Použijte Copilot se sémantickými modely

2025-04-30

Tento článek vám pomůže používat prostředí Copilot v Power BI pro sémantické modely.

Copilot v Microsoft Fabric je pomocník pro generování AI, který má za cíl vylepšit možnosti analýzy dat na platformě Fabric, včetně úlohy Power BI. Funkci Copilot v Power BI můžete použít k podpoře vývoje i spotřeby sémantických modelů samoobslužnými i podnikovými uživateli. Při efektivním použití může Copilot podporovat analytiky i firemní uživatele, aby zlepšili produktivitu a získali větší hodnotu z jejich sémantických modelů.

Pokud ale chcete použít Copilot se sémantickými modely v Power BI, musíte nejprve připravit svá data, svůj sémantický model a své uživatele. Pokud to neuděláte, pak Copilot produkuje hlavně nízké kvality a nepřesné výstupy, které mohou být nesprávné nebo dokonce zavádějící. Následující části vás provedou tím, jak můžete pomocí Copilotu v Power BI vyvíjet nebo využívat sémantický model s dostupnými prostředími Copilot.

Poznámka:

Další informace najdete v dokumentaci ke Copilotu v Power BI.

Copilot a jeho schopnosti se v průběhu času vyvíjejí. Prostředí Copilotu v následujících částech se změní a nová prostředí můžou být k dispozici v sémantických modelech. Proto byste měli držet krok s měsíčními verzemi Power BI a všemi relevantními oznámeními o Copilotu.

Důležité

Funkci Copilot nemůžete povolit nebo zakázat v konkrétních úlohách ani pro konkrétní zážitky s Copilotem. Pokud je Copilot v Fabric ve vaší kapacitě pro uživatele nebo skupinu zabezpečení povolen, budou pro tyto uživatele přístupné všechny úlohy a zkušenosti Copilot.

Vývoj sémantického modelu pomocí copilotu

Při vývoji sémantického modelu v Power BI můžete pomocí Copilotu zlepšit efektivitu a pohodlí určitých úloh. Obvykle to zahrnuje použití Copilotu ke zjednodušení redundantních nebo opakovaných změn (například generování popisů měr) nebo k řešení nebo pochopení náročného návrhu modelu nebo jazyka DAX (například použití Copilotu v zobrazení dotazu DAX k vysvětlení konceptů jazyka DAX nebo generování dotazů DAX).

Následující části vysvětlují, jak může vývojář nebo analytik Power BI, který vytváří sémantické modely, využít různé prostředí Copilotu v Power BI.

Poznámka:

Následující části se zaměřují na prostředí, která podporují vývoj sémantických modelů v Power BI Desktopu, a ne online pomocí úprav datových modelů ve službě Power BI. Pokyny a důležité informace v následujících částech se můžou dál vztahovat při úpravách datových modelů ve službě Power BI, ale mějte na paměti, že mezi těmito dvěma prostředími existují rozdíly.

Obecně doporučujeme vyvíjet sémantické modely Power BI pomocí Power BI Desktopu nebo nástrojů třetích stran a pak tyto modely publikovat ve službě Power BI, až budete připraveni je použít. Datové modely ve službě Power BI ale můžete upravovat také v případě, že je to vaše preference, nebo pokud nemůžete k vývoji modelu použít desktopové nástroje.

Ptejte se na otázky týkající se dat

Při vývoji sémantického modelu často potřebujete zkoumat a dotazovat data. Normálně byste to udělali pomocí kombinace editoru Power Query, plátna sestavy a dotazů DAX. Pomocí podokna chatu Copilot ale můžete také pokládat datové otázky týkající se modelu a jeho obsahu. Obecně platí, že kladení otázek na data je spíše způsob využití, kde se firemní uživatelé mohou ptát na data, když nemohou najít odpověď v sestavě. Vývojáři to ale můžou použít k prozkoumání dat nebo ověření výkonu copilotu ve svém modelu.

Následující obrázek ukazuje příklad uživatele, který se ptá na data o sémantickém modelu Copilotu. Na obrázku vidíte následující výzvu: Jaký byl zisk % pro oblast prodeje Austrálie v roce 2023?

Snímek obrazovky s podoknem chatu Copilot, kde uživatel položí otázku na data, na kterou Copilot odpovídá sémantický model

Případy použití

Pomocí Copilotu můžete klást otázky k datům pro následující případy použití:

Prozkoumání dat v modelu: Vývojář může k prozkoumání dat v modelu pomocí Copilotu použít prostředí pro kladení datových otázek . Pravděpodobně je ale efektivnější prozkoumat data přidáním vizuálů na plátno sestavy nebo pomocí dotazů DAX. Je to proto, že vizuály sestav se automaticky aktualizují vždy, když v modelu provedete změny, ale odpovědi na datové otázky v podokně chatu Copilot jsou statické a zmizí pokaždé, když zavřete podokno chatu Copilot. Vizuály vygenerované pomocí Copilotu navíc můžou obsahovat filtry specifické pro vizuály, které v Power BI Desktopu nemůžete vytvořit sami. Tyto filtry můžou být zavádějící nebo problematické k prozkoumání.
Ověřte použití Copilotu pro použití sémantického modelu: Vývojáři by měli použít prostředí Pro kladení otázek k datům , abyste porozuměli a otestovali, jak prostředí využití Copilotu fungují ve svém sémantickém modelu. Toto je hlavní případ použití otázek k dotazování na data při vývoji sémantického modelu. Tento případ použití umožňuje vývojáři provádět změny v sémantickém modelu, který může lépe podporovat Copilot, aby vytvořil užitečnější výstupy.

Důležité

Při návrhu sémantického modelu se ujistěte, že budete diskutovat s uživateli a zdokumentovat, jak ho budou využívat, včetně položek, nástrojů a prostředí, které budou používat. Pokud uživatelé nebudou v Power BI používat Copilot, vývojář nemusí k otestování modelu použít prostředí Pro dotazy k datům . Pokud ale uživatelé plánují používat Copilot k využívání sémantických modelů nyní nebo v budoucnu, je nezbytné, aby si to vývojáři při návrhu i vývoji modelu přihlíželi.

Výhody

Vývojář může pomocí položit otázky týkající se dat pochopit, jaké bude prostředí pro firemní uživatele, kteří konzumují sémantický model s využitím Copilotu v aplikaci Power BI. Toto testování je nezbytné, pokud podnikoví uživatelé chtějí použít Copilot k využívání sémantického modelu.

Specifika prostředí

Prostředí kladení datových otázek se liší od standardního procesu Copilot v Fabricu v následujících oblastech. Tento přehled se týká použití prostředí pro kladení otázek k datům při vývoji a využívání sémantických modelů:

Vstup: Uživatelé poskytují písemnou výzvu k zadání otázky nebo vyžádání konkrétních informací z sémantického modelu.
Předběžné zpracování a základní data: Copilot získává základní data ze schématu modelu. Provádí redukci schématu a snaží se omezit kontext na to, co je nejdůležitější. Jako kontext používá Copilot následující informace, aby se pokusil zlepšit užitečnost a specificitu výstupu Copilotu:
- Všechna metadata sestavy na aktuální stránce sestavy. Pokud jsou relevantní metadata sestavy, pak Funkce Copilot v Power BI odpoví na datové otázky ze sestavy místo modelu.
- Konverzace s Copilotem v aktuální relaci. To zahrnuje všechny předchozí otázky a výstupy, které zahrnují datové body z datových otázek, na které copilot dříve odpověděl.
- Schéma sémantického modelu, které zahrnuje tabulky, řádky, sloupce, míry a další objekty (například relace, skupiny výpočtů atd.).
- Úplné lingvistické schéma modelu.
- Určité sémantické vlastnosti modelu, včetně popisů, datových typů, formátových řetězců a kategorie dat.
Následující informace jsou vyloučeny:
- Každá stránka sestavy, která je skrytá.
- Jakékoli skryté pole (míra nebo sloupec) v modelu.
- Libovolná tabulka v modelu, která je označená jako soukromá.
Výstup: Výstup, který copilot poskytuje, obsahuje několik částí:
- Vizuální: Copilot odpoví na otázku na data vykreslením vizuálu Power BI, jako je karta, spojnicový graf nebo tabulka. Copilot vybere vizuál a jeho formátování, které uživatel nemůže řídit ani požadovat ve výzvě. Pokud podkladový model, DAX nebo data nejsou optimalizovaná nebo jsou příliš složitá, může dojít k vypršení časového limitu vizuálu.
- Shrnutí: Copilot shrnuje výsledek dotazu. Tento souhrn se vygeneruje odesláním sémantického výsledku dotazu zpět do Azure OpenAI (který obsahuje datové body) a vyžádáním vysvětlení přirozeného jazyka.
- Chyby nebo žádost o objasnění: Pokud Copilot nemůže vytvořit odpověď, může vrátit obecnou chybovou zprávu. Tato chybová zpráva může obsahovat žádost o objasnění, včetně navrhovaných variant původní otázky o datech uživatele.

Upozornění

Při použití Copilotu v Power BI s sémantickými modely v Power BI Desktopu může Copilot používat metadata sestav jako podkladová data. Za určitých okolností mohou metadata sestavy obsahovat datové prvky, jako jsou hodnoty sloupců, které mohou zahrnovat citlivé informace. Toto platí jak pro starší formát metadat sestavy, tak pro nový formát rozšířené sestavy Power BI (PBIR).

Tipy ke zlepšení výstupů Copilotu

Copilot může vytvářet nepřesné nebo nekvalitní výstupy, včetně nesprávných odpovědí na dotazy k datům. Nesprávné odpovědi často vznikají z chyb uživatelů nebo problémů s modelem. Pokud chcete snížit pravděpodobnost chybných nebo neočekávaných výstupů copilotu, můžete řešit výzvy uživatelů a návrh datového modelu.

Důležité

Nepřesné odpovědi na otázky k datům můžou vést k nesprávným rozhodnutím a akcím podnikových uživatelů, což vede k špatným výsledkům. Abyste se tomuto negativnímu dopadu vyhnuli, je důležité co nejvíce zmírnit pravděpodobnost nepřesných odpovědí pomocí Copilotu.

Uživatel může pouze vytvořit nesprávné výsledky napsáním špatné výzvy. Mezi příklady chybných výzev patří:

Nejasné nebo neúplné výzvy: Pokud nepřesně nebo neúplně popíšete požadovaný výstup nebo v příkazovém řádku použijete nejednoznačný jazyk, je méně pravděpodobné, že funkce Copilot vytvoří užitečný výsledek. Při psaní výzev byste se měli snažit být co nejkonkrétnější a nejpopisnější při uvádění požadovaného výsledku.
Nesprávné výzvy: Pokud při odkazování na míru, sloupec nebo název tabulky uděláte pravopisné chyby, nemusí copilot odkazovat na správné pole. Při psaní výzev byste měli zajistit, aby se pole, která zmíníte ve výzvě, správně odkazují na pole ve schématu sémantického modelu. To zahrnuje vyloučení zkratek, akronymů nebo nadměrné interpunkce. Všimněte si, že synonyma můžete použít také k odkazování na pole, ale neexistuje způsob, jak ověřit, která synonyma jsou pro dané pole dostupná (například jak můžete zobrazit popisy při najetí myší na míru nebo sloupec v podokně Data).
Nadměrné nebo nevhodné podkladové údaje: Pokud odešlete výzvu prostřednictvím podokna chatu Copilot, bere Copilot historii chatu z této relace jako podkladová data během předzpracování. V závislosti na tom, co tato historie chatu zahrnuje, můžete získat různé nebo neočekávané výsledky. Při psaní výzev byste měli vzít v úvahu, že se jako podkladová data použijí všechny předchozí výzvy a výstupy. Abyste tomu předešli, můžete výběrem tlačítka Copilot zavřít a znovu otevřít podokno chatu Copilot a před odesláním nové výzvy vymazat historii chatu.

Následující obrázek ukazuje příklad nesprávného výstupu z Copilotu z důvodu špatné výzvy uživatele:

Snímek obrazovky s podoknem chatu Copilot, kde uživatel položí otázku na data, na kterou Copilot odpovídá sémantický model

Na obrázku vidíte následující výzvu: Jaký byl zisk % v prodejní oblasti Austrálie v roce 2023? Ve výstupu vrátí Copilot hodnotu zisku spíše než jako procento. V tomto případě by uživatel mohl získat lepší výsledek z Copilotu tím, že jasněji určí, že chce zisk v procentech (místo použití symbolu procenta).

Kromě uživatelských výzev může prostředí pro otázky k zadání dat také vést k nesprávným nebo neočekávaným výsledkům kvůli kvalitě nebo organizaci základního sémantického modelu. Mezi příklady, kdy sémantický model vytváří špatné výsledky, patří:

Špatný návrh nebo implementace modelu: Pokud sémantický model nevyhovuje běžným osvědčeným postupům (jako je návrh hvězdicového schématu), pravděpodobně dostanete špatné výsledky s jakýmkoli nástrojem nebo zkušenostmi se spotřebou. Vždy byste se měli snažit o kvalitní sémantické modely, abyste mohli Power BI a Fabric co nejlépe využít. Další tipy a pokyny ke zlepšení sémantických modelů Power BI najdete také v doprovodných materiálech k modelování dat pro Power BI .
Špatné konvence pojmenování: Pokud vaše pole mají nekonzistentní nebo nadměrné konvence pojmenování (například akronymy, zkratky a interpunkce), uživatelé pravděpodobněji udělají chyby ve svých dotazech a Copilot se může zmást při odkazování na tato pole. Copilot funguje nejlépe, když tabulky, sloupce a míry mají názvy v češtině čitelné pro člověka.
Špatná organizace modelu: Pokud model neuspořádáte, pravděpodobně se setkáte s dalšími problémy s Copilotem. Organizace modelu je velké téma, které zahrnuje mnoho úkolů, včetně popisů polí, skrytí sloupců a měr a zabránění polím se stejnými názvy v různých tabulkách.
Lingvistické modelování: Pokud váš sémantický model nemá nastavené jazykové modelování, včetně synonym pro pole nebo slovesa pro relace, může být pravděpodobnější, že Copilot vrátí neočekávané výsledky. Power BI využívá stejné jazykové modelování jako funkce Q&A. Nastavení lingvistického modelu pro váš sémantický model vyžaduje dodatečný čas a úsilí kromě úloh vývoje sémantických modelů. Můžete to ale mírně odsadit použitím Copilotu ke generování synonym, které je vysvětleno dále v tomto článku.
Složitost modelu: Čím složitější je váš model, včetně více polí, závislostí a obchodní logiky, tím pravděpodobnější je, že při použití Copilotu narazíte na potíže. Například složité vzory, jako je převod měny nebo odpojené tabulky (například parametry polí), můžou způsobit neočekávané nebo nesprávné výsledky, když uživatelé odkazují na tato pole nebo tabulky ve svých výzev. U složitějších modelů možná budete muset zvážit konkrétní rozhodnutí o návrhu modelu, abyste získali nejlepší výsledky pomocí Copilotu. Obecně byste měli model otestovat pomocí Copilotu, abyste zjistili, jestli získáte konzistentně správné a spolehlivé výsledky. Pokud ne, měli byste zvážit doporučení uživatelům, aby funkci Copilot nepoužívají k používání sémantického modelu.

Poznámka:

Další informace naleznete v tématu Příprava sémantického modelu pro použití Copilot dále v tomto článku. Další důležité informace najdete také v samostatném článku aktualizace datového modelu tak, aby dobře fungoval s Copilotem pro Power BI .

Následující obrázek ukazuje příklad nesprávného výstupu z Copilotu kvůli problémům s sémantickým modelem:

Snímek obrazovky znázorňující příklad uživatele s dotazem na data, na který copilot nesprávně odpovídá sémantickým modelem

Obrázek znázorňuje následující výzvu: Kolik jednotek bylo prodáno v Austrálii v roce 2023? V odpovědi vrátí Copilot počet jednotek, ve kterých je sloupec Country (Země ) v tabulce Customer (Země ) filtrován na "Austrálie" místo filtrování sloupce Country ( Země ) v tabulce Sales region (Prodej ). V takovém případě by uživatel mohl vylepšit výzvu k zadání země prodejní oblasti. Vývojář sémantického modelu ale může sloupec Země v tabulce Zákazník skrýt nebo přejmenovat, pokud by ho neměl používat Copilot. Případně můžou pole zakázat ze synonym jazykového modelu pomocí nastavení Q&A.

Probereme důležitost lingvistického schématu a nastavení Q&A v části Lingvistické schéma.

Návod

Kliknutím na tlačítko Přidat na stránku můžete určit, která pole a filtry Copilot používá k vygenerování vizuálu nebo odpovídání na otázku s daty. Tím se vizuál přidá na plátno sestavy, kde můžete vybrat vizuál a zobrazit všechny filtry, které Copilot použije a pole, která Copilot používá.

Bez ohledu na kvalitu výzvy nebo modelu můžete při použití prostředí Ptejte se na data stále získat nepřesné nebo nízké kvality výstupy z Copilotu. Důvodem je to, že základní model s aktuální konfigurací je nedeterministický a nezaručuje, že vytvoří správnou odpověď nebo stejnou odpověď se stejnou výzvou, modelem a daty.

Následující obrázek ukazuje příklad, že Copilot vytváří nepřesné nebo nevhodné výsledky:

Snímek obrazovky znázorňující jiný příklad uživatele, který se ptá na data, na kterou copilot nesprávně odpovídá sémantickým modelem

V tomto příkladu obrázek ukazuje výzvy: Otázka: Která země v roce 2024 vytvořila nejvyšší zisk? a Otázka: Která země v roce 2023 vytvořila nejvyšší zisk? Výstupy ukazují, že Copilot nejprve požádá o objasnění, jakmile řekne, že v modelu nejsou žádná data pro 2024. V modelu však existují data v roce 2024 při filtrování na tento rok pomocí tabulky kalendářních dat. Copilot pak vrátí výsledek filtrující sloupec Narozeniny z tabulky Customer (Zákazník) místo označené tabulky kalendářních dat v modelu. I když uživatel může vytvořit konkrétnější výzvu nebo vývojář může skrýt pole Narozeniny , v tomto případě by měl Copilot vytvořit očekávaný výsledek.

Pokud chcete tento problém zmírnit, je důležité vyškolit uživatele, aby kriticky zhodnocovali všechny výstupy, které získali z Copilotu ve Fabric a Power BI, a věděli, jak postupovat při řešení neočekávaných výsledků nebo jak zkusit nový návrh uzavřením a znovu otevřením okna chatu Copilot.

Zobrazení dotazů DAX

Při vývoji sémantického modelu můžete pomocí Copilotu vygenerovat dotazy DAX v zobrazení dotazu DAX. V těchto dotazech můžete také definovat míry DAX, které pak můžete přidat do sémantického modelu. Pomocí Copilotu můžete také vysvětlit koncepty jazyka DAX buď ve generovaných dotazech, nebo dotazech, které jste sami vytvořili.

Následující obrázek ukazuje příklad uživatele, který žádá Copilot, aby vygeneroval dotaz DAX.

Snímek obrazovky ukazující příklad dotazu uživatele na DAX, na který Copilot odpovídá ve zobrazení dotazu DAX.

Obrázek znázorňuje následující výzvu: YTD profit by month in 2023. Uživatel pak může požádat Copilot o vysvětlení dotazu, jak je znázorněno na následujícím obrázku.

Snímek obrazovky znázorňující příklad uživatele, který žádá o vysvětlení dotazu DAX, který v zobrazení dotazu DAX odpovídá Copilot

Obrázek znázorňuje následující výzvu: Vysvětlete tento dotaz DAX. Vysvětlení se zobrazí v dolní části okna Copilot.