Generative KI-Strategien für Mathematik und Datenabfragen

Derzeit gibt es unterschiedliche Meinungen darüber, wie gut Tools wie ChatGPT oder andere Sprachmodelle mit Mathematik und Datenabfragen umgehen. In diesem Artikel identifizieren wir Strategien und legen Erwartungen für die Erstellung von Agenten fest, die mathematische Berechnungen und Datenabfragen verarbeiten. Copilot Studio

Definitionen von Mathematik- und Datenabfragen in diesem Artikel

Das Ziel dieses Artikels besteht nicht darin, zu beurteilen, ob generative KI bei der Berechnung des Umfangs eines Rechtecks oder des Durchmessers eines Kreises helfen kann. Mathematik bezieht sich in diesem Kontext auf typische Fragen in natürlicher Sprache, die jemand einem Agent stellen würde. Bei diesen Fragen wird davon ausgegangen, dass die KI Summen, Durchschnittswerte und Trends aus den Wissensquellen oder Datentabellen, die den Modellen zugrunde liegen, aggregieren und interpretieren kann.

Das gewünschte Ergebnis ist in diesem Fall nicht die Lösung einer mathematischen Gleichung. Vielmehr soll es dem Benutzer helfen, Daten effizienter auszuwerten oder zu verstehen. Wenn Benutzer nach tiefgehender Datenanalyse suchen, beispielsweise nach erweiterter prädiktiver oder präskriptiver Analyse, ist ein benutzerdefiniertes Agent normalerweise nicht das Tool der Wahl. Es gibt jedoch mehrere Agenten im Stapel Microsoft, die sich stärker auf die Analyse konzentrieren. Beispielsweise ergänzen folgende Agenten zu diesem Zweck den Anwendungscode Sprachmodell durch Microsoft:

• Copilot für App-Benutzende in modellgesteuerten Apps hinzufügen
• Visualisieren Sie Daten in einer Ansicht mit dem Power BI Dienst
• Microsoft 365 Copilot für Vertrieb
• Betten Sie einen Power BI Bericht mit einem Copilot narrativen Bild ein
• Erkenntnisse mit Copilot in Excel ermitteln

Datenaggregate in Verständnis natürlicher Sprache

Wenn wir ein Agent in unseren eigenen Wissensquellen verankern, vereinfachen wir das Auffinden von Informationen, nach denen ein Benutzer in natürlicher Sprache fragt. Bedenken Sie, dass Sprachmodelle eher darauf ausgelegt sind, das nächste Wort in einer Sequenz vorherzusagen, als anspruchsvolle mathematische Berechnungen durchzuführen. Sie können jedoch dennoch nützliche Erkenntnisse und Erklärungen liefern. Diese Erkenntnisse ermöglichen eine schnellere Informationsbeschaffung als das Durchsuchen der Stichwortsuchergebnisse oder das manuelle Scrollen durch alle Datensätze in einer Tabelle.

Copilot Studio Agenten können in unserem Namen Wissensquellen scannen. Diese Agenten fassen Antworten zu verschiedenen Themen, Aktionen und Wissensquellen zusammen, unabhängig davon, ob es sich um aggregierte numerische Daten handelt oder nicht. Da wir die Modelle jedoch auf unseren Daten basieren, müssen wir die Daten kontextualisieren, die für die Reaktion der KI erforderlich sind. Basierend auf diesem Verständnis wissen wir, wann wir mehr Kontext oder Thema-Knoten bereitstellen sollten. Dieses zusätzliche Verständnis ist relevant, wenn in den Datenquellen Nischenbegriffe oder hochtechnische Ausdrucksweise zu finden sind. Nachfolgend sind Beispiele für Datenabfragen aufgeführt, die mathematische Ausdrücke beinhalten:

Beispielfragen	Faktoren, die Sie berücksichtigen sollten
Wie viele unserer Kunden in Nordamerika haben Produkt X gekauft?	Diese Eingabeaufforderung umfasst mehrere strukturierte Tabellen in einer relationalen Datenbank und erfordert normalerweise die Durchsicht von Hunderten oder sogar Tausenden von Datensätzen.
Wie hoch waren die Gesamtkosten für Reparaturarbeiten nach dem Hurrikan?	Diese Eingabeaufforderung umfasst eine Tabelle der reparierten Elemente mit einer Spalte für die Kostenauswirkungen für jedes Arbeitselement. Wenn die Tabelle mehr Reparaturen als Arbeitselemente im Zusammenhang mit dem Hurrikan enthält, ist eine Kategorie- oder Grundspalte erforderlich, damit die KI erkennt, welche mit dem Hurrikan in Zusammenhang stehen.
Welcher unserer Kunden hat die meisten Änderungswünsche eingereicht?	Diese Eingabeaufforderung umfasst eine Tabelle mit Änderungsanforderungen und eine zugehörige Tabelle mit Kundennamen. Hierbei werden jedoch zunächst die Anfragen pro Kunde gezählt und dann der Kunde mit der höchsten Anzahl an Anfragen zurückgegeben (und nicht der mit dem höchsten Dollarwert der Kostenauswirkungen).

Schnelle Klarheit und Struktur

Sprachmodelle hängen stark davon ab, wie gut die Frage formuliert ist. Eine gut strukturierte Eingabeaufforderung, die das mathematische Problem klar erklärt, Variablen definiert und Aufgabe in Schritte unterteilt, führt zu genaueren Antworten. Wenn Sie beispielsweise nach einer direkten Antwort auf eine einfache Rechenaufgabe fragen, funktioniert das wahrscheinlich gut, vage oder vielschichtige Fragen ohne klaren Kontext könnten das Modell jedoch verwirren.

Hier sind einige Beispielaufforderungen, die auf einer strukturierten Wissensquelle wie etwa einer Dataverse Tabelle basieren. Dieses Beispiel veranschaulicht das Hinzufügen einer Power Apps Dataverse Tabelle, wie in der folgenden Abbildung dargestellt.

Die Dataverse Tabelle wurde als Wissensquelle hinzugefügt und mit einer genauen Wissensbeschreibung sowie Synonymen und Glossardefinitionen versehen, um der KI die Interpretation der Daten zu erleichtern.

Spezifische Eingabeaufforderungen

Diese Eingabeaufforderungen sind spezifisch und auf die angeforderten Informationen zugeschnitten.

• „Können Sie alle Einzelheiten zur Änderungsauftragsreferenz PCO-1003 angeben, einschließlich Kontoname, angefordertem Betrag und Grund der Anforderung?“
• „Wie viele Konten haben im August 2024 Änderungsanträge gestellt?“
• „Wie hoch ist die Gesamtzahl der bisher angeforderten Änderungsaufträge?“
• „Welcher Kunde hat im Jahr 2024 die höchsten Kostenbelastungen gemeldet?“

Allgemeine Eingabeaufforderungen

Diese Eingabeaufforderungen sind verallgemeinert und fassen wahrscheinlich nicht alle Ergebnisse konsistent zusammen. Wahrscheinlich werden nur die ersten drei Ergebnisse zurückgegeben.

• „Bitte listen Sie unsere Konten in der Reihenfolge ihrer jeweiligen Umsätze auf.“
• „Listen Sie bitte die Änderungsanträge auf, die im August dieses Jahres eingereicht wurden, und geben Sie Änderungsbeträge und Status an.“
• „Können Sie alle bisher eingereichten Änderungsanträge auflisten?“

Anmerkung

Aktivieren oder Deaktivieren der Fähigkeit der KI, ihre eigenen Allgemeinwissen kann die Genauigkeit oder Angemessenheit der zurückgegebenen Antworten beeinträchtigen.

Tipps und Tricks

Hier sind ein paar Vorschläge für die Arbeit mit Copilot Studio die Ihnen dabei helfen, Erwartungen hinsichtlich generativer Antworten festzulegen, die auf mathematischen Ausdrücken basieren.

• Planen Sie Szenarien, in denen die wichtigsten Trends hervorgehoben werden, statt Berechnungen über Tausende von Datensätzen zu erwarten. Machen Sie auf diesen Gesprächsansatz aufmerksam, der zusammenfasst, statt aufzulisten.

• Bevorzugen Sie strukturierte Wissensquellen (tabularisch statt nicht tabellarisch), um mathematische Ausdrücke zu optimieren.

• Unterstützen Sie bestimmte Szenarien und verstehen Sie die Abhängigkeiten, die zu den Unterschieden führen. Beachten Sie beispielsweise den Unterschied zwischen diesen beiden Fragen:

  • Welcher unserer Kunden hat die meisten Änderungswünsche eingereicht? Zählt die Anfrage-IDs und gibt den Kunden mit den meisten Anfragen zurück – wobei andere Spalten ignoriert werden

  • Bei welchen unserer Kunden sind die Kostenauswirkungen durch Änderungsanfragen am höchsten? Summiert die Spalte „Kostenauswirkungen“ nach Kunden und gibt den Kunden zurück, der den höchsten Gesamtbetrag in Dollar übermittelt hat. Diese Informationen werden nur dann zurückgegeben, wenn eine entsprechende numerische oder währungsbasierte Spalte gefunden wird.

• Achten Sie darauf, alle numerischen Spalten für Berechnungen zu identifizieren und zu definieren. Stellen Sie sicher, dass sie mit dem entsprechenden Datentyp formatiert sind; sowohl auf der Ebene der Wissensquelle als auch bei Verwendung in beliebigen Copilot Studio Variablen. Fügen Sie, wenn möglich, eine eindeutige Beschreibung hinzu und verwenden Sie gebräuchliche Synonyme für die entsprechenden Spalten in den Tabellen, Spalten oder Aktionsbeschreibungen.

  Trinkgeld

  Wenn bei Verständnis natürlicher Sprache die Tabellenüberschriften in ihrem Benennungsprotokoll zu technisch sind, ist die KI möglicherweise nicht in der Lage, die menschenzentrierten Fragen zu beantworten, die während des Gesprächsverlaufs gestellt werden. Fügen Sie Deskriptoren mit typischer Ausdrucksweise Ihrer Benutzer hinzu.

• Bedenken Sie, dass Personen nur Antworten auf die Daten erhalten, für deren Anzeige sie eine Berechtigung haben. Beispielsweise könnte eine Verkaufstabelle in Dataverse nur einige Datensätze bestimmten Geschäftsgruppen zugänglich machen, aber nicht alle. Stellen Sie also sicher, dass Ihr Agent keine falschen Erwartungen hinsichtlich der Zusammenfassung der Daten weckt. Beispielsweise werden bei einer Abfrage des Gesamtumsatzes im Jahr 2024 nur die eigenen oder freigegebenen Datensätze summiert.

• Erwarten Sie bei den Verbrauchern stets KI-gestützte Antworten. Verwenden Sie die Auslöser Agent Gesprächsbeginn oder die erste Nachricht nach Thema , um den Zweck und die Einschränkungen einer oder mehrerer relevanter Wissensquellen sanft hervorzuheben.

Verwenden von Eingabeaufforderungsaktionen des AI Builders

Mithilfe von Eingabeaufforderungsaktionen können Sie Ihren Agenten und Lösungen in Power Apps generative KI-Funktionen hinzufügen Copilot Studio. Mit dieser Funktion können Sie Aufgaben wie Klassifizierung, Zusammenfassung, Erstellung von Inhaltsentwürfen, Datentransformation und vieles mehr durchführen. Mit Prompt-Aktionen können Sie auch generative KI-Antworten anpassen, um bestimmte Filter und Aggregationen aus Tabellen zu verwenden.

Im folgenden Screenshot sehen Sie, wie ein Copilot Studio Hersteller AI Builder Prompt-Aktionen verwendet Copilot Studio hat, um Änderungsauftragsanforderungen sowohl aus der Kontotabelle als auch aus der zugehörigen PCO-Tabelle zusammenzufassen.

Im vorhergehenden Beispiel wurden die Wissensquellen von Agent nicht verwendet. Stattdessen enthält die Eingabeaufforderung die dynamische Eingabeaufforderungsvariable für die Kontonummer und eine Tabelle von Dataverse als Daten.

Trinkgeld

Zugehörige Tabellen werden von der KI vorausgesetzt und müssen in diesem Fall nicht ergänzt werden. (Die PCO-Tabelle hat eine Viele-zu-eins-Beziehung mit Konten.)