Verwenden von Copilot mit semantischen Modellen

Dieser Artikel hilft Ihnen bei der Verwendung der Copilot-Erfahrungen in Power BI für semantische Modelle.

Copilot in Microsoft Fabric ist ein generativer KI-Assistent, der die Datenanalyseerfahrung auf der Fabric-Plattform, einschließlich der Power BI-Workload, verbessern soll. Sie können Copilot in Power BI verwenden, um sowohl die Entwicklung als auch den Verbrauch von semantischen Modellen durch Self-Service- und Unternehmensbenutzer zu unterstützen. Wenn Copilot effektiv eingesetzt wird, kann Copilot sowohl Analysten als auch Geschäftsbenutzer unterstützen, um die Produktivität zu verbessern und mehr Wert aus ihren semantischen Modellen zu erhalten.

Um Copilot jedoch mit semantischen Modellen in Power BI zu verwenden, müssen Sie zuerst Ihre Daten, Ihr semantisches Modell und Ihre Benutzer vorbereiten. Wenn Sie diese Elemente nicht vorbereiten, produziert Copilot hauptsächlich minderwertige und ungenaue Ausgaben, die falsch oder sogar irreführend sein könnten. In den folgenden Abschnitten erfahren Sie, wie Sie Copilot in Power BI verwenden können, um entweder ein semantisches Modell mit den verfügbaren Copilot-Erfahrungen zu entwickeln oder zu nutzen.

Hinweis

Weitere Informationen finden Sie in der Copilot-Dokumentation für Power BI.

Copilot und seine Funktionen entwickeln sich im Laufe der Zeit weiter. Die Copilot-Erfahrungen in den folgenden Abschnitten können sich ändern, und neue Erfahrungen können mit semantischen Modellen verfügbar werden. Daher sollten Sie mit den monatlichen Power BI-Versionen und allen relevanten Copilot-Ankündigungen auf dem neuesten Stand bleiben.

Von Bedeutung

Sie können Copilot nicht in bestimmten Workloads oder für bestimmte Copilot-Erfahrungen aktivieren oder deaktivieren. Wenn Sie Copilot in Fabric in Ihrer Kapazität für einen Benutzer oder eine Sicherheitsgruppe aktivieren, sind alle Workloads und Copilot-Oberflächen für diese Benutzer zugänglich.

Entwickeln eines semantischen Modells mit Hilfe von Copilot

Wenn Sie ein semantisches Modell in Power BI entwickeln, verwenden Sie Copilot, um die Effizienz und den Komfort bestimmter Aufgaben zu verbessern. In der Regel umfasst dieser Prozess die Nutzung von Copilot, um redundante oder wiederholte Änderungen für Sie zu optimieren (z. B. Generieren von Measurebeschreibungen), oder Sie dabei zu unterstützen, ein anspruchsvolles Modelldesign oder DAX zu verstehen (z. B. die Verwendung von Copilot in der DAX-Abfrageansicht, um DAX-Konzepte zu erläutern oder DAX-Abfragen zu generieren).

In den folgenden Abschnitten wird erläutert, wie ein Power BI-Entwickler oder Analyst, der semantische Modelle erstellt, die verschiedenen Copilot-Erfahrungen in Power BI nutzen können.

Hinweis

Die folgenden Abschnitte konzentrieren sich auf die Erfahrungen, die die Entwicklung semantischer Modelle in Power BI Desktop und nicht online mithilfe von Bearbeiten von Datenmodellen im Power BI-Dienst unterstützen. Die Anleitungen und Überlegungen in den folgenden Abschnitten können weiterhin angewendet werden, wenn Sie Datenmodelle im Power BI-Dienst bearbeiten, aber beachten Sie, dass Unterschiede zwischen diesen beiden Erfahrungen bestehen.

Entwickeln Sie im Allgemeinen Power BI-Semantikmodelle mithilfe von Power BI Desktop- oder Drittanbietertools, und veröffentlichen Sie diese Modelle dann im Power BI-Dienst, wenn Sie bereit sind, sie zu verwenden. Sie können jedoch auch Datenmodelle im Power BI-Dienst bearbeiten, wenn dies Ihre Vorliebe ist, oder wenn Sie desktoptools nicht zum Entwickeln Ihres Modells verwenden können.

Stellen Sie Datenfragen zu Ihrem semantischen Modell

Beim Entwickeln eines semantischen Modells müssen Sie die Daten häufig untersuchen und abfragen. Normalerweise verwenden Sie eine Kombination aus dem Power Query-Editor, dem Berichtsbereich und DAX-Abfragen. Sie können jedoch auch Mithilfe des Copilot-Chatbereichs Datenfragen zu Ihrem Modell und seinen Inhalten stellen. Im Allgemeinen ist das Stellen von Datenfragen eher eine Verbrauchserfahrung, bei der Geschäftsbenutzer Fragen zu den Daten stellen können, wenn sie die Antwort in einem Bericht nicht finden können. Entwickler können dieses Feature jedoch verwenden, um Daten zu untersuchen oder zu überprüfen, wie Copilot auf ihrem Modell ausgeführt wird.

Die folgende Abbildung zeigt ein Beispiel für einen Benutzer, der eine Datenfrage an Copilot zu einem semantischen Modell stellt. Die Abbildung zeigt die folgende Eingabeaufforderung: Was war der Gewinn % für die Vertriebsregion Australien im Jahr 2023?

Screenshot des Bereichs

Anwendungsfälle

Verwenden Sie Copilot, um Datenfragen für die folgenden Anwendungsfälle zu stellen:

Erkunden Sie Daten in Ihrem Modell: Ein Entwickler verwendet möglicherweise die Erfahrung "Fragen stellen" , um die Daten in ihrem Modell mithilfe von Copilot zu untersuchen. Es ist jedoch wahrscheinlich effizienter, die Daten zu untersuchen, indem sie dem Berichtszeichenbereich visuelle Elemente hinzufügen oder DAX-Abfragen verwenden. Das liegt daran, dass visuelle Berichte automatisch aktualisiert werden, wenn Sie Änderungen am Modell vornehmen, aber Antworten auf Datenfragen im Copilot-Chatbereich sind statisch und verschwinden, wenn Sie den Copilot-Chatbereich schließen. Darüber hinaus können visuelle Elemente, die von Copilot generiert werden, visuelle Filter enthalten, die Sie nicht selbst in Power BI Desktop erstellen können. Diese Filter können irreführend oder problematisch bei der Untersuchung sein.
Überprüfen der Verwendung von Copilot für die Verwendung des semantischen Modells: Entwickler sollten die Erfahrung Datenfragen stellen verwenden, um zu verstehen und zu testen, wie gut Copilot-Verbrauchserfahrungen auf ihrem semantischen Modell funktionieren. Dies ist der Hauptanwendungsfall für die Verwendung von Datenfragen stellen, wenn Sie ein semantisches Modell entwickeln. Mithilfe dieses Anwendungsfalls kann ein Entwickler Änderungen am semantischen Modell vornehmen, die Copilot möglicherweise besser dabei unterstützen, nützlichere Ausgaben zu erzeugen.

Von Bedeutung

Wenn Sie Ihr semantisches Modell entwerfen, stellen Sie sicher, dass Sie mit Benutzern diskutieren und dokumentieren, wie sie es nutzen werden, einschließlich der Elemente, Tools und Erfahrungen, die sie verwenden werden. Wenn Benutzer Copilot in Power BI nicht verwenden, muss ein Entwickler nicht die Erfahrung " Fragen stellen" verwenden, um sein Modell zu testen. Wenn Benutzer jedoch beabsichtigen, Copilot jetzt oder in Zukunft semantische Modelle zu nutzen, ist es wichtig, dass Entwickler dies sowohl beim Modelldesign als auch bei der Entwicklung berücksichtigen müssen.

Vorteile

Ein Entwickler kann "Fragen stellen" verwenden, um zu verstehen, wie die Erfahrung für Geschäftsbenutzer sein wird, die das semantische Modell mithilfe von Copilot in Power BI nutzen. Diese Tests sind unerlässlich, wenn Geschäftsbenutzer Copilot verwenden möchten, um ein semantisches Modell zu nutzen.

Besonderheiten der Erfahrung

Die Erfahrung "Datenfragen stellen" unterscheidet sich vom standardmäßigen Copilot-Verfahren in Fabric in den folgenden Bereichen. Diese Übersicht gilt für die Verwendung des Tools "Datenanfragen stellen" beim Entwickeln und Verwenden von semantischen Modellen:

Eingabe: Benutzer stellen eine schriftliche Eingabeaufforderung bereit, die eine Frage stellt oder bestimmte Informationen aus dem semantischen Modell anfordert.
Vorverarbeitungs- und Erdungsdaten: Copilot ruft Erdungsdaten aus dem Modellschema ab. Sie führt eine Schemareduzierung durch, um den Kontext auf das Wichtigste zu beschränken. Als Kontext verwendet Copilot die folgenden Informationen, um die Nützlichkeit und Spezifität der Copilot-Ausgabe zu verbessern:
- Alle Berichtsmetadaten auf der aktuellen Berichtsseite. Wenn relevante Berichtsmetadaten vorhanden sind, beantwortet Copilot in Power BI Datenfragen aus dem Bericht anstelle des Modells.
- Das Gespräch mit Copilot in der aktuellen Sitzung. Diese Unterhaltung umfasst alle vorherigen Fragen und Antworten, einschließlich Datenpunkten aus Datenfragen, die Copilot zuvor beantwortet hat.
- Das Semantikmodellschema, das Tabellen, Zeilen, Spalten, Measures und andere Objekte enthält (z. B. Beziehungen, Berechnungsgruppen usw.).
- Das vollständige Modelllinguistikschema.
- Bestimmte Semantikmodelleigenschaften, einschließlich Beschreibungen, Datentypen, Formatzeichenfolgen und Datenkategorie.
Die folgenden Informationen sind ausgeschlossen:
- Eine beliebige Berichtsseite, die ausgeblendet ist.
- Ein beliebiges Feld (Maß oder Spalte) im Modell, das ausgeblendet ist.
- Eine beliebige Tabelle im Modell, die als privat gekennzeichnet ist.
Ausgabe: Die von Copilot bereitgestellte Ausgabe enthält mehrere Teile:
- Visuell: Copilot beantwortet die Datenfrage, indem eine Power BI-Visualisierung wie eine Karte, ein Liniendiagramm oder eine Tabelle gerendert wird. Copilot wählt das visuelle Element und seine Formatierung aus, die der Benutzer in seiner Eingabeaufforderung nicht steuern oder anfordern kann. Wenn das zugrunde liegende Modell – DAX oder Daten – nicht optimiert oder zu komplex ist, kann es beim visuellen Element möglicherweise zu einem Timeout kommen.
- Zusammenfassung: Copilot fasst das Abfrageergebnis zusammen. Diese Zusammenfassung wird generiert, indem ein semantisches Abfrageergebnis an Azure OpenAI (einschließlich Datenpunkte) gesendet und eine Erklärung für natürliche Sprachen angefordert wird.
- Fehler oder Klärungsanforderung: Wenn Copilot keine Antwort erzeugen kann, wird möglicherweise eine generische Fehlermeldung zurückgegeben. Diese Fehlermeldung könnte eine Anforderung zur Klärung enthalten, einschließlich vorgeschlagener Varianten der ursprünglichen Datenfrage des Benutzers.

Vorsicht

Bei der Verwendung von Copilot in Power BI Desktop mit semantischen Modellen könnte Copilot Berichtsmetadaten als Basisdaten verwenden. Unter bestimmten Umständen können Berichtsmetadaten Datenpunkte enthalten, z. B. Spaltenwerte, die vertrauliche Informationen enthalten können. Diese Bedingung gilt sowohl für das Legacyberichtmetadatenformat als auch für das neue erweiterte Power BI-Berichtsformat (PBIR).

Tipps zur Verbesserung der Copilot-Ergebnisse

Copilot kann ungenaue oder Ausgaben von niedriger Qualität erzeugen, einschließlich falscher Antworten auf Datenfragen. Häufig ergeben sich falsche Antworten entweder aus Benutzerfehlern oder Modellproblemen. Um die Wahrscheinlichkeit falscher oder unerwarteter Copilot-Ausgaben zu verringern, berücksichtigen Sie Benutzeraufforderungen und den Entwurf der Datenmodelle.

Von Bedeutung

Ungenaue Antworten auf Datenfragen können zu falschen Entscheidungen und Aktionen von Geschäftsbenutzern führen, was zu schlechten Ergebnissen führt. Um diese negativen Auswirkungen zu vermeiden, ist es wichtig, dass Sie die Wahrscheinlichkeit ungenauer Antworten von Copilot so weit wie möglich verringern.

Ein Benutzer kann nur falsche Ergebnisse erzielen, indem er eine schlechte Eingabeaufforderung schreibt. Beispiele für schlechte Aufforderungen sind:

Vage oder unvollständige Aufforderungen: Wenn Sie die gewünschte Ausgabe ungenau oder unvollständig beschreiben oder in Ihrer Eingabeaufforderung mehrdeutige Sprache verwenden, ist Copilot weniger wahrscheinlich, ein nützliches Ergebnis zu erzielen. Versuchen Sie, beim Formulieren von Eingabeaufforderungen so spezifisch und beschreibend wie möglich zu sein, wenn Sie Ihr gewünschtes Ergebnis angeben.
Falsche Eingabeaufforderungen: Wenn Sie Rechtschreibfehler machen, wenn Sie auf ein Measure, eine Spalte oder einen Tabellennamen verweisen, verweist Copilot möglicherweise nicht auf das richtige Feld. Stellen Sie beim Schreiben von Eingabeaufforderungen sicher, dass die felder, die Sie in Ihrer Eingabeaufforderung erwähnen, ordnungsgemäß auf die Felder im Semantikmodellschema verweisen. Diese Regel umfasst das Vermeiden von Abkürzungen, Akronyme oder übermäßigen Interpunktionszeichen. Sie können auch Synonyme verwenden, um auf Felder zu verweisen, aber es gibt keine Möglichkeit, zu überprüfen, welche Synonyme für ein bestimmtes Feld verfügbar sind (z. B. wie Sie Beschreibungen anzeigen können, wenn Sie auf ein Measure oder eine Spalte im Datenbereich zeigen).
Übermäßige oder unangemessene Erdungsdaten: Wenn Sie eine Eingabeaufforderung über den Copilot-Chatbereich übermitteln, übernimmt Copilot den Chatverlauf aus dieser Sitzung als Erdungsdaten während der Vorverarbeitung. Je nachdem, was dieser Chatverlauf mit sich bringt, erhalten Sie möglicherweise unterschiedliche oder unerwartete Ergebnisse. Berücksichtigen Sie beim Schreiben von Eingabeaufforderungen, dass alle vorherigen Eingabeaufforderungen und Ausgaben als Bezugsdaten verwendet werden. Um dieses Problem zu vermeiden, wählen Sie die Schaltfläche "Copilot" aus, um den Chatbereich "Copilot" zu schließen und erneut zu öffnen, und deaktivieren Sie den Chatverlauf, bevor Sie eine neue Eingabeaufforderung übermitteln.

Die folgende Abbildung zeigt ein Beispiel für eine falsche Ausgabe von Copilot aufgrund einer schlechten Benutzeraufforderung:

Screenshot des Copilot-Chatbereichs, in dem der Benutzer eine Datenfrage stellt, die Copilot mit dem semantischen Modell beantwortet.

Die Abbildung zeigt die folgende Eingabeaufforderung: Was war der Gewinn % für die Vertriebsregion Australien im Jahr 2023? In der Ausgabe gibt Copilot den Gewinnwert und nicht den Gewinn als Prozentwert zurück. In diesem Fall könnte der Benutzer ein besseres Ergebnis von Copilot erhalten, indem er klarer angibt, dass er den Gewinn in Prozent und nicht nur mit dem Prozentsymbol darstellen möchte.

Abgesehen von Benutzeraufforderungen kann die Erfahrung " Fragen stellen" aufgrund der Qualität oder Organisation des zugrunde liegenden Semantikmodells auch falsche oder unerwartete Ergebnisse erzeugen. Beispiele für den Zeitpunkt, an dem Ihr Semantikmodell schlechte Ergebnisse erzielt, sind:

Schlechtes Modelldesign oder eine schlechte Implementierung: Wenn Ihr semantisches Modell nicht den gängigen bewährten Methoden (z. B. einem Starschemaentwurf) entspricht, erhalten Sie wahrscheinlich schlechte Ergebnisse mit jedem Verbrauchstool oder jeder Erfahrung. Streben Sie immer nach qualitativ hochwertigen Semantikmodellen, um Power BI und Fabric optimal nutzen zu können. Weitere Tipps und Anleitungen zur Verbesserung Ihrer Power BI-Semantikmodelle finden Sie in den Datenmodellierungsanleitungen für Power BI .
Schlechte Benennungskonventionen: Wenn Ihre Felder inkonsistente oder übermäßige Benennungskonventionen haben (z. B. Akronyme, Abkürzungen und Interpunktion), sind Benutzer wahrscheinlicher, fehler in ihren Eingabeaufforderungen zu machen, und Copilot wird verwirrt, wenn Sie auf diese Felder verweisen. Copilot funktioniert am besten, wenn Tabellen, Spalten und Maßeinheiten Namen auf Englisch haben.
Schlechte Modellorganisation: Wenn Sie Ihr Modell nicht organisieren, treten wahrscheinlich mehr Probleme mit Copilot auf. Modellorganisation ist ein großes Thema, das viele Aufgaben umfasst, einschließlich Feldbeschreibungen, Ausblenden von Spalten und Measures und Vermeidung von Feldern mit denselben Namen in verschiedenen Tabellen.
Linguistische Modellierung: Wenn Ihr semantisches Modell keine linguistische Modellierung eingerichtet hat, einschließlich Synonyme für Felder oder Verben für Beziehungen, kann Copilot wahrscheinlicher unerwartete Ergebnisse zurückgeben. Power BI basiert auf der gleichen sprachlichen Modellierung wie das Q&A-Feature. Das Einrichten eines linguistischen Modells für Ihr semantisches Modell erfordert zusätzliche Zeit und zusätzlichen Aufwand über die hinaus, die bei der Entwicklung Ihres semantischen Modells anfallen. Weitere Informationen finden Sie unter Einführung in Q&A-Tools zum Trainieren von Power BI Q&A.
Modellkomplexität: Je komplexer Ihr Modell ist, einschließlich mehr Felder, Abhängigkeiten und Geschäftslogiken, desto wahrscheinlicher kommt es bei der Verwendung von Copilot zu Problemen. Beispielsweise können komplexe Muster wie Währungsumrechnungen oder getrennte Tabellen (z. B. Feldparameter) unerwartete oder falsche Ergebnisse verursachen, wenn Benutzer in ihren Eingabeaufforderungen auf diese Felder oder Tabellen verweisen. Bei komplexeren Modellen müssen Sie möglicherweise bestimmte Modellentwurfsentscheidungen berücksichtigen, um die besten Ergebnisse mit Copilot zu erzielen. Im Allgemeinen sollten Sie Ihr Modell mit Copilot testen, um festzustellen, ob Sie konsistente und zuverlässige Ergebnisse erhalten. Wenn nicht, sollten Sie erwägen, den Benutzenden empfehlen, Ihr semantisches Modell nicht mit Copilot zu nutzen.

Hinweis

Weitere Informationen finden Sie unter Vorbereiten eines semantischen Modells für den Copilot-Verbrauch weiter unten in diesem Artikel. Siehe auch den separaten Artikel Aktualisieren Sie Ihr Datenmodell, um gut mit Copilot für Power BI zu funktionieren für weitere Überlegungen.

Die folgende Abbildung zeigt ein Beispiel für eine falsche Ausgabe von Copilot aufgrund von Problemen mit dem semantischen Modell:

Screenshot eines Benutzers, der eine Datenfrage stellt, die Copilot aufgrund von mehrdeutigen Feldnamen im semantischen Modell falsch beantwortet.

Die Abbildung zeigt die folgende Eingabeaufforderung: Wie viele Einheiten wurden 2023 in Australien verkauft? In der Antwort gibt Copilot die Anzahl der Einheiten zurück, in denen die Spalte " Land " in der Tabelle " Kunde " nach "Australien" gefiltert wird, anstatt die Spalte " Land " in der Tabelle " Vertriebsregion " zu filtern. In diesem Fall könnte der Benutzer die Aufforderung zum Angeben des Lands der Vertriebsregion verbessert haben. Der Semantikmodellentwickler könnte jedoch auch die Spalte " Land " in der Tabelle " Kunde " ausblenden oder umbenennen, wenn sie nicht von Copilot verwendet werden soll. Alternativ können sie das Feld mithilfe des Q&A-Setups aus den Feldsynonymen des linguistischen Modells deaktivieren.

Tipp

Sie können identifizieren, welche Felder und Filter Copilot zum Generieren einer visuellen Oder Beantworten einer Datenfrage verwendet, indem Sie auf die Schaltfläche " Zu Seite hinzufügen " klicken. Diese Aktion fügt der Berichts-Canvas das visuelle Element hinzu, in dem Sie das visuelle Element auswählen und alle Filter anzeigen können, die Copilot anwendet, oder die von Copilot verwendeten Felder.

Unabhängig von der Prompt- oder Modellqualität können Sie weiterhin ungenaue oder qualitativ niedrige Ausgaben von Copilot erhalten, wenn Sie die Erfahrung "Fragen stellen" verwenden. Das liegt daran, dass das zugrunde liegende Modell – mit seiner aktuellen Konfiguration – nicht unbestimmt ist und nicht garantiert eine richtige Antwort oder dieselbe Antwort mit der gleichen Eingabeaufforderung, demselben Modell und denselben Daten liefert.

Die folgende Abbildung zeigt ein Beispiel für Copilot, das falsche oder unangemessene Ergebnisse erzeugt:

Screenshot eines Benutzers, der eine Datenfrage stellt, die Copilot fälschlicherweise beantwortet, indem die falsche Datumsspalte gefiltert wird.

In diesem Beispiel zeigt die Abbildung die Eingabeaufforderungen : Frage: Welches Land produzierte 2024 den höchsten Gewinn? und Frage: Welches Land hat 2023 den höchsten Gewinn erzielt? Die Ausgaben zeigen Copilot zuerst nach Klarstellung, nachdem es sagt, dass es keine Daten für 2024 im Modell gibt. Es gibt jedoch Daten im Modell im Jahr 2024, wenn nach diesem Jahr mithilfe der Datumstabelle gefiltert wird. Copilot gibt dann ein Ergebnis zurück, das die Spalte "Geburtstag " aus der Tabelle " Kunde " und nicht die markierte Datumstabelle im Modell filtert. Während der Benutzer eine spezifischere Eingabeaufforderung erstellen könnte oder der Entwickler das Feld "Geburtstag " ausblenden könnte, sollte Copilot in diesem Fall das erwartete Ergebnis erzeugen.

Um dieses Problem zu beheben, schulen Sie Benutzer darin, alle Ausgaben von Copilot in Fabric und Power BI kritisch zu bewerten und zu lernen, wie sie bei unerwarteten Ergebnissen vorgehen oder eine neue Eingabeaufforderung ausprobieren, indem sie den Copilot-Chatbereich oder das Fenster schließen und erneut öffnen.

DAX-Abfrageansicht

Verwenden Sie bei der Entwicklung eines semantischen Modells Copilot, um DAX-Abfragen in der DAX-Abfrageansicht zu generieren. In diesen Abfragen können Sie auch DAX-Measures definieren, die Sie dann ihrem semantischen Modell hinzufügen können. Sie können copilot auch verwenden, um DAX-Konzepte entweder in generierten Abfragen oder Abfragen zu erläutern, die Sie selbst erstellt haben.

Die folgende Abbildung zeigt ein Beispiel dafür, wie ein Benutzer Copilot bittet, eine DAX-Abfrage zu generieren.

Screenshot eines Benutzers, der Copilot auffordert, eine DAX-Abfrage in der DAX-Abfrageansicht zu generieren.

Die Abbildung zeigt die folgende Eingabeaufforderung: YTD-Gewinn nach Monat im Jahr 2023. Der Benutzer könnte dann Copilot bitten, die Abfrage zu erläutern, wie in der folgenden Abbildung dargestellt.

Screenshot von Copilot, der eine DAX-Abfrage in der DAX-Abfrageansicht von Power BI Desktop erläutert.

Die Abbildung zeigt die folgende Eingabeaufforderung: Erläutern Sie diese DAX-Abfrage. Die Erklärung wird unten im Copilot-Fenster angezeigt.