Fabric-adatügynök létrehozása (előzetes verzió)

A Microsoft Fabricben található adatügynökökkel olyan beszélgetési AI-élményeket hozhat létre, amelyek megválaszolják a Lakehouse-ban, a raktárakban, a Power BI szemantikai modelljeiben és a Fabricben található KQL-adatbázisokban tárolt adatokkal kapcsolatos kérdéseket. Az adatelemzések elérhetővé válnak. Munkatársai egyszerű angol nyelven tehetnek fel kérdéseket, és adatvezérelt válaszokat kaphatnak, még akkor is, ha nem AI-szakértők vagy mélyen ismerik az adatokat.

Fontos

Ez a funkció előzetes verzióban érhető el.

Előfeltételek

• Fizetős P SKU vagy magasabb szintű hálózati kapacitás-erőforrás
• A hálóadat-ügynök bérlői beállításai engedélyezve vannak.
• A Copilot fiókváltás engedélyezve van.
• Engedélyezve van a mesterséges intelligencia keresztföldrajzi feldolgozása.
• A mesterséges intelligenciához való térbeli tárolás engedélyezve van.
• Ezek közül legalább egy: Egy raktár, egy tóház, egy vagy több Power BI szemantikai modell vagy egy adatokkal rendelkező KQL-adatbázis.
• Az XMLA-végpontokon keresztüli Power BI szemantikai modellek bérlői váltása engedélyezve van a Power BI szemantikai modell adatforrásai számára.

Teljes körű folyamat Fabric adatügynökök létrehozására és felhasználására

Ez a szakasz ismerteti a Fabric-adatügynök létrehozásának, érvényesítésének és megosztásának legfontosabb lépéseit a Fabricben, így azok használathoz is elérhetők.

A folyamat egyszerű, és percek alatt megkezdheti a Fabric-adatügynök erőforrásainak tesztelését.

Új Fabric-adatügynök létrehozása

Új Fabric-adatügynök létrehozásához először lépjen a munkaterületre, majd válassza az + Új elem gombot. A Minden elem lapon keresse meg a Fabric-adatügynököt a megfelelő beállítás megkereséséhez, ahogyan az a képernyőképen látható:

Miután kiválasztotta, a rendszer kérni fogja, hogy adjon nevet a Fabric-adatügynöknek, ahogyan az a képernyőképen látható:

Tekintse meg a Fabric-adatügynök elnevezéséről szóló vizuális útmutatóhoz megadott képernyőképet. A név megadása után folytassa a konfigurációval, hogy a Fabric-adatügynök megfeleljen az ön igényeinek.

Az adatok kijelölése

A Fabric-adatügynök létrehozása után legfeljebb öt adatforrást adhat hozzá, beleértve a lakehouse-t, a raktárakat, a Power BI szemantikai modelleket és a KQL-adatbázisokat bármilyen kombinációban. Hozzáadhat például öt Power BI szemantikai modellt, vagy két Power BI szemantikai modellt, egy lakehouse-t és egy KQL-adatbázist.

Amikor először hoz létre Fabric-adatügynököt, és megad egy nevet, a OneLake katalógus automatikusan megjelenik, így adatforrásokat vehet fel. Adatforrás hozzáadásához jelölje ki a katalógusból a következő képernyőn látható módon, majd válassza a Hozzáadás lehetőséget. Minden adatforrást külön-külön kell hozzáadni. Hozzáadhat például egy tóházat, kiválaszthatja hozzáadása lehetőséget, majd folytathatja egy másik adatforrás hozzáadását. Az adatforrástípusok szűréséhez válassza a szűrő ikont, majd válassza ki a kívánt típust. Csak a kiválasztott típusú adatforrásokat tekintheti meg, így könnyebben megtalálhatja és csatlakoztathatja a Fabric-adatügynök megfelelő forrásait.

Miután hozzáadta az adatforrást, a Háló adatügynök lapjának bal oldali paneljén lévő Explorer feltölti az elérhető táblákat az egyes kijelölt adatforrásokban, ahol a jelölőnégyzetekkel elérhetővé vagy elérhetetlenné teheti a táblákat az AI számára az alábbi képernyőképen látható módon:

Megjegyzés

Olvasási/írási engedélyre van szüksége ahhoz, hogy adatforrásként egy Power BI szemantikai modellt vegyen fel a Fabric-adatügynökbe.

Az adatforrások későbbi hozzáadásához keresse meg az Explorert a Háló adatügynök lapjának bal oldali ablaktábláján, és válassza a + Adatforrás lehetőséget, ahogyan az a képernyőképen látható:

A OneLake katalógus újra megnyílik, és igény szerint zökkenőmentesen hozzáadhat további adatforrásokat.

Jótanács

Mindenképpen használjon leíró neveket táblákhoz és oszlopokhoz is. A SalesData nevű tábla jelentéssel bír, mint TableA, és az olyan oszlopnevek, mint ActiveCustomer vagy IsCustomerActive, világosabbak, mint C1 vagy ActCu. A leíró nevek segítenek az AI-nek pontosabb és megbízhatóbb lekérdezéseket létrehozni.

Itt teheti fel kérdéseit

Miután hozzáadta az adatforrásokat, és kiválasztotta az egyes adatforrásokhoz tartozó táblákat, kérdéseket tehet fel. A rendszer a képernyőképen látható módon kezeli a kérdéseket:

Az alábbi példákhoz hasonló kérdéseknek is működniük kell:

• "Mi volt a teljes értékesítés Kaliforniában 2023-ban?"
• "Mi az 5 legjobb termék a legmagasabb listaárakkal, és mik a kategóriáik?"
• "Melyek azok a legdrágább tételek, amelyeket soha nem adtak el?"

Az ehhez hasonló kérdések azért megfelelőek, mert a rendszer strukturált lekérdezésekké (T-SQL, DAX vagy KQL) fordíthatja le őket, végrehajthatja őket adatbázisokon, majd konkrét válaszokat adhat vissza a tárolt adatok alapján.

Az ilyen kérdések azonban hatókörön kívülre kerülnek:

• "Miért alacsonyabb a gyár termelékenysége 2024 második negyedévében?"
• "Mi az értékesítési csúcsunk kiváltó oka?"

Ezek a kérdések jelenleg hatókörön kívül esnek, mert összetett érvelést, korrelációs elemzést vagy olyan külső tényezőket igényelnek, amelyek közvetlenül nem érhetők el az adatbázisban. A Fabric-adatügynök jelenleg nem végez fejlett elemzést, gépi tanulást vagy ok-okozati következtetést. Egyszerűen lekéri és feldolgozza a strukturált adatokat a felhasználó lekérdezése alapján.

Amikor kérdést tesz fel, a Fabric-adatügynök az Azure OpenAI Assistant API-val dolgozza fel a kérést. A folyamat a következő módon működik:

Sémahozzáférés felhasználói hitelesítő adatokkal

A rendszer először a felhasználó hitelesítő adatait használja az adatforrás sémájának eléréséhez (például lakehouse, warehouse, PBI szemantikai modell vagy KQL-adatbázisok). Ez biztosítja, hogy a rendszer lekérje azokat az adatszerkezeti információkat, amelyeket a felhasználónak meg kell tekintenie.

A parancssor létrehozása

A felhasználó kérdésének értelmezéséhez a rendszer a következőt egyesíti:

1. Felhasználói lekérdezés: A felhasználó által megadott természetes nyelvi kérdés.
2. Sémaadatok: Az előző lépésben lekért adatforrás metaadatai és szerkezeti adatai.
3. Példák és utasítások: Előre definiált példák (például mintakérdések és válaszok) vagy a Fabric-adatügynök beállításakor megadott konkrét utasítások. Ezek a példák és utasítások segítenek pontosítani az AI megértését a kérdésben, és útmutatást nyújtanak az AI adataival való interakcióhoz.

Ezek az információk a parancssor létrehozásához használhatók. Ez a kérés az Azure OpenAI Assistant API bemeneteként szolgál, amely a Fabric-adatügynök alapjául szolgáló ügynökként viselkedik. Ez lényegében arra utasítja a Fabric-adatügynököt, hogy miként dolgozza fel a lekérdezést, és hogy milyen típusú választ kell létrehoznia.

Eszközhívás lekérdezési igények alapján

Az ügynök elemzi a létrehozott kérdést, és eldönti, hogy melyik eszközt hívja meg a válasz lekéréséhez:

• Natural Language to SQL (NL2SQL): SQL-lekérdezések létrehozására szolgál, ha az adatok egy tóházban vagy raktárban találhatók
• Natural Language to DAX (NL2DAX): DAX-lekérdezések létrehozására szolgál a szemantikai modellekkel való interakcióhoz a Power BI-adatforrásokban
• Természetes nyelvtől KQL-ig (NL2KQL): KQL-lekérdezések létrehozására szolgál a KQL-adatbázisokban lévő adatok lekérdezéséhez

A kijelölt eszköz a Fabric-adatügynök alapjául szolgáló ügynök által biztosított sémával, metaadatokkal és környezettel hoz létre lekérdezést. Ezután az eszköz ellenőrzi a lekérdezést, hogy biztosítsa a megfelelő formázást és megfelelést a biztonsági protokolloknak, valamint saját felelősségteljes mesterséges intelligencia (RAI) szabályzatainak.

Válasz kidolgozása

A Fabric-adatügynök alapjául szolgáló ügynök végrehajtja a lekérdezést, és gondoskodik arról, hogy a válasz megfelelően legyen strukturálva és formázva. Az ügynök gyakran ad hozzá extra kontextust, hogy a válasz ügyfélbarát legyen. Végül a válasz egy beszélgetési felületen jelenik meg a felhasználó számára, ahogyan az alábbi képernyőképen látható:

Az ügynök a végső válasz lekéréséhez szükséges eredményt és köztes lépéseket is megjeleníti. Ez a megközelítés növeli az átláthatóságot, és szükség esetén lehetővé teszi ezeknek a lépéseknek az ellenőrzését. A felhasználók kibonthatják a lépések legördülő menüjét a Fabric-adatügynök által a válasz lekéréséhez végrehajtott összes lépés megtekintéséhez, ahogyan az alábbi képernyőképen látható:

Emellett a Fabric-adatügynök biztosítja a megfelelő adatforrás lekérdezéséhez használt generált kódot, amely további betekintést nyújt a válasz létrehozásának módjába.

Ezek a lekérdezések kizárólag adatok lekérdezésére szolgálnak. Olyan műveletek, amelyek magukban foglalják a

• adatlétrehozás
• adatfrissítések
• adattörlések
• bármilyen adatváltozás

nem engedélyezett, az adatok integritásának védelme érdekében.

Bármikor kiválaszthatja a Csevegés törlése gombot a csevegés törléséhez, ahogyan az alábbi képernyőképen látható:

A Csevegés törlése funkció törli az összes csevegési előzményt, és új munkamenetet indít el. Miután törölte a csevegési előzményeket, nem tudja lekérni.

Az adatforrás módosítása

Adatforrás eltávolításához mutasson az adatforrás nevére a Háló adatügynök lapjának bal oldali panelén található Explorerben , amíg meg nem jelenik a három pontból álló menü. Jelölje ki a három elemet a beállítások megjelenítéséhez, majd válassza a eltávolítása lehetőséget az adatforrás törléséhez az alábbi képernyőképen látható módon:

Másik lehetőségként, ha az adatforrás módosult, az alábbi képernyőképen látható módon választhatja a Frissítés lehetőséget ugyanazon a menün belül:

Ez biztosítja, hogy az adatforrások frissítései tükröződjenek és megfelelően legyenek kitöltve az Explorerben, hogy a Fabric-adatügynök szinkronban maradjon a legújabb adatokkal.

Szöveti adatügynök konfigurálása

A Fabric-adatügynök számos konfigurációs lehetőséget kínál, amelyekkel a felhasználók testre szabhatják a Fabric-adatügynök viselkedését, hogy jobban megfeleljenek a szervezet igényeinek. Mivel a Fabric-adatügynök feldolgozza és bemutatja az adatokat, ezek a konfigurációk rugalmasságot biztosítanak, amely lehetővé teszi az eredmények nagyobb ellenőrzését.

Utasítások megadása

Konkrét utasításokat adhat meg az AI viselkedésének irányításához. Ha hozzá szeretné adni őket a Fabric adatügynök utasításai panelre, válassza az Adatügynök utasításai az alábbi képernyőképen látható módon:

Képernyőkép az Adatügynök utasítások gombjának kiválasztásáról.

Itt legfeljebb 15 000 karaktert írhat egyszerű angol nyelvű szövegbe, hogy az AI-t a lekérdezések kezelésére utasítsa.

Megadhatja például, hogy pontosan milyen adatforrást használjon bizonyos típusú kérdésekhez. Az adatforrás-választási lehetőségek például magukban foglalhatják az AI használatának irányítását

• Power BI szemantikai modellek pénzügyi lekérdezésekhez
• egy tóház az értékesítési adatokhoz
• KQL-adatbázis üzemeltetési metrikákhoz

Ezek az utasítások biztosítják, hogy az AI megfelelő lekérdezéseket hozzon létre, legyen az SQL, DAX vagy KQL az Ön útmutatása és a kérdések kontextusa alapján.

Ha az AI-erőforrás következetesen félreértelmez bizonyos szavakat, mozaikszavakat vagy kifejezéseket, megpróbálhat egyértelmű definíciókat megadni ebben a szakaszban, hogy az AI megfelelően megértse és feldolgozza őket. Ez különösen hasznos lesz a tartományspecifikus terminológiához vagy az egyedi üzleti zsargonhoz.

Ezeknek az utasításoknak a testreszabásával és a kifejezések meghatározásával javíthatja az AI azon képességét, hogy pontos és releváns megállapításokat nyújtson, teljes mértékben összhangban az adatstratégiával és az üzleti követelményekkel.

Példa lekérdezések megadása

A Fabric-adatügynök válaszainak pontossága akkor javítható, ha az egyes adatforrásokhoz, például a lakehouse-hoz, a raktárhoz és a KQL-adatbázisokhoz szabott példalekérdezéseket ad meg. Ez a Few-Shot Tanulás a generatív AI-ben nevű megközelítés segít a Fabric-adatügynöknek olyan válaszok létrehozásában, amelyek jobban igazodnak az elvárásaihoz.

Amikor minta lekérdezés-/kérdéspárokat ad meg az AI-nek, az ezekre a példákra hivatkozik, amikor választ ad a jövőbeli kérdésekre. Az új lekérdezések és a legrelevánsabb példák egyeztetése segít az AI-nek üzleti logikát beépíteni, és hatékonyan válaszolni a gyakori kérdésekre. Ez a funkció lehetővé teszi az egyes adatforrások finomhangolását, és biztosítja a pontosabb SQL- vagy KQL-lekérdezések létrehozását.

A Power BI szemantikai modelladatai jelenleg nem támogatják a minta lekérdezési/kérdéspárok hozzáadását. A támogatott adatforrások, például a lakehouse-, a raktár- és a KQL-adatbázisok esetében azonban további példákkal jelentősen javíthatja az AI azon képességét, hogy pontos lekérdezéseket hozzon létre, amikor az alapértelmezett teljesítmény kiigazítást igényel.

Jótanács

A különböző példalekérdezések növelik a Fabric-adatügynökök azon képességét, hogy pontos és releváns SQL/KQL-lekérdezéseket hozzanak létre.

Példa lekérdezések hozzáadásához vagy szerkesztéséhez válassza a Példa lekérdezések gombot a példa lekérdezések panel megnyitásához, ahogyan az alábbi képernyőképen látható:

Ez az ablaktábla a Power BI szemantikai modelljeinek kivételével az összes támogatott adatforráshoz használható példa-lekérdezések hozzáadására és szerkesztésére szolgál. Az egyes adatforrások esetében kiválaszthatja a Példalekérdezések hozzáadása vagy szerkesztése lehetőséget a megfelelő példák beviteléhez, ahogyan az alábbi képernyőképen látható:

Megjegyzés

A Fabric-adatügynök csak érvényes SQL/KQL szintaxist tartalmazó lekérdezésekre hivatkozik, amelyek megfelelnek a kijelölt táblák sémájának. A Háló adatügynök nem használ olyan lekérdezéseket, amelyek nem fejezték be az ellenőrzésüket. Győződjön meg arról, hogy az összes példa-lekérdezés érvényes és helyesen igazodik a sémához, hogy a Fabric-adatügynök hatékonyan használja őket.

Fabric adatügynök közzététele és megosztása

Miután tesztelte a Fabric-adatügynök teljesítményét különböző kérdések között, és meggyőződik arról, hogy pontos SQL-, DAX- vagy KQL-lekérdezéseket hoz létre, megoszthatja a munkatársaival. Ekkor válassza a Közzététel lehetőséget az alábbi képernyőképen látható módon:

Ez a lépés megnyit egy ablakot, amely a Fabric-adatügynök leírását kéri. Itt adja meg a Fabric-adatügynök által végzett teendők részletes leírását. Ezek a részletek ismertetik munkatársainak a Fabric-adatügynök funkcióit, és segítenek más AI-rendszereknek/vezénylőknek a Fabric-adatügynök hatékony meghívásában.

A Fabric-adatügynök közzététele után annak két verziója lesz elérhető. Az egyik verzió az aktuális tervezet, amelyet tovább finomíthat és fejleszthet. A második verzió a közzétett verzió, amelyet megoszthatja azokkal a munkatársaival, akik le szeretnék kérdezni a Fabric-adatügynököt, hogy választ kaphassanak a kérdéseikre. A Fabric-adatügynök teljesítményének további javítása érdekében a munkatársak visszajelzéseit beépítheti a jelenlegi piszkozatverzióba.

Kapcsolódó tartalom

• Az adatügynök fogalma
• Adatügynök forgatókönyv