Erstellen eines Fabric-Datenagents (Vorschau)

2025-04-30

Mit einem Datenagent in Microsoft Fabric können Sie dialogorientierte KI-Erfahrungen erstellen, die Fragen zu Daten beantworten, die in Lakehouses, Warehouses, Power BI-Semantikmodellen und KQL-Datenbanken in Fabric gespeichert sind. Ihre Datenerkenntnisse werden zugänglich. Ihre Kollegen können Fragen in einfachem Englisch stellen und datengesteuerte Antworten erhalten, auch wenn sie keine KI-Experten sind oder mit den Daten tief vertraut sind.

Wichtig

Dieses Feature befindet sich in der Vorschau.

Voraussetzungen

Eine kostenpflichtige P-SKU oder eine höhere Fabric-Kapazitätsressource
Fabric-Daten-Agent-Mandanteneinstellungen sind aktiviert.
Der Copilot-Mandantenwechsel ist aktiviert.
Die geoübergreifende Verarbeitung für KI ist aktiviert.
Das geoübergreifende Speichern für KI ist aktiviert.
Mindestens eine der folgenden Optionen: ein Warehouse, ein Lakehouse, mindestens ein Power BI-Semantikmodell oder eine KQL-Datenbank mit Daten.
Power BI-Semantikmodelle über den Mandantenwechsel von XMLA-Endpunkten sind für Power BI-Semantikmodelldatenquellen aktiviert.

End-to-End-Flow zum Erstellen und Verwenden von Fabric-Datenagents

In diesem Abschnitt werden die wichtigsten Schritte zum Erstellen, Validieren und Freigeben eines Fabric-Datenagents in Fabric beschrieben, um ihn für die Nutzung zugänglich zu machen.

Der Prozess ist unkompliziert und Sie können innerhalb weniger Minuten mit dem Testen der Ressourcen des Fabric-Datenagents beginnen.

Erstellen eines neuen Fabric-Datenagents

Um einen neuen Fabric-Daten-Agent zu erstellen, navigieren Sie zuerst zu Ihrem Arbeitsbereich, und wählen Sie dann die Schaltfläche +Neues Element aus. Suchen Sie auf der Registerkarte "Alle Elemente" nach Fabric-Daten-Agent , um die entsprechende Option zu finden, wie in diesem Screenshot gezeigt:

Nach der Auswahl werden Sie aufgefordert, einen Namen für Ihren Fabric-Datenagent anzugeben, wie in diesem Screenshot gezeigt:

Im bereitgestellten Screenshot finden Sie eine visuelle Anleitung zum Benennen des Fabric-Datenagents. Fahren Sie nach der Eingabe des Namens mit der Konfiguration fort, um den Fabric-Datenagent an Ihre spezifischen Anforderungen anzupassen.

Auswählen Ihrer Daten

Nachdem Sie einen Fabric-Datenagent erstellt haben, können Sie bis zu fünf Datenquellen hinzufügen, darunter Lakehouses, Warehouses, Power BI-Semantikmodelle und KQL-Datenbanken in jeder Kombination. Sie können beispielsweise fünf Power BI-Semantikmodelle oder zwei Power BI-Semantikmodelle, ein Lakehouse und eine KQL-Datenbank hinzufügen.

Wenn Sie zum ersten Mal einen Fabric-Datenagent erstellen und einen Namen angeben, wird der OneLake-Katalog automatisch angezeigt, sodass Sie Datenquellen hinzufügen können. Um eine Datenquelle hinzuzufügen, wählen Sie sie aus dem Katalog aus, wie im nächsten Bildschirm dargestellt, und wählen Sie dann "Hinzufügen" aus. Jede Datenquelle muss einzeln hinzugefügt werden. Sie können z. B. ein Seehaus hinzufügen, "Hinzufügen" auswählen und dann mit dem Hinzufügen einer weiteren Datenquelle fortfahren. Um die Datenquellentypen zu filtern, wählen Sie das Filtersymbol und dann den gewünschten Typ aus. Sie können nur die Datenquellen des ausgewählten Typs anzeigen, wodurch es einfacher ist, die entsprechenden Quellen für Ihren Fabric-Datenagent zu finden und zu verbinden.

Nachdem Sie die Datenquelle hinzugefügt haben, füllt der Explorer im linken Bereich der Fabric-Daten-Agent-Seite mit den verfügbaren Tabellen in jeder ausgewählten Datenquelle auf, wo Sie mithilfe der Kontrollkästchen Tabellen verfügbar machen oder für die KI nicht verfügbar machen können, wie im folgenden Screenshot gezeigt:

Hinweis

Sie benötigen Lese-/Schreibberechtigung, um dem Fabric-Datenagent ein Power BI-Semantikmodell als Datenquelle hinzuzufügen.

Navigieren Sie für nachfolgende Ergänzungen von Datenquellen im linken Bereich der Fabric-Daten-Agent-Seite zum Explorer , und wählen Sie +Datenquelle aus, wie in diesem Screenshot gezeigt:

Der OneLake-Katalog wird erneut geöffnet, und Sie können bei Bedarf nahtlos weitere Datenquellen hinzufügen.

Tipp

Achten Sie darauf, beschreibende Namen für Tabellen und Spalten zu verwenden. Eine Tabelle mit dem Namen SalesData ist aussagekräftiger als TableA, und Spaltennamen wie ActiveCustomer oder IsCustomerActive sind klarer als C1 oder ActCu. Beschreibende Namen helfen der KI, präzisere und zuverlässigere Abfragen zu generieren.

Fragen stellen

Nachdem Sie die Datenquellen hinzugefügt und die relevanten Tabellen für jede Datenquelle ausgewählt haben, können Sie mit dem Stellen von Fragen beginnen. Das System behandelt Fragen wie in diesem Screenshot gezeigt:

Fragen, die diesen Beispielen ähneln, sollten ebenfalls funktionieren:

"Was waren unsere Gesamtverkäufe in Kalifornien im Jahr 2023?"
„Welches sind die fünf Produkte mit den höchsten Listenpreisen und in welche Kategorien fallen sie?“
"Was sind die teuersten Artikel, die noch nie verkauft wurden?"

Fragen dieser Art sind geeignet, da das System sie in strukturierte Abfragen (T-SQL, DAX oder KQL) übersetzen, sie in Datenbanken ausführen und dann konkrete Antworten auf der Grundlage gespeicherter Daten zurückgeben kann.

Fragen dieser Art liegen jedoch außerhalb des Umfangs:

"Warum ist unsere Fabrikproduktivität in Q2 2024 niedriger?"
"Was ist die Ursache für unsere Verkaufsspitzen?"

Diese Fragen liegen derzeit außerhalb des Umfangs, da sie komplexe Schlussfolgerungen, Korrelationsanalysen oder externe Faktoren erfordern, die nicht direkt in der Datenbank verfügbar sind. Der Fabric-Datenagent führt derzeit keine erweiterten Analysen, maschinelles Lernen oder kausale Rückschlüsse durch. Sie ruft strukturierte Daten einfach basierend auf der Abfrage des Benutzers ab und verarbeitet sie.

Wenn Sie eine Frage stellen, verwendet der Fabric-Datenagent die Azure OpenAI Assistant-API, um die Anforderung zu verarbeiten. Der Flow funktioniert folgendermaßen:

Schemazugriff mit Benutzeranmeldeinformationen

Das System verwendet zunächst die Benutzeranmeldeinformationen, um auf das Schema der Datenquelle zuzugreifen (z. B. Lakehouse, Warehouse, PBI-Semantikmodell oder KQL-Datenbanken). Dadurch wird sichergestellt, dass das System Datenstrukturinformationen abruft, für deren Anzeige der Benutzer berechtigt ist.

Erstellen des Prompts

Um die Benutzerfrage zu interpretieren, kombiniert das System Folgendes:

Benutzerabfrage: die von der benutzenden Person in natürlicher Sprache bereitgestellte Frage.
Schemainformationen: Metadaten und strukturelle Details der Datenquelle, die im vorherigen Schritt abgerufen wurden.
Beispiele und Anweisungen: Alle vordefinierten Beispiele (z. B. Beispielfragen und -antworten) oder spezifische Anweisungen, die beim Einrichten des Fabric-Datenagents bereitgestellt werden. Diese Beispiele und Anweisungen helfen dabei, das Verständnis der KI für die Frage zu präzisieren und zu steuern, wie die KI mit den Daten interagiert.

All diese Informationen werden zur Erstellung eines Prompts verwendet. Dieser Prompt dient als Eingabe für die Azure OpenAI Assistant-API, die als Agent fungiert, der dem Fabric-Datenagent zugrunde liegt. Dadurch wird der Fabric-Datenagent im Wesentlichen darüber informiert, wie die Abfrage verarbeitet werden soll und welche Art von Antwort erzeugt werden soll.

Toolaufruf basierend auf Abfrageanforderungen

Der Agent analysiert den erstellten Prompt und entscheidet, welches Tool aufgerufen werden soll, um die Antwort abzurufen:

Natürliche Sprache zu SQL (NL2SQL): Wird verwendet, um SQL-Abfragen zu generieren, wenn sich die Daten in einem Lakehouse oder Warehouse befinden
Natürliche Sprache zu DAX (NL2DAX): Wird verwendet, um DAX-Abfragen zu erstellen, um mit Semantikmodellen in Power BI-Datenquellen zu interagieren
Natürliche Sprache zu KQL (NL2KQL): Wird verwendet, um KQL-Abfragen zu erstellen, um Daten in KQL-Datenbanken abzufragen

Das ausgewählte Tool generiert eine Abfrage unter Verwendung des Schemas, der Metadaten und des Kontexts, die der dem Fabric-Datenagent zugrunde liegende Agent bereitstellt. Anschließend validiert das Tool die Abfrage, um eine ordnungsgemäße Formatierung und die Einhaltung seiner Sicherheitsprotokolle sowie seiner eigenen Richtlinien für verantwortungsvolle KI (Responsible AI, RAI) sicherzustellen.

Erstellung der Antwort

Der dem Fabric-Datenagent zugrunde liegende Agent führt die Abfrage aus und stellt sicher, dass die Antwort entsprechend strukturiert und formatiert ist. Der Agent fügt häufig zusätzlichen Kontext hinzu, um die Antwort benutzerfreundlich zu gestalten. Schließlich wird die Antwort der benutzenden Person in einer Konversationsschnittstelle angezeigt, wie im folgenden Screenshot dargestellt:

Der Agent präsentiert sowohl das Ergebnis als auch die Zwischenschritte, die er zum Abrufen der endgültigen Antwort ausgeführt hat. Dieser Ansatz erhöht die Transparenz und ermöglicht bei Bedarf die Validierung dieser Schritte. Benutzende können die Dropdownliste für die Schritte erweitern, um alle Schritte anzuzeigen, die der Fabric-Datenagent zum Abrufen der Antwort ausgeführt hat, wie im folgenden Screenshot dargestellt:

Darüber hinaus stellt der Fabric-Datenagent den generierten Code bereit, der zum Abfragen der entsprechenden Datenquelle verwendet wird, und bietet so weitere Einblicke in die Erstellung der Antwort.

Diese Abfragen sind ausschließlich für die Abfrage von Daten vorgesehen. Vorgänge, die

Datenerstellung
Datenaktualisierungen
Datenlöschungen
jegliche Art von Datenänderung

umfassen, sind nicht zulässig, um die Integrität Ihrer Daten zu schützen.

Sie können jederzeit die Schaltfläche " Chat löschen" auswählen, um den Chat zu löschen, wie im folgenden Screenshot gezeigt:

Die Funktion „Chat löschen“ löscht den gesamten Chatverlauf und startet eine neue Sitzung. Nachdem Sie Ihren Chatverlauf gelöscht haben, können Sie ihn nicht mehr abrufen.

Ändern der Datenquelle

Um eine Datenquelle zu entfernen, zeigen Sie im Explorer im linken Bereich der Fabric-Daten-Agent-Seite auf den Namen der Datenquelle, bis das Dreipunktmenü angezeigt wird. Wählen Sie die drei Punkte aus, um die Optionen anzuzeigen, und wählen Sie dann "Entfernen" aus, um die Datenquelle zu löschen, wie im folgenden Screenshot gezeigt:

Alternativ können Sie, wenn sich Ihre Datenquelle geändert hat, im selben Menü die Option "Aktualisieren" auswählen, wie im folgenden Screenshot gezeigt:

Dadurch wird sichergestellt, dass alle Datenquellenaktualisierungen im Explorer sowohl angezeigt als auch korrekt ausgefüllt werden, damit Ihr Fabric-Datenagent mit den neuesten Daten synchronisiert bleibt.

Konfiguration des Fabric-Datenagents

Der Fabric-Datenagent bietet mehrere Konfigurationsoptionen, mit denen Benutzende das Verhalten des Fabric-Datenagents anpassen können, um es besser an die Anforderungen Ihrer Organisation anzupassen. Während der Fabric-Datenagent Daten verarbeitet und präsentiert, bieten diese Konfigurationen eine Flexibilität, die eine bessere Kontrolle über die Ergebnisse ermöglicht.

Bereitstellen von Anweisungen

Sie können spezifische Anweisungen bereitstellen, um das Verhalten der KI zu steuern. Um sie im Bereich "Fabric-Daten-Agent-Anweisungen" hinzuzufügen, wählen Sie die Anweisungen des Daten-Agents aus, wie im folgenden Screenshot gezeigt:

Hier können Sie bis zu 15.000 Zeichen in einfachem Englisch eingeben, um die KI über die Handhabung von Abfragen zu informieren.

Sie können beispielsweise die genaue Datenquelle angeben, die für bestimmte Arten von Fragen verwendet werden soll. Beispiele für die Auswahl von Datenquellen könnten darin bestehen, die KI anzuweisen, bestimmte Datenquellen zu verwenden.

Power BI-Semantikmodelle für Finanzabfragen
ein Lakehouse für Verkaufsdaten
eine KQL-Datenbank für Betriebsmetriken

Diese Anweisungen stellen sicher, dass die KI basierend auf Ihren Vorgaben und dem Kontext der Fragen geeignete Abfragen generiert, sei es in SQL, DAX oder KQL.

Wenn Ihre KI-Ressource bestimmte Wörter, Akronyme oder Begriffe immer wieder falsch interpretiert, können Sie versuchen, in diesem Abschnitt klare Definitionen bereitzustellen, um sicherzustellen, dass die KI sie richtig versteht und verarbeitet. Dies ist besonders nützlich bei domänenspezifischer Terminologie oder einzigartigem Geschäftsjargon.

Durch die Anpassung dieser Anweisungen und die Definition von Begriffen verbessern Sie die Fähigkeit der KI, präzise und relevante Erkenntnisse zu liefern, die vollständig mit Ihrer Datenstrategie und Ihren Geschäftsanforderungen übereinstimmen.

Bereitstellen von Beispielabfragen

Sie können die Genauigkeit der Antworten des Fabric-Datenagents verbessern, indem Sie Beispielabfragen bereitstellen, die auf die jeweilige Datenquelle zugeschnitten sind, z B. Lakehouse, Warehouse und KQL-Datenbanken. Dieser Ansatz, der alsFew-Shot Lernen in generativer KI bezeichnet wird, hilft dem Fabric-Daten-Agent, Antworten zu generieren, die besser ihren Erwartungen entsprechen.

Wenn Sie der KI Beispielabfrage-/Fragenpaare zur Verfügung stellen, greift sie bei der Beantwortung zukünftiger Fragen auf diese Beispiele zurück. Durch den Abgleich neuer Abfragen mit den relevantesten Beispielen kann die KI unternehmensspezifische Logik integrieren und effektiv auf häufig gestellte Fragen reagieren. Diese Funktion ermöglicht die Feinabstimmung für einzelne Datenquellen und gewährleistet die Erstellung genauerer SQL- oder KQL-Abfragen.

Power BI-Semantikmodelldaten unterstützen derzeit nicht das Hinzufügen von Beispielabfrage-/Fragenpaaren. Für unterstützte Datenquellen wie Lakehouse-, Warehouse- und KQL-Datenbanken kann die Bereitstellung zusätzlicher Beispiele die Fähigkeit der KI, präzise Abfragen zu generieren, deutlich verbessern, insbesondere wenn die Standardleistung einer Anpassung bedarf.

Tipp

Eine Vielfalt an Beispielabfragen verbessert die Fähigkeit eines Fabric-Datenagents, genaue und relevante SQL/KQL-Abfragen zu generieren.

Wenn Sie Beispielabfragen hinzufügen oder bearbeiten möchten, wählen Sie die Schaltfläche " Beispielabfragen " aus, um den Beispielabfragebereich zu öffnen, wie im folgenden Screenshot gezeigt:

Dieser Bereich bietet Optionen zum Hinzufügen oder Bearbeiten von Beispielabfragen für alle unterstützten Datenquellen mit Ausnahme von Power BI-Semantikmodellen. Für jede Datenquelle können Sie " Beispielabfragen hinzufügen" oder "Bearbeiten" auswählen, um die relevanten Beispiele einzugeben, wie im folgenden Screenshot gezeigt:

Hinweis

Der Fabric-Datenagent bezieht sich nur auf Abfragen, die eine gültige SQL/KQL-Syntax enthalten und mit dem Schema der ausgewählten Tabellen übereinstimmen. Der Fabric-Datenagent verwendet keine Abfragen, deren Validierung noch nicht abgeschlossen ist. Stellen Sie sicher, dass alle Beispielabfragen gültig sind und korrekt mit dem Schema übereinstimmen, um sicherzustellen, dass der Fabric-Datenagent sie effektiv nutzt.

Nachdem Sie die Leistung Ihres Fabric-Datenagents anhand verschiedener Fragen getestet und bestätigt haben, dass er genaue SQL-, DAX- oder KQL-Abfragen generiert, können Sie ihn für Ihre Kollegschaft freigeben. Wählen Sie zu diesem Zeitpunkt die Option "Veröffentlichen" aus, wie im folgenden Screenshot gezeigt:

In diesem Schritt wird ein Fenster geöffnet, in dem Sie nach einer Beschreibung des Fabric-Datenagents gefragt werden. Geben Sie hier eine detaillierte Beschreibung der Funktionsweise des Fabric-Datenagents ein. Diese Details informieren Ihre Kollegschaft über die Funktionalität des Fabric-Datenagents und helfen anderen KI-Systemen/Orchestratoren, den Fabric-Datenagents effektiv aufzurufen.

Nachdem Sie den Fabric-Datenagent veröffentlicht haben, verfügen Sie über zwei Versionen davon. Eine Version ist die aktuelle Entwurfsversion, die Sie weiter verfeinern und verbessern können. Die zweite Version ist die veröffentlichte Version, die Sie mit Ihrer Kollegschaft teilen können, die den Fabric-Datenagent abfragen möchte, um Antworten auf ihre Fragen zu erhalten. Sie können Feedback ihrer Kollegen während der Entwicklung in Ihre aktuelle Entwurfsversion integrieren, um die Leistung des Fabric-Daten-Agents weiter zu verbessern.

Freigeben über