Έννοιες παράγοντα δεδομένων Fabric (προεπισκόπηση)

Ο παράγοντας δεδομένων στο Microsoft Fabric είναι μια νέα δυνατότητα του Microsoft Fabric που σας επιτρέπει να δημιουργήσετε τα δικά σας συστήματα συνομιλητικών ερωτήσεων και απαντήσεων χρησιμοποιώντας παραγωγικό AI. Ένας παράγοντας δεδομένων Fabric καθιστά τις πληροφορίες δεδομένων πιο προσβάσιμες και αξιοποιήσιμες για όλους τους χρήστες στον οργανισμό σας. Με έναν παράγοντα δεδομένων Fabric, η ομάδα σας μπορεί να συζητήσει, με απλές ερωτήσεις στην αγγλική γλώσσα, σχετικά με τα δεδομένα που ο οργανισμός σας είναι αποθηκευμένος στο Fabric OneLake και, στη συνέχεια, να λάβει 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.

Μπορείτε επίσης να προσθέσετε οδηγίες για συγκεκριμένους οργανισμούς, παραδείγματα και οδηγίες για τη βελτίωση του 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 προάγει μια κουλτούρα λήψης αποφάσεων βάσει δεδομένων, επειδή μειώνει τα εμπόδια στην προσβασιμότητα των πληροφοριών, διευκολύνει τη συνεργασία και βοηθά τον οργανισμό σας να αντλήσει περισσότερη αξία από τα δεδομένα του.

Important

Αυτή η δυνατότητα είναι σε προεπισκόπηση.

Prerequisites

• Εκχωρημένοι πόροι F2 επί πληρωμή F2 ή υψηλότεροι Fabric ή Power BI Premium ανά εκχωρημένους πόρους (P1 ή υψηλότεροι) με ενεργοποιημένο το Microsoft Fabric
• Οι ρυθμίσεις μισθωτή του παράγοντα δεδομένων Fabric είναι ενεργοποιημένες.
• είναι ενεργοποιημένη η επεξεργασία Διασταυρούμενες γεωγραφικές περιφέρειες για τεχνητής νοημοσύνης.
• είναι ενεργοποιημένη η αποθήκευση Cross-geo για AI.
• Τουλάχιστον ένα από αυτά, με δεδομένα: Μια αποθήκη, μια λίμνη, ένα ή περισσότερα σημασιολογικά μοντέλα Power BI, μια βάση δεδομένων KQL ή μια οντολογία.
• σημασιολογικά μοντέλα Power BI μέσω εναλλαγής μισθωτή τελικών σημείων XMLA ενεργοποιείται για προελεύσεις δεδομένων μοντέλου σημασιολογίας Power BI.

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) και καλεί το κατάλληλο εργαλείο για τη δημιουργία, την επικύρωση και την εκτέλεση ερωτημάτων. Οι χρήστες μπορούν, στη συνέχεια, να υποβάλουν ερωτήσεις σε απλή γλώσσα και να λαμβάνουν δομημένες απαντήσεις, αναγνώσιμες από τον άνθρωπο, εξαλείφοντας την ανάγκη σύνταξης σύνθετων ερωτημάτων και εξασφαλίζοντας ακριβή και ασφαλή πρόσβαση σε δεδομένα.

Δείτε πώς λειτουργεί λεπτομερώς:

Ανάλυση και επικύρωση ερωτήσεων: Ο παράγοντας δεδομένων Fabric εφαρμόζει τα API του Azure 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 επιβάλλει αυστηρά πρόσβαση μόνο για ανάγνωση, διατηρώντας συνδέσεις δεδομένων μόνο για ανάγνωση σε όλες τις προελεύσεις δεδομένων.

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, 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 και των οντολογιών. Μπορεί επίσης να αναφέρεται σε οδηγίες παράγοντα δεδομένων που παρέχονται από τον χρήστη για τον προσδιορισμό της πιο σχετικής προέλευσης δεδομένων.

Κλήση εργαλείου και δημιουργία ερωτημάτων: Μόλις προσδιοριστεί η σωστή προέλευση δεδομένων ή προελεύσεις, ο παράγοντας 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 του DAX (NL2DAX) για σύνολα δεδομένων Power BI (σημασιολογικά μοντέλα).
• Φυσική γλώσσα του KQL (NL2KQL) για βάσεις δεδομένων KQL.

Το επιλεγμένο εργαλείο δημιουργεί ένα ερώτημα με βάση το σχήμα, τα μετα-δεδομένα και το περιβάλλον που παρέχεται από τον παράγοντα που βασίζεται στον παράγοντα 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 ερωτήματος και απόκριση: Μετά την επικύρωση, ο παράγοντας 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.

Αυτή η προσέγγιση εξασφαλίζει ότι οι χρήστες μπορούν να αλληλεπιδρούν με τα δεδομένα τους χρησιμοποιώντας φυσική γλώσσα, ενώ ο παράγοντας δεδομένων Fabric χειρίζεται τις πολυπλοκότητες της δημιουργίας ερωτημάτων, της επικύρωσης και της εκτέλεσης, χωρίς να απαιτείται από τους χρήστες να συντάσσουν οι ίδιοι SQL, DAX ή KQL.

Ρύθμιση παραμέτρων παράγοντα δεδομένων Fabric

Η ρύθμιση παραμέτρων ενός παράγοντα δεδομένων Fabric είναι παρόμοια με τη δημιουργία μιας αναφοράς Power BI. Ξεκινάτε με τη σχεδίαση και τη βελτίωσή της για να εξασφαλίσετε ότι ικανοποιεί τις ανάγκες σας και, στη συνέχεια, τη δημοσιεύετε και τη μοιράζεστε με συναδέλφους, ώστε να μπορούν να αλληλεπιδρούν με τα δεδομένα. Η ρύθμιση ενός παράγοντα δεδομένων Fabric περιλαμβάνει τα εξής:

Επιλογή προελεύσεων δεδομένων: Ένας παράγοντας δεδομένων Fabric υποστηρίζει έως και πέντε προελεύσεις δεδομένων σε οποιονδήποτε συνδυασμό, συμπεριλαμβανομένων λιμνών, αποθηκών, βάσεων δεδομένων KQL, σημασιολογικών μοντέλων Power BI και οντολογιών. Για παράδειγμα, ένας ρυθμισμένος παράγοντας δεδομένων Fabric μπορεί να περιλαμβάνει πέντε σημασιολογικά μοντέλα Power BI. Θα μπορούσε να περιλαμβάνει έναν συνδυασμό δύο σημασιολογικών μοντέλων Power BI, μίας λίμνης και μίας βάσης δεδομένων KQL. Έχετε πολλές διαθέσιμες επιλογές.

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 στα σχετικά δεδομένα.

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

• Οδηγίες παράγοντα δεδομένων: Προσθέστε οδηγίες για να καθοδηγήσετε τον παράγοντα που βρίσκεται στη βάση του παράγοντα δεδομένων Fabric, στον προσδιορισμό της καλύτερης προέλευσης δεδομένων για την απάντηση σε συγκεκριμένους τύπους 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.

  • Απευθύνετε ερωτήσεις σχετικά με τα οικονομικά μετρικά σε ένα μοντέλο σημασιολογίας Power BI.
  • Αντιστοιχίστε ερωτήματα που αφορούν ανεπεξέργαστα εξερεύνησης δεδομένων στο lakehouse.
  • Δρομολογήστε ερωτήσεις που απαιτούν ανάλυση καταγραφής 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 AI και σχετικά παραδείγματα ερωτημάτων, μπορείτε να εναρμονίσετε καλύτερα τον παράγοντα δεδομένων Fabric με τις ανάγκες δεδομένων του οργανισμού σας, εξασφαλίζοντας πιο ακριβείς απαντήσεις και απαντήσεις με επίγνωση περιβάλλοντος.

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 ρύθμισης παραμέτρων: Μπορείτε να ρυθμίσετε σε μεγάλο βαθμό τις παραμέτρους των παραγόντων δεδομένων Fabric. 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: Τα copilot Fabric βοηθούν σε εργασίες εντός του Microsoft Fabric, όπως η δημιουργία κώδικα σημειωματάριου ή ερωτημάτων αποθήκης. Οι παράγοντες δεδομένων Fabric, αντίθετα, είναι μεμονωμένα αντικείμενα σχεδίασης. Για να κάνουν τους παράγοντες δεδομένων Fabric πιο ευέλικτους για ευρύτερες περιπτώσεις χρήσης, μπορούν να ενσωματωθούν με εξωτερικά συστήματα όπως το Microsoft Copilot Studio, το Azure AI Foundry, το Microsoft Teams ή άλλα εργαλεία εκτός του Fabric.

Αξιολόγηση του παράγοντα δεδομένων Fabric

Η ομάδα προϊόντων αξιολόγησε αυστηρά την ποιότητα και την ασφάλεια των αποκρίσεων του παράγοντα δεδομένων Fabric:

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

Βελτιωμένοι μετριασμοί βλάβης: Η ομάδα προϊόντων εφάρμοσε διασφαλίσεις για να διασφαλίσει ότι τα αποτελέσματα του παράγοντα δεδομένων Fabric παραμένουν εστιασμένα στο πλαίσιο επιλεγμένων προελεύσεων δεδομένων, μειώνοντας τον κίνδυνο άσχετων ή παραπλανητικών απαντήσεων.

Limitations

Ο παράγοντας δεδομένων Fabric βρίσκεται αυτήν τη στιγμή σε δημόσια προεπισκόπηση και έχει περιορισμούς. Οι ενημερώσεις θα βελτιώσουν τον παράγοντα δεδομένων Fabric με την πάροδο του χρόνου.

• 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.
• 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 την 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 οι εκχωρημένοι πόροι του χώρου εργασίας της προέλευσης δεδομένων βρίσκονται σε διαφορετική περιοχή από τους εκχωρημένους πόρους του χώρου εργασίας του παράγοντα δεδομένων. Για παράδειγμα, μια λίμνη με χωρητικότητα στη Βόρεια Ευρώπη θα αποτύχει εάν η χωρητικότητα του Data Agent βρίσκεται στην Κεντρική Γαλλία.

Σχετικό περιεχόμενο

• Εκμάθηση από άκρο σε άκρο του παράγοντα δεδομένων Fabric
• δημιουργίας παράγοντα δεδομένων Fabric