Jaa

Fabric-tietoagenttikonseptit (esiversio)

Data agent Microsoft Fabricissa on uusi Microsoft Fabricin ominaisuus, jonka avulla voit rakentaa omia keskustelullisia kysymys- ja vastausjärjestelmiä generatiivisen tekoälyn avulla. Fabric-tietoagentti tekee tiedoista helpommin käytettävissä olevia ja toiminnallisempia kaikille organisaatiossasi. Fabric-dataagentin avulla tiimisi voi käydä keskusteluja, yksinkertaisilla englanninkielisillä kysymyksillä, organisaatiosi Fabric OneLakeen tallentamista tiedoista, ja saada asiaankuuluvat vastaukset. Näin myös henkilöt, joilla ei ole teknistä tekoälyosaamista tai syvällistä ymmärrystä tietorakenteesta, voivat saada tarkkoja ja kontekstipohjaisia vastauksia.

Voit myös lisätä organisaatiokohtaisia ohjeita, esimerkkejä ja ohjeita Fabric-tietoagentin hienosäätämiseksi. Tämä lähestymistapa varmistaa, että vastaukset vastaavat organisaatiosi tarpeita ja tavoitteita, jolloin kaikki voivat käsitellä dataa tehokkaammin. Fabric Data Agent edistää datalähtöisen päätöksenteon kulttuuria, koska se alentaa esteitä oivallusten saavutettavuudelle, helpottaa yhteistyötä ja auttaa organisaatiotasi saamaan enemmän arvoa datastaan.

Important

Tämä ominaisuus on esikatselutilassa.

Prerequisites

Fabric-tietoagentin toiminta

Fabric-dataagentti käyttää suuria kielimalleja (LLM) auttaakseen käyttäjiä vuorovaikuttamaan datansa kanssa luonnollisesti. Fabric-dataagentti käyttää Azure OpenAI Assistant -rajapintoja ja käyttäytyy kuin agentti. Se käsittelee käyttäjien kysymyksiä, määrittää olennaisimman tietolähteen (Lakehouse, Warehouse, Power BI -aineisto, KQL-tietokannat, ontologia) ja käyttää sopivan työkalun kyselyjen luomiseen, validointiin ja suorittamiseen. Käyttäjät voivat sitten esittää kysymyksiä selkokielellä ja saada jäsenneltyjä, ihmisen luettavia vastauksia. Tämä lähestymistapa poistaa tarpeen kirjoittaa monimutkaisia kyselyitä ja varmistaa tarkan ja turvallisen tiedon pääsyn.

Näin se toimii yksityiskohtaisesti:

Kysymysten jäsentäminen ja validointi: Fabric-dataagentti käyttää Azure OpenAI Assistant -rajapintoja taustaagenttina käyttäjäkysymysten käsittelyyn. Tämä lähestymistapa varmistaa, että kysymys noudattaa suojausprotokollia, vastuullisia tekoälykäytäntöjä ja käyttöoikeuksia. Fabric-tietoagentti valvoo tiukasti vain luku -käyttöä ja ylläpitää vain luku -tietoyhteyksiä kaikkiin tietolähteisiin.

Tietolähteen tunnistus: Fabric-dataagentti käyttää käyttäjän tunnuksia päästäkseen käsiksi tietolähteen skeemaan. Tämä lähestymistapa varmistaa, että järjestelmä hakee tietorakenteen tiedot, joita käyttäjällä on oikeus katsoa. Agentti arvioi sitten käyttäjän kysymyksen kaikkia saatavilla olevia tietolähteitä vastaan, mukaan lukien relaatiotietokannat (Lakehouse ja Warehouse), Power BI -aineistot (semanttiset mallit), KQL-tietokannat ja ontologiat. Se saattaa myös viitata käyttäjän toimittamien tietoagenttien ohjeisiin, joiden avulla voidaan määrittää tärkein tietolähde.

Työkalukutsu ja kyselyjen generointi: Kun oikea tietolähde tai lähteet on tunnistettu, Fabric-dataagentti muotoilee kysymyksen uudelleen selkeyden ja rakenteen vuoksi ja käynnistää vastaavan työkalun rakenteellisen kyselyn luomiseksi:

  • Luonnollinen kieli SQL:ään (NL2SQL) relaatiotietokantoja varten (Lakehouse/Warehouse).
  • Luonnollinen kieli daksi (NL2DAX) Power BI -tietojoukoille (semanttiset mallit).
  • KQL-tietokantojen luonnollinen kieli: KQL (NL2KQL).

Valittu työkalu luo kyselyn annetun rakenteen, metatietojen ja kontekstin perusteella, jonka Fabric-tietoagentin pohjana oleva agentti sitten välittää.

Kyselyn validointi: Työkalu suorittaa validoinnin varmistaakseen, että kysely muodostetaan oikein ja noudattaa omia tietoturvaprotokolliaan ja RAI-käytäntöjään.

Kyselyn suoritus ja vastaus: Kun kysely on validoitu, Fabric-dataagentti suorittaa kyselyn valittua tietolähdettä vastaan. Tulokset muotoillaan ihmisen luettavissa olevaksi vastaukseksi, joka voi sisältää jäsennettyjä tietoja, kuten taulukoita, yhteenvetoja tai merkityksellisiä tietoja.

Tämän lähestymistavan avulla käyttäjät voivat olla vuorovaikutuksessa datansa kanssa luonnollisen kielen avulla. Fabric-dataagentti hoitaa kyselyjen generoinnin, validoinnin ja suorituksen monimutkaisuudet. Käyttäjien ei tarvitse itse kirjoittaa SQL:ää, DAX:ia tai KQL:ää.

Fabric-tietoagenttimääritys

Fabric-tietoagentin määrittäminen muistuttaa Power BI -raportin rakentamista – aloitat suunnittelemalla ja jalostamalla sitä tarpeidesi mukaisesti ja julkaisemalla sen ja jakamalla sen työtovereiden kanssa, jotta he voivat käsitellä tietoja. Fabric-tietoagentin määrittämiseen liittyy

Tietolähteiden valinta: Fabric-dataagentti tukee enintään viittä datalähdettä missä tahansa yhdistelmässä, mukaan lukien järvenrakennukset, varastot, KQL-tietokannat, Power BI:n semanttiset mallit ja ontologiat. Esimerkiksi määritetty Fabric-tietoagentti voi sisältää viisi semanttista Power BI -mallia. Se voi sisältää kahden semanttisen Power BI -mallin, yhden Lakehouse-mallin ja yhden KQL-tietokannan. Käytettävissäsi on monia vaihtoehtoja.

Relevanttien taulujen valinta: Kun olet valinnut tietolähteet, lisää ne yksi kerrallaan ja määrittele kunkin lähteen tarkat taulut, joita Fabric-dataagentti käyttää. Tämä vaihe varmistaa, että Fabric-tietoagentti noutaa tarkat tulokset keskittymällä vain olennaisiin tietoihin. Lakehouseissa tämä vaihe tarkoittaa järvitalotaulukoiden valintaa (ei yksittäisiä lakehouse-tiedostoja). Jos tietosi alkavat tiedostoina (esimerkiksi CSV tai JSON), tee se agentille saataville syöttämällä ne taulukoihin tai muuten paljastamalla ne taulujen kautta.

Kontekstin lisääminen: Fabric-dataagentin tarkkuuden parantamiseksi anna lisää kontekstia Fabric-dataagentin ohjeiden ja esimerkkikyselyiden avulla. Fabric-tietoagentin pohjana olevana agenttina konteksti auttaa Azure OpenAI Assistant -ohjelmointirajapintaa tekemään tietoon perustuvia päätöksiä siitä, miten käyttäjäkysymyksiä käsitellään ja mitkä tietolähteet soveltuvat parhaiten vastaamaan niihin.

  • Dataagentin ohjeet: Lisää ohjeet, jotka ohjaavat Fabric-dataagentin taustalla olevaa agenttia parhaan tietolähteen määrittämisessä tietyntyyppisiin kysymyksiin. Voit myös tarjota mukautettuja sääntöjä tai määritelmiä, jotka selventävät organisaation terminologiaa tai tiettyjä vaatimuksia. Nämä ohjeet voivat tarjota enemmän kontekstia tai asetuksia, jotka vaikuttavat siihen, miten agentti valitsee tietolähteet ja lähettää kyselyjä niihin. Esimerkiksi ohjaa taloudellisia mittareita koskevat kysymykset Power BI:n semanttiseen malliin, liittää raakadatan tutkimiseen liittyvät kyselyt järvenrakennukseen ja ohjata lokianalyysiä vaativat kysymykset KQL-tietokantaan.

  • Esimerkkikyselyt: Lisää esimerkkikysymys-kyselyparit havainnollistamaan, miten Fabric-dataagentin tulisi vastata yleisiin kyselyihin. Nämä esimerkit toimivat agentin oppaana, joka auttaa sitä tulkitsemaan samankaltaisia kysymyksiä ja luomaan tarkkoja vastauksia.

Note

Power BI:n semanttisen mallin tietolähteiden ei tällä hetkellä tueta mallien kysely/kysymysparien lisäämistä.

Yhdistämällä selkeät tekoälyohjeet ja asianmukaiset esimerkkikyselyt voit paremmin kohdistaa Fabric-tietoagenttisi organisaatiosi tietotarpeisiin ja varmistaa tarkemmat ja kontekstitietoisemmat vastaukset.

Fabric-tietoagentin ja copilotin välinen ero

Vaikka sekä Fabric-dataagentit että Fabric-kopilotit käyttävät generatiivista tekoälyä datan käsittelyyn ja päättelyyn, niiden toiminnallisuudessa ja käyttötapauksissa on keskeisiä eroja:

Konfiguraation joustavuus: Voit konfiguroida Fabric-dataagentteja tehokkaasti. Voit tarjota mukautettuja ohjeita ja esimerkkejä niiden toiminnan mukauttamisesta tiettyihin tilanteisiin. Kangaskopilotit puolestaan ovat valmiiksi konfiguroituja, eivätkä tarjoa tällaista räätälöintiä.

Laajuus ja käyttötapaus: Fabric-copilotit auttavat Microsoft Fabricin tehtävissä, kuten muistikirjakoodin tai varastokyselyiden luomisessa. Fabric-tietoagentit ovat sen sijaan erillisiä artefakteja. Fabric-data-agenttien monipuolistamiseksi laajempia käyttötapauksia varten ne voidaan integroida ulkoisiin järjestelmiin, kuten Microsoft Copilot Studioon, Azure AI Foundryun, Microsoft Teamsiin tai muihin Fabricin ulkopuolisiin työkaluihin.

Fabric-tietoagentin arviointi

Tuotetiimi arvioi tarkasti Fabric-dataagenttien vastausten laadun ja turvallisuuden:

Benchmark-testaus: Tuotetiimi testasi Fabric-data-agentteja useissa julkisissa ja yksityisissä tietojoukoissa varmistaakseen laadukkaat ja tarkat vastaukset.

Tehostetut haittojen torjunnat: Tuotetiimi otti käyttöön turvatoimia varmistaakseen, että Fabric-dataagentin tulokset pysyvät valittujen tietolähteiden kontekstissa, mikä vähentää epäolennaisten tai harhaanjohtavien vastausten riskiä.

Limitations

Fabric-dataagentti on tällä hetkellä julkisessa esikatselussa ja sillä on rajoituksia. Päivitykset parantavat Fabric-tietoagenttia ajan myötä.

  • Fabric-dataagentti generoi vain SQL-, DAX- ja KQL-"lukukyselyt". Se ei tuota SQL-, DAX- tai KQL-kyselyitä, jotka luovat, päivittäisivät tai poistaisivat dataa.
  • Fabric-dataagentti ei tue jäsentämätöntä dataa, kuten .pdf, .docxtai .txt-tiedostoja. Et voi käyttää Fabric-tietoagenttia jäsentämättömien tietoresurssien käyttämiseen.
  • Lakehouse-tietolähteissä Fabric-dataagentti vastaa kysymyksiin valitsemiesi lakehouse-taulukoiden avulla. Se ei suoraan lue itsenäisiä lakehouse-tiedostoja (esimerkiksi CSV- tai JSON-tiedostoja), ellei niitä ole syöty tai paljasteta tauluina.
  • Fabric-dataagentti ei tällä hetkellä tue muita kuin englanninkielisiä kieliä. Optimaalisen suorituskyvyn saavuttamiseksi anna kysymyksiä, ohjeita ja esimerkkikyselyitä englanniksi.
  • Et voi muuttaa Fabric-tietoagentin käyttämää LLM:a.
  • Keskusteluhistoria Fabric-dataagentissa ei välttämättä aina säily. Tietyissä tapauksissa, kuten taustajärjestelmän muutoksissa, palvelupäivityksissä tai mallipäivityksissä, aiempi keskusteluhistoria voi nollautua tai kadota.
  • Fabric-dataagentti ei pysty suorittamaan kyselyitä, kun tietolähteen työtilan kapasiteetti on eri alueella kuin dataagentin työtilan kapasiteetti. Esimerkiksi Pohjois-Euroopassa sijaitseva järvitalo epäonnistuu, jos dataagentin kapasiteetti on Ranskan keskellä.

Liittyvä sisältö

  • Last updated on