Hinweis
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, sich anzumelden oder das Verzeichnis zu wechseln.
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, das Verzeichnis zu wechseln.
Verwenden Sie KI-Funktionen, wenn Sie Azure OpenAI auf große tabellarische Datasets in Fabric anwenden möchten. KI-Funktionen sind für skalierungsoptimiert, mit einer Standardmäßigen Parallelität von 200 und konfigurierbaren Parallelitätseinstellungen, sodass Sie Zeilen parallel für einen höheren Durchsatz verarbeiten können.
Ein weiterer wichtiger Vorteil ist vorkonfigurierte LLM-basierte Transformationen, die als DataFrame-Methoden verfügbar gemacht werden, einschließlich Stimmungsanalyse, Klassifizierung, Extraktion, Zusammenfassung, Übersetzung, Einbettungen, Ähnlichkeitsbewertung und benutzerdefinierte Reaktionsgenerierung. Die Extraktion unterstützt die schemagesteuerte Ausgabe über ExtractLabel, wobei Sie ein JSON-Schema bereitstellen können, um die Struktur zu erzwingen (typisierte Felder, Enumerationen, Arrays, nullfähige Felder, erforderliche Eigenschaften und das Ausschließen zusätzlicher Eigenschaften), damit die Ausgabe des LLM einem strengen Kontrakt entspricht. Sie können Schemas auch als Pydantic-Modelle erstellen und sie vor der Verwendung mit ai.extract in ein JSON-Schema konvertieren. Sie können diese Funktionen in Pandas und PySpark mit minimalem Code verwenden, während Fabric Kernaufgaben wie Authentifizierung und Anforderungs-Orchestrierung verarbeitet.
Hinweis
Importpfade unterscheiden sich je nach Modul: Verwendung synapse.ml.aifunc für Pandas DataFrames und synapse.ml.spark.aifunc für PySpark. PySpark AI Functions verteilen sich für die parallele Ausführung über den Fabric Spark-Cluster, während die Pandas-Ausführung auf einem einzigen Knoten ausgeführt wird. Wählen Sie PySpark aus, wenn Sie große Datasets verarbeiten müssen.
Informationen zu Setupschritten, unterstützten Funktionen, Modell- und Anbieteroptionen und End-to-End-Beispielen finden Sie unter Transform und Anreichern von Daten mit AI-Funktionen, die die hauptreferenz für KI-Funktionen in Fabric ist. Wenn Sie eine API-Steuerung auf niedriger Ebene oder eine benutzerdefinierte Orchestrierung benötigen, die über die integrierten KI-Funktionen hinausgeht, verwenden Sie Use Azure OpenAI with Python SDK oder Use Azure OpenAI with SynapseML.
Verwandte Inhalte
Fabric-Dokumentation
- Daten mit KI-Funktionen transformieren und anreichern für Einrichtung, unterstützte Funktionen und End-to-End-Beispiele
- Abrechnung für KI-Funktionen für Kosten-, Ausgaben- und Laufzeitnutzungsüberwachung
- Verwenden von Azure OpenAI mit Python SDK für eine differenzierte Kontrolle über einzelne API-Aufrufe
- Verwenden von Azure OpenAI mit SynapseML für die verteilte Verarbeitung mit Spark DataFrames
- Verwenden von Azure OpenAI mit REST-API für direkte REST-API-Aufrufe an den LLM-Endpunkt