Vytvoření datového agenta Fabric (Preview)

S datovým agentem v Microsoft Fabric můžete vytvářet konverzační AI aplikace, které odpovídají na dotazy týkající se dat uložených v data lakehouse, datových skladech, sémantických modelech Power BI, KQL databázích a ontologiích v rámci Fabric. Vaši kolegové můžou klást otázky v prosté angličtině a přijímat odpovědi řízené daty, i když nejsou odborníky na AI nebo jsou s daty hluboce obeznámeni.

Důležité

Tato funkce je ve verzi Preview.

Požadavky

• Placená kapacita F2 nebo vyšší kapacita Fabric nebo Power BI Premium na kapacitu (P1 nebo vyšší) s povolenou službou Microsoft Fabric
• Nastavení tenanta datového agenta Fabric je povolené.
• Je povolené křížové geografické zpracování umělé inteligence .
• Je povolené křížové geografické ukládání pro AI .
• Nejméně jeden z těchto dat: sklad, jezero, jeden nebo více sémantických modelů Power BI, databáze KQL nebo ontologie.
• Přepínání tenanta sémantických modelů Power BI prostřednictvím koncových bodů XMLA je povoleno pro zdroje dat sémantických modelů Power BI.

Ověřování a tokeny

Pro použití datového agenta Fabric nemusíte vytvářet ani zadávat klíč Azure OpenAI ani přístupový token. Fabric používá pomocníka Azure OpenAI spravovaného Microsoftem a zpracovává ověřování za vás.

• Přístup k datům běží pod identitou uživatele Microsoft Entra ID a oprávněním k pracovnímu prostoru nebo datům. Agent čte schémata a spouští SQL/DAX/KQL pouze v případě, že máte přístup.
• Pokud chcete přidat sémantický model Power BI jako zdroj dat, potřebujete pro tento model oprávnění ke čtení (zápis se nevyžaduje). Přístup pro čtení je také dostatečný k kladení otázek na zdroje, ke které máte přístup. Další informace o sémantických oprávněních modelu najdete v tématu Zabezpečení datových sad a sémantických modelů.
• Pokud vaše organizace používá Power BI Premium na kapacitu (P1 nebo vyšší) místo skladové položky F, ujistěte se, že je na této kapacitě povolená služba Microsoft Fabric .
• Instanční objekty a tokeny rozhraní API se pro prostředí chatu v produktu nevyžadují. Automatizace s instančními objekty je samostatný scénář, který zde není popsaný.

Kompletní tok pro vytváření a využívání datových agentů Fabric

Tato část popisuje klíčové kroky pro vytvoření, ověření a sdílení datového agenta v systému Fabric, aby byl přístupný pro využití.

Proces je jednoduchý a můžete začít testovat prostředky datového agenta Fabric v řádu minut.

Vytvoření nového datového agenta Fabric

Pokud chcete vytvořit nového datového agenta Fabric, nejprve přejděte do pracovního prostoru a pak vyberte tlačítko + Nová položka . Na kartě Všechny položky vyhledejte datového agenta Fabric , abyste našli příslušnou možnost, jak je znázorněno na tomto snímku obrazovky.

Po výběru se zobrazí výzva k zadání názvu datového agenta Fabric, jak je znázorněno na tomto snímku obrazovky:

Podívejte se na zadaný snímek obrazovky s vizuálním návodem pojmenování datového agenta Fabric. Po zadání názvu pokračujte v konfiguraci a zarovnejte datového agenta Fabric s vašimi konkrétními požadavky.

Výběr dat

Po vytvoření datového agenta Fabric můžete přidat až pět zdrojů dat – včetně lakehouses, warehouses, sémantických modelů Power BI, databází KQL a ontologií – v libovolné kombinaci (až pět celkem). Můžete například přidat pět sémantických modelů Power BI nebo dva sémantické modely Power BI, jedno jezero a jednu databázi KQL.

Při prvním vytvoření datového agenta Fabric a zadání názvu se automaticky zobrazí katalog OneLake, který umožňuje přidat zdroje dat. Pokud chcete přidat zdroj dat, vyberte ho z katalogu, jak je znázorněno na další obrazovce, a pak vyberte Přidat. Každý zdroj dat musí být přidán jednotlivě. Můžete například přidat jezerní dům, vybrat Přidat a pak pokračovat přidáním dalšího zdroje dat. Pokud chcete filtrovat typy zdrojů dat, vyberte ikonu filtru a pak vyberte požadovaný typ. Můžete zobrazit pouze zdroje dat vybraného typu, což usnadňuje vyhledání a připojení příslušných zdrojů pro vašeho datového agenta Fabric.

Po přidání zdroje dat se v Průzkumníku v levém podokně stránky agenta dat Fabric naplní dostupné tabulky v každém vybraném zdroji dat, kde můžete pomocí zaškrtávacích políček zpřístupnit tabulky nebo nedostupné umělé inteligenci, jak je znázorněno na následujícím snímku obrazovky:

Poznámka:

K přidání sémantického modelu Power BI jako zdroje dat potřebujete jenom oprávnění ke čtení. Oprávnění k zápisu se nevyžaduje, protože datový agent Fabric vydává dotazy pouze pro čtení.

Pro další přidání zdrojů dat přejděte do Průzkumníka v levém podokně na stránce agenta dat Fabricu a vyberte možnost + Zdroj dat, jak je znázorněno na tomto snímku obrazovky:

Katalog OneLake se znovu otevře a podle potřeby můžete bez problémů přidat další zdroje dat.

Návod

Nezapomeňte použít popisné názvy tabulek i sloupců. Tabulka s názvem SalesData je smysluplnější než TableAa názvy sloupců, jako jsou ActiveCustomer nebo IsCustomerActive, jsou jasnější než C1 nebo ActCu. Popisné názvy pomáhají umělé inteligenci generovat přesnější a spolehlivější dotazy.

Ptejte se

Po přidání zdrojů dat a výběru relevantních tabulek pro každý zdroj dat můžete začít klást otázky. Systém zpracovává otázky, jak je znázorněno na tomto snímku obrazovky:

Podobné otázky by měly fungovat i v těchto příkladech:

• "Jaké byly naše celkové prodeje v Kalifornii v roce 2023?"
• "Jaké jsou 5 nejlepších produktů s nejvyššími ceníkovými cenami a jaké jsou jejich kategorie?"
• "Jaké jsou ty nejnákladnější položky, které se nikdy neprodaly?"

Podobné otázky jsou vhodné, protože systém je může přeložit na strukturované dotazy (T-SQL, DAX nebo KQL), spouštět je v databázích a pak vracet konkrétní odpovědi na základě uložených dat.

Otázky, jako jsou tyto, jsou ale mimo rozsah:

• "Proč je produktivita naší továrny v Q2 2024 nižší?"
• "Jaká je hlavní příčina našeho nárůstu prodeje?"

Tyto otázky jsou momentálně mimo rozsah, protože vyžadují komplexní odůvodnění, analýzu korelace nebo externí faktory, které nejsou přímo dostupné v databázi. Datový agent Fabric v současné době neprovádí pokročilou analýzu, strojové učení ani kauzální odvozování. Jednoduše načte a zpracuje strukturovaná data na základě dotazu uživatele.

Když položíte otázku, datový agent Fabric použije k zpracování požadavku rozhraní API pomocníka Azure OpenAI. Tok funguje tímto způsobem:

Přístup ke schématu pomocí přihlašovacích údajů uživatele

Systém nejprve použije přihlašovací údaje uživatele pro přístup ke schématu zdroje dat (například lakehouse, warehouse, sémantický model PBI, databáze KQL nebo ontologie). Tím se zajistí, že systém načte informace o datové struktuře, které má uživatel oprávnění k zobrazení.

Vytvoření podnětu

Aby systém mohl interpretovat otázku uživatele, kombinuje následující:

1. Dotaz uživatele: Otázka přirozeného jazyka poskytnutá uživatelem.
2. Informace o schématu: Metadata a strukturální podrobnosti zdroje dat načtené v předchozím kroku.
3. Příklady a pokyny: Všechny předdefinované příklady (například ukázkové otázky a odpovědi) nebo konkrétní pokyny, které jsou k dispozici při nastavování datového agenta Fabric. Tyto příklady a pokyny pomáhají lépe pochopit otázku AI a provedou způsob interakce umělé inteligence s daty.

Všechny tyto informace slouží k vytvoření výzvy. Tato výzva slouží jako vstup do rozhraní API asistenta Azure OpenAI, které se chová jako podpůrný agent pro datového agenta Fabric. To v podstatě dává datovému agentovi Fabric pokyn, jak zpracovat dotaz a jaký druh odpovědi má vytvořit.

Vyvolání nástrojů na základě potřeb dotazů

Agent analyzuje sestavený podnět a rozhodne, který nástroj se má vyvolat k nalezení odpovědi.

• Natural Language to SQL (NL2SQL): Používá se k vygenerování dotazů SQL, když se data nacházejí v jezeře nebo skladu.
• Přirozený jazyk DAX (NL2DAX): Slouží k vytváření dotazů DAX pro interakci s sémantických modelů ve zdrojích dat Power BI.
• Přirozený jazyk do KQL (NL2KQL): Slouží k vytváření dotazů KQL pro dotazování dat v databázích KQL.

Vybraný nástroj vygeneruje dotaz pomocí schématu, metadat a kontextu, který agent podkladového datového agenta Fabric poskytuje. Potom nástroj ověří dotaz, aby se zajistilo správné formátování a dodržování bezpečnostních protokolů a vlastní zásady zodpovědné AI (RAI).

Konstrukce reakcí

Agent podkladového datového agenta Fabric spustí dotaz a zajistí, aby odpověď byla strukturovaná a naformátovaná odpovídajícím způsobem. Agent často zahrnuje další kontext, aby odpověď byla uživatelsky přívětivá. Odpověď se uživateli zobrazí v konverzačním rozhraní, jak je znázorněno na následujícím snímku obrazovky:

Agent zobrazí výsledek i přechodné kroky, které trvalo k načtení konečné odpovědi. Tento přístup zvyšuje transparentnost a v případě potřeby umožňuje ověření těchto kroků. Uživatelé mohou rozbalit rozevírací seznam kroků pro zobrazení všech kroků, které agent dat Fabric provedl k načtení odpovědi, jak je znázorněno na následujícím snímku obrazovky:

Kromě toho datový agent Fabric poskytuje vygenerovaný kód použitý k dotazování odpovídajícího zdroje dat a nabízí další přehled o tom, jak byla odpověď vytvořena.

Tyto dotazy jsou určené výhradně pro dotazování dat. Operace, které zahrnují vytváření dat, aktualizace dat, odstranění dat, jakýkoli typ změny dat, nejsou povoleny, aby byla chráněna integrita vašich dat.

Kdykoli můžete vybrat tlačítko Vymazat chat a chat vymazat, jak je znázorněno na následujícím snímku obrazovky:

Funkce Vymazat chat vymaže veškerou historii chatu a spustí novou relaci. Po odstranění historie chatu ji nemůžete načíst.

Změna zdroje dat

Pokud chcete zdroj dat odebrat, najeďte myší na název zdroje dat v Průzkumníku v levém podokně stránky agenta dat Fabric, dokud se nezobrazí nabídka se třemi tečky. Výběrem tří tečk zobrazíte možnosti a pak výběrem možnosti Odebrat odstraníte zdroj dat, jak je znázorněno na následujícím snímku obrazovky:

Pokud se zdroj dat změnil, můžete také vybrat možnost Aktualizovat ve stejné nabídce, jak je znázorněno na následujícím snímku obrazovky:

Tím zajistíte, že se všechny aktualizace zdroje dat projeví i správně naplní v průzkumníku, aby se agent dat Fabric synchronizoval s nejnovějšími daty.

Konfigurace datového agenta Fabric

Datový agent Fabric nabízí několik možností konfigurace, které uživatelům umožňují přizpůsobit chování datového agenta Fabric, aby lépe odpovídalo potřebám vaší organizace. Vzhledem k tomu, že datový agent Fabric zpracovává a prezentuje data, nabízejí tyto konfigurace flexibilitu, která umožňuje větší kontrolu nad výsledky.

Uveďte pokyny

Můžete zadat konkrétní pokyny, které vám pomůžou s chováním umělé inteligence. Chcete-li je přidat do podokna pokynů pro agenta Fabric, vyberte pokyny pro agenta dat, jak je znázorněno na následujícím snímku obrazovky:

Tady můžete napsat až 15 000 znaků v prostém anglickém textu a instruovat AI o tom, jak zpracovávat dotazy.

Můžete například zadat přesný zdroj dat, který se má použít pro určité typy otázek. Příklady voleb zdroje dat můžou zahrnovat směrování umělé inteligence na použití.

• Sémantické modely Power BI pro finanční dotazy
• Lakehouse pro data z prodeje
• databáze KQL pro provozní metriky

Tyto pokyny zajišťují, aby AI vygenerovala odpovídající dotazy, ať už SQL, DAX nebo KQL, na základě vašich pokynů a kontextu otázek.

Pokud váš prostředek AI konzistentně nesprávně interpretuje určitá slova, zkratky nebo termíny, můžete se pokusit poskytnout jasné definice v této části, abyste zajistili, že AI rozumí a zpracovává je správně. To se stává zvlášť užitečné pro terminologii specifickou pro doménu nebo jedinečný obchodní žargon.

Přizpůsobením těchto pokynů a definováním termínů vylepšujete schopnost umělé inteligence poskytovat přesné a relevantní přehledy v plném souladu se strategií dat a obchodními požadavky.

Zadání ukázkových dotazů

Přesnost odpovědí můžete zvýšit tak, že poskytnete ukázkové dotazy přizpůsobené jednotlivým podporovaným zdrojům dat (databáze lakehouse, warehouse, KQL). Tento přístup, označovaný jako učení s několika snímky ve generování umělé inteligence, pomáhá datovému agentu Fabric generovat odpovědi, které lépe odpovídají vašim očekáváním.

Když poskytnete AI s ukázkovými páry dotazů a otázek, odkazuje na tyto příklady, když odpovídá na budoucí otázky. Párování nových dotazů s nejrelevantními příklady pomáhá umělé inteligenci začlenit logiku specifickou pro firmy a efektivně reagovat na nejčastější dotazy. Tato funkce umožňuje jemně doladit jednotlivé zdroje dat a zajišťuje generování přesnějších dotazů SQL nebo KQL.

Sémantická data modelu Power BI v tuto chvíli nepodporují přidávání párů ukázkových dotazů a dotazů. U podporovaných zdrojů dat, jako jsou databáze lakehouse, warehouse a KQL, ale poskytnutí dalších příkladů může výrazně zlepšit schopnost umělé inteligence generovat přesné dotazy, když se jeho výchozí výkon potřebuje upravit.

Návod

Různorodá sada ukázkových dotazů vylepšuje schopnost datového agenta Fabric generovat přesné a relevantní dotazy SQL/KQL.

Pokud chcete přidat nebo upravit ukázkové dotazy, vyberte tlačítko Ukázkové dotazy a otevřete podokno Ukázkové dotazy, jak je znázorněno na následujícím snímku obrazovky:

Toto podokno poskytuje možnosti pro přidání nebo úpravu ukázkových dotazů pro všechny podporované zdroje dat s výjimkou sémantických modelů a ontologií Power BI. Pro každý zdroj dat můžete vybrat Přidat nebo upravit ukázkové dotazy a zadat relevantní příklady, jak je znázorněno na následujícím snímku obrazovky:

Poznámka:

Datový agent Fabric odkazuje pouze na dotazy, které obsahují platnou syntaxi SQL/KQL a které odpovídají schématu vybraných tabulek. Datový agent Fabric nepoužívá dotazy, které nedokončily ověření. Ujistěte se, že všechny ukázkové dotazy jsou platné a správně v souladu se schématem, aby bylo zajištěno, že je datový agent Fabric efektivně využívá.

Publikování a sdílení datového agenta Fabric

Po otestování výkonu datového agenta Fabric napříč různými otázkami a potvrdíte, že generuje přesné dotazy SQL, DAX nebo KQL, můžete ho sdílet se svými kolegy. V tomto okamžiku vyberte Publikovat, jak je znázorněno na následujícím snímku obrazovky:

Tento krok otevře okno s dotazem na popis datového agenta Fabric. Tady zadejte podrobný popis toho, co dělá datový agent Fabric. Tyto podrobnosti provedou kolegy o funkcích datového agenta Fabric a pomáhají ostatním systémům a orchestrátorům umělé inteligence efektivně vyvolat datového agenta Fabric.

Po publikování datového agenta Fabric budete mít dvě verze. Jedna verze je aktuální verze konceptu, kterou můžete dál upřesňovat a vylepšovat. Druhá verze je publikovaná verze, kterou můžete sdílet s kolegy, kteří chtějí dotazovat datového agenta Fabric, aby získali odpovědi na své otázky. Při vývoji můžete začlenit zpětnou vazbu od kolegů do aktuální verze konceptu, abyste mohli dále vylepšit výkon datového agenta Fabric.

Související obsah

• koncept datového agenta
• Kompletní kurz k datovému agentu