Brug Copilot med semantiske modeller

Denne artikel hjælper dig med at bruge Copilot-oplevelserne i Power BI til semantiske modeller.

Copilot i Microsoft Fabric er en generativ AI-assistent, der har til formål at forbedre dataanalyseoplevelsen på Fabric-platformen, herunder Power BI-arbejdsbelastningen. Du kan bruge Copilot i Power BI til at understøtte både udvikling og forbrug af semantiske modeller af både selvbetjeningsbrugere og virksomhedsbrugere. Når Copilot bruges effektivt, kan den understøtte både analytikere og forretningsbrugere for at forbedre produktiviteten og få mere værdi ud af deres semantiske modeller.

Hvis du vil bruge Copilot med semantiske modeller i Power BI, skal du dog først forberede dine data, din semantiske model og dine brugere. Hvis du ikke gør det, så producerer Copilot hovedsageligt lavkvalitets og unøjagtige output, der kan være forkerte eller endda vildledende. I følgende afsnit gennemgås, hvordan du kan bruge Copilot i Power BI til enten at udvikle eller forbruge en semantisk model med de tilgængelige Copilot-oplevelser.

Note

Du kan finde flere oplysninger i dokumentationen til Copilot i Power BI.

Copilot og dens funktioner udvikler sig over tid. Copilot-oplevelserne i følgende afsnit ændres, og nye oplevelser kan blive tilgængelige med semantiske modeller. Derfor bør du holde dig ajour med de månedlige Power BI-udgivelser og alle relevante Copilot-meddelelser.

Vigtige oplysninger

Du kan ikke aktivere eller deaktivere Copilot i bestemte arbejdsbelastninger eller for bestemte Copilot-oplevelser. Hvis Copilot i Fabric er aktiveret i din kapacitet for en bruger eller sikkerhedsgruppe, er alle arbejdsbelastninger og Copilot-oplevelser tilgængelige for disse brugere.

Udvikl en semantisk model med hjælp fra Copilot

Når du udvikler en semantisk model i Power BI, kan du bruge Copilot til at forbedre effektiviteten og bekvemmeligheden af visse opgaver. Dette omfatter typisk at udnytte Copilot til at strømline redundante eller gentagne ændringer for dig (f.eks. generere målingsbeskrivelser) eller hjælpe dig med at håndtere eller forstå udfordrende modeldesign eller DAX (f.eks. bruge Copilot i DAX-forespørgselsvisningen til at forklare DAX-begreber eller generere DAX-forespørgsler).

I følgende afsnit forklares det, hvordan en Power BI-udvikler eller -analytiker, der opretter semantiske modeller, kan udnytte de forskellige Copilot-oplevelser i Power BI.

Note

I følgende afsnit fokuseres der på de oplevelser, der understøtter udvikling af semantiske modeller i Power BI Desktop og ikke online ved hjælp af Rediger datamodeller i Power BI-tjenesten. Vejledningen og overvejelserne i følgende afsnit gælder muligvis stadig, når du redigerer datamodeller i Power BI-tjenesten, men vær opmærksom på, at der er forskelle mellem disse to oplevelser.

Generelt anbefaler vi, at du udvikler semantiske Power BI-modeller ved hjælp af Power BI Desktop eller tredjepartsværktøjer og derefter publicerer disse modeller i Power BI-tjenesten, når du er klar til at bruge dem. Du kan dog også redigere datamodeller i Power BI-tjenesten, hvis det er din præference, eller hvis du ikke kan bruge skrivebordsværktøjer til at udvikle din model.

Stil dataspørgsmål

Mens du udvikler en semantisk model, skal du ofte udforske og forespørge dataene. Normalt ville du gøre dette ved hjælp af en kombination af Power Query-editoren, rapportlærredet og DAX-forespørgsler. Du kan dog også stille dataspørgsmål om din model og dens indhold ved hjælp af chatruden Copilot. Generelt er det mere en forbrugsoplevelse at stille dataspørgsmål, hvor virksomhedsbrugere kan stille spørgsmål om dataene, når de ikke kan finde svaret i en rapport. Udviklere kan dog bruge dette til at udforske data eller validere, hvordan Copilot fungerer på deres model.

På følgende billede vises et eksempel på en bruger, der stiller et dataspørgsmål til Copilot om en semantisk model. Billedet viser følgende prompt: Hvad var overskuddet % for salgsområdet Australien i 2023?

Use cases

Du kan bruge Copilot til at stille dataspørgsmål i følgende use cases:

• Udforsk data i din model: En udvikler kan bruge oplevelsen Stil dataspørgsmål til at udforske dataene i deres model ved hjælp af Copilot. Det er dog sandsynligvis mere effektivt at udforske dataene ved at føje visualiseringer til rapportlærredet eller ved hjælp af DAX-forespørgsler. Det skyldes, at rapportvisualiseringer automatisk opdateres, når du foretager ændringer i modellen, men svar på dataspørgsmål i ruden Copilot-chat er statiske og forsvinder, når du lukker Chat-ruden Copilot. Desuden kan visualiseringer, der genereres af Copilot, indeholde visualiseringsspecifikke filtre, som du ikke selv kan oprette i Power BI Desktop. Disse filtre kan være vildledende eller besværlige at undersøge.

• Valider brug af Copilot til brug af den semantiske model: Udviklere skal bruge oplevelsen Stil dataspørgsmål til at forstå og teste, hvordan Copilot-forbrugsoplevelser fungerer på deres semantiske model. Dette er den primære brugscase til brug af Stil dataspørgsmål , når du udvikler en semantisk model. Denne use case gør det muligt for en udvikler at foretage ændringer af deres semantiske model, der måske bedre understøtter Copilot for at producere mere nyttige output.

Vigtige oplysninger

Når du designer din semantiske model, skal du sikre dig, at du diskuterer med brugerne og dokumenterer, hvordan de bruger den, herunder hvilke elementer, værktøjer og oplevelser de skal bruge. Hvis brugerne ikke bruger Copilot i Power BI, behøver en udvikler ikke at bruge oplevelsen Stil dataspørgsmål til at teste deres model. Men hvis brugerne planlægger at bruge Copilot til at forbruge semantiske modeller nu eller i fremtiden, er det vigtigt for udviklere at tage højde for dette i både modeldesign og udvikling.

Personalegoder

En udvikler kan bruge Stil dataspørgsmål til at forstå, hvordan oplevelsen bliver for virksomhedsbrugere, der bruger den semantiske model, ved hjælp af Copilot i Power BI. Denne test er vigtig, hvis virksomhedsbrugere vil bruge Copilot til at forbruge en semantisk model.

Specifikke oplysninger om oplevelsen

Oplevelsen Stil dataspørgsmål adskiller sig fra standard copiloten i Fabric-processen på følgende områder. Denne oversigt gælder for brugen af oplevelsen Stil dataspørgsmål , når du både udvikler og bruger semantiske modeller:

• Indgang: Brugerne giver en skriftlig prompt, der stiller et spørgsmål eller anmoder om specifikke oplysninger fra den semantiske model.

• Forbehandlings- og jordforbindelsesdata: Copilot henter jordforbindelsesdata fra modelskemaet. Den udfører skemareduktion for at forsøge at begrænse konteksten til det, der er vigtigst. Som kontekst bruger Copilot følgende oplysninger til at forsøge at forbedre nytten og specificiteten af Copilot-outputtet:

  • Alle rapportmetadata på den aktuelle rapportside. Hvis der er relevante rapportmetadata, besvarer Copilot i Power BI dataspørgsmål fra rapporten i stedet for modellen.
  • Samtalen med Copilot i den aktuelle session. Dette omfatter eventuelle tidligere spørgsmål og output, som omfatter datapunkter fra dataspørgsmål, som Copilot tidligere har besvaret.
  • Det semantiske modelskema, der indeholder tabeller, rækker, kolonner, målinger og andre objekter (f.eks. relationer, beregningsgrupper osv.).
  • Det komplette sproglige skema for modellen.
  • Visse semantiske modelegenskaber, herunder beskrivelser, datatyper, formatstrenge og datakategori.

  Følgende oplysninger er udeladt:

  • Alle rapportsider, der er skjult.
  • Et hvilket som helst felt (måling eller kolonne) i den model, der er skjult.
  • Alle tabeller i modellen, der er markeret som private.

• Udgang: Det output, som Copilot leverer, indeholder flere dele:

  • Visuel: Copilot besvarer dataspørgsmålet ved at gengive en Power BI-visualisering, f.eks. et kort, et kurvediagram eller en tabel. Copilot vælger visualiseringen og dens formatering, som brugeren ikke kan styre eller anmode om i sin prompt. Visualiseringen kan få timeout, hvis den underliggende model, DAX eller data ikke er optimeret eller er for kompleks.
  • Resumé: Copilot opsummerer forespørgselsresultatet. Denne oversigt genereres ved at sende et semantisk forespørgselsresultat tilbage til Azure OpenAI (som omfatter datapunkter) og anmode om en forklaring på et naturligt sprog.
  • Fejl eller anmodning om præcisering: Hvis Copilot ikke kan oprette et svar, returneres der muligvis en generisk fejlmeddelelse. Denne fejlmeddelelse kan omfatte en anmodning om præcisering, herunder foreslåede varianter af brugerens oprindelige dataspørgsmål.

Forsigtigt

Når Copilot bruges i Power BI med semantiske modeller i Power BI Desktop, bruger Copilot muligvis rapportmetadata som jordforbindelsesdata. I visse tilfælde kan rapportmetadata indeholde datapunkter, f.eks. kolonneværdier, som kan omfatte følsomme oplysninger. Dette gælder både for det ældre rapportmetadataformat og det nye PBIR-format (Power BI Enhanced Report).

Tip til forbedring af Copilot-output

Copilot kan producere unøjagtige output eller output af lav kvalitet, herunder forkerte svar på dataspørgsmål. Ofte opstår der forkerte svar på enten brugerfejl eller modelproblemer. Hvis du vil reducere sandsynligheden for forkerte eller uventede Copilot-output, kan du adressere brugerprompter og design af datamodeller.

Vigtige oplysninger

Unøjagtige svar på dataspørgsmål kan føre til forkerte beslutninger og handlinger fra virksomhedsbrugere, hvilket giver forkerte resultater. For at undgå denne negative indvirkning er det vigtigt, at du afhjælper sandsynligheden for unøjagtige svar fra Copilot så meget som muligt.

En bruger kan kun give forkerte resultater ved at skrive en dårlig prompt. Eksempler på dårlige prompts omfatter:

• Vage eller ufuldstændige prompts: Hvis du ikke beskriver det ønskede output unøjagtigt eller ufuldstændigt, eller hvis du bruger tvetydigt sprog i din prompt, er der mindre sandsynlighed for, at Copilot giver et nyttigt resultat. Når du skriver prompter, skal du forsøge at være så specifik og beskrivende som muligt, når du angiver det ønskede resultat.

• Forkerte prompter: Hvis du foretager stavefejl, når du refererer til en måling, en kolonne eller et tabelnavn, refererer Copilot muligvis ikke til det korrekte felt. Når du skriver prompter, skal du sikre dig, at de felter, du nævner i prompten, henviser korrekt til felterne i det semantiske modelskema. Dette omfatter undgå forkortelser, akronymer eller overdreven tegnsætning. Bemærk, at du også kan bruge synonymer til at referere til felter, men det er ikke muligt at validere, hvilke synonymer der er tilgængelige for et bestemt felt (f.eks. hvordan du kan se beskrivelser, når du peger på en måling eller kolonne i ruden Data).

• Overdrevne eller upassende jordforbindelsesdata: Hvis du sender en prompt via ruden Copilot-chat, bruger Copilot chathistorikken fra den pågældende session som jordforbindelsesdata under forbehandling. Afhængigt af hvad chathistorikken indebærer, kan du få forskellige eller uventede resultater. Når du skriver prompter, skal du tage højde for, at eventuelle tidligere prompter og output bruges som jordforbindelsesdata. For at undgå dette kan du vælge knappen Copilot for at lukke og genåbne ruden Copilot-chat og rydde chatoversigten, før du sender en ny prompt.

På følgende billede vises et eksempel på et forkert output fra Copilot på grund af en dårlig brugerprompt:

Billedet viser følgende prompt: Hvad var overskuddet % for salgsområdet Australien i 2023? I outputtet returnerer Copilot avanceværdien i stedet for avancen som en procentdel. I dette tilfælde kan brugeren opnå et bedre resultat fra Copilot ved at angive mere tydeligt, at vedkommende ønsker avancen i procent (i stedet for at bruge procentsymbolet).

Bortset fra brugerprompter kan oplevelsen Stil dataspørgsmål også give forkerte eller uventede resultater på grund af kvaliteten eller organiseringen af den underliggende semantiske model. Eksempler på, hvornår din semantiske model giver dårlige resultater, omfatter:

• Dårlig modeldesign eller implementering: Hvis din semantiske model ikke følger almindelige bedste fremgangsmåder (f.eks. et stjerneskemadesign), vil du sandsynligvis få dårlige resultater med et forbrugsværktøj eller en hvilken som helst oplevelse. Du bør altid stræbe efter semantiske kvalitetsmodeller for at få mest ud af Power BI og Fabric. Se også Vejledning til datamodellering for Power BI for at få flere tip og vejledning til at forbedre dine semantiske Power BI-modeller.

• Dårlige navngivningskonventioner: Hvis dine felter har inkonsistente eller overdrevne navngivningskonventioner (f.eks. akronymer, forkortelser og tegnsætning), er det mere sandsynligt, at brugerne begår fejl i deres prompter, og Copilot bliver forvirrede, når de henviser til disse felter. Copilot fungerer bedst, når tabeller, kolonner og målinger har navne på engelsk, der kan læses af mennesker.

• Dårlig modelorganisation: Hvis du ikke organiserer din model, vil du sandsynligvis opleve flere problemer med Copilot. Modelorganisation er et stort emne, der omfatter mange opgaver, herunder feltbeskrivelser, skjulning af kolonner og målinger og undgå felter med de samme navne på tværs af forskellige tabeller.

• Sproglig udformning: Hvis din semantiske model ikke har konfigureret sproglig modellering, herunder synonymer for felter eller verber for relationer, kan Copilot være mere tilbøjelig til at returnere uventede resultater. Power BI er afhængig af den samme sproglige modellering som Q&A-funktionen. Konfiguration af en sproglig model til din semantiske model koster ekstra tid og kræfter oven på dine semantiske modeludviklingsopgaver. Du kan dog forskyde dette lidt ved at bruge Copilot til at generere synonymer, som forklaret senere i denne artikel.

• Modelkompleksitet: Jo mere kompleks din model er, herunder at have flere felter, afhængigheder og forretningslogik, jo mere sandsynligt er det, at du oplever problemer, når du bruger Copilot. Komplekse mønstre som valutakonvertering eller frakoblede tabeller (f.eks . feltparametre) kan f.eks. medføre uventede eller forkerte resultater, når brugerne refererer til disse felter eller tabeller i deres prompter. Med mere komplekse modeller skal du muligvis overveje specifikke beslutninger om modeldesign for at opnå de bedste resultater med Copilot. Generelt skal du teste din model med Copilot for at afgøre, om du får konsekvent korrekte og pålidelige resultater. Hvis ikke, kan du overveje at rådgive brugerne om ikke at bruge Copilot til at forbruge din semantiske model.

Note

Du kan få flere oplysninger under Forbered en semantisk model til copilotforbrug senere i denne artikel. Se også den separate artikel Opdater din datamodel, så den fungerer godt sammen med Copilot til Power BI for at få flere overvejelser.

På følgende billede vises et eksempel på et forkert output fra Copilot på grund af problemer med den semantiske model:

Billedet viser følgende prompt: Hvor mange enheder blev solgt i Australien i 2023? I svaret returnerer Copilot antallet af enheder, hvor kolonnen Country i tabellen Customer filtreres til "Australia" i stedet for at filtrere kolonnen Country i tabellen Sales region . I dette tilfælde kan brugeren have forbedret prompten for at angive land for salgsområde. Den semantiske modeludvikler kan dog også skjule eller omdøbe kolonnen Country i tabellen Customer , hvis den ikke er beregnet til at blive brugt af Copilot. Alternativt kan de deaktivere feltet fra felt synonymerne for den sproglige model ved hjælp af Q&A-konfigurationen.

Vi diskuterer vigtigheden af det sproglige skema og Q&A-opsætningen i afsnittet Sprogligt skema.

Drikkepenge

Du kan identificere, hvilke felter og filtre Copilot bruger til at generere en visualisering eller besvare et dataspørgsmål ved at klikke på knappen Føj til side . Dette føjer visualiseringen til rapportlærredet, hvor du kan vælge visualiseringen og få vist eventuelle filtre, som Copilot anvender, eller de felter, som Copilot bruger.

Uanset prompt- eller modelkvalitet kan du stadig få unøjagtige output eller output af lav kvalitet fra Copilot, når du bruger oplevelsen Stil dataspørgsmål . Det skyldes, at den underliggende model – med dens aktuelle konfiguration – er nondeterministisk og ikke garanteres at give et korrekt svar eller det samme svar med den samme prompt, model og data.

Følgende billede viser et eksempel på, at Copilot producerer unøjagtige eller upassende resultater:

I dette eksempel viser billedet prompterne: Spørgsmål: Hvilket land producerede den højeste fortjeneste i 2024? og Spørgsmål: Hvilket land producerede den højeste fortjeneste i 2023? Outputtet viser, at Copilot først beder om afklaring, efter at der står, at der ikke er nogen data for 2024 i modellen. Der er dog data i modellen i 2024, når der filtreres efter det pågældende år ved hjælp af datotabellen. Copilot returnerer derefter et resultat, der filtrerer kolonnen Birthday fra tabellen Customer i stedet for den markerede datotabel i modellen. Selvom brugeren kan oprette en mere specifik prompt, eller udvikleren kan skjule feltet Fødselsdag , bør Copilot i dette tilfælde give det forventede resultat.

For at afhjælpe dette er det vigtigt at oplære brugerne til kritisk at vurdere de output, de får fra Copilot i Fabric og Power BI, og hvad de skal gøre for at foretage fejlfinding af uventede resultater eller for at prøve en ny prompt ved at lukke og genåbne Copilot-chatruden eller -vinduet.

DAX-forespørgselsvisning

Når du udvikler en semantisk model, kan du bruge Copilot til at generere DAX-forespørgsler i DAX-forespørgselsvisningen. I disse forespørgsler kan du også definere DAX-målinger, som du derefter kan føje til din semantiske model. Du kan også bruge Copilot til at forklare DAX-begreber enten i genererede forespørgsler eller forespørgsler, som du selv har oprettet.

På følgende billede vises et eksempel på en bruger, der beder Copilot om at generere en DAX-forespørgsel.

Billedet viser følgende prompt: ÅTD-overskud pr. måned i 2023. Brugeren kan derefter bede Copilot om at forklare forespørgslen, som vist på følgende billede.

Billedet viser følgende prompt: Forklar denne DAX-forespørgsel. Forklaringen vises nederst i vinduet Copilot.

Use cases

Du kan bruge Copilot i DAX-forespørgselsvisningen til følgende use cases:

• Generér DAX-forespørgsler: Du kan bruge Copilot til at foreslå DAX-forespørgsler, som du kan bruge til at:

  • Udforsk eller analysér din model eller dine data.
  • Test og valider din model eller dine data.
  • Prøv nye metoder eller mønstre til beregninger i DAX.

• Refactor eksisterende DAX-forespørgsler: Du kan bruge Copilot til mere bekvemt eller effektivt at ændre forespørgsler, som du selv har kopieret eller skrevet, f.eks.:

  • Tilføjelse af kommentarer for at forklare og dokumentere en DAX-forespørgsel eller -måling.
  • Gør det nemmere at læse og forstå forespørgslen, f.eks. en forespørgsel, der er kopieret fra en Power BI-rapportvisualisering, som du undersøger.
  • Gør store eller tilbagevendende erstatninger i koden.
  • Beder Copilot om at fjerne eller erstatte variabler.

• Generér DAX-målinger: Du kan bruge Copilot til at foreslå DAX-målinger, der er defineret opstrøms for en genereret forespørgsel. Disse målinger kan begrænses til den DAX-forespørgsel, du genererer eller føjer til din semantiske model.

• Forklar DAX-begreber: Du kan bruge Copilot til at forklare og bedre forstå forskellige begreber i DAX, f.eks.:

  • DAX-forespørgsel eller en defineret måling i forespørgslen.
  • DAX-funktioner, f.eks . CALCULATE eller KEEPFILTERS.

Personalegoder

Den største fordel ved at bruge Copilot i DAX-forespørgselsvisningen er, at du får support, når du skriver DAX-forespørgsler. Det betyder, at mindre erfarne udviklere og analytikere kan bruge Copilot til at lære DAX-begreber eller generere DAX, der skal bruges i deres model. Det kan også spare mellemliggende og erfarne udviklere tid, når de har brug for at udvikle DAX, men de kan ikke huske en bestemt funktion eller et bestemt mønster, eller når de vil omstrukturere eller forenkle en eksisterende forespørgsel.

Der er andre generative AI-værktøjer, som du kan bruge til DAX-kode, men Copilot i Power BI har følgende specifikke fordele:

• Copilot i Power BI er udviklet i samarbejde med forfatterne af DAX-sproget.
• Copilot bruger ikke nogen finjustering af modellen, men den indeholder metaprompts med specifikke DAX-eksempler fra Microsoft.
• Du behøver ikke at kopiere eller indsætte kode- eller modeloplysninger, da Copilot er integreret i Power BI Desktop.
• Under efterbehandling bruger Copilot en DAX-parser til at sikre, at forespørgslen er gyldig, hvilket reducerer sandsynligheden for at modtage hallucinationer i dine forespørgsler.

Advarsel!

Uerfarne Power BI-udviklere eller -analytikere bør sikre, at de validerer og forstår enhver DAX, de genererer, før de bruger den. Dette er især vigtigt, når du bruger Copilot i DAX-forespørgselsvisningen til at foreslå målinger, som du føjer til din model. Det skyldes, at Copilot ikke ved, hvor du skal bruge målingen, og selvom den foreslåede kode muligvis fungerer i den indledende DAX-forespørgsel, kan det i en anden filterkontekst i din rapport give uventede eller forkerte resultater.

For at validere og forstå DAX kan disse uerfarne udviklere bruge Copilot til at føje kommentarer til koden, forklare begreber og også undersøge mønstre eller funktioner ved hjælp af bekræftede onlinekilder, f.eks . Microsoft-dokumentation.

Specifikke oplysninger om oplevelsen

Copilot-oplevelserne i DAX-forespørgselsvisningen har trin under forbehandling og efterbehandling, der adskiller sig fra de andre Copilot-oplevelser i Fabric.

Copilot i DAX-forespørgselsvisningen har følgende specifikke oplysninger, du skal være opmærksom på:

• Indgang: Brugerne angiver en skriftlig prompt i et inputfelt, der er specifikt for et enkelt DAX-forespørgselsvindue. De kan anmode om en forespørgsel, anmode om ændringer af en eksisterende forespørgsel, som Copilot allerede har genereret, eller forklare et DAX-koncept. I inputfeltet kan brugerne også vælge knapper for at generere forespørgsler. Knappen Prøv igen genererer forespørgslen igen, samtidig med at den aktuelle kontekst forsømmes, så du kan prøve at få en anden tilgang.

• Forbehandlings- og jordforbindelsesdata: Copilot henter jordforbindelsesdata fra modelskemaet og alt i forespørgselsvinduet. Copilot bruger følgende oplysninger som kontekst for at forsøge at forbedre nytten og specificiteten af Copilot-outputtet:

  • Tekst, der er i det aktuelle DAX-forespørgselsvindue, herunder DAX-kode, du har skrevet, kommentarer eller tidligere DAX-forespørgsler, som du har oprettet.
  • Samtaleoversigten med Copilot fra den aktuelt aktive session. Dette omfatter alle tidligere spørgsmål og output, men ikke datapunkter.
  • Det semantiske modelskema, der indeholder tabeller, rækker, kolonner, målinger og andre objekter (f.eks. relationer, beregningsgrupper osv.). Dette omfatter alle objekter, uanset om de er skjulte eller ej (undtagen når du har en direkte forbindelse til en delt semantisk model).
  • Synonymer fra modellens sproglige skema.
  • Visse semantiske modelegenskaber, herunder DAX-udtryk, beskrivelser (afkortet efter de første 200 tegn), datatyper, formatstrenge (og formatstrengudtryk) og datakategori.
  • Nogle statistiske sammenlægninger, f.eks. minimum- og maksimumværdier for kolonner fra din model, som kan bruges i en forespørgsel. Dette er datapunkter, der sendes til Copilot som kontekst.
  • Copilot sender muligvis også forespørgselsresultatet tilbage til Azure OpenAI for at kunne forklare den genererede forespørgsel eller dens resultater.

  Følgende oplysninger er udeladt:

  • Samtaleoversigten med Copilot i den aktuelle session, når du vælger knappen Prøv igen.
  • Alle tabeller i modellen, der er markeret som private.
  • Kommentarer i DAX-udtryk.

• Udgang: Det output, som Copilot leverer, indeholder enten DAX-kode og DAX-kommentarer i DAX-forespørgselsvinduet eller forklaringer af DAX i inputfeltet Copilot. En bruger skal typisk vælge at køre og beholde forespørgslen selv.

Tip til forbedring af Copilot-output

Hvis du vil forbedre kvaliteten af DAX-forespørgsler, der genereres af Copilot, skal du bruge de samme tip, som når du bruger oplevelsen Stil dataspørgsmål i Copilot. Du skal især sikre, at dine prompter er tydelige, nøjagtige og beskrivende, og at din semantiske model er veldesignet, organiseret og ikke indeholder for meget kompleksitet eller undtagelser.

Note

Du kan få flere oplysninger under Forbered en semantisk model til copilotforbrug senere i denne artikel. Se også den separate artikel Opdater din datamodel, så den fungerer godt sammen med Copilot til Power BI for at få flere overvejelser.

Følgende tip er specifikke for DAX-forespørgselsoplevelsen:

• Forskelle mellem lokale modeller og modeller med direkte forbindelse: Copilot fungerer forskelligt, afhængigt af om du forespørger om en lokal model, der er åben i Power BI Desktop, eller en delt semantisk model i Power BI-tjenesten. Når du f.eks. har en direkte forbindelse til en delt semantisk model og bruger DAX-forespørgselsvisningsoplevelsen:

  • Copilot kan ikke se DAX-udtryk for målinger eller skjulte eller private objekter.
  • Copilot skal køre DAX-forespørgslen, før den returneres for at sikre, at forespørgslen er gyldig.

• Brug knappen Prøv igen: Knappen Prøv igen tømmer Copilot-cachen og sikrer, at du får et nyt resultat med de samme prompt- og jordforbindelsesdata. Dette er nyttigt, når du arbejder iterativt mod en løsning, der opfylder dine specifikke krav.

• Bed Copilot om at føje kommentarer til din kode: Kommentarer er en nyttig metode til at organisere og dokumentere dine DAX-forespørgsler og til at hjælpe dig med at forstå den kode, som Copilot genererer. Du kan også bede Copilot om at forklare DAX-konceptet.

• Kontrollér kvalitet, peer-reviewed kilder: Hvis du stadig ikke forstår den genererede kode med kommentarer og forklaringer fra Copilot, skal du undersøge funktionerne og mønstrene online fra velrenommerede kilder enten i Microsoft-dokumentationen eller fra Power BI-community'et.

• Pas på copilotens variable brug: Copilot kan kæmpe for at bruge variabler korrekt i DAX-forespørgsler og definerede målinger. Copilot kan f.eks. forsøge at filtrere eller gruppere en variabel, der allerede er erklæret, hvilket ikke er muligt og giver et uventet resultat.

• Brug præcise beskrivelser til at skelne mellem felter med samme navn: Beskrivelser hjælper, når der findes lignende felter i den samme model, f.eks . Navn i tabellen Kunde og Navn i tabellen Store .

• Pas på brug af beregningsgruppe efter Copilot: Copilot kan kæmpe for at bruge beregningsgrupper i dine foreslåede forespørgsler. Hvis du vil forbedre Copilots brug af beregningsgrupper, skal du medtage navnene på beregningselementet i beskrivelsen af beregningsgruppen.

• Pas på nyere funktioner og DAX-syntaks: Copilot og andre generative AI-værktøjer er begrænset i deres træningsdatamængde og -omfang. Derfor er det mere sandsynligt, at de begår fejl med nyere DAX-funktioner eller -syntaks. I disse scenarier kan det være en god idé at prøve selv at oprette forespørgslen og derefter ændre den ved hjælp af Copilot.

• Når du genererer målinger, skal du altid bede om en forespørgsel: Copilot-oplevelsen i DAX-forespørgselsvisningen er designet til at generere DAX-forespørgsler. Du får de bedste resultater, når du instruerer Copilot i at udføre denne opgave i stedet for at bede den om at generere en måling eller et andet DAX-udtryk.

Sprogligt skema

Du kan bruge Copilot til at foreslå synonymer for felter og sproglige relationer for din model. Du opretter synonymer eller relationer, når du opretter det sproglige skema for din semantiske model. Denne sproglige udformning er vigtig for at sikre, at både Q&A og Copilot kan returnere nyttige resultater, når brugerne stiller spørgsmål til en semantisk model. De bruges til at fortolke brugerprompter og identificere de rette felter, f.eks. synonymet Omsætning , der bruges til at identificere en måling med navnet Salgsbeløb.

Hvis du vil føje synonymer og relationer til din semantiske model, skal du aktivere power BI Desktop-indstillingen Slå Q&A til for at stille spørgsmål om dine data på naturligt sprog i indstillingerne for dataindlæsning i den aktuelle fil. Derefter kan du åbne vinduet Q&A-konfiguration via Q&A Setup på båndet Modellering i Power BI Desktop.

På følgende billede vises vinduet Q&A-konfiguration i Power BI Desktop, hvor du kan tilføje synonymer og relationer til brug for både Q&A og Copilot i Power BI.

Herfra kan du tilføje synonymer eller relationer manuelt eller tilføje foreslåede synonymer fra din organisation, en synonymordbog eller ved hjælp af Copilot-forslag. Copilot kan foreslå både synonymer og nye relationstyper, der skal føjes til din semantiske model. Copilot kan også fortolke ukendte begreber. I forbindelse med synonymer kan du justere dette i menuen Indstillinger for forslag , som vist på følgende billede.

Du kan få flere oplysninger om brug af Q&A-konfigurationsmenuen under Introduktion til Q&A-værktøjer til at oplære Power BI Q&A.

I stedet for at bruge vinduet Q&A-konfiguration kan du også tilføje synonymer og relationer ved hjælp af YAML-filer med sprogligt skema. Du kan få flere oplysninger i blogindlægget Redigering af sproglige Q&A-skemaer.

Vi anbefaler, at du bruger Copilot til at generere synonymer som det første trin, når du udfører sproglig modellering for din semantiske model. Derefter kan du organisere de foreslåede synonymer, fjerne dem, der ikke giver mening, og tilføje yderligere synonymer, hvor det er nødvendigt. Sørg for, at du deler nyttige synonymer med din organisation for at genbruge dem.

Hvis du vil udelade en tabel, kolonne eller måling fra brug af Q&A eller Copilot, kan du også deaktivere Medtag i Q&A i vinduet Synonymer i Q&A-konfigurationen. Dette anbefales, når du har tekniske eller redundante felter, som du ikke vil referere til ved hjælp af de forskellige Copilot-oplevelser.

Note

Hvis du ikke har planer om at bruge Copilot eller Q&A til din semantiske model, behøver du ikke at konfigurere et sprogligt skema. Sproglig modellering gavner kun disse specifikke funktioner.

Personalegoder

Brug af Copilot til at foreslå synonymer kan spare udviklere tid og hjælpe med at komme med nye synonymer, som de ellers ikke ville overveje. Dette kan gøre sproglig modellering mere effektiv, hvis du har brug for at bruge den.

Tip til forbedring af Copilot-output

Denne Copilot-oplevelse bruger følgende jordforbindelsesdata til kontekst:

• Det semantiske modelskema, som indeholder skjulte tabeller, rækker, kolonner, målinger og andre objekter (f.eks. relationer, beregningsgrupper osv.).
• Det komplette sproglige skema for modellen.
• Visse semantiske modelegenskaber, herunder beskrivelser, datatyper, formatstrenge og datakategori.

På grund af disse jordforbindelsesdata kan du sikre, at foreslåede synonymer er nyttige ved at:

• Brug af ensartede og nøjagtige navngivningskonventioner.
• Undgå brugen af tegnsætning, akronymer og forkortelser, hvor det er muligt.
• Navngivning af tabeller, kolonner og målinger på engelsk.

Målingsbeskrivelser

Du kan bruge Copilot til at generere beskrivelser af modelmålinger. Beskrivelser af målinger er vigtige for både modelforbrugere og andre udviklere for at forstå formålet med en måling, og hvordan de skal bruge den. Beskrivelser af målinger kan også forbedre nytten af Copilot-output for andre Copilot-oplevelser, f.eks. når du bruger Copilot til at generere DAX-forespørgsler i DAX-forespørgselsvisningen for en semantisk Power BI-model.

Vi anbefaler, at du bruger Copilot til at generere målingsbeskrivelser for dine modelmålinger. Derefter kan du gennemse resultaterne og revidere dem for at sikre, at de er nøjagtige, præcise og nyttige.

Personalegoder

Oprettelse af målingsbeskrivelser er normalt en vanskelig opgave, der ofte overses. Oprettelse af målingsbeskrivelser reducerer den tid, du skal bruge på at organisere og dokumentere din semantiske model. I modsætning til et sprogligt skema kan alle semantiske modeller drage fordel af at føje beskrivelser til tabeller, kolonner og målinger. Dette hjælper med at forbedre modeldokumentationen og anvendeligheden for andre i din organisation.

Drikkepenge

Hvis du har brug for beskrivelser af målinger på et andet sprog, kan du først oprette dem på engelsk. Derefter kan du automatisk oversætte din publicerede model ved hjælp af andre værktøjer, f.eks . semantiske linklaboratorier i notesbøger.

Tip til forbedring af Copilot-output

Denne Copilot-oplevelse bruger følgende jordforbindelsesdata til kontekst:

• DAX-udtryk for målinger og beregnede objekter.
• Feltegenskaber, herunder beskrivelser, datatyper, formatstrenge og datakategori.
• Felt synonymer.

På grund af disse jordforbindelsesdata kan du sikre, at foreslåede synonymer er nyttige ved at:

• Brug af ensartede navngivningskonventioner.
• Begrænsning af brugen af tegnsætning, akronymer og forkortelser.
• Navngivningsmålinger på engelsk.

Forbrug en semantisk model ved hjælp af Copilot

Du kan bruge Copilot til at stille dataspørgsmål til dine semantiske modeller under forbrug. Denne oplevelse er tilgængelig, når du bruger en rapport, herunder i Power BI Desktop, en publiceret rapport i et arbejdsområde, en app eller et OrgApp-element eller i Power BI-mobilappen.

Forbrugere kan stille dataspørgsmål om en semantisk model i følgende scenarier:

• De kan ikke finde de oplysninger eller analyser, de har brug for, i deres rapporter.
• De vil gerne se data præsenteret på en anden måde, og tilpasse visualiseringer er ikke aktiveret.
• De vil stille et dataspørgsmål ved hjælp af et naturligt sprog i stedet for at bruge værktøjer eller kode.

Note

Se Stil dataspørgsmål tidligere i denne artikel om udvikling af en semantisk model med hjælp fra Copilot. Billederne og vejledningen der gælder også, når du bruger oplevelsen med at stille dataspørgsmål til at forbruge en semantisk model.

Du kan få flere oplysninger om, hvordan du kan bruge Copilot i rapporter, som bruger en semantisk model, i artiklen Brug Copilot med Power BI-rapporter.

Forbered en semantisk model til copilotforbrug

Du bør kun bruge Copilot til at forbruge semantiske modeller, når du har taget de nødvendige skridt til at opdatere din datamodel, så den fungerer godt sammen med Copilot til Power BI.

Drikkepenge

Overvej at bruge mærker til at mærke semantiske modeller som klar til copilotforbrug. Dette kan være en nem måde at give dataforbrugere mulighed for at identificere modeller, som de kan bruge sammen med Copilot, og forvente bedre resultater. Alternativt kan du også overveje paratheden af en semantisk model til brug sammen med Copilot som et kriterium for dens godkendelse til fremmet eller endda certificeret status.

Hvis dine modeller ikke er klar til brug sammen med Copilot i Power BI, men brugerne stadig vil have fleksibiliteten til selv at afhøre dataene, kan du overveje at bruge tilpas visualiseringer. Du kan også vise brugerne, hvordan de bruger udforskninger af dataene eller opretter forbindelse til den semantiske model fra Power BI Desktop eller Excel for at oprette deres egne rapporter.

Power BI Desktop

I Power BI Desktop kan du stille dataspørgsmål om din semantiske model ved hjælp af ruden Copilot-chat. Dette fungerer både med lokale modeller, der er åbne i Power BI Desktop, og når du har forbindelse til en delt semantisk model ved hjælp af en direkte forbindelse. Du kan få flere oplysninger under Stil dataspørgsmål tidligere i denne artikel.

Du kan også bruge DAX-forespørgselsvisningen til at forbruge en semantisk model ved at generere DAX-forespørgsler. Erfarne brugere af Power BI kan gøre dette, hvis de foretrækker at udforske data ved hjælp af kode.

For de fleste dataforbrugere er det dog generelt mere praktisk og mere effektivt at bruge og udforske en semantisk model ved at føje visualiseringer til rapportlærredet eller bruge andre elementer, f.eks . udforskninger eller analysér i Excel-pivottabeller. Disse elementer har typisk en enklere brugergrænseflade og brugeroplevelse, der er bedre egnet til at udforske og forstå data end chatlignende oplevelser på naturligt sprog, f.eks. Copilot.

Drikkepenge

Du kan bruge Copilot-oplevelser i Power BI, når du har forbindelse til semantiske modeller, der er publiceret i Pro- eller Premium pr. bruger-arbejdsområder. Det eneste krav er, at du konfigurerer Power BI Desktop til at forbruge Copilot fra et F64-arbejdsområde. Dette sker uafhængigt af, hvilken semantisk model du opretter forbindelse til og forbruger.

Publiceret rapport

I en publiceret rapport kan du også stille dataspørgsmål om den forbundne semantiske model ved hjælp af ruden Copilot-chat. Denne oplevelse i Fabric er identisk med oplevelsen Stil dataspørgsmål i Power BI Desktop til både modeludvikling og forbrug.

Note

Der kan være små forskelle mellem Copilot-oplevelser i Fabric og Power BI Desktop. Til sidst, over tid, vil disse oplevelser have paritet og arbejde på samme måde.

Power BI-mobilapp

I Power BI-mobilappen kan du også stille dataspørgsmål til en hvilken som helst rapport ved hjælp af ruden Copilot-chat i appen. Spørgsmålene sendes til den tilknyttede semantiske model for den pågældende rapport. Dette fungerer på samme måde som oplevelsen Stil dataspørgsmål , der er forklaret tidligere i denne artikel.

Relateret indhold

• Opdater din datamodel, så den fungerer godt sammen med Copilot til Power BI
• Oversigt over Copilot til Power BI
• Copilot i Power BI-integration