Δημιουργία παράγοντα δεδομένων Fabric (προεπισκόπηση)

Με έναν παράγοντα δεδομένων στο Microsoft Fabric, μπορείτε να δημιουργήσετε εμπειρίες συνομιλίας AI που απαντούν σε ερωτήσεις σχετικά με δεδομένα που είναι αποθηκευμένα σε λίμνες, αποθήκες, σημασιολογικά μοντέλα Power BI, βάσεις δεδομένων KQL και οντολογίες στο Fabric. Οι συνάδελφοί σας μπορούν να υποβάλουν ερωτήσεις σε απλά αγγλικά και να λάβουν απαντήσεις που βασίζονται σε δεδομένα, ακόμα και αν δεν είναι ειδικοί στην τεχνητή νοημοσύνη ή είναι βαθιά εξοικειωμένοι με τα δεδομένα.

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.

Έλεγχος ταυτότητας και διακριτικά

Δεν χρειάζεται να δημιουργήσετε ή να παράσχετε ένα κλειδί Azure OpenAI ή ένα διακριτικό πρόσβασης για να χρησιμοποιήσετε έναν παράγοντα δεδομένων Fabric. Το Fabric χρησιμοποιεί έναν Βοηθό Azure OpenAI που διαχειρίζεται η Microsoft και χειρίζεται τον έλεγχο ταυτότητας για εσάς.

Η πρόσβαση στα δεδομένα εκτελείται με την ταυτότητα χρήστη του Microsoft Entra ID και τα δικαιώματα χώρου εργασίας/δεδομένων. Ο παράγοντας διαβάζει σχήματα και εκτελεί SQL/DAX/KQL μόνο εάν έχετε πρόσβαση.
Για να προσθέσετε ένα σημασιολογικό μοντέλο Power BI ως προέλευση δεδομένων, χρειάζεστε δικαίωμα ανάγνωσης σε αυτό το μοντέλο (δεν απαιτείται εγγραφή). Η πρόσβαση ανάγνωσης είναι επίσης επαρκής για να κάνετε ερωτήσεις σε πηγές στις οποίες μπορείτε να έχετε πρόσβαση. Για περισσότερες πληροφορίες σχετικά με τα δικαιώματα μοντέλου σημασιολογίας, ανατρέξτε στο θέμα Ασφάλεια συνόλου δεδομένων και μοντέλου σημασιολογίας.
Εάν ο οργανισμός σας χρησιμοποιεί εκχωρημένους πόρους Power BI Premium ανά εκχωρημένους πόρους (P1 ή υψηλότερο) αντί για SKU F, βεβαιωθείτε ότι το Microsoft Fabric είναι ενεργοποιημένο σε αυτούς τους εκχωρημένους πόρους.
Οι κύριες υπηρεσίες και τα διακριτικά API δεν απαιτούνται για την εμπειρία συνομιλίας εντός προϊόντος. Οποιοσδήποτε αυτοματισμός με κύριες υπηρεσίες είναι ένα ξεχωριστό σενάριο και δεν καλύπτεται εδώ.

Ολοκληρωμένη ροή για τη δημιουργία και την κατανάλωση παραγόντων δεδομένων Fabric

Αυτή η ενότητα περιγράφει τα βασικά βήματα για τη δημιουργία, την επικύρωση και την κοινή χρήση ενός παράγοντα δεδομένων Fabric στο Fabric, καθιστώντας τον προσβάσιμο για κατανάλωση.

Η διαδικασία είναι απλή και μπορείτε να ξεκινήσετε τη δοκιμή των πόρων του παράγοντα δεδομένων Fabric μέσα σε λίγα λεπτά.

Δημιουργία νέου παράγοντα δεδομένων Fabric

Για να δημιουργήσετε έναν νέο παράγοντα δεδομένων Fabric, μεταβείτε πρώτα στον χώρο εργασίας σας και, στη συνέχεια, επιλέξτε το κουμπί + Νέο στοιχείο. Στην καρτέλα Όλα τα στοιχεία, κάντε αναζήτηση για παράγοντα δεδομένων Fabric για να εντοπίσετε την κατάλληλη επιλογή, όπως φαίνεται σε αυτό το στιγμιότυπο οθόνης:

Όταν επιλεγεί, θα σας ζητηθεί να δώσετε ένα όνομα για τον παράγοντα δεδομένων Fabric, όπως φαίνεται σε αυτό το στιγμιότυπο οθόνης:

Ανατρέξτε στο στιγμιότυπο οθόνης που παρέχεται για έναν οδηγό απεικόνισης σχετικά με την ονομασία του παράγοντα δεδομένων Fabric. Μετά την εισαγωγή του ονόματος, προχωρήστε στη ρύθμιση παραμέτρων για να στοιχίσετε τον παράγοντα δεδομένων Fabric με τις συγκεκριμένες απαιτήσεις σας.

Επιλέξτε τα δεδομένα σας

Αφού δημιουργήσετε έναν παράγοντα δεδομένων Fabric, μπορείτε να προσθέσετε έως και πέντε προελεύσεις δεδομένων - συμπεριλαμβανομένων λιμνών, αποθηκών, σημασιολογικών μοντέλων Power BI, βάσεων δεδομένων KQL και οντολογιών - σε οποιονδήποτε συνδυασμό (έως πέντε συνολικά). Για παράδειγμα, μπορείτε να προσθέσετε πέντε σημασιολογικά μοντέλα Power BI ή δύο σημασιολογικά μοντέλα Power BI, μία λίμνη και μία βάση δεδομένων KQL.

Όταν δημιουργείτε έναν παράγοντα δεδομένων Fabric για πρώτη φορά και καταχωρείτε ένα όνομα, εμφανίζεται αυτόματα ο κατάλογος OneLake, επιτρέποντάς σας να προσθέσετε προελεύσεις δεδομένων. Για να προσθέσετε μια πηγή δεδομένων, επιλέξτε την από τον κατάλογο όπως φαίνεται στην επόμενη οθόνη και, στη συνέχεια, επιλέξτε Προσθήκη. Κάθε προέλευση δεδομένων πρέπει να προστεθεί ξεχωριστά. Για παράδειγμα, μπορείτε να προσθέσετε ένα σπίτι λίμνης, να επιλέξετε Προσθήκη και, στη συνέχεια, να προχωρήσετε στην προσθήκη μιας άλλης προέλευσης δεδομένων. Για να φιλτράρετε τους τύπους προέλευσης δεδομένων, επιλέξτε το εικονίδιο φίλτρου και, στη συνέχεια, επιλέξτε τον τύπο που θέλετε. Μπορείτε να προβάλετε μόνο τις προελεύσεις δεδομένων του επιλεγμένου τύπου, διευκολύνοντας τον εντοπισμό και τη σύνδεση των κατάλληλων προελεύσεων για τον παράγοντα δεδομένων Fabric.

Μόλις προσθέσετε την πηγή δεδομένων, ο Explorer στο αριστερό παράθυρο της σελίδας παράγοντα δεδομένων Fabric συμπληρώνεται με τους διαθέσιμους πίνακες σε κάθε επιλεγμένη πηγή δεδομένων, όπου μπορείτε να χρησιμοποιήσετε τα πλαίσια ελέγχου για να κάνετε τους πίνακες διαθέσιμους ή μη διαθέσιμους στο AI όπως φαίνεται στο παρακάτω στιγμιότυπο οθόνης:

Note

Χρειάζεστε μόνο δικαίωμα ανάγνωσης για να προσθέσετε ένα σημασιολογικό μοντέλο Power BI ως προέλευση δεδομένων. Δεν απαιτείται δικαίωμα εγγραφής, επειδή ο παράγοντας δεδομένων Fabric εκδίδει ερωτήματα μόνο για ανάγνωση.

Για επόμενες προσθήκες προελεύσεων δεδομένων, μεταβείτε στον Εξερευνητή στο αριστερό παράθυρο της σελίδας παράγοντα δεδομένων Fabric και επιλέξτε + Πηγή δεδομένων, όπως φαίνεται σε αυτό το στιγμιότυπο οθόνης:

Ο κατάλογος OneLake ανοίγει ξανά και μπορείτε να προσθέσετε απρόσκοπτα περισσότερες προελεύσεις δεδομένων ανάλογα με τις ανάγκες.

Tip

Βεβαιωθείτε ότι χρησιμοποιείτε περιγραφικά ονόματα για πίνακες και στήλες. Ένας πίνακας με ονομασία SalesData έχει περισσότερο νόημα από TableAκαι τα ονόματα στηλών, όπως ActiveCustomer ή IsCustomerActive, είναι πιο σαφή από C1 ή ActCu. Τα περιγραφικά ονόματα βοηθούν το AI να δημιουργήσει πιο ακριβή και αξιόπιστα ερωτήματα.

Κάντε ερωτήσεις

Αφού προσθέσετε τις προελεύσεις δεδομένων και επιλέξετε τους σχετικούς πίνακες για κάθε προέλευση δεδομένων, μπορείτε να αρχίσετε να κάνετε ερωτήσεις. Το σύστημα χειρίζεται ερωτήσεις όπως φαίνεται σε αυτό το στιγμιότυπο οθόνης:

Ερωτήσεις παρόμοιες με αυτά τα παραδείγματα θα πρέπει επίσης να λειτουργούν:

"Ποιες ήταν οι συνολικές πωλήσεις μας στην Καλιφόρνια το 2023;"
"Ποια είναι τα 5 κορυφαία προϊόντα με τις υψηλότερες τιμές λίστας και ποιες είναι οι κατηγορίες τους;"
"Ποια είναι τα πιο ακριβά αντικείμενα που δεν έχουν πουληθεί ποτέ;"

Ερωτήσεις όπως αυτή είναι κατάλληλες καθώς το σύστημα μπορεί να τις μεταφράσει σε δομημένα ερωτήματα (T-SQL, DAX ή KQL), να τα εκτελέσει σε βάσεις δεδομένων και, στη συνέχεια, να επιστρέψει συγκεκριμένες απαντήσεις που βασίζονται σε αποθηκευμένα δεδομένα.

Ωστόσο, ερωτήσεις όπως αυτές είναι εκτός εμβέλειας:

"Γιατί η παραγωγικότητα των εργοστασίων μας είναι χαμηλότερη το 2ο τρίμηνο του 2024;"
"Ποια είναι η βασική αιτία της αύξησης των πωλήσεών μας;"

Αυτές οι ερωτήσεις είναι προς το παρόν εκτός εμβέλειας, επειδή απαιτούν σύνθετη συλλογιστική, ανάλυση συσχέτισης ή εξωτερικούς παράγοντες που δεν είναι άμεσα διαθέσιμοι στη βάση δεδομένων. Ο παράγοντας δεδομένων Fabric δεν εκτελεί προς το παρόν σύνθετη ανάλυση, εκμάθηση μηχανής ή αιτιώδη συνάφεια. Απλώς ανακτά και επεξεργάζεται δομημένα δεδομένα με βάση το ερώτημα του χρήστη.

Όταν υποβάλετε μια ερώτηση, ο παράγοντας δεδομένων Fabric χρησιμοποιεί το API Azure OpenAI Assistant για την επεξεργασία της αίτησης. Η ροή λειτουργεί με τον εξής τρόπο:

Πρόσβαση σε σχήμα με διαπιστευτήρια χρήστη

Το σύστημα χρησιμοποιεί πρώτα τα διαπιστευτήρια του χρήστη για πρόσβαση στο σχήμα της προέλευσης δεδομένων (για παράδειγμα, lakehouse, αποθήκη, σημασιολογικό μοντέλο PBI, βάσεις δεδομένων KQL ή οντολογία). Αυτό εξασφαλίζει ότι το σύστημα λαμβάνει πληροφορίες δομής δεδομένων για τις οποίες ο χρήστης έχει δικαίωμα προβολής.

Δημιουργία της προτροπής

Για να ερμηνεύσει την ερώτηση του χρήστη, το σύστημα συνδυάζει:

Ερώτημα χρήστη: Η ερώτηση φυσικής γλώσσας που παρέχεται από τον χρήστη.
Πληροφορίες σχήματος: Μετα-δεδομένα και δομικές λεπτομέρειες της προέλευσης δεδομένων που ανακτήσατε στο προηγούμενο βήμα.
Παραδείγματα και οδηγίες: Οποιαδήποτε προκαθορισμένα παραδείγματα (για παράδειγμα, δείγματα ερωτήσεων και απαντήσεων) ή συγκεκριμένες οδηγίες που παρέχονται κατά τη ρύθμιση του παράγοντα δεδομένων Fabric. Αυτά τα παραδείγματα και οι οδηγίες βελτιώνουν την κατανόηση της ερώτησης από την AI και καθοδηγούν τον τρόπο αλληλεπίδρασης του AI με τα δεδομένα.

Όλες αυτές οι πληροφορίες χρησιμοποιούνται για τη δημιουργία μιας προτροπής. Αυτή η προτροπή χρησιμεύει ως είσοδος στο API βοηθού Azure OpenAI, το οποίο συμπεριφέρεται ως ένας παράγοντας που βρίσκεται υποκείμενος του παράγοντα δεδομένων Fabric. Αυτό ουσιαστικά καθοδηγεί τον παράγοντα δεδομένων Fabric σχετικά με τον τρόπο επεξεργασίας του ερωτήματος και τον τύπο απάντησης που θα παραχθεί.

Κλήση εργαλείου βάσει αναγκών ερωτήματος

Ο παράγοντας αναλύει τη κατασκευασμένη προτροπή και αποφασίζει ποιο εργαλείο θα καλέσει για την ανάκτηση της απάντησης:

Φυσική γλώσσα για SQL (NL2SQL): Χρησιμοποιείται για τη δημιουργία ερωτημάτων SQL όταν τα δεδομένα βρίσκονται σε μια λίμνη ή αποθήκη
Φυσική γλώσσα στο DAX (NL2DAX): Χρησιμοποιείται για τη δημιουργία ερωτημάτων DAX για αλληλεπίδραση με σημασιολογικά μοντέλα σε προελεύσεις δεδομένων Power BI
Φυσική γλώσσα σε KQL (NL2KQL): Χρησιμοποιείται για τη δημιουργία ερωτημάτων KQL για την υποβολή ερωτημάτων σε δεδομένα σε βάσεις δεδομένων KQL

Το επιλεγμένο εργαλείο δημιουργεί ένα ερώτημα χρησιμοποιώντας το σχήμα, τα μετα-δεδομένα και το περιβάλλον που παρέχει ο υποκείμενος παράγοντας δεδομένων Fabric. Στη συνέχεια, το εργαλείο επικυρώνει το ερώτημα, για να εξασφαλίσει την κατάλληλη μορφοποίηση και συμμόρφωση με τα πρωτόκολλα ασφαλείας του και τις δικές του πολιτικές Υπεύθυνης τεχνητής νοημοσύνης (RAI).

Κατασκευή απόκρισης

Ο παράγοντας που βασίζεται στον παράγοντα δεδομένων Fabric εκτελεί το ερώτημα και εξασφαλίζει ότι η απόκριση είναι δομημένη και μορφοποιημένη κατάλληλα. Ο παράγοντας συχνά περιλαμβάνει επιπλέον περιβάλλον για να κάνει την απάντηση φιλική προς τον χρήστη. Τέλος, η απάντηση εμφανίζεται στον χρήστη σε ένα περιβάλλον εργασίας συνομιλίας, όπως φαίνεται στο παρακάτω στιγμιότυπο οθόνης:

Ο παράγοντας παρουσιάζει τόσο το αποτέλεσμα όσο και τα ενδιάμεσα βήματα που χρειάστηκε για την ανάκτηση της τελικής απάντησης. Αυτή η προσέγγιση βελτιώνει τη διαφάνεια και επιτρέπει την επικύρωση αυτών των βημάτων, εάν είναι απαραίτητο. Οι χρήστες μπορούν να επεκτείνουν την αναπτυσσόμενη λίστα για τα βήματα για να προβάλουν όλα τα βήματα που χρειάστηκε ο παράγοντας δεδομένων Fabric για την ανάκτηση της απάντησης, όπως φαίνεται στο παρακάτω στιγμιότυπο οθόνης:

Επιπλέον, ο παράγοντας δεδομένων Fabric παρέχει τον κώδικα που δημιουργήθηκε για την υποβολή ερωτήματος στην αντίστοιχη προέλευση δεδομένων, παρέχοντας περαιτέρω πληροφορίες για τον τρόπο κατασκευής της απόκρισης.

Αυτά τα ερωτήματα έχουν σχεδιαστεί αποκλειστικά για την υποβολή ερωτημάτων για δεδομένα. Λειτουργίες που αφορούν στη δημιουργία δεδομένων, ενημερώσεις δεδομένων, διαγραφές δεδομένων, οποιονδήποτε τύπο αλλαγής δεδομένων δεν επιτρέπονται, για την προστασία της ακεραιότητας των δεδομένων σας.

Ανά πάσα στιγμή, μπορείτε να επιλέξετε το Εκκαθάριση συνομιλίας κουμπί για εκκαθάριση της συνομιλίας, όπως φαίνεται στο παρακάτω στιγμιότυπο οθόνης:

Η δυνατότητα Απαλοιφή συνομιλίας διαγράφει όλο το ιστορικό συνομιλίας και ξεκινά μια νέα περίοδο λειτουργίας. Αφού διαγράψετε το ιστορικό συνομιλίας σας, δεν μπορείτε να το ανακτήσετε.

Αλλαγή της προέλευσης δεδομένων

Για να καταργήσετε μια προέλευση δεδομένων, τοποθετήστε το δείκτη του ποντικιού πάνω από το όνομα της προέλευσης δεδομένων στην Εξερεύνηση στο αριστερό τμήμα παραθύρου της σελίδας παράγοντα δεδομένων Fabric μέχρι να εμφανιστεί το μενού με τις τρεις κουκκίδες. Επιλέξτε τις τρεις τελείες για να αποκαλύψετε τις επιλογές και, στη συνέχεια, επιλέξτε ΑΦΑΙΡΕΣΗ για να διαγράψετε την πηγή δεδομένων όπως φαίνεται στο παρακάτω στιγμιότυπο οθόνης:

Εναλλακτικά, εάν η πηγή δεδομένων σας άλλαξε, μπορείτε να επιλέξετε Ανανέωση στο ίδιο μενού, όπως φαίνεται στο παρακάτω στιγμιότυπο οθόνης:

Αυτό εξασφαλίζει ότι οποιεσδήποτε ενημερώσεις προέλευσης δεδομένων αντικατοπτρίζονται και συμπληρώνονται σωστά στην εξερεύνηση, για να διατηρείτε τον παράγοντα δεδομένων Fabric συγχρονισμένο με τα πιο πρόσφατα δεδομένα.

Ρύθμιση παραμέτρων παράγοντα δεδομένων Fabric

Ο παράγοντας δεδομένων Fabric προσφέρει διάφορες επιλογές ρύθμισης παραμέτρων που επιτρέπουν στους χρήστες να προσαρμόζουν τη συμπεριφορά του παράγοντα δεδομένων Fabric, ώστε να ταιριάζει καλύτερα με τις ανάγκες του οργανισμού σας. Καθώς ο παράγοντας δεδομένων Fabric επεξεργάζεται και παρουσιάζει δεδομένα, αυτές οι ρυθμίσεις παραμέτρων προσφέρουν ευελιξία που επιτρέπει περισσότερο έλεγχο των αποτελεσμάτων.

Παροχή οδηγιών

Μπορείτε να παράσχετε συγκεκριμένες οδηγίες για την καθοδήγηση της συμπεριφοράς του AI. Για να τις προσθέσετε στο τμήμα παραθύρου οδηγίες παράγοντα δεδομένων Fabric, επιλέξτε οδηγίες του παράγοντα δεδομένων, όπως φαίνεται στο παρακάτω στιγμιότυπο οθόνης:

Εδώ, μπορείτε να γράψετε έως 15.000 χαρακτήρες σε απλό κείμενο στην αγγλική γλώσσα, για να καθοδηγήσετε το AI σχετικά με τον τρόπο χειρισμού των ερωτημάτων.

Για παράδειγμα, μπορείτε να καθορίσετε την ακριβή προέλευση δεδομένων που θα χρησιμοποιηθεί για συγκεκριμένους τύπους ερωτήσεων. Ορισμένα παραδείγματα επιλογών προέλευσης δεδομένων μπορεί να περιλαμβάνουν την καθοδήγηση της τεχνητής νοημοσύνης σε χρήση

Σημασιολογικά μοντέλα Power BI για οικονομικά ερωτήματα
ένα lakehouse για τα δεδομένα πωλήσεων
μια βάση δεδομένων KQL για λειτουργικά μετρικά

Αυτές οι οδηγίες εξασφαλίζουν ότι η τεχνητή νοημοσύνη δημιουργεί κατάλληλα ερωτήματα, είτε SQL, DAX ή KQL, με βάση τις οδηγίες σας και το περιβάλλον των ερωτήσεων.

Εάν ο πόρος AI δεν αναγνωρίζει με συνέπεια ορισμένες λέξεις, ακρωνύμια ή όρους, μπορείτε να προσπαθήσετε να παρέχετε σαφείς ορισμούς σε αυτήν την ενότητα, για να διασφαλίσετε ότι η τεχνητή νοημοσύνη τις κατανοεί και τις επεξεργάζεται σωστά. Αυτό γίνεται ιδιαίτερα χρήσιμο για ορολογία τομέα ή μοναδική επιχειρηματική ορολογία.

Προσαρμόζοντας αυτές τις οδηγίες και καθορίζοντας όρους, ενισχύετε τη δυνατότητα της τεχνητής νοημοσύνης να παρέχει ακριβείς και σχετικές πληροφορίες, σε πλήρη ευθυγράμμιση με τη στρατηγική των δεδομένων και τις επιχειρηματικές απαιτήσεις σας.

Παροχή παραδειγμάτων ερωτημάτων

Μπορείτε να βελτιώσετε την ακρίβεια απόκρισης παρέχοντας παραδείγματα ερωτημάτων προσαρμοσμένων σε κάθε υποστηριζόμενη προέλευση δεδομένων (lakehouse, αποθήκη, βάση δεδομένων KQL). Αυτή η προσέγγιση, γνωστή ως εκμάθηση λίγων λήψεων στο παραγωγικό AI, βοηθά στην καθοδήγηση του παράγοντα δεδομένων Fabric για τη δημιουργία αποκρίσεων που ευθυγραμμίζονται καλύτερα με τις προσδοκίες σας.

Όταν παρέχετε στο AI δείγματα ζευγών ερωτημάτων/ερωτήσεων, αναφέρεται σε αυτά τα παραδείγματα όταν απαντά σε μελλοντικές ερωτήσεις. Η αντιστοίχιση νέων ερωτημάτων με τα πιο σχετικά παραδείγματα βοηθά το AI να ενσωματώνει επιχειρηματική λογική και να απαντά αποτελεσματικά σε συνήθεις ερωτήσεις. Αυτή η λειτουργικότητα επιτρέπει τη λεπτομερή ρύθμιση για μεμονωμένες προελεύσεις δεδομένων και εξασφαλίζει τη δημιουργία πιο ακριβών ερωτημάτων SQL ή KQL.

Τα δεδομένα σημασιολογικού μοντέλου Power BI δεν υποστηρίζουν την προσθήκη δειγμάτων ζευγών ερωτημάτων/ερωτήσεων αυτήν τη στιγμή. Ωστόσο, για υποστηριζόμενες προελεύσεις δεδομένων όπως lakehouse, warehouse και βάσεις δεδομένων KQL, η παροχή περισσότερων παραδειγμάτων μπορεί να βελτιώσει σημαντικά τη δυνατότητα της AI να δημιουργεί ακριβή ερωτήματα όταν οι προεπιλεγμένες επιδόσεις της χρειάζονται προσαρμογή.

Tip

Ένα ποικίλο σύνολο παραδειγμάτων ερωτημάτων βελτιώνει τη δυνατότητα ενός παράγοντα δεδομένων Fabric για τη δημιουργία ακριβών και σχετικών ερωτημάτων SQL/KQL.

Για να προσθέσετε ή να επεξεργαστείτε παραδείγματα ερωτημάτων, επιλέξτε το κουμπί Παραδείγματα ερωτημάτων για να ανοίξετε το παράθυρο παραδειγμάτων ερωτημάτων, όπως φαίνεται στο παρακάτω στιγμιότυπο οθόνης:

Αυτό το τμήμα παραθύρου παρέχει επιλογές για την προσθήκη ή την επεξεργασία παραδειγμάτων ερωτημάτων για όλες τις υποστηριζόμενες προελεύσεις δεδομένων εκτός από τα σημασιολογικά μοντέλα και τις οντολογίες του Power BI. Για κάθε προέλευση δεδομένων, μπορείτε να επιλέξετε Προσθήκη ή Επεξεργασία παραδειγμάτων ερωτημάτων για να εισαγάγετε τα σχετικά παραδείγματα, όπως φαίνεται στο παρακάτω στιγμιότυπο οθόνης:

Note

Ο παράγοντας δεδομένων Fabric αναφέρεται μόνο σε ερωτήματα που περιέχουν έγκυρη σύνταξη SQL/KQL και που συμφωνούν με το σχήμα των επιλεγμένων πινάκων. Ο παράγοντας δεδομένων Fabric δεν χρησιμοποιεί ερωτήματα που δεν έχουν ολοκληρώσει την επικύρωση. Βεβαιωθείτε ότι όλα τα παραδείγματα ερωτημάτων είναι έγκυρα και στοιχίζονται σωστά με το σχήμα για να εξασφαλίσετε ότι ο παράγοντας δεδομένων Fabric τα χρησιμοποιεί αποτελεσματικά.

Αφού ελέγξετε τις επιδόσεις του παράγοντα δεδομένων Fabric σε διάφορες ερωτήσεις και επιβεβαιώσετε ότι δημιουργεί ακριβή ερωτήματα SQL, DAX ή KQL, μπορείτε να το μοιραστείτε με τους συναδέλφους σας. Σε εκείνο το σημείο, επιλέξτε Δημοσίευση, όπως φαίνεται στο παρακάτω στιγμιότυπο οθόνης:

Αυτό το βήμα ανοίγει ένα παράθυρο που ζητά μια περιγραφή του παράγοντα δεδομένων Fabric. Εδώ, παρέχετε μια λεπτομερή περιγραφή του παράγοντα δεδομένων Fabric. Αυτές οι λεπτομέρειες καθοδηγούν τους συναδέλφους σας σχετικά με τη λειτουργικότητα του παράγοντα δεδομένων Fabric και βοηθούν άλλα συστήματα/ενορχηστρωτής AI να καλούν αποτελεσματικά τον παράγοντα δεδομένων Fabric.

Μετά τη δημοσίευση του παράγοντα δεδομένων Fabric, θα έχετε δύο εκδόσεις του. Μία έκδοση είναι η τρέχουσα πρόχειρη έκδοση, την οποία μπορείτε να συνεχίσετε να περιορίζετε και να βελτιώνετε. Η δεύτερη έκδοση είναι η δημοσιευμένη έκδοση, την οποία μπορείτε να μοιραστείτε με τους συναδέλφους σας που θέλουν να υποβάλλουν ερώτημα στον παράγοντα δεδομένων Fabric για να λάβουν απαντήσεις στις ερωτήσεις τους. Μπορείτε να ενσωματώσετε σχόλια από τους συναδέλφους σας στην τρέχουσα πρόχειρη έκδοσή σας καθώς τα αναπτύσσετε, για να βελτιώσετε περαιτέρω την απόδοση του παράγοντα δεδομένων Fabric.

Ανάδραση

Ήταν χρήσιμη αυτή η σελίδα;

Last updated on 2025-09-17