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 forbereder disse elementer, producerer Copilot primært lavkvalitets og unøjagtige resultater, 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 de følgende sektioner kan ændre sig, 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 du aktiverer Copilot i Fabric i din egenskab 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, brug Copilot til at forbedre effektiviteten og bekvemmeligheden af visse opgaver. Typisk indebærer denne proces, at Copilot bruges til at strømline redundante eller gentagne ændringer for dig (såsom at generere målbeskrivelser) eller hjælpe dig med at tackle eller forstå udfordrende modeldesign eller DAX (for eksempel ved at bruge Copilot i DAX-forespørgselsvisningen til at forklare DAX-koncepter 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 skal du udvikle Power BI semantiske modeller ved at bruge Power BI Desktop eller tredjepartsværktøjer, og derefter publicere disse modeller til 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 om din semantiske model

Når du udvikler en semantisk model, skal du ofte udforske og forespørge dataene. Normalt bruger du 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 denne funktion til at udforske data eller validere, hvordan Copilot præsterer 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?

Skærmbillede af Copilot-chatpanelet, hvor en bruger stiller et dataspørgsmål, besvaret af den semantiske model.

Brugseksempler

Brug Copilot til at stille dataspørgsmål til følgende anvendelsestilfælde:

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. Denne samtale inkluderer tidligere spørgsmål og output, hvilket inkluderer 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. Denne betingelse gælder både for det gamle rapportmetadataformat og det nye Power BI enhanced report (PBIR)-format.

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. For at reducere sandsynligheden for forkerte eller uventede Copilot-output, adresser brugerprompts og datamodeldesign.

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 prompts, skal du prøve at være så specifik og beskrivende som muligt, når du angiver dit ønskede resultat.
Forkerte prompts: Hvis du laver stavefejl, når du henviser til et mål, kolonne- eller tabelnavn, refererer Copilot måske ikke til det korrekte felt. Når du skriver prompts, skal du sikre dig, at de felter, du nævner i prompten, korrekt refererer til felterne i det semantiske modelskema. Denne regel inkluderer at undgå forkortelser, forkortelser eller overdreven tegnsætning. Du kan også bruge synonymer til at referere til felter, men der er ingen måde at validere, hvilke synonymer der er tilgængelige for et givent felt (som du kan se beskrivelser, når du holder musen over et mål eller en kolonne i Datapanelet).
Overdreven eller uhensigtsmæssig jordingsdata: Hvis du indsender en prompt via Copilots chatpanel, tager Copilot chathistorikken fra den session som grounding-data under forbehandlingen. Afhængigt af hvad chathistorikken indebærer, kan du få forskellige eller uventede resultater. Når du skriver prompts, skal du tage højde for, at eventuelle tidligere prompts og output bruges som jordingsdata. For at undgå dette problem skal du vælge Copilot-knappen for at lukke og genåbne Copilot-chatpanelet, og slette chathistorikken, før du indsender en ny prompt.

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

Skærmbillede, der viser ruden Copilot-chat, hvor brugeren stiller et dataspørgsmål, som Copilot besvarer med den semantiske model.

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 praksisser (såsom et stjerneskema-design), vil du sandsynligvis få dårlige resultater med ethvert forbrugsværktøj eller erfaring. Stræb altid efter kvalitets semantiske modeller for at få mest muligt 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 (såsom forkortelser, forkortelser og tegnsætning), er brugerne mere tilbøjelige til at lave fejl i deres prompts, og Copilot bliver forvirret, når de henviser til disse felter. Copilot fungerer bedst, når tabeller, kolonner og målinger har navne på engelsk, der kan læses af mennesker.
Dårlig modelorganisering: 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 modellering: Hvis din semantiske model ikke har sproglig modellering sat op, inklusive synonymer for felter eller verber for relationer, kan Copilot være mere tilbøjelig til at give 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 få flere oplysninger under Introduktion til Q&A-værktøjer til at oplære Power BI Q&A.
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:

Skærmbillede af en bruger, der stiller et dataspørgsmål, som Copilot svarer forkert på på grund af tvetydige feltnavne i 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.

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 . Denne handling tilføjer det visuelle til rapportlærredet, hvor du kan vælge det visuelle og se de filtre, Copilot bruger, eller de felter, 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 sin nuværende konfiguration – er ikke-deterministisk og ikke garanteret at give et korrekt svar, eller det samme svar med samme prompt, model og data.

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

Skærmbillede af en bruger, der stiller et dataspørgsmål, som Copilot svarer forkert på ved at filtrere den forkerte datokolonne.

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 afbøde dette problem skal du træne brugere i kritisk vurdering af alle output, de modtager fra Copilot i Fabric og Power BI, og hvad de skal gøre for at fejlfinde uventede resultater eller prøve en ny prompt ved at lukke og genåbne Copilot-chatpanelet eller vinduet.

DAX-forespørgselsvisning

Når du udvikler en semantisk model, brug 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.

Skærmbillede af en bruger, der beder Copilot om at generere en DAX-forespørgsel i DAX-forespørgselsvisningen.

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

Skærmbillede af Copilot, der forklarer en DAX-forespørgsel i DAX-forespørgselsvisningen i Power BI Desktop.

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