šumu, který musí nástroj pro generování jazyka DAX zpracovat, což může snížit přesnost odpovědí. Díky počáteční optimalizaci modelu také zabráníte problémům s výkonem, jak vaše data rostou a model je stále složitější. Další informace najdete v kurzu Optimalizace modelu pro výkon v Power BI .

   Použijte Best Practice Analyzer a Semantic Model Memory Analyzer v Fabric notebooku k identifikaci problémů, jako jsou nesprávné datové typy, nepotřebné sloupce, sloupce s vysokou kardinalitou a neefektivní vzory DAX. Přidejte popisy do tabulek, sloupců a měr, které pomáhají LLM pochopit účel každého objektu zahrnutého ve schématu dat AI.

   

2. Definování přípravy pro AI > Schéma dat AI: Na základě rozsahu vašeho datového agenta nakonfigurujte schéma dat AI v rámci přípravy pro AI výběrem pouze tabulek, sloupců a měr relevantních pro otázky, na které by měl váš agent odpovědět.

3. Vytvoření přípravy pro AI > Ověřené odpovědi: Identifikujte nejčastější dotazy a nakonfigurujte ověřené odpovědi v rámci přípravy na AI pomocí vhodných vizuálů. Pomocí úplných robustních otázek jako triggerů (ne částečných frází) můžete zlepšit přesnost párování.

4. Přidání sémantického modelu do datového agenta: Než přidáte pokyny pro přípravu AI, otestujte a ověřte odpovědi od datového agenta. Tento krok vám pomůže pochopit, kde jsou pokyny pro AI potřeba ke zlepšení generování dotazů DAX.

5. Přidat přípravu pro AI > Pokyny pro AI: Na základě vašich zjištění z ověřování definujte oborovou terminologii, předvolby analýzy a priority zdrojů dat v pokynech pro přípravu na AI (ne v pokynech pro datového agenta).

6. Příprava vizuálů sestavy: Zkontrolujte sestavy propojené se sémantickým modelem, včetně skrytých vizuálů a stránek, a ujistěte se, že vizuály mají popisné názvy. Dobře strukturované vizuály pomáhají umělé inteligenci uzemnit odpovědi pomocí metadat vizuálu, jako je název vizuálu, tabulka, sloupec, použité míry, použité filtry a další.

7. Ověření a testování DAX: Přesnost odpovědi závisí na generovaném DAX dotazu. Při testování datového agenta zkontrolujte dotaz DAX v každé odpovědi a ověřte, že je platný a správně odpoví na otázku. Pokud jsou výsledky nesprávné, analyzujte jazyk DAX a zjistěte, které konfigurace (sémantický model, schéma dat AI, ověřené odpovědi nebo pokyny umělé inteligence) vyžadují úpravy.

   

8. Konfigurace pokynů pro datového agenta: Přidejte pokyny na úrovni datového agenta jenom pro pokyny, které platí pro všechny zdroje dat nakonfigurované v agentu. Tyto pokyny zahrnují obecné předvolby formátování odpovědí, pravidla směrování mezi zdroji, běžné zkratky a tón. Nepřidávejte sem pokyny specifické pro sémantický model, protože nejsou předány nástroji pro generování jazyka DAX. Pokyny ke konfiguraci pokynů pro agenta najdete v pokynech ke konfiguraci.

9. Ověřit a iterovat: LLMs může vést k nesprávným výsledkům bez správného kontextu. Neustále zlepšujte svou konfiguraci a ověřujte odpovědi, abyste si vybudovali důvěru v rámci datového agenta. Pokud chcete vyhodnotit odpovědi programaticky, můžete pomocí sady Python SDK datového agenta Fabric spouštět automatizovaná hodnocení proti ověřeným párům otázka-odpověď a analyzovat metriky přesnosti. Mějte na paměti, že sada SDK je určená pouze v tomto případě a nemůže upravit sémantickou přípravu modelu pro konfigurace AI. Podrobnosti najdete v tématu Vyhodnocení datového agenta. Kromě toho do procesu hodnocení zapojte zúčastněné strany a koncové uživatele. Jejich zpětná vazba zajišťuje, že odpovědi odpovídají očekáváním z reálného světa a použitelnosti a pomáhají identifikovat mezery, které by automatizované kontroly mohly vynechat.

10. Implementace kanálů správy zdrojového kódu a nasazení: Pomocí kanálů integrace a nasazení Gitu můžete spravovat konfigurace datového agenta napříč vývojovými, testovacími a produkčními pracovními prostory. Tento postup zajišťuje, že se změny konfigurace testují a ověřují před povýšení do produkčního prostředí, kde k nim koncoví uživatelé přistupují. Podrobnosti najdete v tématu Správa zdrojového kódu, CI/CD a ALM pro datového agenta Fabric.

Návod

Prostředky v úložišti nástrojů fabric-toolbox můžete použít jako referenci, která vám pomůže s tímto pracovním postupem. Toto úložiště obsahuje:

• Kontrolní seznam pro přípravu a konfiguraci sémantického modelu jako zdroje dat
• Poznámkový blok nástrojů datového agenta s užitečnými fragmenty kódu a pomocnými funkcemi

Běžné nástrahy, kterým se můžete vyhnout

• Nepoužívá hvězdicové schéma: Sémantické modely, které využívají ploché, denormalizované tabulky nebo otočené datové struktury, snižují efektivitu a ztěžují správné psaní jazyka DAX. DAX je optimalizován pro hvězdicové schéma s jasnými tabulkami faktů a dimenzí. Rozbalit široké tabulky na normalizované struktury, kde každý řádek znázorňuje jediné pozorování.

• Spoléhání na skrytá pole: Ověřené odpovědi nebudou fungovat, pokud odkazují na skryté sloupce v modelu.

• Zahrnutí nepotřebných měřítek: Sémantické modely často obsahují pomocná měřítka a přechodné objekty používaná ke zvýšení interaktivity sestavy. Při konfiguraci schématu dat AI zahrňte pouze míry, které počítají skutečné obchodní metriky. Vyloučení pomocných měr snižuje šum a pomáhá nástroji pro generování jazyka DAX generovat přesnější dotazy.

• Duplicitní nebo překrývající se míry: Několik měr, které vypočítají podobné metriky (například Total Sales, Sales Amount, Revenue) vytvářejí nejednoznačnost. Sloučení nebo jasné rozlišení měr a vyloučení duplicit ze schématu dat AI

• Ne popisné pojmenování: Názvy objektů, jako jsou TR_AMT, F_SLS nebo DIM_GEO_01, neposkytují pro nástroj pro generování jazyka DAX žádný kontext. Používejte jasné obchodní popisné názvy, jako jsou celkové výnosy, prodej nebo zeměpis zákazníka. Pokud nemůžete přejmenovat objekty, ujistěte se, že popisy a synonyma poskytují nezbytný kontext, aby umělé inteligence porozuměla jejich účelu.

• Spoléhání na implicitní míry: Implicitní míry můžou vést k nepředvídatelným výsledkům. Vytvořte explicitní míry DAX pro výpočty, které mají uživatelé používat nebo dotazovat se na ně, a nastavte správnou výchozí sumarizaci (Součet, Průměr, Žádné atd.) u číselných sloupců, aby se zabránilo nechtěným agregacím.

• Nejednoznačná pole kalendářních dat: Více sloupců kalendářních dat (Datum objednávky, Datum expedice, Termín splnění, Kalendářní čtvrtletí/FY Čtvrtletí atd.) bez jasných pokynů si AI zmást. Pomocí ověřených odpovědí a pokynů pro AI v přípravě AI určete, které pole data se má použít ve výchozím nastavení nebo pro konkrétní typy otázek.

• Konfliktní pokyny: Instrukce AI, které jsou v rozporu s konfiguracemi ověřených odpovědí, vytvářejí nepředvídatelné chování.

• Přeskočení upřesnění schématu: Velké modely s mnoha podobnými pojmenovanými poli potřebují zaměřená schémata dat AI.

• Příliš složité pokyny: Udržujte pokyny zaměřené a specifické. AI interpretuje, ale nezaručuje dodržování složitých konfliktních pokynů. Ke latenci můžou také přidat složité instrukce.

Tools

Pokud chcete postupovat podle těchto pokynů, můžete použít následující nástroje z fabric-toolbox GitHub repository:

• Kontrolní seznam s doporučeními Toto jsou pokyny a ne všechny položky v kontrolním seznamu můžou být pro váš scénář použitelné.
• Poznámkový blok s kolekcí nástrojů na jednom místě
• Server MCP Power BI pro zrychlení vývoje a testování ve VS Code
• Knihovna Semantic link labs pro programové aktualizace sémantického modelu v poznámkovém bloku Fabric.

Dodatečné zdroje

• Dokumentace ke konceptům datového agenta Fabric
• Sada nástrojů Fabric s kontrolním seznamem a poznámkovými bloky
• Přidání sémantického modelu jako zdroje dat do agenta dat
• Příprava dat na AI v Power BI
• Optimalizace sémantického modelu pro Copilot
• Optimalizace modelu pro výkon v Power BI – trénování
• Nejčastější dotazy k přípravě na AI