Utiliser Copilot avec des modèles sémantiques

Cet article vous aide à utiliser les expériences Copilot dans Power BI pour les modèles sémantiques.

Copilot dans Microsoft Fabric est un assistant IA génératif qui vise à améliorer l’expérience d’analyse des données dans la plateforme Fabric, y compris la charge de travail Power BI. Vous pouvez utiliser Copilot dans Power BI pour prendre en charge le développement et la consommation de modèles sémantiques par les utilisateurs libre-service et d’entreprise. Lorsqu’il est utilisé efficacement, Copilot peut prendre en charge les analystes et les utilisateurs professionnels pour améliorer la productivité et obtenir plus de valeur à partir de leurs modèles sémantiques.

Toutefois, pour utiliser Copilot avec des modèles sémantiques dans Power BI, vous devez d’abord préparer vos données, votre modèle sémantique et vos utilisateurs. Si vous ne préparez pas ces éléments, Copilot produit principalement des sorties de faible qualité et inexactes qui peuvent être incorrectes ou même trompeuses. Les sections suivantes vous guident tout au long de la façon dont vous pouvez utiliser Copilot dans Power BI pour développer ou consommer un modèle sémantique avec les expériences Copilot disponibles.

Note

Pour plus d’informations, consultez la documentation de Copilot dans Power BI.

Copilot et ses capacités évoluent au fil du temps. Les expériences Copilot dans les sections suivantes peuvent changer et de nouvelles expériences peuvent devenir disponibles avec des modèles sémantiques. Par conséquent, vous devez vous tenir informé des versions mensuelles de Power BI et de toutes les annonces Copilot pertinentes.

Important

Vous ne pouvez pas activer ou désactiver Copilot dans des charges de travail spécifiques ou pour des expériences Copilot spécifiques. Si vous activez Copilot dans Fabric dans votre capacité pour un utilisateur ou un groupe de sécurité, toutes les charges de travail et expériences Copilot sont accessibles pour ces utilisateurs.

Développer un modèle sémantique avec l’aide de Copilot

Lorsque vous développez un modèle sémantique dans Power BI, utilisez Copilot pour améliorer l’efficacité et la commodité de certaines tâches. En règle générale, ce processus implique de tirer parti de Copilot pour simplifier les modifications redondantes ou répétitives pour vous (telles que la génération de descriptions de mesures) ou vous aider à aborder ou à comprendre la conception de modèle difficile ou DAX (par exemple, en utilisant Copilot dans la vue de requête DAX pour expliquer les concepts DAX ou pour générer des requêtes DAX).

Les sections suivantes expliquent comment un développeur ou un analyste Power BI qui crée des modèles sémantiques peut tirer parti des différentes expériences Copilot dans Power BI.

Note

Les sections suivantes se concentrent sur les expériences qui prennent en charge le développement de modèles sémantiques dans Power BI Desktop, et non en ligne en utilisant modifier les modèles de données dans le service Power BI. Les conseils et considérations des sections suivantes peuvent toujours s’appliquer lorsque vous modifiez des modèles de données dans le service Power BI, mais sachez que les différences existent entre ces deux expériences.

En général, développez des modèles sémantiques Power BI à l’aide de Power BI Desktop ou d’outils tiers, puis publiez ces modèles sur le service Power BI lorsque vous êtes prêt à les utiliser. Toutefois, vous pouvez également modifier des modèles de données dans le service Power BI si c’est votre préférence ou si vous ne pouvez pas utiliser les outils de bureau pour développer votre modèle.

Poser des questions sur votre modèle sémantique

Lors du développement d’un modèle sémantique, vous devez souvent explorer et interroger les données. Normalement, vous utilisez une combinaison de l’éditeur Power Query, du canevas de rapport et des requêtes DAX. Toutefois, vous pouvez également poser des questions sur votre modèle et son contenu à l’aide du volet de conversation Copilot. En règle générale, poser des questions sur les données est davantage une expérience de consommation, où les utilisateurs professionnels peuvent poser des questions sur les données lorsqu’ils ne peuvent pas trouver la réponse dans un rapport. Toutefois, les développeurs peuvent utiliser cette fonctionnalité pour explorer les données ou valider la façon dont Copilot s’exécute sur leur modèle.

L’image suivante montre un exemple d’utilisateur qui pose une question de données à Copilot sur un modèle sémantique. L’image montre l’invite suivante : Quel était le pourcentage de bénéfice pour la région des ventes en Australie en 2023 ?

Capture d’écran du volet de conversation Copilot où un utilisateur pose une question de données répondue par le modèle sémantique.

Cas d’utilisation

Utilisez Copilot pour poser des questions sur les données pour les cas d’usage suivants :

Explorez les données dans votre modèle : Un développeur peut utiliser l’expérience Poser des questions sur les données pour explorer les données de leur modèle à l’aide de Copilot. Toutefois, il est probable qu’il soit plus efficace d’explorer les données en ajoutant des visuels au canevas de rapport ou en utilisant des requêtes DAX. Cela est dû au fait que les visuels de rapport sont automatiquement mis à jour chaque fois que vous apportez des modifications dans le modèle, mais que les réponses aux questions de données du volet de conversation Copilot sont statiques et disparaissent chaque fois que vous fermez le volet de conversation Copilot. En outre, les visuels générés par Copilot peuvent contenir des filtres spécifiques au visuel que vous ne pouvez pas créer vous-même dans Power BI Desktop. Ces filtres peuvent être trompeurs ou gênants à examiner.
Validez l’utilisation de Copilot pour consommer le modèle sémantique : Les développeurs doivent utiliser l’expérience Poser des questions sur les données pour comprendre et tester la façon dont les expériences de consommation Copilot s’exécutent sur leur modèle sémantique. Il s’agit du cas d’usage principal pour l’utilisation de Questions sur les données lorsque vous développez un modèle sémantique. Ce cas d’usage permet à un développeur d’apporter des modifications à son modèle sémantique qui pourrait mieux prendre en charge Copilot pour produire des sorties plus utiles.

Important

Lorsque vous concevez votre modèle sémantique, assurez-vous que vous discutez avec les utilisateurs et documentez leur utilisation, y compris les éléments, les outils et les expériences qu’ils utiliseront. Si les utilisateurs n’utilisent pas Copilot dans Power BI, un développeur n’a pas besoin d’utiliser l’expérience Poser des questions sur les données pour tester son modèle. Toutefois, si les utilisateurs prévoient d’utiliser Copilot pour consommer des modèles sémantiques maintenant ou à l’avenir, il est essentiel pour les développeurs de prendre en compte cela pendant la conception et le développement des modèles.

Avantages

Un développeur peut utiliser Poser des questions sur les données pour comprendre comment l’expérience sera destinée aux utilisateurs professionnels qui consomment le modèle sémantique à l’aide de Copilot dans Power BI. Ce test est essentiel si les utilisateurs professionnels souhaitent utiliser Copilot pour consommer un modèle sémantique.

Spécificités de l’expérience

L’expérience Poser des questions sur les données diffère du processus standard Copilot de Fabric dans les aspects suivants. Cette vue d’ensemble s’applique à l’utilisation de l’expérience Poser des questions sur les données lors du développement et de l’utilisation de modèles sémantiques :

Entrée: Les utilisateurs fournissent une invite écrite posant une question ou demandant des informations spécifiques à partir du modèle sémantique.
Prétraitement et données de référence : Copilot récupère les données de référence issues du schéma du modèle. Il effectue une réduction de schéma pour essayer de limiter le contexte à ce qui est le plus important. En tant que contexte, Copilot prend les informations suivantes pour essayer d’améliorer l’utilité et la spécificité de la sortie Copilot :
- Toutes les métadonnées de rapport sur la page de rapport actuelle. S’il existe des métadonnées de rapport pertinentes, Copilot dans Power BI répond aux questions de données du rapport au lieu du modèle.
- La conversation avec Copilot dans la session active. Cette conversation inclut toutes les questions et sorties précédentes, qui incluent des points de données provenant de questions de données auxquelles Copilot a répondu précédemment.
- Schéma de modèle sémantique, qui inclut des tables, des lignes, des colonnes, des mesures et d’autres objets (comme les relations, les groupes de calcul, etc.).
- Le schéma linguistique complet du modèle.
- Certaines propriétés de modèle sémantique, notamment les descriptions, les types de données, les chaînes de format et la catégorie de données.
Les informations suivantes sont exclues :
- Toute page de rapport masquée.
- Tout champ (mesure ou colonne) masqué dans le modèle.
- Toute table du modèle marquée comme privée.
Sortie: La sortie que Copilot fournit contient plusieurs parties :
- Visuel: Copilot répond à la question des données en rendant un visuel Power BI, tel qu’une carte, un graphique en courbes ou une table. Copilot choisit le visuel et sa mise en forme, que l’utilisateur ne peut pas contrôler ou demander dans son invite. Le visuel risque d'expirer si le modèle sous-jacent, DAX ou les données ne sont pas optimisés ou sont trop complexes.
- Résumé: Copilot récapitule le résultat de la requête. Ce résumé est généré en envoyant un résultat de requête sémantique à Azure OpenAI (qui inclut des points de données) et en demandant une explication en langage naturel.
- Erreurs ou demande de clarification : Si Copilot ne parvient pas à produire une réponse, il peut renvoyer un message d’erreur générique. Ce message d’erreur peut inclure une demande de clarification, y compris les variantes suggérées de la question de données d’origine de l’utilisateur.

Caution

Lors de l’utilisation de Copilot dans Power BI avec des modèles sémantiques dans Power BI Desktop, Copilot peut utiliser les métadonnées de rapport comme données de mise au sol. Dans certaines circonstances, les métadonnées de rapport peuvent contenir des points de données, tels que des valeurs de colonne, qui peuvent inclure des informations sensibles. Cette condition est vraie à la fois pour le format de métadonnées de rapport hérité et pour le nouveau format PBIR (Power BI Enhanced Report).

Conseils pour améliorer les résultats de Copilot

Copilot peut produire des sorties inexactes ou de faible qualité, y compris des réponses incorrectes aux questions de données. Souvent, les réponses incorrectes proviennent d’erreurs utilisateur ou de problèmes de modèle. Pour réduire la probabilité de résultats incorrects ou inattendus de Copilot, ajustez les invites utilisateur et la conception du modèle de données.

Important

Des réponses inexactes aux questions de données peuvent entraîner des décisions et des actions incorrectes par les utilisateurs professionnels, ce qui produit des résultats incorrects. Pour éviter cet impact négatif, il est important d’atténuer autant que possible la probabilité de réponses inexactes par Copilot.

Un utilisateur ne peut vraiment produire des résultats incorrects qu'en écrivant une invite médiocre. Voici quelques exemples d'instructions insatisfaisantes :

Invites vagues ou incomplètes : Si vous décrivez de manière inexacte ou incomplète la sortie souhaitée ou si vous utilisez une langue ambiguë dans votre invite, Copilot est moins susceptible de produire un résultat utile. Lorsque vous rédigez des consignes, efforcez-vous d'être le plus précis et descriptif possible pour exprimer le résultat souhaité.
Instructions incorrectes : Si vous faites des erreurs d'orthographe lorsque vous faites référence à une mesure, une colonne ou un nom de table, Copilot risque de ne pas faire référence au bon champ. Lorsque vous écrivez des invites, assurez-vous que les champs que vous mentionnez dans votre invite font correctement référence aux champs du schéma de modèle sémantique. Cette règle inclut l’évitement des abréviations, des acronymes ou une ponctuation excessive. Vous pouvez également utiliser des synonymes pour faire référence à des champs, mais il n’existe aucun moyen de valider les synonymes disponibles pour un champ donné (comme la façon dont vous pouvez voir les descriptions lors du pointage sur une mesure ou une colonne dans le volet Données).
Données de référence excessives ou inappropriées : Si vous envoyez une invite via le volet de conversation Copilot, Copilot prend l’historique de conversation à partir de cette session comme données de référence pendant le prétraitement. Selon ce que l’historique des conversations implique, vous pouvez obtenir des résultats différents ou inattendus. Lors de l’écriture d’invites, prenez en compte que toutes les invites et résultats précédents sont utilisés comme données de référence. Pour éviter ce problème, sélectionnez le bouton Copilot pour fermer et rouvrir le volet de conversation Copilot, en désactivant l’historique des conversations avant d’envoyer une nouvelle invite.

L’image suivante montre un exemple où la sortie de Copilot est incorrecte en raison d’une invite utilisateur médiocre.

Capture d’écran montrant le volet de conversation Copilot où l’utilisateur pose une question de données que Copilot répond avec le modèle sémantique.

L’image montre l’invite suivante : Quel était le pourcentage de bénéfice pour la région des ventes d’Australie en 2023 ? Dans la sortie, "Copilot" retourne la valeur du bénéfice plutôt que le bénéfice sous la forme d’un pourcentage. Dans ce cas, l’utilisateur peut obtenir un meilleur résultat de Copilot en spécifiant plus clairement qu’il souhaite le bénéfice en pourcentage (plutôt que d’utiliser le symbole de pourcentage).

Outre les invites utilisateur, l’expérience Poser des questions sur les données peut également produire des résultats incorrects ou inattendus en raison de la qualité ou de l’organisation du modèle sémantique sous-jacent. Voici quelques exemples de cas où votre modèle sémantique produit des résultats médiocres :

Conception ou implémentation de modèles médiocres : Si votre modèle sémantique ne suit pas les meilleures pratiques courantes (par exemple, une conception de schéma en étoile), vous obtiendrez probablement des résultats médiocres avec n’importe quel outil de consommation ou expérience. S’efforcez toujours de créer des modèles sémantiques de qualité pour tirer le meilleur parti de Power BI et Fabric. Consultez également les conseils de modélisation des données pour Power BI pour obtenir d’autres conseils et conseils pour améliorer vos modèles sémantiques Power BI.
Conventions d’affectation de noms médiocres : Si vos champs ont des conventions d’affectation de noms incohérentes ou excessives (par exemple, des acronymes, des abréviations et des ponctuations), les utilisateurs sont plus susceptibles de faire des erreurs dans leurs invites et Copilot est confus lors de la référence à ces champs. Copilot fonctionne mieux lorsque les tables, les colonnes et les mesures ont des noms en anglais lisible par l’homme.
Organisation de modèle médiocre : Si vous n’organisez pas votre modèle, vous risquez d’rencontrer plus de problèmes avec Copilot. L’organisation de modèle est une rubrique volumineuse qui englobe de nombreuses tâches, notamment les descriptions de champs, le masquage des colonnes et des mesures, et l’évitement des champs portant les mêmes noms dans différentes tables.
Modélisation linguistique : Si votre modèle sémantique n’a pas de modélisation linguistique configurée, y compris les synonymes des champs ou des verbes pour les relations, Copilot peut être plus susceptible de retourner des résultats inattendus. Power BI s’appuie sur la même modélisation linguistique que la fonctionnalité Q&A. La configuration d’un modèle linguistique pour votre modèle sémantique coûte du temps et des efforts supplémentaires en plus de vos tâches de développement de modèle sémantique. Pour plus d’informations, consultez Présentation des outils Q&A pour entraîner Q&A dans Power BI.
Complexité du modèle : Plus votre modèle est complexe, notamment avoir plus de champs, de dépendances et de logique métier, plus il est probable que vous rencontriez des difficultés lors de l’utilisation de Copilot. Par exemple, les modèles complexes tels que la conversion monétaire ou les tables déconnectées (comme les paramètres de champ) peuvent provoquer des résultats inattendus ou incorrects lorsque les utilisateurs référencent ces champs ou tables dans leurs invites. Avec des modèles plus complexes, vous devrez peut-être prendre des décisions de conception de modèle spécifiques pour obtenir les meilleurs résultats avec Copilot. En général, vous devez tester votre modèle avec Copilot pour déterminer si vous obtenez des résultats cohérents et fiables. Si ce n’est pas le cas, vous pouvez envisager de conseiller aux utilisateurs de ne pas utiliser Copilot pour consommer votre modèle sémantique.

Note

Pour plus d’informations, consultez Préparer un modèle sémantique pour l'utilisation par Copilot plus loin dans cet article. Pour plus d’informations, consultez l’article distinct qui met à jour votre modèle de données pour fonctionner correctement avec Copilot pour Power BI .

L’image suivante montre un exemple de sortie incorrecte de Copilot en raison de problèmes avec le modèle sémantique :

Capture d’écran d’un utilisateur posant une question de données que Copilot répond incorrectement en raison de noms de champs ambigus dans le modèle sémantique.

L’image illustre l’invite suivante : Combien d’unités ont été vendues en Australie en 2023 ? Dans la réponse, Copilot retourne le nombre d’unités où la colonne Country de la table Customer est filtrée sur « Australie », au lieu de filtrer la colonne Country dans la table Sales region . Dans ce cas, l’utilisateur peut avoir amélioré l’invite pour spécifier le pays de la région de vente. Toutefois, le développeur de modèles sémantiques peut également masquer ou renommer la colonne Country dans la table Customer si elle n’est pas destinée à être utilisée par Copilot. Elles peuvent également désactiver le champ des synonymes de champ du modèle linguistique à l’aide de la configuration Q&A.

Conseil / Astuce

Vous pouvez identifier les champs et filtres que Copilot utilise pour générer un visuel ou répondre à une question de données en cliquant sur le bouton Ajouter à la page . Cette action ajoute le visuel au canevas du rapport, où vous pouvez sélectionner le visuel et afficher tous les filtres que Copilot applique ou les champs que Copilot utilise.

Quelle que soit l'invite ou la qualité du modèle, vous pouvez toujours obtenir des résultats inexactes ou de faible qualité de Copilot lorsque vous utilisez la fonctionnalité Poser des questions sur les données. C’est parce que le modèle sous-jacent - avec sa configuration actuelle - n’est pas déterministe et n’est pas garanti pour produire une réponse correcte, ou la même réponse avec la même invite, le même modèle et les mêmes données.

L’image suivante montre un exemple de Copilot produisant des résultats incorrects ou inappropriés :

Capture d’écran d’un utilisateur posant une question de données que Copilot répond incorrectement en filtrant la colonne de date incorrecte.

Dans cet exemple, l’image montre les invites : Question : Quel pays a produit le bénéfice le plus élevé en 2024 ? et Question : Quel pays a produit le bénéfice le plus élevé en 2023 ? Les sorties montrent que Copilot demande d'abord des précisions après avoir indiqué qu’il n’y a pas de données dans le modèle pour 2024. Toutefois, il existe des données dans le modèle en 2024 lors du filtrage sur cette année à l’aide de la table de dates. Copilot retourne ensuite un résultat filtrant la colonne Anniversaire de la table Customer , plutôt que la table de dates marquée dans le modèle. Bien que l’utilisateur puisse produire une invite plus spécifique ou que le développeur puisse masquer le champ Anniversaire , dans ce cas, Copilot doit produire le résultat attendu.

Pour atténuer ce problème, entraînez les utilisateurs à évaluer de manière critique les sorties qu’ils obtiennent auprès de Copilot dans Fabric et Power BI, ainsi que les actions à effectuer pour résoudre les résultats inattendus ou essayer une nouvelle invite en fermant et en rouvrant le volet ou la fenêtre de conversation Copilot.

Affichage des requêtes DAX

Lors du développement d’un modèle sémantique, utilisez Copilot pour générer des requêtes DAX dans la vue de requête DAX. Dans ces requêtes, vous pouvez également définir des mesures DAX, que vous pouvez ensuite ajouter à votre modèle sémantique. Vous pouvez également utiliser Copilot pour expliquer les concepts DAX dans les requêtes générées ou les requêtes que vous avez créées vous-même.

L’image suivante montre un exemple d’utilisateur demandant à Copilot de générer une requête DAX.

Capture d’écran d’un utilisateur invitant Copilot à générer une requête DAX dans la vue de requête DAX.

L’image représente l’invite suivante : Bénéfice YTD par mois en 2023. L’utilisateur peut ensuite demander à Copilot d’expliquer la requête, comme illustré dans l’image suivante.

Capture d’écran de Copilot expliquant une requête DAX dans la vue de requête DAX de Power BI Desktop.

L’image représente l’invite suivante : expliquer cette requête DAX. L’explication s’affiche en bas de la fenêtre Copilot.