Freigeben über

Konzepte zum Fabric-Datenagent (Vorschau)

Der Datenagent in Microsoft Fabric ist ein neues Microsoft Fabric-Feature, mit dem Sie ihre eigenen Q&A-Konversationssysteme mit generativer KI erstellen können. Ein Fabric-Datenagent macht Datenerkenntnisse für alle Personen in Ihrer Organisation zugänglicher und umsetzbarer. Mit einem Fabric-Datenagent kann Ihr Team Unterhaltungen mit einfachen englischsprachigen Fragen zu den Daten führen, die Ihre Organisation in Fabric OneLake gespeichert hat, und dann relevante Antworten erhalten. Auf diese Weise können auch Personen ohne technische Expertise mit KI oder ein tiefes Verständnis der Datenstruktur präzise und kontextreiche Antworten erhalten.

Sie können auch organisationsspezifische Anweisungen, Beispiele und Anleitungen hinzufügen, um den Fabric-Datenagent zu optimieren. Dadurch wird sichergestellt, dass die Antworten den Anforderungen und Zielen Ihrer Organisation entsprechen, sodass jeder effektiver mit Daten interagieren kann. Der Fabric-Datenagent fördert eine Kultur der datengesteuerten Entscheidungsfindung, da er Hürden für die Zugänglichkeit von Erkenntnissen abbaut, die Zusammenarbeit erleichtert und Ihrer Organisation hilft, mehr Wert aus ihren Daten zu extrahieren.

Wichtig

Dieses Feature befindet sich in der Vorschauphase.

Voraussetzungen

Funktionsweise des Fabric-Datenagents

Der Fabric-Datenagent verwendet große Sprachmodelle (LLMs), um Benutzern bei der natürlichen Interaktion mit ihren Daten zu helfen. Der Fabric-Datenagent wendet Azure OpenAI-Assistenten-APIs an und verhält sich wie ein Agent. Er verarbeitet Benutzerfragen, bestimmt die relevanteste Datenquelle (Lakehouse, Warehouse, Power BI-Dataset, KQL-Datenbanken) und ruft das entsprechende Tool zum Generieren, Überprüfen und Ausführen von Abfragen auf. Benutzer können dann Fragen in normaler Sprache stellen und strukturierte, lesbare Antworten erhalten, ohne dass komplexe Abfragen geschrieben und ein präziser und sicherer Datenzugriff sichergestellt werden muss.

Hier erfahren Sie, wie sie im Detail funktioniert:

Parsing und Validierung der Frage: Der Fabric-Datenagent wendet Azure OpenAI-Assistenten-APIs als zugrunde liegenden Agent an, um Benutzerfragen zu verarbeiten. Dieser Ansatz stellt sicher, dass die Frage mit Sicherheitsprotokollen, verantwortungsvollen KI-Richtlinien und Benutzerberechtigungen konform ist. Der Fabric-Datenagent erzwingt strikt schreibgeschützten Zugriff, wobei schreibgeschützte Datenverbindungen zu allen Datenquellen aufrechterhalten werden.

Ermittlung der Datenquelle: Der Fabric-Datenagent verwendet die Anmeldeinformationen des Benutzers, um auf das Schema der Datenquelle zuzugreifen. Dadurch wird sichergestellt, dass das System Datenstrukturinformationen abruft, für deren Anzeige der Benutzer berechtigt ist. Anschließend wird die Frage des Benutzers anhand aller verfügbaren Datenquellen ausgewertet, einschließlich relationaler Datenbanken (Lakehouse und Warehouse), Power BI-Datasets (Semantikmodelle) und KQL-Datenbanken. Es kann auch auf vom Benutzer bereitgestellte Datenagentanweisungen verwiesen werden, um die relevanteste Datenquelle zu ermitteln.

Toolaufruf und Abfragegenerierung: Sobald die richtige Datenquelle oder -quellen ermittelt wurden, wird die Frage vom Fabric-Datenagent für mehr Klarheit und Struktur neu formuliert und anschließend das entsprechende Tool aufgerufen, um eine strukturierte Abfrage zu generieren:

  • Natürliche Sprache zu SQL (NL2SQL) für relationale Datenbanken (Lakehouse/Warehouse)
  • Natürliche Sprache zu DAX (NL2DAX) für Power BI-Datasets (Semantikmodelle)
  • Natürliche Sprache zu KQL (NL2KQL) für KQL-Datenbanken

Das ausgewählte Tool generiert eine Abfrage unter Verwendung des angegebenen Schemas, der Metadaten und des Kontexts, die der dem Fabric-Datenagent zugrunde liegende Agent dann übergibt.

Abfragevalidierung: Das Tool führt eine Validierung durch, um sicherzustellen, dass die Abfrage korrekt gebildet ist und ihren eigenen Sicherheitsprotokollen entspricht, sowie den RAI-Richtlinien.

Abfrageausführung und -antwort: Nach der Validierung führt der Fabric-Datenagent die Abfrage für die ausgewählte Datenquelle aus. Die Ergebnisse werden in eine lesbare Antwort formatiert, die strukturierte Daten wie Tabellen, Zusammenfassungen oder wichtige Erkenntnisse enthalten kann.

Dieser Ansatz stellt sicher, dass Benutzer mit ihren Daten mit natürlicher Sprache interagieren können, während der Fabric-Datenagent die komplexen Aspekte der Abfragegenerierung, Validierung und Ausführung übernimmt, ohne dass Benutzer SQL, DAX oder KQL selbst schreiben müssen.

Konfiguration des Fabric-Datenagents

Das Konfigurieren eines Fabric-Datenagents ähnelt dem Erstellen eines Power BI-Berichts: Sie beginnen, indem Sie ihn entwerfen und verfeinern, um sicherzustellen, dass er Ihren Anforderungen entspricht, und dann veröffentlichen und für Kollegen freigeben, damit sie mit den Daten interagieren können. Zum Einrichten eines Fabric-Datenagents gehört:

Auswählen von Datenquellen: Ein Fabric-Datenagent unterstützt bis zu fünf Datenquellen in jeder Kombination, einschließlich Lakehouses, Warehouses, KQL-Datenbanken und Power BI-Semantikmodellen. Beispielsweise könnte ein konfigurierter Fabric-Datenagent fünf Power BI-Semantikmodelle enthalten. Er könnte eine Mischung aus zwei Power BI-Semantikmodellen, einem Lakehouse und einer KQL-Datenbank enthalten. Sie haben viele verfügbare Optionen.

Auswahl relevanter Tabellen: Nachdem Sie die Datenquellen ausgewählt haben, müssen Sie sie einzeln hinzufügen und die spezifischen Tabellen aus jeder Quelle definieren, die der Fabric-Datenagent verwendet. Dieser Schritt stellt sicher, dass der Fabric-Datenagent genaue Ergebnisse abruft, indem er sich nur auf relevante Daten konzentriert.

Hinzufügen von Kontext: Um die Genauigkeit des Fabric-Datenagents zu verbessern, können Sie über Anweisungen und Beispielabfragen mehr Kontext bereitstellen. Als zugrunde liegender Agent für den Fabric-Datenagent hilft der Kontext der Azure OpenAI-Assistenten-API, fundiertere Entscheidungen über die Verarbeitung von Benutzerfragen zu treffen und zu bestimmen, welche Datenquelle am besten geeignet ist, um sie zu beantworten.

  • Anweisungen für den Datenagent: Sie können Anweisungen hinzufügen, um den Agent anzuleiten, der dem Fabric-Datenagent zugrunde liegt, und die beste Datenquelle zu ermitteln, um bestimmte Arten von Fragen zu beantworten. Sie können auch benutzerdefinierte Regeln oder Definitionen bereitstellen, die die Organisationsterminologie oder bestimmte Anforderungen verdeutlichen. Diese Anweisungen können weiteren Kontext oder weitere Einstellungen bereitstellen, die beeinflussen, wie der Agent Datenquellen auswählt und abfragt.

    • Direkte Fragen zu Finanzmetriken an ein Power BI-Semantikmodell.
    • Weisen Sie Abfragen, die die Untersuchung von Rohdaten beinhalten, dem Lakehouse zu.
    • Leiten Sie Fragen, die Protokollanalyse erfordern, an die KQL-Datenbank weiter.

  • Beispielabfragen: Sie können beispielhafte Frage-Abfrage-Paare hinzufügen, um zu veranschaulichen, wie der Fabric-Datenagent auf allgemeine Abfragen reagieren soll. Diese Beispiele dienen als Leitfaden für den Agent, damit dieser versteht, wie ähnliche Fragen interpretiert und präzise Antworten generiert werden.

Hinweis

Das Hinzufügen von Beispielabfrage-/Fragepaaren wird für Power BI-Semantikmodelldatenquellen derzeit nicht unterstützt.

Durch die Kombination klarer KI-Anweisungen und relevanter Beispielabfragen können Sie den Fabric-Daten-Agent besser an die Datenanforderungen Ihrer Organisation ausrichten und so präzisere und kontextbezogenere Antworten sicherstellen.

Unterschied zwischen einem Fabric-Datenagent und einem Copilot

Während sowohl Fabric-Datenagents als auch Fabric-Copilots generative KI zum Verarbeiten von und Schlussfolgern aus Daten verwenden, gibt es wichtige Unterschiede in ihrer Funktionsweise und den Anwendungsfällen:

Konfigurationsflexibilität: Fabric-Datenagents sind hochgradig konfigurierbar. Sie können benutzerdefinierte Anweisungen und Beispiele angeben, um das Verhalten auf bestimmte Szenarios anzupassen. Fabric-Copilots hingegen sind vorkonfiguriert und bieten nicht diesen Anpassungsgrad.

Umfang und Anwendungsfall: Fabric-Copilots sind so konzipiert, dass Aufgaben in Microsoft Fabric unterstützt werden, z. B. die Generierung von Notebookcode oder Warehouseabfragen. Fabric-Datenagenten sind hingegen eigenständige Elemente. Um Fabric-Datenagents für breitere Anwendungsfälle flexibler zu gestalten, können sie in externe Systeme wie Microsoft Copilot Studio, Azure AI Foundry, Microsoft Teams oder andere Tools außerhalb von Fabric integriert werden.

Auswertung des Fabric-Datenagents

Die Qualität und Sicherheit der Antworten des Fabric-Datenagents hat eine strenge Bewertung durchlaufen:

Benchmarktests: Das Produktteam hat Fabric-Datenagents in einer Reihe von öffentlichen und privaten Datasets getestet, um qualitativ hochwertige und genaue Antworten zu gewährleisten.

Erweiterte Schadensbegrenzung: Es gibt weitere Schutzmaßnahmen, um sicherzustellen, dass die Ausgabe von Fabric-Datenagents auf den Kontext ausgewählter Datenquellen konzentriert bleibt, um das Risiko irrelevanter oder irreführender Antworten zu verringern.

Einschränkungen

Der Fabric-Datenagent befindet sich derzeit in der Public Preview und hat Einschränkungen. Updates verbessern den Fabric-Datenagent im Laufe der Zeit.

  • Der Fabric-Datenagent kann Daten abrufen, indem strukturierte Abfragen (SQL, DAX oder KQL) für Fragen generiert werden, die Fakten, Summen, Rangfolgen oder Filter umfassen. Er kann jedoch keine Trends interpretieren, Erklärungen liefern oder zugrunde liegende Ursachen analysieren.
  • Der Fabric-Daten-Agent generiert nur SQL-/DAX-/KQL-Leseabfragen. Er generiert keine SQL-/DAX-/KQL-Abfragen, die Daten erstellen, aktualisieren oder löschen.
  • Der Fabric-Datenagent kann nur auf von Ihnen bereitgestellte Daten zugreifen. Sie verwendet nur die von Ihnen bereitgestellten Datenressourcen-Konfigurationen.
  • Der Fabric-Datenagent verfügt über Datenzugriffsberechtigungen, die mit den Berechtigungen übereinstimmen, die dem Benutzer gewährt werden, der mit dem Fabric-Datenagent interagiert. Dies gilt, wenn der Fabric-Datenagent an anderen Orten veröffentlicht wird, z. B. Microsoft Copilot Studio, Azure AI Foundry und Microsoft Teams.
  • Sie können dem Fabric-Datenagent nicht mehr als fünf Datenquellen hinzufügen.
  • Sie können den Fabric-Datenagent nicht für den Zugriff auf unstrukturierte Datenressourcen verwenden. Zu diesen Ressourcen gehören z. B. .pdf, .docx oder .txt Dateien.
  • Der Fabric-Datenagent blockiert Fragen oder Anweisungen, die nicht in englischer Sprache sind.
  • Sie können das LLM, das der Fabric-Datenagent verwendet, nicht ändern.
  • Sie können eine KQL-Datenbank nicht als Datenquelle hinzufügen, wenn sie mehr als 1.000 Tabellen oder eine beliebige Tabelle mit mehr als 100 Spalten enthält.
  • Sie können kein Power BI-Semantikmodell als Datenquelle hinzufügen, wenn es mehr als 100 Spalten und Measures enthält.
  • Der Fabric-Datenagent funktioniert am besten mit 25 oder weniger Tabellen, die in allen Datenquellen ausgewählt sind.
  • Nicht deskriptive Datenressourcenspalten- und Tabellennamen haben erhebliche negative Auswirkungen auf die Qualität generierter SQL-/DAX-/KQL-Abfragen. Wir empfehlen die Verwendung beschreibender Namen.
  • Die Verwendung von zu vielen Spalten und Tabellen kann die Leistung des Fabric-Datenagents verringern.
  • Der Fabric-Datenagent ist derzeit für die Verarbeitung einfacher Abfragen konzipiert. Komplexe Abfragen, die viele Verknüpfungen oder komplexe Logik erfordern, weisen tendenziell eine geringere Zuverlässigkeit auf.
  • Wenn Sie ein Power BI-Semantikmodell als Datenquelle hinzufügen, verwendet der Fabric-Datenagent keine ausgeblendeten Tabellen, Spalten oder Measures.
  • Wenn Sie zuvor einen Fabric-Datenagent erstellt haben, der ein Warehouse als Datenquelle verwendet hat und sich das Warehouse in einem Arbeitsbereich befindet, der diesen Fabric-Datenagent nicht hostet, tritt möglicherweise ein Fehler auf. Um dieses Problem zu beheben, löschen Sie die vorhandene Datenquelle, und fügen Sie sie erneut hinzu.
  • Um ein Power BI-Semantikmodell als Datenquelle für einen Fabric-Datenagent hinzuzufügen, benötigen Sie Lese-/Schreibberechtigungen für dieses Power BI-Semantikmodell. Für das Abfragen eines Fabric-Datenagents, der ein Power BI-Semantikmodell verwendet, benötigen Sie zudem Lese-/Schreibberechtigungen für das zugrunde liegende Power BI-Semantikmodell.
  • Der Fabric-Datenagent gibt möglicherweise falsche Antworten zurück. Sie sollten den Fabric-Datenagent mit Ihren Kollegen testen, um zu überprüfen, ob er Fragen wie erwartet beantwortet. Wenn sie Fehler macht, geben Sie ihr weitere Beispiele und Anweisungen.
  • Wenn Sie zuvor einen Fabric-Datenagent erstellt und veröffentlicht haben und dessen URL programmgesteuert verwendet haben, funktioniert die URL nicht mehr, wenn Sie den Fabric-Datenagent in der neuen Benutzeroberfläche öffnen. Um dies zu beheben, müssen Sie den Fabric-Datenagent erneut veröffentlichen und diese neue URL verwenden, die auf der Assistenten-API basiert.

Verwandte Inhalte