Fabric adatügynökkel kapcsolatos fogalmak

A Microsoft Fabric adatügynöke egy általánosan elérhető funkció, amely lehetővé teszi, hogy saját beszélgetési kérdés-válasz rendszereket hozzon létre generatív AI-t használva. A Fabric adatügynök hozzáférhetőbbé és végrehajthatóbbá teszi az adatelemzéseket a szervezet minden tagja számára. Egy Fabric adatügynök használatával a csapat beszélgetéseket folytathat egyszerű angol nyelvű kérdésekkel azokról az adatokról, amelyeket a szervezet a OneLake Fabric tárol, majd releváns válaszokat kaphat. Így még azok is pontos és környezetgazdag válaszokat kaphatnak, akik nem rendelkeznek AI-szakértelmükkel vagy az adatstruktúra alapos ismeretével. A Microsoft Fabric szélesebb körű ügynöki alkalmazásarchitektúráiban az adatügynökök a beszélgetési elemzési összetevőként szolgálnak, és tóházakon, raktárakon, szemantikai modelleken és KQL-adatbázisokon keresztül csatlakoznak a OneLake szabályozott adataihoz többügynök-megoldásokban.

A Fabric adatügynök finomhangolásához szervezetspecifikus utasításokat, példákat és útmutatást is hozzáadhat. Ez a megközelítés biztosítja, hogy a válaszok igazodjanak a szervezet igényeihez és céljaihoz, így mindenki hatékonyabban kommunikálhat az adatokkal. Fabric adatügynök elősegíti az adatvezérelt döntéshozatal kultúráját, mivel csökkenti a betekintés akadályait, elősegíti az együttműködést, és segít a szervezetnek nagyobb értéket kinyerni az adataiból.

Előfeltételek

Szabályozási előfeltételek

Ha a bérlőt vagy munkaterületet Microsoft Purview szabályzatok szabályozzák, az ügynököknek ezeken a szabályzatokban kell működnie. Az alábbi Purview-szabályzatok bizalmassági és szabályzatkonfiguráció alapján korlátozhatják az ügynökök hozzáférését és az ügynökök által visszaadott eredményeket:

  • Fabric Data Warehouse DLP-szabályzatok (általános elérhetőséggel): A DLP-szabályzatok képesek észlelni és korlátozni az ügynök által lekérdezett tárolóeszközök bizalmas adataihoz való hozzáférést.
  • Access korlátozási szabályzatok (előzetes verzió) a Fabric KQL-adatbázishoz, a Fabric SQL-adatbázishoz és a Fabric Data Warehouse-hoz: Ezek a szabályzatok megakadályozhatják, hogy az agent hozzáférjen az érzékenynek minősített eszközökhöz vagy visszaadja azok eredményeit.

Az Fabric adatügynök működése

A Fabric adatügynök nagy nyelvi modelleket (LLM-eket) használ, amelyekkel a felhasználók természetes módon kezelhetik az adataikat. Az Fabric adatügynök Azure OpenAI Assistant API-kat alkalmaz, és ügynökként viselkedik. Feldolgozza a felhasználói kérdéseket, meghatározza a legrelevánsabb adatforrást (Lakehouse, Warehouse, Power BI adathalmaz, KQL-adatbázisok, ontológia vagy Microsoft Graph), és meghívja a lekérdezések létrehozásához, érvényesítéséhez és végrehajtásához szükséges eszközt. A felhasználók ezután egyszerű nyelven tehetnek fel kérdéseket, és strukturált, ember által olvasható válaszokat kaphatnak. Ez a megközelítés kiküszöböli az összetett lekérdezések írásának szükségességét, és biztosítja a pontos és biztonságos adathozzáférést.

A következőképpen működik részletesen:

A lekérdezés elemzése és érvényesítése: Az Fabric adatügynök Azure OpenAI Assistant API-kat alkalmaz a felhasználói kérdések feldolgozásához. Ez a megközelítés biztosítja, hogy a kérdés megfeleljen a biztonsági protokolloknak, a felelős AI-szabályzatoknak és a felhasználói engedélyeknek. Az Fabric adatügynök tiszteletben tartja Microsoft Purview mögöttes Fabric adatforrásokra alkalmazott szabályozási vezérlőket is, beleértve az adatveszteség-megelőzési (DLP) és a hozzáférés-korlátozási szabályzatokat. A szabályzat érvényesítése megakadályozhatja, hogy bizonyos lekérdezések futtatása megtörténjen, vagy bizonyos adatok megjelenjenek a válaszokban. A Fabric adatügynök szigorúan csak olvasási hozzáférést kényszerít ki, és minden adatforráshoz csak olvasható adatkapcsolatokat tart fenn.

Enforcement mechanizmusok: A Fabric adatkezelő a feldolgozás során több védelmi réteget alkalmaz. A rendszer a kérelmező felhasználó hitelesítő adatait és engedélyeit használja a minimális jogosultságú hozzáférés kényszerítéséhez, biztosítva, hogy minden interakció csak azokat az adatokat érje el, amelyeket a felhasználó jogosult megtekinteni. Az ügynök a műveletek végrehajtása előtt kiértékeli a bérlői és munkaterületi szabályzat beállításaival kapcsolatos kéréseket. A Guardrails korlátozza az eszközök meghívását és kimeneteit a hatókörrel kezelt adatforrásokra, megakadályozva, hogy a lekérdezések elérjék a konfigurált hatókörön kívüli erőforrásokat. A Azure AI Tartalombiztonság igény szerint integrálhatja a tartalomkockázati vezérlőket, amelyek segítenek csökkenteni a káros vagy a szabályzaton kívüli válaszokat.

Adatforrás-azonosítás: Az Fabric adatügynök a felhasználó hitelesítő adataival fér hozzá az adatforrás sémájának eléréséhez. Ez a módszer biztosítja, hogy a rendszer lekérje azokat az adatszerkezeti információkat, amelyeket a felhasználónak meg kell tekintenie. Az ügynök ezután kiértékeli a felhasználó kérdését az összes rendelkezésre álló adatforrással, beleértve a relációs adatbázisokat (Lakehouse és Warehouse), Power BI adatkészleteket (Szemantikai modellek), KQL-adatbázisokat (beleértve az Eventhouse-t), az onlogiákat és a Microsoft Graph. A felhasználó által megadott adatügynök-utasításokra is hivatkozhat a legrelevánsabb adatforrás meghatározásához. Power BI szemantikai modellek esetében az ügynök a felhasználó olvasási engedélyét használja a modellen a séma és a metaadatok lekérdezésgeneráláshoz való lekéréséhez; Az ügynökalapú lekérdezésekhez nincs szükség összeállítási engedélyre.

Behívások és lekérdezések létrehozása: A megfelelő adatforrás vagy források azonosítása után az Fabric adatügynök újrafedi a kérdést az egyértelműség és a struktúra érdekében, majd meghívja a megfelelő eszközt egy strukturált lekérdezés létrehozásához:

  • Természetes nyelv az SQL-hez (NL2SQL) a relációs adatbázisokhoz (Lakehouse/Warehouse).
  • Természetes nyelv a DAX-hoz (NL2DAX) Power BI adatkészletekhez (szemantikai modellek).
  • Természetes nyelvi feldolgozás KQL adatbázisokhoz (NL2KQL). Az NL2KQL akkor használhatja a KQL felhasználó által definiált függvényeket (UDF-eket), ha azok elérhetők a kijelölt adatbázisokban. Az NL2KQL futtatható eventhouse KQL-adatbázisokon élő és előzményesemények vagy idősoradatok esetében is, és a standard KQL-időszűrők és idősorozat-minták támogatottak.
  • A Microsoft Graph lekérdezései a Microsoft Graph segítségével elérhető szervezeti adatokra vonatkoznak.

A kijelölt eszköz létrehoz egy lekérdezést a megadott séma, metaadatok és környezet alapján, amelyet a Fabric adatügynök alapjául szolgáló ügynök továbbít.

Lekérdezés-ellenőrzés: Az eszköz érvényesítést végez annak érdekében, hogy a lekérdezés megfelelően legyen formázva, és megfeleljen a saját biztonsági protokolljainak és RAI-szabályzatainak.

Lekérdezés végrehajtása és válasza: Az ellenőrzés után a Fabric adatügynök végrehajtja a lekérdezést a kiválasztott adatforráson. Az eredmények ember által olvasható válaszként vannak formázva, amely strukturált adatokat, például táblákat, összegzéseket vagy kulcsfontosságú megállapításokat tartalmazhat.

Ezzel a módszerrel a felhasználók természetes nyelv használatával kezelhetik az adataikat. A Fabric adatügynök kezeli a lekérdezések generálásának, érvényesítésének és végrehajtásának összetettségeit. A felhasználóknak nem kell maguknak az SQL, DAX vagy KQL-t írniuk.

Biztonság és irányítás a Microsoft Purview segítségével

Microsoft Purview az Fabric adatügynökök szabályozását és kockázatkezelését biztosítja. Ezek a funkciók jelenleg előzetes verzióban érhetők el, és segítenek a szervezeteknek a megfelelőség fenntartásában, amikor ügynökökkel férnek hozzá Fabric adatokhoz. A legfontosabb képességek a következők:

  • Feltárás és naplózás: Az Fabric adatügynököktől érkező kérések és válaszok a Purview-kockázatfelderítés és -naplózás hatálya alá tartozhatnak, így a biztonsági csapatok betekintést kapnak a szervezeti adatokkal való interakcióba.
  • DSPM-adatkockázat-felmérések: Az adatbiztonsági helyzetkezelés (DSPM) adatkockázat-felmérései érzékeny adatkockázatokat tárhatnak fel az ügynökök által használt adatforrásokban, így azonosíthatja és kezelheti a lehetséges expozíciót.
  • Insider Risk Management: A Purview Insider Risk Management képes észlelni az ügynököket érintő kockázatos AI-használati mintákat, például szokatlan lekérdezési köteteket vagy bizalmas adatokhoz való hozzáférést.
  • Audit, eDiscovery és megőrzés: A Purview audit, az eDiscovery és a megőrzési szabályzatok a támogatott Fabric számítási feladatok ügynöki interakcióira és kimenetére vonatkoznak. A nem megfelelő használatészlelés a szervezeti szabályzatokat sértő ügynöktevékenységeket is megjelölheti.

A Microsoft Purview és a Microsoft Fabric integrációjáról további információt a Microsoft Purview használata a Microsoft Fabric irányításához című témakörben talál.

Fabric adatügynök konfigurációja

A Fabric-adatügynök konfigurálása hasonló egy Power BI-jelentés létrehozásához– először megtervezi és finomítja, hogy megfeleljen az igényeinek, majd tegye közzé és ossza meg munkatársaival az adatokkal való interakció érdekében. Az Fabric-adatügynök beállítása a következőket foglalja magában:

Adatforrások kijelölése: A Fabric-adatügynökök bármilyen kombinációban legfeljebb öt adatforrást támogatnak, beleértve a tóházakat, raktárakat, KQL-adatbázisokat, Power BI szemantikai modelleket, ontológiákat és Microsoft Graph. Egy konfigurált Fabric adatügynök például öt Power BI szemantikai modellt tartalmazhat. Két Power BI szemantikai modell, egy lakehouse és egy KQL-adatbázis kombinációját is tartalmazhatja. Számos lehetőség közül választhat. Az Eventhouse KQL-adatbázisok KQL-adatforrásként támogatottak az ügynökök számára; az ügynökök adatáthelyezés nélkül kérdezik le az Eventhouse-adatokat.

A releváns táblák összekapcsolása: Az adatforrások kiválasztása után egyenként adja hozzá őket, és határozza meg azokat a táblákat az egyes forrásokból, amelyeket az Fabric adatügynök használ. Ez a lépés biztosítja, hogy a Fabric adatügynök csak a releváns adatokra összpontosítva kérje le a pontos eredményeket. A tóházak esetében ez a lépés azt jelenti, hogy a lakehouse táblákat választjuk ki, nem az egyes lakehouse fájlokat. Ha az adatok fájlokként indulnak (például CSV vagy JSON), tegye elérhetővé az ügynök számára a táblákba való betöltéssel vagy más módon táblákon keresztüli közzétételével. Az Eventhouse által támogatott KQL-adatbázisok esetében csak a tipikus kérdések szempontjából legrelevánsabb táblákat válassza ki, és arra ösztönzi a felhasználókat, hogy a nagy mennyiségű idősor vagy esemény adatainak lekérdezésekor időszűrőket használjanak a válaszok gyors megőrzéséhez.

Adding Context: Az Fabric adatügynök pontosságának javításához adjon több kontextust Fabric adatügynök-utasítások és példa lekérdezések segítségével. A Fabric-adatügynök mögöttes ügynökeként a környezet segít a Azure OpenAI Assistant API-nak megalapozottabb döntéseket hozni a felhasználói kérdések feldolgozásáról, és meghatározhatja, hogy melyik adatforrás felel meg a legjobban.

  • Adat-ügynök utasításai: Útmutatás hozzáadása az Fabric-adatügynök alapjául szolgáló ügynök irányításához, a legjobb adatforrás meghatározásához adott típusú kérdések megválaszolásához. Olyan egyéni szabályokat vagy definíciókat is megadhat, amelyek tisztázzák a szervezeti terminológiát vagy a konkrét követelményeket. Ezek az utasítások több olyan környezetet vagy preferenciát biztosíthatnak, amelyek befolyásolják az ügynök által az adatforrások kiválasztását és lekérdezését. A financialis metrikákkal kapcsolatos közvetlen kérdéseket például egy Power BI szemantikai modellhez rendelheti, raw adatfeltárást érintő lekérdezéseket rendelhet a tóházhoz, és napló-elemzést igénylő kérdéseket irányíthat a KQL-adatbázishoz.

  • Lekérdezések: Adjon hozzá kérdés-lekérdezés párokat, hogy bemutassa, hogyan reagáljon az Fabric adatügynök a gyakori lekérdezésekre. Ezek a példák útmutatóként szolgálnak az ügynök számára, amely segít megérteni, hogyan értelmezheti a hasonló kérdéseket, és hogyan hozhat létre pontos válaszokat.

Megjegyzés

A minta lekérdezés-/kérdéspárok hozzáadása jelenleg nem támogatott Power BI szemantikai modell adatforrásai esetében.

A tiszta AI-utasítások és a releváns példalekérdezések kombinálásával jobban igazíthatja az Fabric adatügynököt a szervezet adatigényeihez, így pontosabb és környezettudatosabb válaszokat kaphat.

Fontos

A fejlesztő által megadott adatügynök-utasításoknak és példa-lekérdezéseknek szervezeti és szerepköralapú korlátozásokon belül kell működniük. Ha az utasítások vagy a kérések ütköznek a szabályzattal (például megpróbálják megkerülni az írásvédett viselkedést vagy a hatókörön kívüli források elérését), az ügynök elutasítja vagy átirányítja a kérést a következő szakaszban ismertetett elsőbbségi modell szerint.

Szabályozási és szándékrétegek

Ha Fabric adatügynököt konfigurál, több szándékréteg is befolyásolhatja az ügynök viselkedését. Ezek a legmagasabbtól a legalacsonyabb prioritásig felsorolt rétegek határozzák meg, hogy mit tehet az ügynök:

  1. Szervezeti szándék: A szervezet rendszergazdái által beállított bérlőszintű szabályzatok és megfelelőségi követelmények. Ezek a korlátozások a legmagasabb prioritást élvezik, és más rétegek nem bírálhatók felül.
  2. Szerepköralapú szándék: Adott szerepkörökre vagy csoportokra vonatkozó munkaterület-szabályozási beállítások és engedélyhatárok. Ezek a beállítások a hozzáférés-vezérlést és az adattartomány-korlátozásokat kényszerítik ki.
  3. Fejlesztői szándék: Egyéni utasítások, példa lekérdezések és adatforrás-konfigurációk, amelyeket az adatügynök létrehozásakor ad meg.
  4. Felhasználói szándék: Kérdések és felvetések, amelyeket a végfelhasználók egy ügynökkel folytatott beszélgetés során küldenek el.

Ha ütközések merülnek fel a rétegek között, a magasabb elsőbbséget élvező rétegek felülbírálják az alacsonyabbakat. A szervezeti szabályzatok és a munkaterület szabályozási beállításai például mindig felülbírálják a fejlesztői utasításokat és a felhasználói utasításokat. Ez az elsőbbségi modell biztosítja, hogy az ügynök a jóváhagyott határokon belül működve legyen, függetlenül attól, hogy hogyan van konfigurálva vagy kérve.

Az Fabric-adatügynök és a másodpilóta közötti különbség

Bár a Fabric adatügynökök és a Fabric-társpilóták egyaránt generatív AI-t használnak az adatok feldolgozására és elemzésére, a funkciójukban és a használati eseteikben alapvető különbségek vannak:

Konfiguráció rugalmassága: Nagy mértékben konfigurálhatja Fabric adatügynököket. Egyéni utasításokat és példákat is megadhat a viselkedésük adott forgatókönyvekhez való igazításához. A Fabric copilotok viszont előre konfigurálva vannak, és nem kínálnak ilyen szintű testreszabást.

Scope and use case: A Fabric segédprogramok segítenek a Microsoft Fabric belüli feladatokban, például jegyzetfüzetkód és raktári lekérdezések generálása során. Fabric adatügynökök ezzel szemben különálló konfigurálható összetevők, amelyek adatokat kérdezhetnek le a OneLake és a szemantikai modellek között. Fabric-adatügynökök is integrálhatók a Microsoft 365 Copilottal, hogy a Microsoft 365 alkalmazásokban közvetlenül megjeleníthessék a természetes nyelvi megállapításokat. Az ügynökök Microsoft 365 Copilot keresztüli elérésekor Microsoft Purview szabályozási szabályzatok továbbra is érvényesek az alapul szolgáló adatforrásokra. Emellett Fabric adatügynökök csatlakozhatnak külső rendszerekhez, például Microsoft Copilot Studio, Azure AI Foundry, Microsoft Teams vagy más, Fabric kívüli eszközökhöz. A külső vezénylők és a többügynökös futtatási környezetek meghívhatják a Fabric adatügynököket az ügynöki jellegű végpontok közötti munkafolyamatok támogatására, miközben az adatügynökök továbbra is az írásvédett, szabályozott adathozzáférésre összpontosítanak.

Az Fabric adatügynök kiértékelése

A termékcsapat szigorúan értékelte Fabric adatügynök-válaszok minőségét és biztonságát:

Benchmark-tesztelés: A termékcsapat számos nyilvános és magánadatkészleten tesztelte Fabric adatügynököket a kiváló minőségű és pontos válaszok biztosítása érdekében.

Enhanced Harm Mitigations: A termékcsapat olyan biztonsági intézkedéseket vezetett be, amelyek biztosítják, hogy Fabric adatügynök kimenetei továbbra is a kiválasztott adatforrások kontextusára összpontosítsanak, csökkentve az irreleváns vagy félrevezető válaszok kockázatát.

Cégirányítás és biztonság

Microsoft Purview integráció szabályozási vezérlőket biztosít Fabric adatügynökök számára. Az adatügynök konfigurálásakor a Purview szabályozási szabályzatai azokra a mögöttes adatforrásokra vonatkoznak, amelyekhez az ügynök hozzáférhet. Ez az integráció biztosítja, hogy az ügynökökön keresztüli adathozzáférés ugyanazokat a megfelelőségi és besorolási szabályokat kövesse, mint a közvetlen hozzáférés.

Microsoft Purview szabályzatok: A Purview-szabályzatok, például az adathozzáférési vezérlők és a bizalmassági címkék az ügynökök által lekérdezett adatforrásokra vonatkoznak. Ha egy Purview-szabályzat korlátozza egy tóházhoz vagy raktárhoz való hozzáférést, az ügynök tiszteletben tartja ezt a korlátozást a felhasználói lekérdezések feldolgozásakor.

Kimenő hozzáférés-védelem: A hálóadat-ügynökök a munkaterület kimenő hozzáférés-védelmi határain belül működnek. A munkaterület rendszergazdái a munkaterület beállításain keresztül kezelhetik az engedélyezett kimenő kapcsolatokat, így szabályozhatják, hogy az adatügynök mely külső végpontokat érheti el.

Microsoft 365 Copilot integráció: Ha Fabric adatügynökök Microsoft 365 Copilot keresztül jelennek meg, a Purview szabályozási szabályzatai továbbra is érvényesek maradnak. A felhasználók a belépési ponttól függetlenül csak olyan adatokat érhetnek el, amelyeket a hitelesítő adataik és a Purview-szabályzatok megengednek.

ALM és DevOps adatügynökökhöz

Fabric adatügynökök támogatják az alkalmazás életciklus-kezeléshez (ALM) szükséges képességeket, amelyek segítenek kezelni az ügynökkonfigurációkat a fejlesztési, tesztelési és termelési környezetekben.

Diagnosztika: Beépített diagnosztika használata az ügynök viselkedésének monitorozásához, a lekérdezésgenerálási problémák azonosításához és a válaszminőség hibaelhárításához. A diagnosztika bemutatja, hogyan dolgozza fel az ügynök a kérdéseket, és hogyan választ ki adatforrásokat.

Git-integráció: Az ügynökkonfigurációkat a Git-integrációval szabályozhatja. Csatlakoztassa a Fabric-munkaterületet egy Git-adattárhoz az ügynökutasítások, például lekérdezések és adatforrás-kijelölések időbeli változásainak nyomon követéséhez.

Deployment-folyamatok: A Fabric üzembehelyezési folyamatokkal előléptetheti az adatkezelőket a munkaterületeken (például fejlesztéstől az éles környezetig). Ez a támogatás lehetővé teszi a módosítások tesztelését átmeneti környezetben, mielőtt elérhetővé tenné őket a végfelhasználók számára.

Működési felügyelet

A folyamatos minőség és a szabályzatigazítás fenntartása érdekében vegye figyelembe a Fabric-adatügynökre vonatkozó üzemeltetési eljárásokat:

  • Naplózás és audittálás: Ügynöki interakciók figyelése az elérhető naplózási és audittálási képességeken keresztül. A lekérdezési minták és a válaszminőség áttekintése segít a váratlan viselkedés korai felismerésében.
  • Human-in-the-loop eszkaláció: Hozzon létre eszkalációs útvonalakat a bizalmas vagy nagy hatású kérelmekhez. Olyan forgatókönyvek esetén, ahol az automatizált válaszok nem elegendőek, definiáljon olyan folyamatokat, amelyek a kérdéseket minősített véleményezőkhöz irányítják.
  • Rendszeres felülvizsgálat: Rendszeresen tekintse át az adatügynök utasításait és a példalekérdezéseket, hogy azok továbbra is igazodjanak a jelenlegi szervezeti szabályzatokhoz és adatstruktúrákhoz. Az adatforrások vagy az üzleti követelmények változásakor ennek megfelelően frissítse az ügynök konfigurációját.

Korlátozások

  • A Fabric adatügynök csak "olvasási" SQL-, DAX- és KQL-lekérdezéseket hoz létre. Nem hoz létre olyan SQL-, DAX- vagy KQL-lekérdezéseket, amelyek adatokat hoznak létre, frissítenek vagy törölnek. Bár az Eventhouse integrálódik az anomáliadetektálással, az SQL-végponttal és a notebookokkal, a Fabric adatügynökök továbbra is csak olvashatók, és nem indítanak anomáliadetektálási feladatokat, notebookokat vagy más írási vagy műveleti folyamatokat az Eventhouse-ban.
  • A Fabric adatügynök nem támogatja a strukturálatlan adatokat, például .pdf, .docxvagy .txt fájlokat. A Fabric adatügynök nem használható strukturálatlan adaterőforrások elérésére.
  • Lakehouse-adatforrások esetén az Fabric-adatügynök a kiválasztott lakehouse-táblák használatával válaszol a kérdésekre. Nem olvas közvetlenül önálló lakehouse-fájlokat (például CSV- vagy JSON-fájlokat), kivéve, ha táblázatként van betöltve vagy elérhetővé téve.
  • Az Fabric adatügynök jelenleg nem támogatja a nem angol nyelvű nyelveket. Az optimális teljesítmény érdekében adjon meg kérdéseket, utasításokat és példákat angol nyelven.
  • A Fabric adatügynök által használt LLM nem módosítható.
  • Előfordulhat, hogy a Fabric adatügynök beszélgetési előzményei nem mindig maradnak meg. Bizonyos esetekben, például a háttérinfrastruktúra változásai, a szolgáltatásfrissítések vagy a modellfrissítések esetén előfordulhat, hogy a korábbi beszélgetési előzmények alaphelyzetbe állíthatók vagy elvesznek.
  • A Fabric adatügynök nem tud lekérdezéseket végrehajtani, ha az adatforrás munkaterületi kapacitása más régióban van, mint az adatügynök munkaterületi kapacitása. Egy észak-európai kapacitással rendelkező tóház például meghiúsul, ha az adatügynök kapacitása Közép-Franciaországban található.
  • A felhasználók adatforrásonként legfeljebb 100 példa-lekérdezést biztosíthatnak az adatügynökükben.
  • Fabric az adatügynökök jelenleg beszélgetési elemzésekre vannak tervezve, nem pedig teljes adathalmazok visszaadására. A tömör és teljesítendő válaszok biztosítása érdekében a csevegési kimenetek automatikusan korlátozzák és/vagy összegzik a visszaadott adatokat. A válaszok jelenleg legfeljebb 25 sorra és 25 oszlopra vannak korlátozva. Vegye figyelembe, hogy a korábbi csevegési előzmények befolyásolhatják a későbbi válaszokat. Ha például "az idei év összes sorának megjelenítését" kéri, az ügynök legfeljebb 25 sort ad vissza. Ezután a már korlátozott kontextus alapján megválaszolhatók a következő kérdések, amelyek hatással lehetnek az eredményre. Ilyen esetekben ajánlott új csevegési munkamenetet indítani.
  • Előfordulhat, hogy az ügynökválaszok csonkulnak vagy le vannak tiltva, ha Microsoft Purview DLP- vagy hozzáférés-korlátozási szabályzatok vonatkoznak a mögöttes adatforrásokra. Az adott viselkedés a szervezet szabályzatkonfigurációjától függ.
  • A Purview-szabályzatok által bizalmasként megjelölt objektumok elérhetetlenek lehetnek az ügynök számára, ami hiányos válaszokat vagy bizonyos adatforrások lekérdezésének sikertelenségét eredményezheti.
  • Az ügynök-interakciók naplózhatók és felderíthetők a Microsoft Purview Auditálás és elektronikus adatfelderítés segítségével. A szervezeteknek figyelembe kell venniük ezeket az irányítási vezérlőket, amikor ügynököket helyeznek üzembe a bizalmas számítási feladatokhoz.
  • Az adatügynökön keresztüli Power BI szemantikai modellekhez való hozzáférést olvasási engedély szabályozza a modellen, és nem igényel munkaterületszintű hozzáférést. Row-Level Security (RLS) és Column-Level Security (CLS) továbbra is érvényes.
  • Bár az Eventhouse integrálva van az anomáliadetektálással, az SQL Analytics-végponttal és a jegyzetfüzetekkel, a Fabric-adatügynökök továbbra is csak olvasási jogosultsággal rendelkeznek, és nem indítanak el anomáliadetektálási feladatokat, jegyzetfüzeteket vagy egyéb írási vagy műveletvégrehajtási munkafolyamatokat az Eventhouse-ban.

Kapcsolódó tartalom

  • Last updated on