Fabric-tietoagentin luominen (esiversio)

Microsoft Fabricin dataagentilla voit luoda keskusteluhenkisiä tekoälykokemuksia, jotka vastaavat kysymyksiin datasta, joka on tallennettu järvitaloihin, varastoihin, Power BI:n semanttisiin malleihin, KQL-tietokantoihin ja ontologioihin Fabricissa. Työtoverisi voivat esittää kysymyksiä pelkkään englanniksi ja saada tietoihin perustuvia vastauksia, vaikka he eivät olisikaan tekoälyasiantuntijoita tai syvästi perehtyneet tietoihin.

Important

Tämä ominaisuus on esikatselutilassa.

Prerequisites

• Maksullinen F2 tai uudempi Fabric-kapasiteetti tai kapasiteettikohtainen Power BI Premium kapasiteetti (P1 tai uudempi), kun Microsoft Fabric on käytössä
• Fabric-tietoagenttien vuokraaja-asetukset on käytössä.
• AI Cross-Geo-prosessointi on käytössä.
• AI Cross-Geo-tallennus on käytössä.
• Vähintään yksi näistä, sisältäen dataa: varasto, järvitalo, yksi tai useampi Power BI -semanttinen malli, KQL-tietokanta tai ontologia.
• Power BI:n semanttiset mallit XMLA-päätepisteiden vuokraajavalitsimen kautta on käytössä Power BI:n semanttisen mallin tietolähteissä.

Todennus ja tunnukset

Sinun ei tarvitse luoda tai antaa Azure OpenAI -avainta tai käyttöoikeustietuetta, jotta voit käyttää Fabric-tietoagenttia. Fabric käyttää Microsoftin hallitsemaa Azure OpenAI Assistantia ja käsittelee todentamisen puolestasi.

• Tietojen käyttö suoritetaan Microsoft Entra ID -käyttäjätiedoilla ja työtilan/tietojen käyttöoikeuksilla. Agentti lukee rakenteet ja suorittaa SQL/DAX/KQL:n vain, jos sinulla on käyttöoikeus.
• Jos haluat lisätä Power BI:n semanttisen mallin tietolähteeksi, tarvitset kyseisen mallin lukuoikeuden (kirjoitusta ei vaadita). Lukuoikeus riittää myös esittämään kysymyksiä lähteistä, joihin voit päästä. Lisätietoja semanttisen mallin käyttöoikeuksista on kohdassa Tietojoukon ja semanttisen mallin suojaus.
• Jos organisaatiosi käyttää kapasiteettikohtaista Power BI Premium kapasiteettia (P1 tai uudempi) F-varastointiyksikön sijaan, varmista, että Microsoft Fabric on käytössä kyseisessä kapasiteetissa.
• Palvelun päänimiä ja ohjelmointirajapintatunnuksia ei tarvita tuotteen sisäisessä keskustelukokemuksessa. Palvelun päänimiä sisältävä automaatio on erillinen skenaario, eikä sitä käsitellä tässä.

Päästä päähän -työnkulku Fabric-tietoagenttien luomiseen ja käyttämiseen

Tässä osiossa esitellään tärkeimmät vaiheet Fabric-tietoagentin luomiseen, vahvistamiseen ja jakamiseen Fabricissa, jotta se on käytettävissä kulutusta varten.

Prosessi on yksinkertainen, ja voit aloittaa Fabric-tietoagenttiresurssien testauksen muutamassa minuutissa.

Uuden Fabric-tietoagentin luominen

Jos haluat luoda uuden Fabric-tietoagentin, siirry ensin työtilaasi ja valitse sitten painike + Uusi kohde. Etsi Kaikki kohteet -välilehdeltä Fabric-tietoagentti sopivan vaihtoehdon löytämiseksi seuraavassa näyttökuvassa esitetyllä tavalla:

Kun se on valittu, sinua pyydetään antamaan Fabric-tietoagenttisi nimi seuraavassa näyttökuvassa esitetyllä tavalla:

Katso annettuun näyttökuvaan visuaalinen opas Fabric-tietoagentin nimeämisestä. Kun olet kirjoittanut nimen, jatka määritystä, jotta Fabric-tietoagentti vastaa vaatimuksiasi.

Valitse tietosi

Kun olet luonut Fabric-dataagentin, voit lisätä enintään viisi tietolähdettä – mukaan lukien järvirakennukset, varastot, Power BI:n semanttiset mallit, KQL-tietokannat ja ontologiat – missä tahansa yhdistelmässä (yhteensä enintään viisi). Voit esimerkiksi lisätä viisi semanttista Power BI -mallia tai kaksi semanttista Power BI -mallia, yhden Lakehouse-tietokannan ja yhden KQL-tietokannan.

Kun luot Fabric-tietoagentin ensimmäistä kertaa ja annat nimen, OneLake-luettelo tulee näkyviin automaattisesti, jolloin voit lisätä tietolähteitä. Jos haluat lisätä tietolähteen, valitse se luettelosta seuraavassa näytössä esitetyllä tavalla ja valitse sitten Lisää. Jokainen tietolähde on lisättävä erikseen. Voit esimerkiksi lisätä lakehousen, valita Lisää ja jatkaa sitten toisen tietolähteen lisäämistä. Jos haluat suodattaa tietolähdetyyppejä, valitse suodatinkuvake ja valitse sitten haluttu tyyppi. Voit tarkastella vain valitun tyypin tietolähteitä, mikä helpottaa Fabric-tietoagenttisi asianmukaisten tietolähteiden paikantamista ja yhdistämistä.

Kun olet lisännyt tietolähteen, Fabric-tietoagenttisivun vasemman ruudun Resurssienhallinta täyttyy kunkin valitun tietolähteen käytettävissä olevilla taulukoilla, joissa voit valintaruutujen avulla tehdä taulukoita tekoälyn käytettävissä tai käyttämättömiksi seuraavassa näyttökuvassa esitetyllä tavalla:

Note

Tarvitset vain lukuoikeudet, jotta voit lisätä Power BI:n semanttisen mallin tietolähteeksi. Kirjoitusoikeutta ei tarvita, koska Fabric-tietoagentti antaa vain luku -kyselyitä.

Jos haluat myöhemmin lisätä tietolähteitä, siirry Resurssienhallintaan Fabric-tietoagenttisivun vasemmassa ruudussa ja valitse + Tietolähde tässä näyttökuvassa esitetyllä tavalla:

OneLake-luettelo avautuu uudelleen, ja voit lisätä tietolähteitä saumattomasti tarpeen mukaan.

Tip

Varmista, että käytät kuvaavia nimiä sekä taulukoille että sarakkeille. SalesData -niminen taulukko on merkityksellisempi kuin TableA, ja sarakkeiden nimet, kuten ActiveCustomer tai IsCustomerActive, ovat selkeämmät kuin C1 tai ActCu. Kuvaavien nimien avulla tekoäly voi luoda tarkempia ja luotettavampia kyselyitä.

Esitä kysymyksiä

Kun olet lisännyt tietolähteet ja valinnut tarvittavat taulukot kullekin tietolähteelle, voit aloittaa kysymysten esittämisen. Järjestelmä käsittelee kysymykset tässä näyttökuvassa esitetyllä tavalla:

Näiden esimerkkien kaltaisten kysymysten pitäisi myös toimia:

• "Mikä oli kokonaismyyntimme Kaliforniassa vuonna 2023?"
• "Mitkä ovat viisi myydyintä tuotetta, joilla on korkeimmat luettelohinnat, ja mitkä ovat niiden luokat?"
• "Mitkä ovat kalleimmat tuotteet, joita ei ole koskaan myyty?"

Tämänkaltaiset kysymykset sopivat, koska järjestelmä voi kääntää ne jäsennettyihin kyselyihin (T-SQL, DAX tai KQL), suorittaa ne tietokantoja vasten ja palauttaa sitten tallennettuihin tietoihin perustuvia konkreettisia vastauksia.

Tällaiset kysymykset eivät kuitenkaan kuulu:

• "Miksi tehtaan tuottavuus on alhaisempi vuoden 2024 toisella neljänneksellä?"
• "Mikä on myyntipiikin perimmäinen syy?"

Nämä kysymykset eivät tällä hetkellä kuulu laajuuteen, koska ne edellyttävät monimutkaista päättelyä, korrelaatioanalyysia tai ulkoisia tekijöitä, jotka eivät ole suoraan käytettävissä tietokannassa. Fabric-tietoagentti ei tällä hetkellä suorita edistynyttä analytiikkaa, koneoppimista tai syy-yhteyttä. Se vain noutaa ja käsittelee jäsennettyjä tietoja käyttäjän kyselyn perusteella.

Kun esität kysymyksen, Fabric-tietoagentti käsittelee pyynnön Azure OpenAI Assistant -ohjelmointirajapinnan avulla. Työnkulku toimii seuraavasti:

Rakenteen käyttö käyttäjän tunnistetiedoilla

Järjestelmä käyttää ensin käyttäjän tunnuksia päästäkseen käsiksi tietolähteen skeemaan (esimerkiksi lakehouse, warehouse, PBI-semanttinen malli, KQL-tietokannat tai ontologia). Näin varmistetaan, että järjestelmä noutaa tietorakenteen tiedot, joita käyttäjällä on oikeus tarkastella.

Kehotteen muodostaminen

Käyttäjän kysymyksen tulkitsemiseksi järjestelmä yhdistää seuraavat:

1. Käyttäjäkysely: Käyttäjän esittämä luonnollisen kielen kysymys.
2. Rakenteen tiedot: Edellisessä vaiheessa noudetun tietolähteen metatiedot ja rakennetiedot.
3. Esimerkkejä ja ohjeita: Ennalta määritetyt esimerkit (esimerkiksi esimerkkikysymykset ja vastaukset) tai tarkat ohjeet Fabric-tietoagentin määrittämisen yhteydessä. Nämä esimerkit ja ohjeet auttavat tarkentamaan tekoälyn ymmärrystä kysymyksestä ja opastamaan tekoälyn vuorovaikutusta tietojen kanssa.

Kaikkien näiden tietojen avulla luodaan kehote. Tämä kehote toimii syötteenä Azure OpenAI Assistant -ohjelmointirajapinnalle, joka toimii Fabric-tietoagentin pohjana olevana agenttina. Näin Fabric-tietoagentti kertoo, miten kysely käsitellään ja millainen vastaus sen tuottaa.

Kyselytarpeisiin perustuva työkalukutsu

Agentti analysoi muodostetun kehotteen ja päättää, mihin työkaluun vastaus haetaan:

• Natural Language to SQL (NL2SQL): Käytetään SQL-kyselyiden luomiseen, kun tiedot sijaitsevat lakehousessa tai varastossa
• Natural Language to DAX (NL2DAX): Käytetään DAX-kyselyiden luomiseen semanttisten mallien kanssa Power BI -tietolähteissä
• Natural Language to KQL (NL2KQL): Käytetään KQL-kyselyiden muodostamiseen tietojen kyselemiseksi KQL-tietokannoissa

Valittu työkalu luo kyselyn käyttämällä Fabric-tietoagentin pohjana olevan agentin tarjoamaa rakennetta, metatietoja ja kontekstia. Työkalu tarkistaa sitten kyselyn, varmistaa oikean muotoilun ja vaatimustenmukaisuuden suojausprotokolliensa ja omien Vastuullinen tekoäly (RAI) -käytäntöjensä kanssa.

Vastauksen rakentaminen

Fabric-tietoagentin pohjana oleva agentti suorittaa kyselyn ja varmistaa, että vastaus on jäsennetty ja muotoiltu asianmukaisesti. Agentti sisältää usein lisäkontekstia, jotta vastaus olisi käyttäjäystävällinen. Lopuksi vastaus näytetään käyttäjälle keskustelemassa käyttöliittymässä seuraavassa näyttökuvassa esitetyllä tavalla:

Agentti näyttää sekä tuloksen että välivaiheet, jotka kestivät lopullisen vastauksen noutamiseksi. Tämä lähestymistapa parantaa läpinäkyvyyttä ja mahdollistaa näiden vaiheiden tarvittaessa vahvistamisen. Käyttäjät voivat laajentaa vaiheiden avattavan valikon, jotta he voivat tarkastella kaikkia vaiheita, joihin Fabric-tietoagentti on ryhtynyt vastauksen hakemiseksi, seuraavassa näyttökuvassa esitetyllä tavalla:

Lisäksi Fabric-tietoagentti tarjoaa luodun koodin, jota käytetään vastaavan tietolähteen kyselyyn, ja tarjoaa lisätietoja siitä, miten vastaus on muodostettu.

Nämä kyselyt on suunniteltu yksinomaan tietojen kyselemiseen. Toimintoja, joihin liittyy tietojen luonti, tietojen päivitys, tietojen poistaminen tai minkä tahansa tyyppinen tietojen muutos, ei sallita tietojesi eheyden suojaamiseksi.

Voit milloin tahansa tyhjentää keskustelun valitsemalla Tyhjennä chat -painikkeen, kuten seuraavassa näyttökuvassa näkyy:

Tyhjennä keskustelu -ominaisuus poistaa kaiken keskusteluhistorian ja aloittaa uuden istunnon. Kun poistat keskusteluhistorian, et voi noutaa sitä.

Tietolähteen muuttaminen

Jos haluat poistaa tietolähteen, siirrä hiiren osoitin tietolähteen nimen päälle Resurssienhallinnassa Fabric-tietoagenttisivun vasemmassa ruudussa, kunnes kolmen pisteen valikko tulee näkyviin. Näytä vaihtoehdot valitsemalla kolme pistettä ja poista sitten tietolähde valitsemalla Poista seuraavassa näyttökuvassa esitetyllä tavalla:

Vaihtoehtoisesti, jos tietolähde on muuttunut, voit valita samasta valikosta Päivitä seuraavassa näyttökuvassa esitetyllä tavalla:

Tämä varmistaa, että kaikki tietolähdepäivitykset näkyvät sekä explorerissa että täytetään oikein, jotta Fabric-tietoagentti pysyy synkronoituna uusimpien tietojen kanssa.

Fabric-tietoagenttimääritys

Fabric-tietoagentti tarjoaa useita määritysvaihtoehtoja, joiden avulla käyttäjät voivat mukauttaa Fabric-tietoagenttien toimintaa, jotta ne vastaavat paremmin organisaatiosi tarpeita. Kun Fabric-tietoagentti käsittelee ja esittää tietoja, nämä määritykset tarjoavat joustavuutta, joka mahdollistaa tulosten hallinnan.

Anna ohjeita

Voit antaa tarkat ohjeet tekoälyn toiminnan ohjaamiseen. Voit lisätä ne Fabric-tietoagenttien ohjeruudussa valitsemalla Tietoagentti-ohjeet seuraavassa näyttökuvassa esitetyllä tavalla:

Täällä voit kirjoittaa enintään 15 000 merkkiä pelkkään englanninkieliseen tekstiin. Näin tekoäly opastaa kyselyiden käsittelyä.

Voit esimerkiksi määrittää tarkan tietolähteen, jota käytetään tietyntyyppisissä kysymyksissä. Tietolähdevalintoja voivat olla esimerkiksi tekoälyn ohjaaminen käyttämään

• Semanttiset Power BI -mallit talouskyselyitä varten
• Lakehouse myyntidataa varten
• KQL-tietokanta toiminnallisia mittareita varten

Näillä ohjeilla varmistat, että tekoäly luo asianmukaiset kyselyt ( SQL, DAX tai KQL) ohjeiden ja kysymysten kontekstin perusteella.

Jos tekoälyresurssi tulkitsee johdonmukaisesti väärin tiettyjä sanoja, lyhenteitä tai termejä, voit yrittää antaa tässä osiossa selkeät määritykset varmistaaksesi, että tekoäly ymmärtää ja käsittelee ne oikein. Tästä on hyötyä erityisesti toimialuekohtaisissa terminologiassa tai yksilöllisessä liiketoimintasanastossa.

Räätälöimällä näitä ohjeita ja määrittämällä termejä parannat tekoälyn kykyä tuottaa tarkkoja ja merkityksellisiä tietoja samalla tavalla kuin tietostrategia ja liiketoimintavaatimukset.

Esimerkkikyselyiden tarjoaminen

Voit parantaa vastauksen tarkkuutta tarjoamalla esimerkkikyselyitä, jotka on räätälöity kullekin tuetulle tietolähteelle (lakehouse, varasto, KQL-tietokanta). Tämä lähestymistapa, joka tunnetaan generatiivisen tekoälyn muutaman laukauksen oppimisena , auttaa Fabric-tietoagenttia luomaan vastauksia, jotka vastaavat paremmin odotuksiasi.

Kun annat tekoälylle mallikysely/kysymys-pareja, se viittaa näihin esimerkkeihin vastatessaan tuleviin kysymyksiin. Uusien kyselyiden vastaaminen kaikkein merkityksellisimpiin esimerkkeihin auttaa tekoälyä sisällyttämään liiketoimintakohtaisen logiikan ja vastaamaan tehokkaasti usein kysyttyihin kysymyksiin. Tämä toiminto mahdollistaa yksittäisten tietolähteiden hienosäädön ja varmistaa tarkempien SQL- tai KQL-kyselyiden luomisen.

Semanttisen Power BI -mallin tiedot eivät tue mallikysely-/kysymysparien lisäämistä tällä hetkellä. Kuitenkin tuetuissa tietolähteissä, kuten Lakehouse-tietokannoissa, varastossa ja KQL-tietokannoissa, lisäesimerkit voivat parantaa merkittävästi tekoälyn kykyä luoda tarkkoja kyselyitä, kun sen oletussuorituskykyä täytyy muokata.

Tip

Erilaiset esimerkkikyselyt parantavat Fabric-tietoagentin kykyä luoda tarkkoja ja olennaisia SQL/KQL-kyselyitä.

Jos haluat lisätä tai muokata esimerkkikyselyitä, avaa esimerkkikyselyt-ruutu valitsemalla Esimerkkikyselyt-painike seuraavassa näyttökuvassa esitetyllä tavalla:

Tämä paneeli tarjoaa vaihtoehtoja esimerkkikyselyjen lisäämiseen tai muokkaamiseen kaikille tuetuille tietolähteille paitsi Power BI:n semanttisille malleille ja ontologioille. Voit antaa tarvittavat esimerkit kullekin tietolähteelle valitsemalla Lisää tai Muokkaa esimerkkikyselyitä - seuraavassa näyttökuvassa esitetyllä tavalla:

Note

Fabric-tietoagentti viittaa vain kyselyihin, jotka sisältävät kelvollisen SQL/KQL-syntaksin ja jotka vastaavat valittujen taulukoiden rakennetta. Fabric-tietoagentti ei käytä kyselyjä, jotka eivät ole vielä suorittaneet vahvistusta. Varmista, että kaikki esimerkkikyselyt ovat kelvollisia ja että ne on tasattu oikein rakenteen kanssa, jotta Fabric-tietoagentti käyttää niitä tehokkaasti.

Fabric-tietoagentin julkaiseminen ja jakaminen

Kun olet testannut Fabric-tietoagentin suorituskykyä eri kysymyksissä ja varmistanut, että se luo tarkkoja SQL-, DAX- tai KQL-kyselyitä, voit jakaa sen työtovereidesi kanssa. Valitse tässä vaiheessa Julkaise seuraavassa näyttökuvassa esitetyllä tavalla:

Tämä vaihe avaa ikkunan, jossa pyydetään Fabric-tietoagentin kuvausta. Anna tässä yksityiskohtainen kuvaus Fabric-tietoagentin rakenteesta. Nämä tiedot opastavat työtovereita Fabric-tietoagentin toimivuudesta ja auttavat muita tekoälyjärjestelmiä/orkeströöreita käynnistämään Fabric-tietoagentin tehokkaasti.

Kun olet julkaissut Fabric-tietoagentin, sinulla on siitä kaksi versiota. Yksi versio on nykyinen luonnosversio, jota voit edelleen tarkentaa ja parantaa. Toinen versio on julkaistu versio, jonka voit jakaa työtovereillesi, jotka haluavat tehdä kyselyitä Fabric-tietoagentille saadakseen vastauksia kysymyksiinsä. Kun kehität palautetta työtovereiltasi, voit sisällyttää sen kehittämisen aikana työtoveriesi palautteen Fabric-tietoagenttien suorituskyvyn parantamiseksi.

Liittyvä sisältö

• tietoagenttikonsepti
• Tietoagenttien päästä päähän -opetusohjelma