Έννοιες παράγοντα δεδομένων Fabric

Ο παράγοντας δεδομένων στο Microsoft Fabric είναι μια γενικά διαθέσιμη δυνατότητα που σας επιτρέπει να δημιουργήσετε τις δικές σας συνομιλητικές ερωτήσεις και ερωτήσεις Ένα σύστημα με τη χρήση γενετικής τεχνητής νοημοσύνης. Ένας παράγοντας δεδομένων Fabric κάνει τις πληροφορίες δεδομένων πιο προσβάσιμες και αξιοποιήσιμες για όλους στον οργανισμό σας. Χρησιμοποιώντας έναν παράγοντα δεδομένων Fabric, η ομάδα σας μπορεί να έχει συνομιλίες, με απλές ερωτήσεις στην αγγλική γλώσσα, σχετικά με τα δεδομένα που έχει αποθηκεύσει ο οργανισμός σας στο Fabric OneLake και, στη συνέχεια, να λαμβάνει σχετικές απαντήσεις. Με αυτόν τον τρόπο, ακόμη και άτομα χωρίς τεχνική εξειδίκευση στην τεχνητή νοημοσύνη ή βαθιά κατανόηση της δομής δεδομένων μπορούν να λάβουν ακριβείς και πλούσιες σε περιβάλλον απαντήσεις. Σε ευρύτερες αρχιτεκτονικές πρακτορικών εφαρμογών στο Microsoft Fabric, οι πράκτορες δεδομένων χρησιμεύουν ως στοιχείο ανάλυσης συνομιλίας, συνδέοντας με ελεγχόμενα δεδομένα στο OneLake μέσω λιμνών, αποθηκών, σημασιολογικών μοντέλων και βάσεων δεδομένων KQL σε λύσεις πολλαπλών πρακτόρων.

Μπορείτε επίσης να προσθέσετε οδηγίες, παραδείγματα και οδηγίες για συγκεκριμένους οργανισμούς για να ρυθμίσετε με ακρίβεια τον παράγοντα δεδομένων Fabric. Αυτή η προσέγγιση διασφαλίζει ότι οι απαντήσεις ευθυγραμμίζονται με τις ανάγκες και τους στόχους του οργανισμού σας, επιτρέποντας σε όλους να αλληλεπιδρούν με τα δεδομένα πιο αποτελεσματικά. Ο παράγοντας δεδομένων Fabric προωθεί μια κουλτούρα λήψης αποφάσεων βάσει δεδομένων, επειδή μειώνει τα εμπόδια στην προσβασιμότητα πληροφοριών, διευκολύνει τη συνεργασία και βοηθά τον οργανισμό σας να αντλήσει περισσότερη αξία από τα δεδομένα του.

Prerequisites

Προϋποθέσεις διακυβέρνησης

Εάν ο μισθωτής ή ο χώρος εργασίας σας διέπεται από πολιτικές Microsoft Purview, οι εκπρόσωποι πρέπει να λειτουργούν σύμφωνα με αυτές τις πολιτικές. Οι ακόλουθες πολιτικές του Purview μπορούν να περιορίσουν την πρόσβαση του εκπροσώπου και τα αποτελέσματα που επιστρέφουν οι εκπρόσωποι, με βάση την ευαισθησία και τη ρύθμιση παραμέτρων πολιτικής:

  • Purview Πολιτικές DLP στο Fabric αποθήκη δεδομένων (γενικά διαθέσιμες): Οι πολιτικές DLP μπορούν να εντοπίσουν και να περιορίσουν την πρόσβαση σε ευαίσθητα δεδομένα σε πάγια στοιχεία αποθήκης στα οποία υποβάλλει ερώτημα ο εκπρόσωπος.
  • Πολιτικές περιορισμού πρόσβασης (έκδοση προεπισκόπησης) για Fabric βάση δεδομένων KQL, Fabric βάση δεδομένων SQL και Fabric αποθήκη δεδομένων: Αυτές οι πολιτικές μπορούν να εμποδίσουν τον παράγοντα να αποκτήσει πρόσβαση ή να επιστρέψει αποτελέσματα από πόρους που έχουν ταξινομηθεί ως ευαίσθητοι.

Πώς λειτουργεί ο παράγοντας δεδομένων Fabric

Ο παράγοντας δεδομένων Fabric χρησιμοποιεί μεγάλα μοντέλα γλώσσας (LLM) για να βοηθήσει τους χρήστες να αλληλεπιδρούν με τα δεδομένα τους φυσικά. Ο παράγοντας δεδομένων Fabric εφαρμόζει API βοηθού Azure OpenAI και συμπεριφέρεται σαν εκπρόσωπος. Επεξεργάζεται ερωτήσεις χρήστη, προσδιορίζει την πιο σχετική προέλευση δεδομένων (Lakehouse, Warehouse, σύνολο δεδομένων Power BI, βάσεις δεδομένων KQL, οντολογία ή Microsoft Graph) και καλεί το κατάλληλο εργαλείο για τη δημιουργία, την επικύρωση και την εκτέλεση ερωτημάτων. Οι χρήστες μπορούν στη συνέχεια να κάνουν ερωτήσεις σε απλή γλώσσα και να λαμβάνουν δομημένες, αναγνώσιμες από τον άνθρωπο απαντήσεις. Αυτή η προσέγγιση εξαλείφει την ανάγκη σύνταξης πολύπλοκων ερωτημάτων και διασφαλίζει ακριβή και ασφαλή πρόσβαση στα δεδομένα.

Δείτε πώς λειτουργεί λεπτομερώς:

Ανάλυση και επικύρωση ερωτήσεων: Ο πράκτορας δεδομένων Fabric εφαρμόζει Azure API του OpenAI Assistant ως τον υποκείμενο παράγοντα για την επεξεργασία ερωτήσεων χρήστη. Αυτή η προσέγγιση εξασφαλίζει ότι η ερώτηση συμμορφώνεται με τα πρωτόκολλα ασφαλείας, τις υπεύθυνες πολιτικές AI (RAI) και τα δικαιώματα χρήστη. Ο παράγοντας δεδομένων Fabric σέβεται επίσης τα στοιχεία ελέγχου διαχείρισης του Microsoft Purview που εφαρμόζονται στις υποκείμενες προελεύσεις δεδομένων Fabric, συμπεριλαμβανομένης της αποτροπής απώλειας δεδομένων (DLP) και των πολιτικών περιορισμού πρόσβασης. Η επιβολή πολιτικής ενδέχεται να αποτρέψει την εκτέλεση ορισμένων ερωτημάτων ή την εμφάνιση συγκεκριμένων δεδομένων στις απαντήσεις. Ο παράγοντας δεδομένων Fabric επιβάλλει αυστηρά πρόσβαση μόνο για ανάγνωση, διατηρώντας συνδέσεις δεδομένων μόνο για ανάγνωση σε όλες τις προελεύσεις δεδομένων.

Μηχανισμοί επιβολής: Ο Fabric πράκτορας δεδομένων εφαρμόζει διάφορα επίπεδα προστασίας κατά την επεξεργασία. Χρησιμοποιεί τα διαπιστευτήρια και τα δικαιώματα του αιτούντος χρήστη για να επιβάλει πρόσβαση με ελάχιστα προνόμια, διασφαλίζοντας ότι κάθε αλληλεπίδραση φτάνει μόνο σε δεδομένα που ο χρήστης είναι εξουσιοδοτημένος να δει. Ο εκπρόσωπος αξιολογεί τις αιτήσεις σε σχέση με τις ρυθμίσεις πολιτικής μισθωτή και χώρου εργασίας πριν από την εκτέλεση οποιασδήποτε ενέργειας. Τα προστατευτικά κιγκλιδώματα περιορίζουν την κλήση εργαλείων και τις εξόδους σε προελεύσεις δεδομένων εμβέλειας, εμποδίζοντας τα ερωτήματα να φτάσουν σε πόρους εκτός του διαμορφωμένου πεδίου. Μπορείτε προαιρετικά να ενσωματώσετε το Azure AI Content Safety για να εφαρμόσετε ελέγχους κινδύνου περιεχομένου που συμβάλλουν στη μείωση των επιβλαβών ή εκτός πολιτικής αποκρίσεων.

Αναγνώριση προέλευσης δεδομένων: Ο παράγοντας δεδομένων Fabric χρησιμοποιεί τα διαπιστευτήρια του χρήστη για πρόσβαση στο σχήμα της προέλευσης δεδομένων. Αυτή η προσέγγιση διασφαλίζει ότι το σύστημα ανακτά πληροφορίες δομής δεδομένων που ο χρήστης έχει άδεια προβολής. Στη συνέχεια, ο εκπρόσωπος αξιολογεί την ερώτηση του χρήστη σε σχέση με όλες τις διαθέσιμες προελεύσεις δεδομένων, συμπεριλαμβανομένων των σχεσιακών βάσεων δεδομένων (Lakehouse και Warehouse), των συνόλων δεδομένων Power BI (Σημασιολογικά μοντέλα), των βάσεων δεδομένων KQL (συμπεριλαμβανομένου του Eventhouse), των οντολογιών και του Microsoft Graph. Μπορεί επίσης να αναφέρεται σε οδηγίες παράγοντα δεδομένων που παρέχονται από τον χρήστη για τον προσδιορισμό της πιο σχετικής προέλευσης δεδομένων. Για σημασιολογικά μοντέλα Power BI, ο εκπρόσωπος χρησιμοποιεί το δικαίωμα ανάγνωσης του χρήστη στο μοντέλο για την ανάκτηση σχήματος και μετα-δεδομένων για τη δημιουργία ερωτημάτων. Το δικαίωμα δημιουργίας δεν απαιτείται για ερωτήματα βάσει εκπροσώπου.

Κλήση εργαλείου και δημιουργία ερωτημάτων: Μόλις εντοπιστεί η σωστή πηγή ή πηγές δεδομένων, ο πράκτορας δεδομένων Fabric αναδιατυπώνει την ερώτηση για σαφήνεια και δομή και, στη συνέχεια, καλεί το αντίστοιχο εργαλείο για να δημιουργήσει ένα δομημένο ερώτημα:

  • Φυσική γλώσσα σε SQL (NL2SQL) για σχεσιακές βάσεις δεδομένων (Lakehouse/Warehouse).
  • Φυσική γλώσσα σε DAX (NL2DAX) για σύνολα δεδομένων Power BI (σημασιολογικά μοντέλα).
  • Φυσική γλώσσα του KQL (NL2KQL) για βάσεις δεδομένων KQL. Το NL2KQL μπορεί να χρησιμοποιήσει συναρτήσεις KQL που ορίζονται από το χρήστη (UDF) όταν είναι διαθέσιμες στις επιλεγμένες βάσεις δεδομένων. Το NL2KQL μπορεί να εκτελεστεί σε βάσεις δεδομένων KQL Eventhouse τόσο για ζωντανά όσο και για ιστορικά δεδομένα συμβάντων ή χρονοσειρών και υποστηρίζονται τυπικά φίλτρα χρόνου KQL και μοτίβα χρονοσειρών.
  • Ερωτήματα του Microsoft Graph για εταιρικά δεδομένα που είναι προσβάσιμα μέσω του Microsoft Graph.

Το επιλεγμένο εργαλείο δημιουργεί ένα ερώτημα με βάση το παρεχόμενο σχήμα, τα μετα-δεδομένα και το περιβάλλον που μεταβιβάζει στη συνέχεια ο παράγοντας που βρίσκεται κάτω από το στοιχείο δεδομένων Fabric.

Επικύρωση ερωτήματος: Το εργαλείο εκτελεί επικύρωση για να διασφαλίσει ότι το ερώτημα έχει διαμορφωθεί σωστά και συμμορφώνεται με τα δικά του πρωτόκολλα ασφαλείας και τις πολιτικές RAI.

Εκτέλεση και απόκριση ερωτήματος: Μόλις επικυρωθεί, ο πράκτορας δεδομένων Fabric εκτελεί το ερώτημα σε σχέση με την επιλεγμένη προέλευση δεδομένων. Τα αποτελέσματα μορφοποιούνται σε μια απόκριση αναγνώσιμη από τον άνθρωπο, η οποία μπορεί να περιλαμβάνει δομημένα δεδομένα όπως πίνακες, συνόψεις ή βασικές πληροφορίες.

Χρησιμοποιώντας αυτήν την προσέγγιση, οι χρήστες μπορούν να αλληλεπιδράσουν με τα δεδομένα τους χρησιμοποιώντας φυσική γλώσσα. Ο παράγοντας δεδομένων Fabric χειρίζεται την πολυπλοκότητα της δημιουργίας, της επικύρωσης και της εκτέλεσης ερωτημάτων. Οι χρήστες δεν χρειάζεται να γράψουν οι ίδιοι SQL, DAX ή KQL.

Ασφάλεια και διαχείριση με το Microsoft Purview

Το Microsoft Purview παρέχει ελέγχους διαχείρισης και κινδύνου για παράγοντες δεδομένων Fabric. Αυτές οι δυνατότητες βρίσκονται αυτήν τη στιγμή σε προεπισκόπηση και βοηθούν τους οργανισμούς να διατηρήσουν τη συμμόρφωση όταν χρησιμοποιούν παράγοντες για πρόσβαση σε δεδομένα Fabric. Οι βασικές δυνατότητες περιλαμβάνουν:

  • Εντοπισμός και έλεγχος κινδύνου: Οι προτροπές και οι απαντήσεις από πράκτορες δεδομένων Fabric μπορούν να υπόκεινται σε εντοπισμό και έλεγχο κινδύνου Purview, παρέχοντας στις ομάδες ασφαλείας ορατότητα στον τρόπο με τον οποίο οι πράκτορες αλληλεπιδρούν με τα δεδομένα του οργανισμού.
  • Αξιολογήσεις κινδύνου δεδομένων DSPM: Διαχείριση κατάστασης ασφάλειας δεδομένων (DSPM) Οι αξιολογήσεις κινδύνου δεδομένων μπορούν να εμφανίσουν ευαίσθητους κινδύνους δεδομένων στις προελεύσεις δεδομένων που χρησιμοποιούν οι εκπρόσωποι, βοηθώντας σας να εντοπίσετε και να αντιμετωπίσετε πιθανή έκθεση.
  • Διαχείριση εσωτερικών κινδύνων: Το Purview Insider Risk Management μπορεί να ανιχνεύσει επικίνδυνα μοτίβα χρήσης τεχνητής νοημοσύνης που περιλαμβάνουν πράκτορες, όπως ασυνήθιστους όγκους ερωτημάτων ή πρόσβαση σε ευαίσθητα δεδομένα.
  • Audit, eDiscovery και διατήρηση: Οι πολιτικές Purview Audit, eDiscovery και διατήρησης ισχύουν για αλληλεπιδράσεις και εξόδους εκπροσώπων σε υποστηριζόμενους φόρτους εργασίας Fabric. Ο εντοπισμός μη συμμορφούμενης χρήσης μπορεί επίσης να επισημάνει τη δραστηριότητα του πράκτορα που παραβιάζει τις πολιτικές του οργανισμού.

Για περισσότερες πληροφορίες σχετικά με τον τρόπο Microsoft Purview ενσωματώνεται με Fabric, ανατρέξτε στο θέμα Χρήση Microsoft Purview για τη διαχείριση του Microsoft Fabric.

Ρύθμιση παραμέτρων παράγοντα δεδομένων Fabric

Η ρύθμιση παραμέτρων ενός παράγοντα δεδομένων Fabric είναι παρόμοια με τη δημιουργία μιας αναφοράς Power BI—ξεκινάτε σχεδιάζοντας και βελτιώνοντας την για να εξασφαλίσετε ότι ανταποκρίνεται στις ανάγκες σας και, στη συνέχεια, τη δημοσιεύετε και την μοιράζεστε με συναδέλφους, ώστε να μπορούν να αλληλεπιδρούν με τα δεδομένα. Η ρύθμιση ενός παράγοντα δεδομένων Fabric περιλαμβάνει:

Επιλογή πηγών δεδομένων: Ένας πράκτορας δεδομένων Fabric υποστηρίζει έως και πέντε προελεύσεις δεδομένων σε οποιονδήποτε συνδυασμό, συμπεριλαμβανομένων λιμνών, αποθηκών, βάσεων δεδομένων KQL, σημασιολογικών μοντέλων Power BI, οντολογιών και Microsoft Graph. Για παράδειγμα, ένας ρυθμισμένος παράγοντας δεδομένων Fabric θα μπορούσε να περιλαμβάνει πέντε σημασιολογικά μοντέλα Power BI. Θα μπορούσε να περιλαμβάνει έναν συνδυασμό δύο σημασιολογικών μοντέλων Power BI, ενός lakehouse και μιας βάσης δεδομένων KQL. Έχετε πολλές διαθέσιμες επιλογές. Οι βάσεις δεδομένων KQL Eventhouse υποστηρίζονται ως προελεύσεις δεδομένων KQL για πράκτορες δεδομένων. Οι εκπρόσωποι υποβάλλουν ερωτήματα σε δεδομένα Eventhouse στη θέση τους χωρίς μετακίνηση δεδομένων.

Επιλογή σχετικών πινάκων: Αφού επιλέξετε τις προελεύσεις δεδομένων, προσθέστε τις μία κάθε φορά και ορίστε τους συγκεκριμένους πίνακες από κάθε προέλευση που χρησιμοποιεί ο παράγοντας δεδομένων Fabric. Αυτό το βήμα εξασφαλίζει ότι ο παράγοντας δεδομένων Fabric ανακτά ακριβή αποτελέσματα εστιάζοντας μόνο σε σχετικά δεδομένα. Για τα lakehouses, αυτό το βήμα σημαίνει την επιλογή πινάκων lakehouse (όχι μεμονωμένων αρχείων lakehouse). Εάν τα δεδομένα σας ξεκινούν ως αρχεία (για παράδειγμα, CSV ή JSON), κάντε τα διαθέσιμα στον εκπρόσωπο απορροφώντας τα σε πίνακες ή εκθέτοντάς τα με άλλον τρόπο μέσω πινάκων. Για βάσεις δεδομένων KQL που υποστηρίζονται από την υπηρεσία Eventhouse, επιλέξτε μόνο τους πίνακες που σχετίζονται περισσότερο με τυπικές ερωτήσεις και ενθαρρύνετε τους χρήστες να συμπεριλάβουν φίλτρα χρόνου κατά την υποβολή ερωτημάτων σε δεδομένα χρονοσειρών ή συμβάντων μεγάλου όγκου για να διατηρήσουν τις απαντήσεις γρήγορες.

Προσθήκη περιβάλλοντος: Για να βελτιώσετε την ακρίβεια του Fabric παράγοντα δεδομένων, παρέχετε περισσότερο πλαίσιο μέσω Fabric οδηγιών παράγοντα δεδομένων και παραδειγμάτων ερωτημάτων. Ως ο υποκείμενος παράγοντας για τον παράγοντα δεδομένων Fabric, το περιβάλλον βοηθά το Azure OpenAI Assistant API να λαμβάνει πιο ενημερωμένες αποφάσεις σχετικά με τον τρόπο επεξεργασίας των ερωτήσεων των χρηστών και να προσδιορίζει ποια προέλευση δεδομένων είναι η καταλληλότερη για να τις απαντήσει.

  • Οδηγίες παράγοντα δεδομένων: Προσθέστε οδηγίες για να καθοδηγήσετε τον πράκτορα που βρίσκεται στη βάση του πράκτορα δεδομένων Fabric, στον προσδιορισμό της καλύτερης πηγής δεδομένων για την απάντηση συγκεκριμένων τύπων ερωτήσεων. Μπορείτε επίσης να παρέχετε προσαρμοσμένους κανόνες ή ορισμούς που αποσαφηνίζουν την οργανωτική ορολογία ή συγκεκριμένες απαιτήσεις. Αυτές οι οδηγίες μπορούν να παρέχουν περισσότερο περιβάλλον ή προτιμήσεις που επηρεάζουν τον τρόπο με τον οποίο ο παράγοντας επιλέγει και υποβάλλει ερωτήματα σε προελεύσεις δεδομένων. Για παράδειγμα, κατευθύνετε ερωτήσεις σχετικά με τις οικονομικές μετρήσεις σε ένα Power BI σημασιολογικό μοντέλο, εκχωρήστε ερωτήματα που περιλαμβάνουν εξερεύνηση ακατέργαστων δεδομένων στο lakehouse και δρομολογήστε ερωτήσεις που απαιτούν ανάλυση log στη βάση δεδομένων KQL.

  • Παραδείγματα ερωτημάτων: Προσθέστε δείγματα ζευγών ερωτήσεων-ερωτημάτων για να δείξετε πώς ο παράγοντας δεδομένων Fabric θα πρέπει να ανταποκρίνεται σε κοινά ερωτήματα. Αυτά τα παραδείγματα χρησιμεύουν ως οδηγός για τον παράγοντα, το οποίο τον βοηθά να κατανοήσει πώς να ερμηνεύει παρόμοιες ερωτήσεις και να δημιουργεί ακριβείς απαντήσεις.

Note

Η προσθήκη δειγμάτων ζευγών ερωτημάτων/ερωτήσεων δεν υποστηρίζεται προς το παρόν για προελεύσεις δεδομένων σημασιολογικού μοντέλου Power BI.

Συνδυάζοντας σαφείς οδηγίες τεχνητής νοημοσύνης και σχετικά παραδείγματα ερωτημάτων, μπορείτε να ευθυγραμμίσετε καλύτερα τον παράγοντα δεδομένων Fabric με τις ανάγκες δεδομένων του οργανισμού σας, διασφαλίζοντας πιο ακριβείς και συνειδητοποιημένες απαντήσεις.

Σημαντικό

Οι οδηγίες και τα παραδείγματα ερωτημάτων που παρέχονται από τον προγραμματιστή πρέπει να λειτουργούν εντός οργανωτικών περιορισμών και περιορισμών βάσει ρόλων. Εάν οι οδηγίες ή οι προτροπές έρχονται σε διένεξη με την πολιτική (για παράδειγμα, προσπάθειες παράκαμψης συμπεριφοράς μόνο για ανάγνωση ή πρόσβασης σε προελεύσεις εκτός εμβέλειας), ο εκπρόσωπος απορρίπτει ή ανακατευθύνει την αίτηση σύμφωνα με το μοντέλο προτεραιότητας που περιγράφεται στην επόμενη ενότητα.

Επίπεδα διακυβέρνησης και πρόθεσης

Όταν ρυθμίζετε τις παραμέτρους ενός παράγοντα δεδομένων Fabric, πολλά επίπεδα πρόθεσης μπορούν να επηρεάσουν τον τρόπο συμπεριφοράς του εκπροσώπου. Αυτά τα επίπεδα, που παρατίθενται από την υψηλότερη προς τη χαμηλότερη προτεραιότητα, καθορίζουν τι επιτρέπεται να κάνει ο πράκτορας:

  1. Πρόθεση οργανισμού: Πολιτικές σε επίπεδο μισθωτή και απαιτήσεις συμμόρφωσης που ορίζονται από τους διαχειριστές του οργανισμού σας. Αυτοί οι περιορισμοί έχουν την υψηλότερη προτεραιότητα και δεν μπορούν να παρακαμφθούν από κανένα άλλο επίπεδο.
  2. Πρόθεση βάσει ρόλων: Ρυθμίσεις διαχείρισης χώρου εργασίας και όρια δικαιωμάτων που ισχύουν για συγκεκριμένους ρόλους ή ομάδες. Αυτές οι ρυθμίσεις επιβάλλουν στοιχεία ελέγχου πρόσβασης και περιορισμούς εύρους δεδομένων.
  3. Πρόθεση προγραμματιστή: Προσαρμοσμένες οδηγίες, παραδείγματα ερωτημάτων και ρυθμίσεις παραμέτρων προέλευσης δεδομένων που παρέχετε κατά τη δημιουργία του παράγοντα δεδομένων.
  4. Πρόθεση χρήστη: Ερωτήσεις και προτροπές που υποβάλλουν οι τελικοί χρήστες κατά τη διάρκεια συνομιλιών με τον εκπρόσωπο.

Όταν προκύπτουν διενέξεις μεταξύ στρώσεων, οι στρώσεις υψηλότερης προτεραιότητας υπερισχύουν των χαμηλότερων. Για παράδειγμα, οι εταιρικές πολιτικές και οι ρυθμίσεις διαχείρισης χώρου εργασίας παρακάμπτουν πάντα τις οδηγίες προγραμματιστή και τις προτροπές χρήστη. Αυτό το μοντέλο προτεραιότητας διασφαλίζει ότι ο πράκτορας λειτουργεί εντός εγκεκριμένων ορίων, ανεξάρτητα από τον τρόπο διαμόρφωσης ή προτροπής.

Διαφορά μεταξύ ενός παράγοντα δεδομένων Fabric και ενός copilot

Ενώ τόσο οι πράκτορες δεδομένων Fabric όσο και οι copilot Fabric χρησιμοποιούν παραγωγικό AI για την επεξεργασία και την αιτιολόγηση δεδομένων, υπάρχουν βασικές διαφορές στη λειτουργικότητα και τις περιπτώσεις χρήσης τους:

Ευελιξία διαμόρφωσης: Μπορείτε να ρυθμίσετε σε μεγάλο βαθμό Fabric πράκτορες δεδομένων. Μπορείτε να παρέχετε προσαρμοσμένες οδηγίες και παραδείγματα για να προσαρμόσετε τη συμπεριφορά τους σε συγκεκριμένα σενάρια. Τα Fabric copilots, από την άλλη πλευρά, είναι προρυθμισμένα και δεν προσφέρουν αυτό το επίπεδο προσαρμογής.

Πεδίο εφαρμογής και περίπτωση χρήσης: Fabric copilot βοηθούν σε εργασίες εντός Microsoft Fabric, όπως η δημιουργία κώδικα σημειωματάριου ή ερωτημάτων αποθήκης. Οι πράκτορες δεδομένων Fabric, αντίθετα, είναι αυτόνομα τεχνουργήματα με δυνατότητα ρύθμισης παραμέτρων που μπορούν να υποβάλουν ερωτήματα σε δεδομένα σε OneLake και σημασιολογικά μοντέλα. Οι παράγοντες δεδομένων Fabric μπορούν επίσης να ενσωματωθούν με το Microsoft 365 Copilot για να εμφανίσουν πληροφορίες φυσικής γλώσσας απευθείας στις εφαρμογές του Microsoft 365. Όταν γίνεται πρόσβαση σε εκπροσώπους μέσω του Microsoft 365 Copilot, οι πολιτικές διαχείρισης του Microsoft Purview εξακολουθούν να ισχύουν για τις υποκείμενες προελεύσεις δεδομένων. Επιπλέον, οι πράκτορες δεδομένων Fabric μπορούν να συνδεθούν με εξωτερικά συστήματα όπως το Microsoft Copilot Studio, το Azure AI Foundry, το Microsoft Teams ή άλλα εργαλεία εκτός του Fabric. Τα εξωτερικά orchestrator και οι χρόνοι εκτέλεσης πολλών παραγόντων μπορούν να καλέσουν πράκτορες δεδομένων Fabric για να υποστηρίξουν ροές εργασιών πρακτόρων από άκρο σε άκρο, ενώ οι πράκτορες δεδομένων παραμένουν εστιασμένοι στην πρόσβαση δεδομένων μόνο για ανάγνωση.

Αξιολόγηση του παράγοντα δεδομένων Fabric

Η ομάδα προϊόντων αξιολόγησε αυστηρά την ποιότητα και την ασφάλεια των απαντήσεων του πράκτορα δεδομένων Fabric:

Δοκιμή συγκριτικής αξιολόγησης: Η ομάδα προϊόντων δοκίμασε Fabric πράκτορες δεδομένων σε μια σειρά δημόσιων και ιδιωτικών συνόλων δεδομένων για να εξασφαλίσει υψηλής ποιότητας και ακριβείς απαντήσεις.

Ενισχυμένοι μετριασμοί βλάβης: Η ομάδα προϊόντων εφάρμοσε διασφαλίσεις για να διασφαλίσει ότι τα αποτελέσματα των πρακτόρων δεδομένων Fabric παραμένουν εστιασμένα στο πλαίσιο επιλεγμένων πηγών δεδομένων, μειώνοντας τον κίνδυνο άσχετων ή παραπλανητικών απαντήσεων.

Διαχείριση και ασφάλεια

Η ενοποίηση του Microsoft Purview παρέχει στοιχεία ελέγχου διαχείρισης για πράκτορες δεδομένων Fabric. Όταν ρυθμίζετε τις παραμέτρους ενός παράγοντα δεδομένων, οι πολιτικές διαχείρισης του Purview εφαρμόζονται στις υποκείμενες προελεύσεις δεδομένων στις οποίες μπορεί να έχει πρόσβαση ο εκπρόσωπος. Αυτή η ενοποίηση βοηθά να διασφαλιστεί ότι η πρόσβαση στα δεδομένα μέσω πρακτόρων ακολουθεί τους ίδιους κανόνες συμμόρφωσης και ταξινόμησης με την άμεση πρόσβαση.

Microsoft Purview πολιτικές: Οι πολιτικές Purview, όπως τα στοιχεία ελέγχου πρόσβασης δεδομένων και οι ετικέτες ευαισθησίας, εφαρμόζονται σε προελεύσεις δεδομένων στις οποίες υποβάλλουν ερωτήματα οι εκπρόσωποι. Εάν μια πολιτική Purview περιορίζει την πρόσβαση σε μια λίμνη ή αποθήκη, ο εκπρόσωπος σέβεται αυτόν τον περιορισμό κατά την επεξεργασία ερωτημάτων χρήστη.

Προστασία εξερχόμενης πρόσβασης: Οι πράκτορες δεδομένων Fabric λειτουργούν εντός των ορίων προστασίας εξερχόμενης πρόσβασης χώρου εργασίας. Οι διαχειριστές χώρου εργασίας μπορούν να διαχειριστούν τις επιτρεπόμενες εξερχόμενες συνδέσεις μέσω των ρυθμίσεων χώρου εργασίας για να ελέγξουν σε ποια εξωτερικά τελικά σημεία μπορεί να φτάσει ο παράγοντας δεδομένων.

Microsoft 365 Copilot ενοποίηση: Όταν εμφανίζονται Fabric παράγοντες δεδομένων μέσω Microsoft 365 Copilot, οι πολιτικές διαχείρισης του Purview συνεχίζουν να ισχύουν. Οι χρήστες μπορούν να έχουν πρόσβαση μόνο σε δεδομένα που επιτρέπουν τα διαπιστευτήριά τους και οι πολιτικές Purview, ανεξάρτητα από το σημείο εισόδου.

ALM και DevOps για πράκτορες δεδομένων

Οι παράγοντες δεδομένων Fabric υποστηρίζουν δυνατότητες διαχείρισης κύκλου ζωής εφαρμογών (ALM) που σας βοηθούν να διαχειριστείτε τις ρυθμίσεις παραμέτρων παραγόντων σε περιβάλλοντα ανάπτυξης, δοκιμής και παραγωγής.

Διαγνωστικά: Χρησιμοποιήστε ενσωματωμένα διαγνωστικά για να παρακολουθήσετε τη συμπεριφορά του εκπροσώπου, να εντοπίσετε προβλήματα δημιουργίας ερωτημάτων και να αντιμετωπίσετε προβλήματα ποιότητας απόκρισης. Τα διαγνωστικά παρέχουν ορατότητα στον τρόπο με τον οποίο ο εκπρόσωπος επεξεργάζεται ερωτήσεις και επιλέγει προελεύσεις δεδομένων.

Ενσωμάτωση Git: Μπορείτε να ελέγξετε την έκδοση των διαμορφώσεων του εκπροσώπου σας με την ενοποίηση Git. Συνδέστε τον χώρο εργασίας Fabric σε ένα αποθετήριο δεδομένων Git για να παρακολουθείτε τις αλλαγές στις οδηγίες εκπροσώπου, τα παραδείγματα ερωτημάτων και τις επιλογές προέλευσης δεδομένων με την πάροδο του χρόνου.

Διοχετεύσεις ανάπτυξης: Χρησιμοποιήστε Fabric διοχετεύσεις ανάπτυξης για να προωθήσετε πράκτορες δεδομένων σε χώρους εργασίας (για παράδειγμα, από την ανάπτυξη έως την παραγωγή). Αυτή η υποστήριξη σάς επιτρέπει να δοκιμάζετε τις αλλαγές σε ένα περιβάλλον σταδιοποίησης πριν τις διαθέσετε στους τελικούς χρήστες.

Επιχειρησιακή εποπτεία

Για να διατηρήσετε τη συνεχή ευθυγράμμιση ποιότητας και πολιτικής, λάβετε υπόψη αυτές τις λειτουργικές πρακτικές για το Fabric data agent:

  • Καταγραφή και έλεγχος: Παρακολουθήστε τις αλληλεπιδράσεις των πρακτόρων μέσω των διαθέσιμων δυνατοτήτων καταγραφής και ελέγχου. Η ανασκόπηση των μοτίβων ερωτημάτων και της ποιότητας απόκρισης σάς βοηθά να εντοπίσετε έγκαιρα την απροσδόκητη συμπεριφορά.
  • Κλιμάκωση από άνθρωπο στον βρόχο: Καθορίστε διαδρομές κλιμάκωσης για ευαίσθητα αιτήματα ή αιτήματα υψηλού αντίκτυπου. Για σενάρια όπου οι αυτοματοποιημένες αποκρίσεις δεν επαρκούν, ορίστε διαδικασίες που δρομολογούν ερωτήσεις σε κατάλληλους αναθεωρητές.
  • Περιοδική αναθεώρηση: Ελέγχετε τακτικά τις οδηγίες του πράκτορα δεδομένων και τα παραδείγματα ερωτημάτων για να βεβαιωθείτε ότι παραμένουν ευθυγραμμισμένα με τις τρέχουσες οργανωτικές πολιτικές και δομές δεδομένων. Καθώς οι προελεύσεις δεδομένων ή οι επιχειρηματικές απαιτήσεις σας αλλάζουν, ενημερώστε ανάλογα τη ρύθμιση παραμέτρων του copilot.

Limitations

  • Ο παράγοντας δεδομένων Fabric δημιουργεί μόνο ερωτήματα "ανάγνωσης" SQL, DAX και KQL. Δεν δημιουργεί ερωτήματα SQL, DAX ή KQL που δημιουργούν, ενημερώνουν ή διαγράφουν δεδομένα.
  • Ο παράγοντας δεδομένων Fabric δεν υποστηρίζει μη δομημένα δεδομένα, όπως αρχεία .pdf, .docxή .txt. Δεν μπορείτε να χρησιμοποιήσετε τον παράγοντα δεδομένων Fabric για πρόσβαση σε μη δομημένους πόρους δεδομένων.
  • Για τις προελεύσεις δεδομένων lakehouse, ο παράγοντας δεδομένων Fabric απαντά σε ερωτήσεις χρησιμοποιώντας τους πίνακες lakehouse που επιλέγετε. Δεν διαβάζει απευθείας αυτόνομα αρχεία lakehouse (για παράδειγμα, αρχεία CSV ή JSON), εκτός εάν απορροφηθούν ή εκτεθούν ως πίνακες.
  • Ο παράγοντας δεδομένων Fabric δεν υποστηρίζει προς το παρόν μη αγγλικές γλώσσες. Για βέλτιστη απόδοση, δώστε ερωτήσεις, οδηγίες και παραδείγματα ερωτημάτων στα Αγγλικά.
  • Δεν μπορείτε να αλλάξετε το LLM που χρησιμοποιεί ο παράγοντας δεδομένων Fabric.
  • Το ιστορικό συνομιλιών στον παράγοντα δεδομένων Fabric ενδέχεται να μην διατηρείται πάντα. Σε ορισμένες περιπτώσεις, όπως αλλαγές υποδομής υποστήριξης, ενημερώσεις υπηρεσιών ή αναβαθμίσεις μοντέλων, το ιστορικό προηγούμενων συνομιλιών ενδέχεται να επαναφερθεί ή να χαθεί.
  • Ο παράγοντας δεδομένων Fabric δεν μπορεί να εκτελέσει ερωτήματα όταν η χωρητικότητα χώρου εργασίας της προέλευσης δεδομένων βρίσκεται σε διαφορετική περιοχή από τη χωρητικότητα χώρου εργασίας του παράγοντα δεδομένων. Για παράδειγμα, μια λίμνη με χωρητικότητα στη Βόρεια Ευρώπη αποτυγχάνει εάν η χωρητικότητα του Data Agent βρίσκεται στην Κεντρική Γαλλία.
  • Οι χρήστες μπορούν να παρέχουν έως και 100 παραδείγματα ερωτημάτων ανά προέλευση δεδομένων στο παράγοντα δεδομένων τους.
  • Τα Fabric Data Agents έχουν σχεδιαστεί αυτήν τη στιγμή για πληροφορίες συνομιλίας και όχι για την επιστροφή πλήρων συνόλων δεδομένων. Για να διασφαλιστούν συνοπτικές και αποδοτικές απαντήσεις, οι έξοδοι συνομιλίας περιορίζουν αυτόματα ή/και συνοψίζουν τα δεδομένα που επιστρέφονται. Προς το παρόν, οι απαντήσεις περιορίζονται σε 25 σειρές και 25 στήλες κατ' ανώτατο όριο. Λάβετε υπόψη ότι το προηγούμενο ιστορικό συνομιλιών μπορεί να επηρεάσει τις επόμενες απαντήσεις. Για παράδειγμα, εάν ζητήσετε να "εμφανιστούν όλες οι γραμμές για αυτό το έτος", ο εκπρόσωπος θα επιστρέψει το πολύ 25 γραμμές. Στη συνέχεια, οι επακόλουθες ερωτήσεις μπορούν να απαντηθούν με βάση αυτό το ήδη περιορισμένο πλαίσιο, το οποίο μπορεί να επηρεάσει το αποτέλεσμα. Σε τέτοιες περιπτώσεις, συνιστάται η έναρξη μιας νέας συνεδρίας συνομιλίας.
  • Οι αποκρίσεις παραγόντων ενδέχεται να περικοπούν ή να αποκλειστούν εάν ισχύουν πολιτικές DLP ή περιορισμού πρόσβασης του Microsoft Purview στις υποκείμενες προελεύσεις δεδομένων. Η συγκεκριμένη συμπεριφορά εξαρτάται από τη ρύθμιση παραμέτρων πολιτικής του οργανισμού σας.
  • Τα πάγια στοιχεία που επισημαίνονται ως ευαίσθητα από τις πολιτικές Purview ενδέχεται να μην είναι προσβάσιμα από τον εκπρόσωπο, γεγονός που μπορεί να οδηγήσει σε ελλιπείς απαντήσεις ή σε αδυναμία υποβολής ερωτημάτων σε ορισμένες προελεύσεις δεδομένων.
  • Οι αλληλεπιδράσεις παραγόντων ενδέχεται να καταγράφονται και να είναι ανιχνεύσιμες μέσω του Δυνατότητες ελέγχου του Microsoft Purview και του eDiscovery. Οι οργανισμοί θα πρέπει να λαμβάνουν υπόψη αυτούς τους ελέγχους διαχείρισης κατά την ανάπτυξη παραγόντων για ευαίσθητους φόρτους εργασίας.
  • Η πρόσβαση σε σημασιολογικά μοντέλα Power BI μέσω ενός παράγοντα δεδομένων διέπεται από το δικαίωμα ανάγνωσης στο μοντέλο και δεν απαιτεί πρόσβαση σε επίπεδο χώρου εργασίας. Το Row-Level Security (RLS) και το Column-Level Security (CLS) εξακολουθούν να ισχύουν.
  • Παρόλο που το Eventhouse ενοποιείται με τον εντοπισμό ανωμαλιών, το τελικό σημείο ανάλυσης SQL και τα σημειωματάρια, οι παράγοντες δεδομένων Fabric παραμένουν μόνο για ανάγνωση και δεν ενεργοποιούν εργασίες εντοπισμού ανωμαλιών, σημειωματάρια ή άλλες ροές εργασιών εγγραφής ή ενέργειας στο Eventhouse.

Σχετικό περιεχόμενο

  • Last updated on