Del via

Opret en Fabric-dataagent (prøveversion)

Med en dataagent i Microsoft Fabric kan du skabe samtalebaserede AI-oplevelser, der besvarer spørgsmål om data gemt i lakehouses, lagre, Power BI semantiske modeller, KQL-databaser og ontologier i Fabric. Dine kolleger kan stille spørgsmål på almindeligt engelsk og modtage datadrevne svar, selvom de ikke er AI-eksperter eller er dybt fortrolige med dataene.

Important

Denne funktion er en prøveversion.

Prerequisites

Autentificering og tokens

Du behøver ikke at oprette eller angive en Azure OpenAI-nøgle eller et adgangstoken for at bruge en Fabric-dataagent. Fabric bruger en Microsoft-administreret Azure OpenAI Assistant og håndterer godkendelse for dig.

  • Dataadgang kører under din Microsoft Entra ID-brugeridentitet og dine arbejdsområde-/datatilladelser. Agenten læser skemaer og kører kun SQL/DAX/KQL, hvis du har adgang.
  • Hvis du vil tilføje en semantisk Power BI-model som en datakilde, skal du have læsetilladelse til den pågældende model (skrivning er ikke påkrævet). Læseadgang er også tilstrækkelig til at stille spørgsmål mod kilder, du kan få adgang til. Du kan få mere at vide om tilladelser til semantiske modeller under Sikkerhed for datasæt og semantiske modeller.
  • Hvis din organisation bruger en Power BI Premium kapacitet pr. kapacitet (P1 eller højere) i stedet for en F-SKU, skal du sørge for, at Microsoft Fabric er aktiveret på den pågældende kapacitet.
  • Tjenesteprincipaler og API-tokens er ikke påkrævet for chatoplevelsen i produktet. Enhver automatisering med tjenesteprincipaler er et separat scenarie og er ikke omfattet her.

Komplet flow til oprettelse og forbrug af Fabric-dataagenter

I dette afsnit beskrives de vigtigste trin til at oprette, validere og dele en Fabric-dataagent i Fabric, hvilket gør den tilgængelig til forbrug.

Processen er ligetil, og du kan begynde at teste Fabric-dataagentressourcerne på få minutter.

Opret en ny Fabric-dataagent

Hvis du vil oprette en ny Fabric-dataagent, skal du først navigere til dit arbejdsområde og derefter vælge knappen + Nyt element. På fanen Alle elementer skal du søge efter Fabric-dataagent for at finde den relevante indstilling, som vist på dette skærmbillede:

Skærmbillede, der viser oprettelsen af en Fabric-dataagent.

Når du har valgt, bliver du bedt om at angive et navn til din Fabric-dataagent, som vist på dette skærmbillede:

Skærmbillede, der viser, hvordan du angiver navnet på Fabric-dataagenten.

Se det angivne skærmbillede for at få en visuel vejledning til navngivning af Fabric-dataagenten. Når du har angivet navnet, skal du fortsætte med konfigurationen for at justere Fabric-dataagenten efter dine specifikke krav.

Vælg dine data

Efter du har oprettet en Fabric-dataagent, kan du tilføje op til fem datakilder – herunder lakehouses, warehouses, Power BI semantiske modeller, KQL-databaser og ontologier – i enhver kombination (op til fem i alt). Du kan f.eks. tilføje fem semantiske Power BI-modeller eller to semantiske Power BI-modeller, én lakehouse og én KQL-database.

Når du opretter en Fabric-dataagent for første gang og angiver et navn, vises OneLake-kataloget automatisk, så du kan tilføje datakilder. Hvis du vil tilføje en datakilde, skal du vælge den fra kataloget som vist på næste skærmbillede og derefter vælge Tilføj. Hver datakilde skal tilføjes enkeltvist. Du kan f.eks. tilføje et søhus, vælge Tilføj og derefter fortsætte med at tilføje en anden datakilde. Hvis du vil filtrere datakildetyperne, skal du vælge filterikonet og derefter vælge den ønskede type. Du kan kun få vist datakilder af den valgte type, hvilket gør det nemmere at finde og forbinde de relevante kilder til din Fabric-dataagent.

Når du har tilføjet datakilden, udfyldes Stifinder i venstre rude på siden Strukturdataagent med de tilgængelige tabeller i hver valgt datakilde, hvor du kan bruge afkrydsningsfelterne til at gøre tabeller tilgængelige eller utilgængelige for AI som vist på følgende skærmbillede:

Skærmbillede, der viser, hvordan du tilføjer datakilder.

Note

Du behøver kun læsetilladelse for at tilføje en semantisk Power BI-model som datakilde. Skrivetilladelse er ikke påkrævet, fordi Fabric-dataagenten udsteder skrivebeskyttede forespørgsler.

Hvis du vil have efterfølgende tilføjelser af datakilder, skal du gå til Stifinder i venstre rude på siden Strukturdataagent og vælge + Datakilde som vist på dette skærmbillede:

Skærmbillede, der viser, hvordan du tilføjer flere datakilder.

OneLake-kataloget åbnes igen, og du kan uden problemer tilføje flere datakilder efter behov.

Tip

Sørg for at bruge beskrivende navne til både tabeller og kolonner. En tabel med navnet SalesData giver mere mening end TableA, og kolonnenavne som ActiveCustomer eller IsCustomerActive er tydeligere end C1 eller ActCu. Beskrivende navne hjælper AI'en med at generere mere nøjagtige og pålidelige forespørgsler.

Stil spørgsmål

Når du har tilføjet datakilderne og valgt de relevante tabeller for hver datakilde, kan du begynde at stille spørgsmål. Systemet håndterer spørgsmål som vist på dette skærmbillede:

Skærmbillede, der viser et spørgsmål til en Fabric-dataagent.

Spørgsmål, der ligner disse eksempler, bør også fungere:

  • "Hvad var vores samlede salg i Californien i 2023?"
  • "Hvad er de øverste 5 produkter med de højeste listepriser, og hvad er deres kategorier?"
  • "Hvad er de dyreste varer, der aldrig er blevet solgt?"

Spørgsmål som denne er velegnede, fordi systemet kan oversætte dem til strukturerede forespørgsler (T-SQL, DAX eller KQL), udføre dem på databaser og derefter returnere konkrete svar baseret på gemte data.

Spørgsmål som disse er dog uden for omfanget:

  • "Hvorfor er vores fabriksproduktivitet lavere i 2. kvartal 2024?"
  • "Hvad er hovedårsagen til vores salgsspids?"

Disse spørgsmål er i øjeblikket uden for omfanget, fordi de kræver kompleks ræsonnering, korrelationsanalyse eller eksterne faktorer, der ikke er direkte tilgængelige i databasen. Fabric-dataagenten udfører i øjeblikket ikke avanceret analyse, maskinel indlæring eller årsagssammenhæng. Den henter og behandler blot strukturerede data baseret på brugerens forespørgsel.

Når du stiller et spørgsmål, bruger Fabric-dataagenten Azure OpenAI Assistant-API'en til at behandle anmodningen. Flowet fungerer på denne måde:

Skemaadgang med brugerlegitimationsoplysninger

Systemet bruger først brugerens legitimationsoplysninger til at få adgang til datakildens skema (for eksempel lakehouse, warehouse, PBI semantic model, KQL-databaser eller ontologi). Dette sikrer, at systemet henter datastrukturoplysninger, som brugeren har tilladelse til at få vist.

Oprettelse af prompten

Systemet kombinerer følgende for at fortolke brugerens spørgsmål:

  1. Brugerforespørgsel: Det naturlige sprogspørgsmål, der leveres af brugeren.
  2. Skemaoplysninger: Metadata og strukturelle oplysninger om datakilden, der blev hentet i det forrige trin.
  3. Eksempler og instruktioner: Eventuelle foruddefinerede eksempler (f.eks. eksempelspørgsmål og svar) eller specifikke instruktioner, der leveres, når Fabric-dataagenten konfigureres. Disse eksempler og instruktioner hjælper med at finjustere AI'ens forståelse af spørgsmålet og vejlede i, hvordan AI'en interagerer med dataene.

Alle disse oplysninger bruges til at oprette en prompt. Denne prompt fungerer som et input til Azure OpenAI Assistant-API'en, der fungerer som en agent, der er underliggende for Fabric-dataagenten. Dette instruerer i bund og grund Fabric-dataagenten om, hvordan forespørgslen skal behandles, og hvilken type svar der skal oprettes.

Aktivering af værktøj baseret på forespørgselsbehov

Agenten analyserer den konstruerede prompt og beslutter, hvilket værktøj der skal aktiveres for at hente svaret:

  • Naturligt sprog til SQL (NL2SQL): Bruges til at generere SQL-forespørgsler, når dataene er placeret i et lakehouse eller et lager
  • Naturligt sprog til DAX (NL2DAX): Bruges til at oprette DAX-forespørgsler for at interagere med semantiske modeller i Power BI-datakilder
  • Naturligt sprog til KQL (NL2KQL): Bruges til at konstruere KQL-forespørgsler til at forespørge om data i KQL-databaser

Det valgte værktøj genererer en forespørgsel ved hjælp af det skema, de metadata og den kontekst, som den agent, der ligger til grund for Fabric-dataagenten, leverer. Værktøjet validerer derefter forespørgslen for at sikre korrekt formatering og overholdelse af dens sikkerhedsprotokoller og sine egne POLITIKKER for ansvarlig AI (RAI).

Opbygning af respons

Den agent, der ligger til grund for Fabric-dataagenten, udfører forespørgslen og sikrer, at svaret er struktureret og formateret korrekt. Agenten indeholder ofte ekstra kontekst for at gøre svaret brugervenligt. Til sidst vises svaret for brugeren i en samtalegrænseflade, som vist på følgende skærmbillede:

Skærmbillede, der viser svaret på spørgsmålet fra en Fabric-dataagent.

Agenten præsenterer både resultatet og de mellemliggende trin, som det tog at hente det endelige svar. Denne fremgangsmåde forbedrer gennemsigtigheden og muliggør validering af disse trin, hvis det er nødvendigt. Brugerne kan udvide rullelisten for trinnene for at få vist alle de trin, Fabric-dataagenten har taget for at hente svaret, som vist på følgende skærmbillede:

Skærmbillede, der viser de trin, der er udført af en Fabric-dataagent.

Derudover leverer Fabric-dataagenten den genererede kode, der bruges til at forespørge den tilsvarende datakilde, og giver yderligere indsigt i, hvordan svaret blev konstrueret.

Disse forespørgsler er udelukkende designet til at forespørge om data. Handlinger, der involverer oprettelse af data, dataopdateringer, sletning af data, alle typer dataændringer er ikke tilladt, for at beskytte integriteten af dine data.

Du kan til enhver tid vælge knappen Ryd chat for at rydde chatten, som vist på følgende skærmbillede:

Skærmbillede, der fremhæver funktionen Ryd chat.

Funktionen Ryd chat sletter al chathistorik og starter en ny session. Når du sletter din chathistorik, kan du ikke hente den.

Skift datakilden

Hvis du vil fjerne en datakilde, skal du holde markøren over navnet på datakilden i Stifinder i venstre rude på siden Strukturdataagent, indtil menuen med tre prikker vises. Vælg de tre prikker for at få vist indstillingerne, og vælg derefter Fjern for at slette datakilden som vist på følgende skærmbillede:

Skærmbillede, der viser, hvordan du sletter eller opdaterer datakilder.

Hvis datakilden er ændret, kan du også vælge Opdater i den samme menu, som vist på følgende skærmbillede:

Skærmbillede, der viser, hvordan du opdaterer en datakilde.

Dette sikrer, at alle opdateringer af datakilder både afspejles og udfyldes korrekt i stifinderen for at holde din Fabric-dataagent synkroniseret med de nyeste data.

Konfiguration af Fabric-dataagent

Fabric-dataagenten tilbyder flere konfigurationsmuligheder, der gør det muligt for brugerne at tilpasse Fabric-dataagentens funktionsmåde, så de bedre matcher organisationens behov. I takt med at Fabric-dataagenten behandler og præsenterer data, giver disse konfigurationer fleksibilitet, der giver større kontrol over resultaterne.

Giv instruktioner

Du kan angive specifikke instruktioner for at vejlede AI'ens funktionsmåde. Hvis du vil tilføje dem i ruden Fabric-dataagentinstruktioner, skal du vælge Dataagent-instruktioner som vist på følgende skærmbillede:

Skærmbillede, der viser valg af knappen Dataagent-instruktioner.

Her kan du skrive op til 15.000 tegn i almindelig engelsksproget tekst for at instruere AI'en i, hvordan forespørgsler håndteres.

Du kan f.eks. angive den nøjagtige datakilde, der skal bruges til visse typer spørgsmål. Eksempler på valg af datakilder kan omfatte, at kunstig intelligens skal bruges

  • Semantiske Power BI-modeller til økonomiske forespørgsler
  • et lakehouse til salgsdata
  • en KQL-database til driftsmæssige målepunkter

Disse instruktioner sikrer, at AI'en genererer relevante forespørgsler, uanset om det er SQL, DAX eller KQL, baseret på din vejledning og konteksten af spørgsmålene.

Hvis din AI-ressource konsekvent fejlfortolker visse ord, akronymer eller ord, kan du forsøge at angive klare definitioner i dette afsnit for at sikre, at AI'en forstår og behandler dem korrekt. Dette bliver især nyttigt i forbindelse med domænespecifik terminologi eller unik forretningsjargon.

Ved at skræddersy disse instruktioner og definere begreber forbedrer du AI'ens evne til at levere præcis og relevant indsigt i fuld overensstemmelse med din datastrategi og dine forretningsmæssige krav.

Angiv eksempelforespørgsler

Du kan forbedre svarnøjagtigheden ved at angive eksempelforespørgsler, der er skræddersyet til hver understøttet datakilde (lakehouse, lagersted, KQL-database). Denne tilgang, der er kendt som few-shot learning i generativ AI, hjælper med at guide Fabric-dataagenten til at generere svar, der passer bedre til dine forventninger.

Når du angiver AI med eksempelforespørgsels-/spørgsmålspar, henviser den til disse eksempler, når den besvarer fremtidige spørgsmål. Hvis du matcher nye forespørgsler med de mest relevante eksempler, hjælper AI med at inkorporere forretningsspecifik logik og reagere effektivt på ofte stillede spørgsmål. Denne funktionalitet muliggør finjustering af individuelle datakilder og sikrer generering af mere nøjagtige SQL- eller KQL-forespørgsler.

Semantiske power BI-modeldata understøtter ikke tilføjelse af eksempelforespørgsels-/spørgsmålspar på nuværende tidspunkt. For understøttede datakilder, f.eks. lakehouse-, lager- og KQL-databaser, kan yderligere eksempler dog forbedre AI'ens mulighed for at generere præcise forespørgsler, når standardydeevnen skal justeres.

Tip

Et alsidigt sæt eksempelforespørgsler forbedrer en Fabric-dataagents mulighed for at generere nøjagtige og relevante SQL/KQL-forespørgsler.

Hvis du vil tilføje eller redigere eksempelforespørgsler, skal du vælge knappen Eksempelforespørgsler for at åbne ruden med eksempelforespørgsler, som vist på følgende skærmbillede:

Skærmbillede, der viser, hvor du kan redigere de eksempler, du angiver til AI.

Dette panel giver mulighed for at tilføje eller redigere eksempelforespørgsler for alle understøttede datakilder undtagen Power BI semantiske modeller og ontologier. For hver datakilde kan du vælge Tilføj eller rediger eksempelforespørgsler for at angive de relevante eksempler, som vist på følgende skærmbillede:

Skærmbillede, der viser de SQL-eksempler, du angiver til AI'en.

Note

Fabric-dataagenten refererer kun til forespørgsler, der indeholder gyldig SQL/KQL-syntaks, og som svarer til skemaet for de valgte tabeller. Fabric-dataagenten bruger ikke forespørgsler, der ikke har fuldført valideringen. Sørg for, at alle eksempelforespørgsler er gyldige og justeret korrekt i forhold til skemaet for at sikre, at Fabric-dataagenten bruger dem effektivt.

Publicer og del en Fabric-dataagent

Når du har testet ydeevnen af din Fabric-dataagent på tværs af forskellige spørgsmål, og du har bekræftet, at den genererer nøjagtige SQL-, DAX- eller KQL-forespørgsler, kan du dele den med dine kolleger. På det tidspunkt skal du vælge Publicer, som vist på følgende skærmbillede:

Skærmbillede, der viser publicering af en Fabric-dataagent.

Dette trin åbner et vindue, hvor der bliver bedt om en beskrivelse af Fabric-dataagenten. Her kan du angive en detaljeret beskrivelse af, hvad Fabric-dataagenten gør. Disse oplysninger guider dine kolleger om Fabric-dataagentens funktionalitet og hjælper andre AI-systemer/orkestreringsmedarbejdere med effektivt at aktivere Fabric-dataagenten.

Når du har publiceret Fabric-dataagenten, har du to versioner af den. Én version er den aktuelle kladdeversion, som du kan fortsætte med at tilpasse og forbedre. Den anden version er den publicerede version, som du kan dele med dine kolleger, som vil forespørge Fabric-dataagenten for at få svar på deres spørgsmål. Du kan inkorporere feedback fra dine kolleger i din aktuelle kladdeversion, når du udvikler den, for yderligere at forbedre Fabric-dataagentens ydeevne.

Relateret indhold

  • Last updated on