Ajouter et configurer des sources de données dans Fabric agent de données

L’Agent de données dans Microsoft Fabric permet aux organisations de créer des expériences conversationnelles sur leurs données d’entreprise. En connectant Fabric artefacts à un Agent de données, les utilisateurs peuvent traduire des questions en langage naturel en requêtes précises, permettant aux parties prenantes, des analystes aux cadres, de déverrouiller des insights sans écrire une seule ligne de code. Cet article décrit toutes les sources de données prises en charge par l’Agent de données aujourd’hui et les fonctionnalités de configuration disponibles pour chaque source de données.

Overview

L’Agent de données prend en charge les catégories de sources de données suivantes :

Catégorie	Artifacts	Langage de requête	Scénario clé
SQL	Lakehouse, Data Warehouse, SQL Database, bases de données mises en miroir	T-SQL	Analytique structurée sur les données relationnelles et Delta Lake
Eventhouse	Base de données KQL Eventhouse	KQL	Intelligence en temps réel et analytique de série chronologique
Modèle sémantique	Modèles sémantiques Power BI	DAX	Logique métier, mesures calculées et métriques organisées
Graph (préversion)	Modèle de graphe	GQL	Exploration des données riches en relations et analytique des graphiques
Ontology (préversion)	Ontologie Fabric	Natif à l'ontologie	Connaissance du domaine et contexte sémantique pour l’intégration des données
Recherche Azure AI (préversion)	Index recherche Azure AI	Langage naturel + recherche	Récupération de données non structurées (PDF, texte, contenu enrichi)

Tip

Un seul Agent de données peut combiner jusqu’à cinq sources de données dans n’importe quelle combinaison, ce qui vous permet de combiner des données structurées, en temps réel, sémantique et non structurées dans une expérience conversationnelle.

SQL

Artefacts pris en charge

• Lakehouse : tables Delta Lake exposées via le point de terminaison SQL Analytics.
• Data Warehouse : entrepôt Fabric complet avec surface T-SQL.
• SQL Database : bases de données SQL natives Fabric.
• Bases de données répliquées : bases de données externes répliquées dans Microsoft Fabric (par exemple, Azure SQL, Cosmos DB, Snowflake).

Chaque source SQL dans Fabric est dotée d'un point de terminaison SQL Analytics, une surface de requête T-SQL en lecture seule haute performance sur les données OneLake Delta. L’Agent de données tire parti d’un service NL2SQL intégré qui :

1. Traduit la question du langage naturel de l’utilisateur en requête T-SQL à l’aide du schéma, des instructions et des exemples de requêtes fournis par l’utilisateur.
2. Valide la requête générée par rapport à la sélection de schéma pour s’assurer qu’elle référence uniquement les tables et vues approuvées.
3. Exécute la requête via le point de terminaison SQL Analytics et retourne des résultats lisibles par l’homme.

Eventhouse

Artefacts pris en charge

• Eventhouse KQL Database : le magasin Fabric Real-Time Intelligence pour les données en flux continu, les données pilotées par les événements et les séries chronologiques.

L’agent de données se connecte au point de terminaison de base de données KQL Eventhouse et tire parti des fonctionnalités intégrées de Kusto NL2KQL qui permettent les fonctionnalités suivantes :

1. La question de l’utilisateur est traduite en requête KQL à l’aide du schéma sélectionné et de toutes les instructions ou exemples fournis.
2. La requête est validée pour confirmer qu’elle touche uniquement les entités de schéma approuvées.
3. Une fois approuvée, la requête s'exécute sur le moteur Kusto, qui est optimisé pour des charges de travail analytiques à faible latence et à haut débit.

Modèle sémantique

Artefacts pris en charge

• Power BI Modèles sémantiques : jeux de données publiés contenant des tables, des relations, des mesures, des colonnes calculées et des hiérarchies.

Chaque modèle sémantique de Fabric expose un point de terminaison XMLA, que l’agent de données utilise pour exécuter des requêtes DAX. Le service NL2DAX intégré :

1. Traduit le langage naturel en requête DAX, en tirant parti des métadonnées du modèle (descriptions de table, synonymes de colonne, définitions de mesures, relations).
2. Valide la requête par rapport au schéma sélectionné.
3. S’exécute via le point de terminaison XMLA et retourne les résultats mis en forme.

GQL (préversion)

Artefacts pris en charge

• Modèle de Graph : artéfacts du graphique de Fabric qui définissent des schémas de nœud et d'arête.

L’Agent de données Graph peut exécuter des requêtes GQL et afficher des insights à partir de vos sources de données de graphe dans Fabric. Pour configurer un tel agent, ajoutez un modèle de graphe ou un ensemble de requêtes de graphes comme source de données.

Lorsque l’agent de données exécute GQL sur une source de données de graphe, l’artefact sous-jacent Fabric Graph effectue l’exécution de la requête, ce qui entraîne une consommation d'opérations de graphe.

Ontology (préversion)

Artefacts pris en charge

• Fabric Ontology : couche sémantique qui capture les connaissances du domaine, les définitions d’entité et les relations.

Une fois qu’une ontologie est configurée dans Fabric, elle peut être ajoutée en tant que source de données à l’Agent de données. L’agent utilise l’ontologie pour comprendre le contexte du domaine et répondre aux questions posées dans le modèle de connaissances de votre organisation.

Données non structurées (préversion)

Artefacts pris en charge

• Recherche Azure AI Index : index intégrés Azure AI Foundry sur du contenu non structuré, tel que des fichiers PDF, des fichiers texte et d’autres documents enrichis.

L’Agent de données se connecte directement à votre index Recherche Azure AI à l’aide d’une URL de ressource. Lorsqu’un utilisateur pose une question, l’agent envoie la requête (avec l’identité de l’utilisateur pour le contrôle d’accès) à l’index de recherche, récupère les blocs de document les plus pertinents et compose une réponse finale. Les citations sont incluses automatiquement lorsque l’index contient des champs d’URL ou de chemin d’accès au fichier.

Configurer votre source de données

SQL

Configurations prises en charge par les sources SQL

Configuration	Soutenu	Details
Sélection du schéma	✅ Oui	Sélectionnez des tables, des vues et des fonctions spécifiques pour étendre l’agent.
Instructions de l’agent	✅ Oui	Guidez l’agent sur le moment et la façon de rediriger les questions à cette source.
Instructions de source de données	✅ Oui	Fournissez des descriptions de table, une logique de jointure, des détails de colonne clé et une terminologie métier à NL2SQL.
Description de la source de données	✅ Oui	Description qui aide l’agent à déterminer si cette source de données est pertinente pour la question de l’utilisateur.
Descriptions d’objets de schéma (Aperçu)	✅ Oui	Fournir un contexte métier pour les tables, colonnes et autres éléments de schéma afin d’améliorer la génération de requêtes SQL. Disponible uniquement en version préliminaire.
Exemples de requêtes	✅ Oui	Fournissez des paires de langage naturel/SQL afin que l’agent puisse apprendre des modèles de requête complexes. Les principaux exemples sont automatiquement récupérés via la similarité vectorielle.

Eventhouse

Configurations prises en charge par les sources KQL eventhouse

Configuration	Soutenu	Details
Sélection du schéma	✅ Oui	Sélectionnez des tables, vues matérialisées, des fonctions et raccourcis spécifiques pour délimiter l’agent.
Instructions de l’agent	✅ Oui	Guidez l’agent sur le moment et la façon de rediriger les questions à cette source.
Instructions de source de données	✅ Oui	Fournissez un contexte sur les tables, les fonctions et les raccourcis vers NL2KQL.
Description de la source de données	✅ Oui	Description qui aide l’agent à déterminer si cette source de données est pertinente pour la question de l’utilisateur.
Exemples de requêtes	✅ Oui	Fournissez des paires langage naturel/KQL pour enseigner à l'agent des modèles d’agrégation et de jointure complexes.

Modèle sémantique

Configurations prises en charge par le modèle sémantique

Configuration	Soutenu	Details
Sélection du schéma	✅ Oui*	Sélectionnez des tables à exposer. Le contrôle au niveau des colonnes est disponible lorsque Prep for AI est configuré dans Power BI.
Instructions de l’agent	✅ Oui	Guidez l’agent quand choisir le modèle sémantique pour répondre aux questions.
Instructions de source de données	❌ Non*	Les instructions sont gérées par le biais de la préparation de l’IA (instructions IA et réponses vérifiées) côté modèle sémantique. L’Agent de données les respecte lorsqu’il est présent.
Description de la source de données	❌ Non	Les modèles sémantiques ne prennent pas en charge les descriptions de source de données.
Exemples de requêtes	❌ Non*	Non pris en charge actuellement pour les modèles sémantiques. Utilisez les réponses vérifiées dans la préparation de l’IA pour inclure des exemples de requêtes DAX.

*Les modèles sémantiques sont principalement configurés via Prep for AI dans Power BI, qui offre des schémas de données IA, des instructions IA et des réponses vérifiées.

GQL (préversion)

Configurations prises en charge par le modèle Graph

Configuration	Soutenu	Details
Sélection du schéma	❌ Non	Graph ne permet pas à un utilisateur d’étendre son agent sur des nœuds et des arêtes spécifiques.
Instructions de l’agent	✅ Oui	Guidez l’agent sur le moment et la façon de rediriger les questions à cette source.
Instructions de source de données	✅ Oui	Transmis au moteur NL2GQL pour guider la génération de requêtes.
Description de la source de données	✅ Oui	Description qui aide l’agent à déterminer si cette source de données est pertinente pour la question de l’utilisateur.
Exemples de requêtes	✅ Oui	Transmis à NL2GQL pour enseigner des modèles complexes de traversée de graphe.

Ontology (préversion)

Configurations prises en charge par une ontologie

Configuration	Soutenu	Details
Sélection du schéma	❌ Non	Non pris en charge pour les sources de données d’ontologie.
Instructions de l’agent	✅ Oui	Guidez l’agent quand choisir le modèle sémantique pour répondre aux questions.
Instructions de source de données	❌ Non	Non pris en charge pour les sources de données d’ontologie.
Description de la source de données	✅ Oui	Description qui aide l’agent à déterminer si cette source de données est pertinente pour la question de l’utilisateur.
Exemples de requêtes	❌ Non	Non pris en charge pour les sources de données d’ontologie.

Données non structurées (préversion)

Configurations de données non structurées

Paramètre	Details
Nom d’affichage	Nom personnalisé affiché pour l’index dans l’expérience de l’agent.
Type de recherche	Choisissez parmi la recherche en texte intégral, hybride ou sémantique en fonction de votre configuration d’index.
Nombre de documents	Contrôler le nombre de documents récupérés par requête (recommandé : 3 à 20).
Contexte / Description	Décrivez le contenu de l’index, les champs clés et les conseils d’utilisation pour faciliter le routage.
Instructions de l’agent	Guidez la façon dont l’agent interprète les résultats de la recherche et compose la réponse finale.

En savoir plus

• Concepts de l’Agent de données
• Configurations de l’Agent de données
• Meilleures pratiques de configuration
• Tutoriel de bout en bout
• Connecter l’index Recherche Azure AI
• Add un modèle sémantique Power BI