Operations agents bedste praksis og begrænsninger

Denne artikel gennemgår bedste praksis og begrænsninger ved brug af operationsagenter i Real-Time Intelligence.

Bedste praksis

Som med ethvert AI-baseret produkt forbedrer det at give klare instruktioner og letforståelige data resultaterne. Overvej følgende bedste praksis for at få de bedste regler og spillebog:

• Eventhouse-konfiguration:
  • Sørg for, at dit eventhouse indeholder flade tabeller med beskrivende kolonnenavne.
  • Brug ikke indlejrede kolonner (for eksempel JSON).
  • Brug beskrivelsesfeltet til kolonner i dine tabeller for at hjælpe agenten med bedre at forstå dataene.
• Definering af regler:
  • Specificér tydeligt de regler og betingelser, agenten bør vurdere, inklusive kriterierne for at anbefale handlinger. For eksempel, i stedet for at sige, "Tag en handling, når cykeltilgængeligheden er lav", angiv en specifik tærskel som for eksempel "Tag en handling, når cykeltilgængeligheden er 3 eller færre."
  • Definer tydeligt de forretningsobjekter eller enheder, agenten skal forstå. Angiv, hvilke kolonner i dine data der entydigt identificerer disse objekter (f.eks. sensor-ID, stedsnavn, personalenummer). Angivelse af den relevante tabel sikrer, at agenten henter de korrekte data.
  • Når agenten henviser til felter og egenskaber, bør den overvåge, indgegne feltnavnene i anførselstegn ("") for at forbedre identifikationen. Dette er især vigtigt for kolonnenavne, der indeholder særlige tegn såsom understregninger eller bindestreger.
  • Brug punktopstillinger eller separate linjer til at beskrive hver regel individuelt, så agenten får klarhed ved konfiguration af reglerne.
  • Regler kan overvåge numeriske værdier, der ændrer sig over tid. Sørg for, at de betingelser, du definerer, kan kvantificeres.
  • Vær opmærksom på rækkefølgen, hvori du beskriver regler og handlinger. LLM'er kan fortolke information forskelligt afhængigt af dens placering i prompten.

Begrænsninger

1. Operationsagenter er afhængige af en stor sprogmodel (LLM) til at skabe playbooken og reglerne, agenten følger, samt til at ræsonnere og generere beskeder til handlinger og anbefalinger. Da AI-tjenester baseret på LLM er probabilistiske og kan være fejlbarlige, er det vigtigt nøje at gennemgå de resultater og anbefalinger, de giver. For mere information, se informationssiden om Fabric Copilot.

   For at spore, hvilke forespørgsler og data agenten tilganger, kan du kigge i Eventhouse- og KQL-databasen, den overvåger. I fanen Query Insights ser du de forespørgsler, den kører, og kan validere den KQL, den bruger.

   

2. Selvom systemets sikkerhedsforanstaltninger er på plads, kan tung brug resultere i throttling, hvilket begrænser antallet af beskeder, agenten kan sende. I sådanne tilfælde kan du modtage forenklede, ikke-LLM-genererede beskeder gennem Teams.

3. I øjeblikket understøtter agenten og LLM'en kun engelske instruktioner og mål.

4. Agenten opererer ved at bruge den delegerede identitet og tilladelser fra sin skaber. Det betyder:

   • Forespørgsler, dataadgang og handlinger kører baseret på skaberens legitimationsoplysninger.
   • Som standard modtager skaberen anbefalingsbeskeder. At ændre modtageren ændrer ikke de legitimationsoplysninger, der bruges til forespørgsler og handlinger.

5. Agenten kører dataforespørgsler hvert femte minut, når den er aktiv.

6. Når agenten opdager data, der matcher dens regler, sporer den de anbefalede handlinger og brugerens svar som en "operation." Hvis brugeren ikke svarer (godkender eller afviser) inden for tre dage, bliver operationen automatisk annulleret. Efter denne periode kan du ikke interagere med eller godkende handlingen.

7. Operationsagent er tilgængelig i Fabric-regioner undtagen det sydlige centrale og østlige USA.

8. Hvis din Fabric-lejer og kapacitet er i forskellige regioner, kan du støde på fejl, når du konfigurerer Power Automate-handlinger. Indtil en løsning er tilgængelig, skal du sikre, at din arbejdsområdekapacitet er i samme region som din Fabric-lejer for at bruge operationsagenten.