Βέλτιστες πρακτικές σημασιολογικού μοντέλου για πράκτορα δεδομένων

Ο παράγοντας δεδομένων Fabric επιτρέπει στους οργανισμούς να δημιουργούν συστήματα συνομιλίας χρησιμοποιώντας παραγωγικό AI. Συνδέοντας σημασιολογικά μοντέλα Power BI ως προελεύσεις δεδομένων, οι ομάδες μπορούν να κάνουν ερωτήσεις φυσικής γλώσσας και να λαμβάνουν ακριβείς, πλούσιες σε περιβάλλον απαντήσεις χωρίς να συντάσσουν σύνθετα ερωτήματα DAX ή SQL.

Ωστόσο, η ποιότητα των απαντήσεων AI εξαρτάται σε μεγάλο βαθμό από το πόσο καλά προετοιμάζετε τις πηγές δεδομένων σας. Ενώ ο παράγοντας δεδομένων Fabric υποστηρίζει πολλούς τύπους προέλευσης δεδομένων, συμπεριλαμβανομένων των λιμνών, των αποθηκών, των γραφείων συμβάντων και των οντολογιών, αυτός ο οδηγός εστιάζει συγκεκριμένα στα σημασιολογικά μοντέλα Power BI και περιγράφει τις βέλτιστες πρακτικές για τη ρύθμιση παραμέτρων τους για τη μεγιστοποίηση της ακρίβειας και της συνάφειας.

Πώς λειτουργεί ο παράγοντας δεδομένων Fabric

Ο παράγοντας δεδομένων χρησιμοποιεί μια πολυεπίπεδη αρχιτεκτονική όπου οι ερωτήσεις των χρηστών ρέουν μέσω ενός Orchestrator. Το Orchestrator καθορίζει την κατάλληλη προέλευση δεδομένων και καλεί εξειδικευμένα εργαλεία, συμπεριλαμβανομένου του εργαλείου δημιουργίας DAX για σημασιολογικά μοντέλα Power BI για τη δημιουργία, την επικύρωση και την εκτέλεση ερωτημάτων.

Η ροή επεξεργασίας ερωτημάτων

1. Ανάλυση ερωτήσεων: Ο πράκτορας επεξεργάζεται τις ερωτήσεις των χρηστών μέσω του Azure OpenAI, διασφαλίζοντας τη συμμόρφωση με τα πρωτόκολλα ασφαλείας και τα δικαιώματα και τηρώντας τις αρχές του Microsoft Responsible AI.

2. Επιλογή πηγής δεδομένων: Το σύστημα αξιολογεί την ερώτηση σε σχέση με τις διαθέσιμες πηγές χρησιμοποιώντας πληροφορίες σχήματος και οδηγίες τεχνητής νοημοσύνης που παρέχετε.

3. Δημιουργία ερωτημάτων: Για σημασιολογικά μοντέλα, το εργαλείο δημιουργίας DAX δημιουργεί ερωτήματα DAX με βάση το σχήμα, τα μετα-δεδομένα (συνώνυμα, ελάχιστες και μέγιστες τιμές αριθμητικών στηλών, μετα-δεδομένα απεικόνισης αναφοράς και άλλα), το περιβάλλον που έχει ρυθμιστεί στα δεδομένα προετοιμασίας για AI και το ιστορικό συνομιλιών.

4. Μορφοποίηση απόκρισης: Ο πράκτορας μορφοποιεί τα αποτελέσματα σε απαντήσεις αναγνώσιμες από τον άνθρωπο με πίνακες, περιλήψεις ή πληροφορίες με βάση τις οδηγίες του πράκτορα.

Προηγμένη δημιουργία DAX (έκδοση προεπισκόπησης)

Ένα προηγμένο εργαλείο δημιουργίας DAX είναι διαθέσιμο για πράκτορες δεδομένων κατά τον χρόνο εκτέλεσης προεπισκόπησης. Σε αντίθεση με την τυπική δημιουργία DAX, η οποία δημιουργεί ένα ερώτημα με ένα μόνο πέρασμα, η προηγμένη δημιουργία DAX χρησιμοποιεί πολλά βήματα συλλογισμού για την επιθεώρηση μετα-δεδομένων μοντέλου, την ερμηνεία της ερώτησης, την επίλυση ασάφειας και τη δημιουργία του ερωτήματος DAX.

Τα πλεονεκτήματα της προηγμένης δημιουργίας DAX περιλαμβάνουν:

• Πιο ακριβείς απαντήσεις σε σύνθετες ερωτήσεις: Συλλογίζεται επαναληπτικά, επιθεωρεί τα αποτελέσματα, επιλύει την ασάφεια και βελτιώνει την προσέγγισή του σε πολλά βήματα.
• Ευρετηρίαση τιμής στιγμιότυπου: Αναζητά τιμές σε στήλες σημασιολογικού μοντέλου για να δημιουργήσει πιο ακριβή και αξιόπιστα φίλτρα.
• Συνεπείς απαντήσεις σε όλες τις εμπειρίες της Microsoft: Χρησιμοποιεί κοινόχρηστες δυνατότητες για τη βελτίωση της συνέπειας απόκρισης σε έναν παράγοντα δεδομένων Fabric, τις δεξιότητες Fabric, το Power BI, το Microsoft 365 Copilot και την προσθήκη Fabric IQ.
• Βελτιωμένη καθυστέρηση σε ορισμένα σενάρια: Αν και το εργαλείο μπορεί να εκτελέσει πολλαπλά βήματα συλλογισμού, η ικανότητά του να αναγνωρίζει πιο αποτελεσματικά τα σχετικά αντικείμενα και τιμές του μοντέλου μπορεί να μειώσει τον λανθάνοντα χρόνο απόκρισης για ορισμένες ερωτήσεις.

Χρήση προηγμένης δημιουργίας DAX

Για να ενεργοποιήσετε τη δυνατότητα, αλλάξτε τον παράγοντα δεδομένων στον χρόνο εκτέλεσης προεπισκόπησης.

Η δημιουργία DAX για προχωρημένους χρησιμοποιεί τα μετα-δεδομένα μοντέλου σημασιολογίας και τις ρυθμίσεις παραμέτρων προετοιμασίας για AI που περιγράφονται σε αυτό το άρθρο. Ακολουθήστε τις βέλτιστες πρακτικές που περιγράφονται σε αυτό το άρθρο για να μεγιστοποιήσετε την ακρίβεια και την απόδοση απόκρισης.

Η ευρετηρίαση τιμών παρουσίας απαιτεί αυτήν τη στιγμή την ενεργοποίηση της ρύθμισης Q&&A του μοντέλου σημασιολογίας. Αυτή η ρύθμιση είναι ενεργοποιημένη από προεπιλογή για τα μοντέλα Import και Direct Lake. Δεδομένου ότι οι Ερωτήσεις και απαντήσεις αποσύρονται τον Δεκέμβριο του 2026, μια ρύθμιση αντικατάστασης θα υποστηρίζει την ευρετηρίαση τιμών παρουσίας μετά τη συνταξιοδότηση και αυτό το άρθρο θα ενημερωθεί με τα νέα βήματα ρύθμισης παραμέτρων.

Προετοιμασία για AI: Ετοιμάστε το σημασιολογικό μοντέλο AI

Η δυνατότητα προετοιμασίας για AI του Power BI παρέχει τρία στοιχεία ρύθμισης παραμέτρων που επηρεάζουν άμεσα τον τρόπο με τον οποίο ο παράγοντας δεδομένων Fabric ερμηνεύει το σημασιολογικό μοντέλο σας. Μπορείτε να αποκτήσετε πρόσβαση σε αυτά τα στοιχεία τόσο στο Power BI Desktop όσο και στην υπηρεσία Power BI. Το Power BI Copilot χρησιμοποιεί επίσης ρυθμίσεις παραμέτρων προετοιμασίας για AI, επομένως η επένδυση χρόνου στη ρύθμισή τους ωφελεί τόσο το Copilot όσο και τις αποκρίσεις παράγοντα δεδομένων.

Σημαντικό

Κατά την υποβολή ερωτημάτων σε σημασιολογικά μοντέλα, το εργαλείο δημιουργίας DAX που χρησιμοποιείται από τον παράγοντα δεδομένων βασίζεται αποκλειστικά στα μετα-δεδομένα του μοντέλου σημασιολογίας και στις ρυθμίσεις παραμέτρων προετοιμασίας για AI. Το εργαλείο δημιουργίας DAX αγνοεί τυχόν οδηγίες που προσθέτετε σε επίπεδο παράγοντα δεδομένων για τη δημιουργία ερωτημάτων DAX. Η σωστή προετοιμασία για τη διαμόρφωση AI είναι απαραίτητη για ακριβή αποτελέσματα.

Σχήματα δεδομένων AI

Τα σχήματα δεδομένων AI σάς επιτρέπουν να ορίσετε ένα εστιασμένο υποσύνολο του μοντέλου σας για ιεράρχηση AI. Ενώ ο παράγοντας δεδομένων έχει επίσης τη δική του επιλογή πίνακα κατά την προσθήκη ενός μοντέλου σημασιολογίας ως προέλευσης δεδομένων, ρυθμίστε πρώτα τις παραμέτρους του σχήματός σας στην Προετοιμασία για AI. Το εργαλείο δημιουργίας DAX χρησιμοποιεί αυτό το σχήμα για τη δημιουργία ερωτημάτων DAX.

Μπορείτε να ρυθμίσετε τις παραμέτρους αυτού του σχήματος στο Power BI Desktop ή στην υπηρεσία Power BI επιλέγοντας Προετοιμασία δεδομένων για AI από την Αρχική κορδέλα. Στη συνέχεια, μεταβείτε στην καρτέλα Απλοποίηση σχήματος δεδομένων . Από εκεί, επιλέξτε ποιους πίνακες, στήλες και μέτρα θα πρέπει να χρησιμοποιεί η τεχνητή νοημοσύνη κατά τη δημιουργία απαντήσεων. Για λεπτομερείς οδηγίες διαμόρφωσης, ανατρέξτε στην ενότητα Ορισμός σχήματος δεδομένων AI.

Όταν προσθέτετε το μοντέλο σημασιολογίας στον παράγοντα δεδομένων, επιλέξτε τους ίδιους πίνακες που ορίσατε στην Προετοιμασία για AI για να εξασφαλίσετε συνεπή συμπεριφορά. Αρχικά, καθορίστε το εύρος του πράκτορα δεδομένων σας (τους τύπους ερωτήσεων που πρέπει να απαντήσει). Στη συνέχεια, επιλέξτε μόνο τα σχετικά αντικείμενα. Αυτή η προσέγγιση μειώνει την ασάφεια, βελτιώνει την ακρίβεια και μειώνει τον λανθάνοντα χρόνο απόκρισης.

Το εργαλείο δημιουργίας DAX βασίζεται στα μετα-δεδομένα του μοντέλου σας για την ερμηνεία ερωτήσεων. Χρησιμοποιήστε σαφή, φιλικά προς την επιχείρηση ονόματα για πίνακες, στήλες και μετρήσεις που αντικατοπτρίζουν τον τρόπο με τον οποίο οι χρήστες αναφέρονται φυσικά στα δεδομένα. Για παράδειγμα, χρησιμοποιήστε "Συνολικά έσοδα" αντί για "TR_AMT" ή "Περιοχή πωλήσεων" αντί για "DIM_GEO_01". Αυτή η καθοδήγηση είναι ιδιαίτερα σημαντική για μεγάλα μοντέλα με επικαλυπτόμενα πεδία ή πεδία με παρόμοια ονομασία, όπου τα διφορούμενα ονόματα μπορεί να οδηγήσουν σε εσφαλμένη δημιουργία ερωτημάτων.

Παράδειγμα: Επίλυση ασάφειας πεδίου

Χωρίς σχήμα δεδομένων AI	Με το σχήμα δεδομένων AI
Ένας χρήστης ρωτά: "What were our sales last quarter?" Το σημασιολογικό μοντέλο περιέχει πολλές μετρήσεις που σχετίζονται με τις πωλήσεις: Συνολικά έσοδα, Ακαθάριστες πωλήσεις, Καθαρές πωλήσεις και Πωλήσεις μετά τις επιστροφές. Το AI επιστρέφει ακαθάριστες πωλήσεις, αλλά η ομάδα σας χρησιμοποιεί συνήθως τις καθαρές πωλήσεις για τριμηνιαίες αναφορές.	Μετά τη ρύθμιση παραμέτρων του σχήματος δεδομένων AI ώστε να περιλαμβάνει μόνο τις καθαρές πωλήσεις και να εξαιρεί τις άλλες μετρήσεις που δεν είναι σχετικές, η ίδια ερώτηση επιστρέφει τώρα την αναμενόμενη μέτρηση. Το AI δεν χρειάζεται πλέον να μαντεύει ποιο μέτρο «πωλήσεων» σκόπευε ο χρήστης.

Συμβουλές για σχήματα δεδομένων AI

• Για συνεπή και ακριβή αποτελέσματα, βεβαιωθείτε ότι επιλέγετε τους ίδιους πίνακες στον παράγοντα δεδομένων Fabric που ορίζονται επίσης μέσω σχημάτων δεδομένων AI στην προετοιμασία για AI.

• Όταν επιλέγετε σχήμα, συμπεριλάβετε επίσης εξαρτώμενα αντικείμενα. Για παράδειγμα, εάν μια μέτρηση συνολικών εσόδων αναφέρεται σε δύο άλλες μετρήσεις που εξαρτώνται από πρόσθετες στήλες, συμπεριλάβετε όλα αυτά τα εξαρτώμενα αντικείμενα στο σχήμα σας. Για να προσδιορίσετε εξαρτήσεις, χρησιμοποιήστε τη συνάρτηση get_measure_dependencies από τη βιβλιοθήκη Semantic Link Labs .

• Εάν έχετε ένα μεγάλο σημασιολογικό μοντέλο, η μετονομασία όλων των αντικειμένων με μη αυτόματο τρόπο μπορεί να είναι κουραστική. Χρησιμοποιήστε τον διακομιστή Power BI Modeling MCP για να δημιουργήσετε ένα LLM φιλικά προς την επιχείρηση ονόματα για τους πίνακες, τις στήλες και τις μετρήσεις σας. Εξετάστε και επικυρώστε τις αλλαγές πριν από την αποθήκευση για να βεβαιωθείτε ότι δεν διακόπτουν παραστάσεις, σχέσεις ή άλλα εξαρτώμενα αντικείμενα DAX.

Επαληθευμένες απαντήσεις

Οι επαληθευμένες απαντήσεις είναι οπτικές απαντήσεις εγκεκριμένες από τον χρήστη που ενεργοποιούν συγκεκριμένες ερωτήσεις. Παρέχουν συνεπείς, αξιόπιστες απαντήσεις σε κοινές ή σύνθετες ερωτήσεις που διαφορετικά θα μπορούσαν να παρερμηνευθούν. Επειδή αποθηκεύετε επαληθευμένες απαντήσεις σε επίπεδο μοντέλου σημασιολογίας (όχι σε επίπεδο αναφοράς), λειτουργούν σε οποιονδήποτε παράγοντα δεδομένων που χρησιμοποιεί το ίδιο μοντέλο. Για περισσότερες πληροφορίες, ανατρέξτε στο θέμα Προετοιμασία των δεδομένων σας για AI – Επαληθευμένες απαντήσεις.

Όταν χρησιμοποιείτε επαληθευμένες απαντήσεις με παράγοντα δεδομένων, το σύστημα δεν επιστρέφει την ίδια την απεικόνιση Power BI. Αντί για αυτό, χρησιμοποιεί τις ερωτήσεις χρήστη και τις ιδιότητες της απεικόνισης (στήλες, μετρήσεις, φίλτρα) για να επηρεάσει τη δημιουργία ερωτημάτων DAX. Αυτή η προσέγγιση σημαίνει ότι οι επαληθευμένες απαντήσεις βελτιώνουν την ακρίβεια απόκρισης καθοδηγώντας το εργαλείο δημιουργίας DAX προς τη σωστή δομή ερωτημάτων. Όταν ένας χρήστης κάνει μια ερώτηση στον πράκτορα δεδομένων, το σύστημα ελέγχει πρώτα για μια ακριβή ή σημασιολογικά παρόμοια αντιστοίχιση με την προτροπή σας που ορίζεται στην επαληθευμένη απάντηση πριν δημιουργήσει μια νέα απάντηση.

Παράδειγμα: Χειρισμός τοπικής ορολογίας

Χωρίς επαληθευμένη απάντηση

Με επαληθευμένη απάντηση

Ένας χρήστης ρωτά: "Show me performance by territory" Το AI ερμηνεύει την "περιοχή" ως κατηγορία προϊόντος, επειδή υπάρχει μια στήλη Territory στον πίνακα Products. Ο χρήστης εννοούσε στην πραγματικότητα περιοχές πωλήσεων.

Δημιουργείτε μια επαληθευμένη απάντηση χρησιμοποιώντας μια απεικόνιση τοπικών πωλήσεων με ερωτήσεις ενεργοποίησης όπως "What is the sales performance by territory?""Εμφάνιση πωλήσεων κατανεμημένων κατά περιφέρεια" και "Πώς κατανέμονται οι πωλήσεις σε όλες τις περιοχές;" Τώρα, όταν οι χρήστες ρωτούν σχετικά με την απόδοση της περιφέρειας, λαμβάνουν σταθερά ακριβείς απαντήσεις με βάση τα αντικείμενα που χρησιμοποιούνται στην απεικόνιση τοπικών πωλήσεων.

Συμβουλές ρύθμισης παραμέτρων για επαληθευμένες απαντήσεις

• Χρησιμοποιήστε πέντε έως επτά ερωτήσεις ενεργοποίησης ανά επαληθευμένη απάντηση για να καλύψετε τις φυσικές παραλλαγές.
• Συμπεριλάβετε τόσο επίσημες όσο και συνομιλιακές φράσεις που μπορεί να δοκιμάσουν οι χρήστες.
• Διαμορφώστε έως και τρία φίλτρα για ευέλικτο τεμαχισμό χωρίς να δημιουργήσετε πολλές επαληθευμένες απαντήσεις.
• Εάν μετονομάσετε πίνακες, στήλες ή μετρήσεις που αναφέρονται σε μια επαληθευμένη απάντηση, ενημερώστε την επαληθευμένη απάντηση και αποθηκεύστε την ξανά για να εφαρμοστούν οι αλλαγές.

Οδηγίες AI

Οι οδηγίες AI στο Prep for AI παρέχουν πλαίσιο, επιχειρηματική λογική και καθοδήγηση απευθείας στο σημασιολογικό μοντέλο. Βοηθούν στην αποσαφήνιση της ορολογίας, καθοδηγούν τις προσεγγίσεις ανάλυσης και παρέχουν κρίσιμο επιχειρηματικό και σημασιολογικό πλαίσιο που διαφορετικά δεν θα κατανοούσε η τεχνητή νοημοσύνη.

Μπορείτε να ρυθμίσετε αυτές τις οδηγίες στο Power BI Desktop ή στην υπηρεσία Power BI επιλέγοντας Προετοιμασία δεδομένων για AI από την Αρχική κορδέλα και, στη συνέχεια, μεταβαίνοντας στην καρτέλα Προσθήκη οδηγιών AI . Για λεπτομερείς οδηγίες διαμόρφωσης, ανατρέξτε στην τεκμηρίωση οδηγιών AI.

Οι οδηγίες τεχνητής νοημοσύνης είναι μη δομημένες οδηγίες που ερμηνεύει το LLM, αλλά δεν υπάρχει καμία εγγύηση ότι τις ακολουθεί ακριβώς. Οι σαφείς, συγκεκριμένες οδηγίες είναι πιο αποτελεσματικές από τις πολύπλοκες ή αντικρουόμενες.

Όπως αναφέρθηκε προηγουμένως, το εργαλείο δημιουργίας DAX αναφέρεται μόνο στις οδηγίες AI που έχουν ρυθμιστεί στην Προετοιμασία για AI του μοντέλου σημασιολογίας. Οι οδηγίες παράγοντα δεδομένων δεν μεταβιβάζονται στο εργαλείο και παραβλέπονται κατά την υποβολή ερωτημάτων σε σημασιολογικά μοντέλα. Για αυτόν τον λόγο, μην προσθέτετε συγκεκριμένες οδηγίες για το μοντέλο σημασιολογίας σε επίπεδο παράγοντα δεδομένων. Αντί για αυτό, διατηρήστε όλες τις οδηγίες μοντέλου σημασιολογίας στην Προετοιμασία για AI, όπου μπορεί να τις χρησιμοποιήσει το εργαλείο δημιουργίας DAX. Οι οδηγίες εκπροσώπου δεδομένων θα πρέπει να περιλαμβάνουν μόνο οδηγίες που ισχύουν για όλες τις προελεύσεις δεδομένων που έχουν ρυθμιστεί στο εκπρόσωπο, όπως γενικές προτιμήσεις μορφοποίησης απόκρισης, κανόνες δρομολόγησης μεταξύ προελεύσεων, κοινές συντομογραφίες, τόνος και ούτω καθεξής. Σημειώστε επίσης ότι σε αντίθεση με άλλες προελεύσεις δεδομένων, ο παράγοντας δεδομένων δεν υποστηρίζει οδηγίες ή περιγραφές προέλευσης δεδομένων για σημασιολογικά μοντέλα.

Παράδειγμα: Ορισμός επιχειρηματικής ορολογίας

Χωρίς οδηγίες AI	Με οδηγίες AI
Ένας χρήστης ρωτά: "Ποιοι ήταν οι κορυφαίοι τον περασμένο μήνα;" Η τεχνητή νοημοσύνη δεν καταλαβαίνει τι σημαίνει "κορυφαία απόδοση" στον οργανισμό σας και επιστρέφει ένα σφάλμα ή ζητά διευκρινίσεις.	Προσθέτετε μια οδηγία: "Ένας κορυφαίος εκτελεστής είναι ένας αντιπρόσωπος πωλήσεων που επιτυγχάνει 110% ή περισσότερο από το μηνιαίο όριο του. Χρησιμοποιήστε τον πίνακα Rep_Performance και φιλτράρετε όπου Quota_Attainment >= 1.1" Τώρα το AI ερμηνεύει σωστά την ερώτηση και επιστρέφει τα σωστά αποτελέσματα.

Αποτελεσματικά πρότυπα οδηγιών

• Ορισμοί Χρονικής Περιόδου: «Η περίοδος αιχμής διαρκεί από τον Νοέμβριο έως τον Ιανουάριο. Εκτός εποχής είναι από τον Φεβρουάριο έως τον Απρίλιο».
• Μετρικές προτιμήσεις: «Όταν οι χρήστες ρωτούν για την κερδοφορία, χρησιμοποιήστε το Contribution_Margin μέτρο, όχι Gross_Profit».
• Δρομολόγηση πηγής δεδομένων: «Για ερωτήσεις απογραφής, δώστε προτεραιότητα στον πίνακα Warehouse_Inventory έναντι του Sales_Orders».
• Προεπιλεγμένες ομαδοποιήσεις: «Εκτός εάν ορίζεται διαφορετικά, αναλύστε τα έσοδα ανά οικονομικό τρίμηνο και όχι ανά ημερολογιακό μήνα».

Εκτός από την προετοιμασία για AI, το εργαλείο δημιουργίας ερωτημάτων DAX χρησιμοποιεί επίσης μετα-δεδομένα από απεικονίσεις αναφοράς, όπως τίτλο απεικόνισης, στήλες, μετρήσεις, φίλτρα και ούτω καθεξής για τη βελτίωση της ακρίβειας των ερωτημάτων.

Προτεινόμενη ροή εργασιών υλοποίησης

1. Βελτιστοποιήστε το σημασιολογικό μοντέλο: Ξεκινήστε βελτιστοποιώντας το σημασιολογικό σας μοντέλο για απόδοση. Οι κακές επιδόσεις του παράγοντα δεδομένων προέρχονται συχνά από ένα κακώς σχεδιασμένο σημασιολογικό μοντέλο, αναποτελεσματικές μετρήσεις DAX ή συνδυασμό των δύο. Όταν ένας χρήστης κάνει μια ερώτηση, ο παράγοντας δεδομένων δημιουργεί ένα ερώτημα DAX και το εκτελεί στο μοντέλο σας. Ένα καλά βελτιστοποιημένο μοντέλο χρησιμοποιεί λιγότερους πόρους και επιτυγχάνει ταχύτερη εκτέλεση ερωτημάτων. Σε μια διεπαφή συνομιλίας, οι χρήστες αναμένουν γρήγορες απαντήσεις, επομένως η αργή απόδοση επηρεάζει άμεσα την εμπειρία και την υιοθέτηση του χρήστη.

   Επιπλέον, ένα διογκωμένο μοντέλο με περιττές στήλες, πίνακες και μετρήσεις δημιουργεί περισσότερο θόρυβο για την ανάλυση του εργαλείου δημιουργίας DAX, γεγονός που μπορεί να μειώσει την ακρίβεια απόκρισης. Βελτιστοποιώντας το μοντέλο σας νωρίς, αποτρέπετε επίσης προβλήματα απόδοσης καθώς τα δεδομένα σας αυξάνονται και το μοντέλο γίνεται πιο περίπλοκο. Μπορείτε να μάθετε περισσότερα στον κύκλο μαθημάτων Βελτιστοποίηση μοντέλου για επιδόσεις στο Power BI .

   Χρησιμοποιήστε το Best Practice Analyzer και το Semantic Model Memory Analyzer σε ένα σημειωματάριο Fabric για να εντοπίσετε προβλήματα όπως λανθασμένους τύπους δεδομένων, περιττές στήλες, στήλες υψηλής πληθικότητας και αναποτελεσματικά μοτίβα DAX. Προσθέστε περιγραφές σε πίνακες, στήλες και μετρήσεις για να βοηθήσετε το LLM να κατανοήσει τον σκοπό κάθε αντικειμένου που περιλαμβάνεται στο σχήμα δεδομένων AI.

   

2. Ορίστε την προετοιμασία για AI > Σχήμα δεδομένων AI: Με βάση το εύρος του παράγοντα δεδομένων σας, ρυθμίστε τις παραμέτρους του σχήματος δεδομένων AI στην Προετοιμασία για AI επιλέγοντας μόνο τους πίνακες, τις στήλες και τις μετρήσεις που σχετίζονται με τις ερωτήσεις που πρέπει να απαντήσει το copilot σας.

3. Δημιουργία προετοιμασίας για AI > Επαληθευμένες απαντήσεις: Προσδιορίστε τις πιο συνηθισμένες ερωτήσεις σας και διαμορφώστε τις επαληθευμένες απαντήσεις στο Prep for AI χρησιμοποιώντας κατάλληλα γραφικά. Χρησιμοποιήστε πλήρεις, ισχυρές ερωτήσεις ως εναύσματα (όχι μερικές φράσεις) για να βελτιώσετε την ακρίβεια αντιστοίχισης.

4. Προσθήκη σημασιολογικού μοντέλου στον πράκτορα δεδομένων: Πριν προσθέσετε οδηγίες AI στο Prep for AI, δοκιμάστε και επικυρώστε τις απαντήσεις από τον πράκτορα δεδομένων. Αυτό το βήμα σάς βοηθά να κατανοήσετε πού χρειάζονται οδηγίες AI για τη βελτίωση της δημιουργίας ερωτημάτων DAX.

5. Προσθήκη προετοιμασίας για AI > Οδηγίες AI: Με βάση τα ευρήματα επικύρωσης, ορίστε την επιχειρηματική ορολογία, τις προτιμήσεις ανάλυσης και τις προτεραιότητες προέλευσης δεδομένων στις οδηγίες προετοιμασίας για AI (όχι στις οδηγίες του παράγοντα δεδομένων).

6. Προετοιμασία απεικονίσεων αναφοράς: Εξετάστε τις αναφορές που συνδέονται με το μοντέλο σημασιολογίας, συμπεριλαμβανομένων των κρυφών απεικονίσεων και σελίδων, για να εξασφαλίσετε ότι οι απεικονίσεις έχουν περιγραφικούς τίτλους. Οι καλά δομημένες απεικονίσεις βοηθούν το AI να γειώσει τις απαντήσεις χρησιμοποιώντας τα οπτικά μετα-δεδομένα, όπως ο τίτλος της απεικόνισης, ο πίνακας, η στήλη, οι μετρήσεις που χρησιμοποιούνται, τα φίλτρα που εφαρμόζονται και άλλα.

7. Επαλήθευση και δοκιμή DAX: Η ακρίβεια απόκρισης εξαρτάται από το ερώτημα DAX που δημιουργήθηκε. Κατά τη δοκιμή του παράγοντα δεδομένων, εξετάστε το ερώτημα DAX σε κάθε απόκριση για να επαληθεύσετε ότι είναι έγκυρο και απαντά σωστά στην ερώτηση. Εάν τα αποτελέσματα είναι λανθασμένα, αναλύστε το DAX για να προσδιορίσετε ποιες ρυθμίσεις παραμέτρων (σημασιολογικό μοντέλο, σχήμα δεδομένων AI, επαληθευμένες απαντήσεις ή οδηγίες AI) χρειάζονται προσαρμογή.

   

8. Ρύθμιση παραμέτρων πράκτορα δεδομένων Οδηγίες: Προσθέστε οδηγίες σε επίπεδο παράγοντα δεδομένων μόνο για καθοδήγηση που ισχύει σε όλες τις προελεύσεις δεδομένων που έχουν ρυθμιστεί στον εκπρόσωπο. Αυτές οι οδηγίες περιλαμβάνουν γενικές προτιμήσεις μορφοποίησης απόκρισης, κανόνες δρομολόγησης μεταξύ πηγών, κοινές συντομογραφίες και τόνο. Μην προσθέτετε συγκεκριμένες οδηγίες για το μοντέλο σημασιολογίας εδώ, καθώς δεν μεταβιβάζονται στο εργαλείο δημιουργίας DAX. Για οδηγίες σχετικά με τη διαμόρφωση οδηγιών φορέα, ανατρέξτε στις οδηγίες διαμόρφωσης.

9. Επικύρωση & Επανάληψη: Τα LLM μπορούν να παράγουν λανθασμένα αποτελέσματα χωρίς το κατάλληλο πλαίσιο. Επαναλάβετε συνεχώς τη διαμόρφωσή σας και επικυρώστε τις απαντήσεις για να δημιουργήσετε εμπιστοσύνη στον παράγοντα δεδομένων σας. Για να αξιολογήσετε τις αποκρίσεις μέσω προγραμματισμού, μπορείτε να χρησιμοποιήσετε το Python SDK παράγοντα δεδομένων Fabric για να εκτελέσετε αυτοματοποιημένες αξιολογήσεις σε ζεύγη ερωτήσεων-απαντήσεων βασικής αλήθειας και να αναλύσετε μετρήσεις ακρίβειας. Λάβετε υπόψη ότι το SDK προορίζεται για αξιολόγηση μόνο σε αυτήν την περίπτωση και δεν μπορεί να τροποποιήσει την προετοιμασία του μοντέλου σημασιολογίας για διαμορφώσεις AI. Για λεπτομέρειες, ανατρέξτε στο θέμα Αξιολόγηση του παράγοντα δεδομένων σας. Επιπλέον, εμπλέξτε τα ενδιαφερόμενα μέρη και τους τελικούς χρήστες στη διαδικασία αξιολόγησης. Τα σχόλιά τους διασφαλίζουν ότι οι απαντήσεις ευθυγραμμίζονται με τις προσδοκίες και τη χρηστικότητα του πραγματικού κόσμου, βοηθώντας σας να εντοπίσετε κενά που ενδέχεται να χάσουν οι αυτοματοποιημένοι έλεγχοι.

10. Εφαρμογή αγωγών ελέγχου και ανάπτυξης πηγής: Χρησιμοποιήστε τις διοχετεύσεις ενοποίησης και ανάπτυξης Git για να διαχειριστείτε τις ρυθμίσεις παραμέτρων του παράγοντα δεδομένων σας σε χώρους εργασίας ανάπτυξης, δοκιμής και παραγωγής. Αυτή η πρακτική διασφαλίζει ότι οι αλλαγές διαμόρφωσης ελέγχονται και επικυρώνονται πριν προωθηθούν στην παραγωγή όπου οι τελικοί χρήστες έχουν πρόσβαση σε αυτές. Για λεπτομέρειες, ανατρέξτε στο θέμα Στοιχείο ελέγχου προέλευσης, CI/CD και ALM για παράγοντα δεδομένων Fabric.

Φιλοδώρημα

Μπορείτε να χρησιμοποιήσετε πόρους στο αποθετήριο fabric-toolbox ως αναφορά για να σας βοηθήσουν σε αυτήν τη ροή εργασίας. Αυτό το αποθετήριο περιέχει:

• Λίστα ελέγχου για την προετοιμασία και τη διαμόρφωση του σημασιολογικού μοντέλου ως προέλευσης δεδομένων
• data agent Βοηθητικό σημειωματάριο με χρήσιμα αποσπάσματα κώδικα και βοηθητικές λειτουργίες

Συνήθεις παγίδες που πρέπει να αποφύγετε

• Δεν χρησιμοποιείτε αστεροειδές σχήμα: Τα σημασιολογικά μοντέλα που χρησιμοποιούν επίπεδους, αποκανονικοποιημένους πίνακες ή συγκεντρωτικές δομές δεδομένων καθιστούν το DAX λιγότερο αποδοτικό και δυσκολότερο να γραφτεί σωστά. Το DAX είναι βελτιστοποιημένο για αστεροειδές σχήμα με σαφείς πίνακες γεγονότων και διαστάσεων. Καταργήστε τη συγκέντρωση ευρειών πινάκων σε κανονικοποιημένες δομές όπου κάθε σειρά αντιπροσωπεύει μία μόνο παρατήρηση.

• Βασιζόμενοι σε κρυφά πεδία: Οι επαληθευμένες απαντήσεις δεν θα λειτουργούν εάν αναφέρονται σε κρυφές στήλες στο μοντέλο.

• Συμπεριλαμβανομένων περιττών μέτρων: Τα σημασιολογικά μοντέλα συχνά περιέχουν βοηθητικές μετρήσεις και ενδιάμεσα αντικείμενα που χρησιμοποιούνται για τη βελτίωση της διαδραστικότητας των αναφορών. Κατά τη διαμόρφωση του σχήματος δεδομένων AI, συμπεριλάβετε μόνο τις μετρήσεις που υπολογίζουν τις πραγματικές επιχειρηματικές μετρήσεις. Η εξαίρεση βοηθητικών μετρήσεων μειώνει τον θόρυβο και βοηθά το εργαλείο δημιουργίας DAX να δημιουργήσει πιο ακριβή ερωτήματα.

• Διπλές ή αλληλεπικαλυπτόμενες μετρήσεις: Πολλές μετρήσεις που υπολογίζουν παρόμοιες μετρήσεις (για παράδειγμα, Συνολικές πωλήσεις, Ποσό πωλήσεων, Έσοδα) δημιουργούν ασάφεια. Ενοποιήστε ή διαφοροποιήστε με σαφήνεια τα μέτρα και εξαιρέστε τα διπλότυπα από το σχήμα δεδομένων AI.

• Μη περιγραφική ονομασία: Τα ονόματα αντικειμένων όπως TR_AMT, F_SLS ή DIM_GEO_01 δεν παρέχουν περιβάλλον για το εργαλείο δημιουργίας DAX. Χρησιμοποιήστε σαφή, φιλικά προς τις επιχειρήσεις ονόματα, όπως Συνολικά έσοδα, Πωλήσεις ή Γεωγραφία πελατών. Εάν δεν μπορείτε να μετονομάσετε αντικείμενα, βεβαιωθείτε ότι οι περιγραφές και τα συνώνυμα παρέχουν το απαραίτητο πλαίσιο ώστε η τεχνητή νοημοσύνη να κατανοήσει τον σκοπό τους.

• Βασιζόμενοι σε έμμεσες μετρήσεις: Οι έμμεσες μετρήσεις μπορούν να οδηγήσουν σε απρόβλεπτα αποτελέσματα. Δημιουργήστε ρητές μετρήσεις DAX για υπολογισμούς στους οποίους θέλετε να υποβάλουν ερωτήματα οι χρήστες και ορίστε τη σωστή προεπιλεγμένη σύνοψη (Άθροισμα, Μέσος όρος, Καμία κ.ο.κ.) σε αριθμητικές στήλες για να αποτρέψετε ακούσιες συναθροίσεις.

• Διφορούμενα πεδία ημερομηνίας: Πολλές στήλες ημερομηνιών (Ημερομηνία παραγγελίας, Ημερομηνία αποστολής, Ημερομηνία λήξης, Ημερολογιακό τρίμηνο/τρίμηνο οικονομικού έτους κ.λπ.) χωρίς σαφή καθοδήγηση μπερδεύουν την τεχνητή νοημοσύνη. Χρησιμοποιήστε τις Επαληθευμένες απαντήσεις και τις οδηγίες AI στην Προετοιμασία για AI για να καθορίσετε ποιο πεδίο ημερομηνίας θα χρησιμοποιηθεί από προεπιλογή ή για συγκεκριμένους τύπους ερωτήσεων.

• Αντικρουόμενες οδηγίες: Οι οδηγίες AI που έρχονται σε αντίθεση με τις διαμορφώσεις επαληθευμένων απαντήσεων δημιουργούν απρόβλεπτη συμπεριφορά.

• Παράλειψη βελτίωσης σχήματος: Τα μεγάλα μοντέλα με πολλά πεδία με παρόμοια ονομασία χρειάζονται εστιασμένα σχήματα δεδομένων AI.

• Υπερβολικά περίπλοκες οδηγίες: Κρατήστε τις οδηγίες εστιασμένες και συγκεκριμένες. Η τεχνητή νοημοσύνη ερμηνεύει αλλά δεν εγγυάται την τήρηση περίπλοκων, αντικρουόμενων οδηγιών. Οι σύνθετες οδηγίες μπορούν επίσης να αυξήσουν τον λανθάνοντα χρόνο.

Εργαλεία

Για να ακολουθήσετε αυτές τις οδηγίες, μπορείτε να χρησιμοποιήσετε τα παρακάτω εργαλεία από το αποθετήριο δεδομένων GitHub fabric-toolbox:

• Λίστα ελέγχου με συστάσεις. Αυτές είναι οδηγίες και ενδέχεται να μην ισχύουν όλα τα στοιχεία της λίστας ελέγχου για το σενάριό σας.
• Σημειωματάριο με συλλογή βοηθητικών προγραμμάτων σε ένα μέρος.
• Power BI MCP Server για επιτάχυνση της ανάπτυξης και της δοκιμής στο VS Code
• Βιβλιοθήκη εργαστηρίων σημασιολογικών συνδέσεων για την ενημέρωση μέσω προγραμματισμού του μοντέλου σημασιολογίας στο σημειωματάριο Fabric.

Πρόσθετοι πόροι

• Τεκμηρίωση εννοιών παράγοντα δεδομένων Fabric
• Υφασμάτινη εργαλειοθήκη με λίστα ελέγχου και σημειωματάρια
• Προσθήκη σημασιολογικού μοντέλου ως προέλευσης δεδομένων στον πράκτορα δεδομένων
• Προετοιμασία των δεδομένων σας για AI στο Power BI
• Βελτιστοποιήστε το σημασιολογικό σας μοντέλο για το Copilot
• Βελτιστοποίηση μοντέλου για επιδόσεις στο Power BI - Εκπαίδευση
• Συχνές ερωτήσεις για το Prep for AI