Creare un agente dei dati di Fabric (anteprima)

2025-06-16

Con un agente dei dati in Microsoft Fabric è possibile creare esperienze di intelligenza artificiale conversazionale che rispondono a domande sui dati archiviati in lakehouse, warehouse, modelli semantici di Power BI e database KQL in Fabric. Diventano così accessibili informazioni dettagliate sui dati. I colleghi possono porre domande in inglese semplice e ricevere risposte basate sui dati, anche se non sono esperti di intelligenza artificiale o familiarità con i dati.

Importante

Questa funzionalità è disponibile in anteprima.

Prerequisiti

Una risorsa di capacità Fabric a pagamento di livello F2 o superiore
Le impostazioni tenant dell'agente dei dati di Fabric sono attivate.
La commutazione del tenant di Copilot è abilitata.
L'elaborazione tra aree geografiche per intelligenza artificiale è abilitata.
L'archiviazione tra aree geografiche per intelligenza artificiale è abilitata.
Almeno uno di questi: un warehouse, un lakehouse, uno o più modelli semantici di Power BI o un database KQL con dati.
I modelli semantici di Power BI tramite l'opzione del tenant degli endpoint XMLA sono abilitati per le origini dati del modello semantico di Power BI.

Flusso end-to-end per la creazione e l'utilizzo di agenti dei dati di Fabric

Questa sezione descrive i passaggi principali per creare, convalidare e condividere un agente dei dati di Fabric in Fabric, rendendolo accessibile per l'utilizzo.

Il processo è semplice ed è possibile iniziare a testare le risorse dell'agente dei dati di Fabric in pochi minuti.

Creare un nuovo agente dei dati di Fabric

Per creare un nuovo agente dati di Fabric, passare prima all'area di lavoro e quindi selezionare il pulsante + Nuovo elemento . Nella scheda Tutti gli elementi cercare Agente dati Fabric per individuare l'opzione appropriata, come illustrato in questo screenshot:

Dopo aver selezionato un'opzione, viene richiesto di specificare un nome per l'agente dei dati di Fabric, come illustrato in questo screenshot:

Fare riferimento allo screenshot fornito per una guida illustrativa sulla nominazione dell'agente dei dati di Fabric. Dopo aver immesso il nome, procedere con la configurazione per allineare l'agente dei dati di Fabric ai requisiti specifici.

Seleziona i tuoi dati

Dopo aver creato un agente dei dati di Fabric, è possibile aggiungere fino a cinque origini dati, tra cui lakehouse, warehouse, modelli semantici di Power BI e database KQL in qualsiasi combinazione. Ad esempio, è possibile aggiungere cinque modelli semantici di Power BI o due modelli semantici di Power BI, un lakehouse e un database KQL.

Quando si crea un agente dei dati di Fabric per la prima volta e si specifica un nome, viene visualizzato automaticamente il catalogo di OneLake, consentendo di aggiungere origini dati. Per aggiungere un'origine dati, selezionarla dal catalogo come illustrato nella schermata successiva e quindi selezionare Aggiungi. Ogni origine dati deve essere aggiunta singolarmente. Ad esempio, è possibile aggiungere un lakehouse, selezionare Aggiungi e quindi procedere con l'aggiunta di un'altra origine dati. Per filtrare i tipi di origine dati, selezionare l'icona del filtro e quindi selezionare il tipo desiderato. È possibile visualizzare solo le origini dati del tipo selezionato, semplificando così l'individuazione e la connessione delle origini appropriate per l'agente dei dati di Fabric.

Dopo aver aggiunto l'origine dati, nel riquadro Esplora a sinistra della pagina dell'agente dati di Fabric vengono popolate le tabelle disponibili in ogni origine dati selezionata, dove è possibile utilizzare le caselle di controllo per rendere le tabelle disponibili o non disponibili per l'intelligenza artificiale, come mostrato nell'immagine seguente.

Nota

È necessaria l'autorizzazione di lettura/scrittura per aggiungere un modello semantico di Power BI come origine dati all'agente dei dati di Fabric.

Per le aggiunte successive delle origini dati, passare a Explorer nel riquadro sinistro della pagina del Fabric data agent e selezionare + Origine dati, come mostrato nello screenshot:

Il catalogo di OneLake viene aperto di nuovo ed è possibile aggiungere facilmente altre origini dati in base alle esigenze.

Suggerimento

Assicurarsi di usare nomi descrittivi per tabelle e colonne. Una tabella denominata SalesData è più significativa di TableA e i nomi di colonna come ActiveCustomer o IsCustomerActive sono più chiari di C1 o ActCu. I nomi descrittivi consentono all'intelligenza artificiale di generare query più accurate e affidabili.

Domande

Dopo aver aggiunto le origini dati e aver selezionato le tabelle pertinenti per ogni origine dati, è possibile iniziare a porre domande. Il sistema gestisce le domande come illustrato in questo screenshot:

Anche le domande simili a questi esempi dovrebbero funzionare:

"Quali sono state le nostre vendite totali in California nel 2023?"
Quali sono i 5 prodotti principali con i prezzi di listino più alti e quali sono le loro categorie?
"Quali sono gli articoli più costosi che non sono mai stati venduti?"

Domande come queste sono adatte perché il sistema può convertirle in query strutturate (T-SQL, DAX o KQL), eseguirle sui database e quindi restituire risposte concrete in base ai dati archiviati.

Domande come queste, tuttavia, esulano dall'ambito:

"Perché la produttività del nostro stabilimento è inferiore nel secondo trimestre 2024?"
"Qual è la causa principale del nostro picco di vendite?"

Queste domande non rientrano nell'ambito perché richiedono un ragionamento complesso, un'analisi di correlazione o fattori esterni non direttamente disponibili nel database. L'agente dei dati di Fabric attualmente non esegue operazioni di analisi avanzata, Machine Learning o inferenza causale. Recupera ed elabora semplicemente i dati strutturati in base alla query dell'utente.

Quando si pone una domanda, l'agente dei dati di Fabric usa l'API Assistente OpenAI di Azure per elaborare la richiesta. Il flusso funziona in questo modo:

Accesso allo schema con le credenziali dell'utente

Il sistema usa innanzitutto le credenziali dell'utente per accedere allo schema dell'origine dati, ad esempio lakehouse, warehouse, modello semantico PBI o database KQL. Ciò garantisce che il sistema recuperi le informazioni sulla struttura dei dati che l'utente è autorizzato a visualizzare.

Costruzione del prompt

Per interpretare la domanda dell'utente, il sistema combina:

Query utente: domanda espressa in linguaggio naturale fornita dall'utente.
Informazioni sullo schema: metadati e dettagli strutturali dell'origine dati recuperati nel passaggio precedente.
Esempi e istruzioni: qualsiasi esempio predefinito (ad esempio, domande e risposte di esempio) o istruzioni specifiche fornite durante la configurazione dell'agente dei dati di Fabric. Questi esempi e istruzioni aiutano a perfezionare la comprensione della domanda dell'intelligenza artificiale e guidano l'interazione dell'intelligenza artificiale con i dati.

Tutte queste informazioni vengono usate per costruire un prompt. Questa richiesta funge da input per l'API Assistente OpenAI di Azure, che si comporta come agente sottostante all'agente dei dati di Fabric. Questo essenzialmente indica all'agente dei dati di Fabric come elaborare la query e il tipo di risposta da produrre.

Invocazione dello strumento in base alle necessità della query

L'agente analizza la richiesta costruita e decide quale strumento richiamare per recuperare la risposta:

Linguaggio naturale per SQL (NL2SQL): utilizzato per generare query SQL quando i dati si trovano in un'architettura lakehouse o in un magazzino di dati.
Linguaggio naturale per DAX (NL2DAX): usato per creare query DAX per interagire con i modelli semantici nelle origini dati di Power BI
Linguaggio naturale per KQL (NL2KQL): utilizzato per creare query KQL per interrogare dati nei database KQL

Lo strumento selezionato genera una query usando lo schema, i metadati e il contesto forniti dall'agente dei dati di Fabric sottostante. Lo strumento convalida quindi la query, per garantire una corretta formattazione e conformità ai protocolli di sicurezza e ai propri criteri di intelligenza artificiale responsabile (RAI).

Costruzione della risposta

L'agente sottostante l'agente dei dati di Fabric esegue la query e si assicura che la risposta sia strutturata e formattata in modo appropriato. L'agente include spesso un contesto aggiuntivo per rendere la risposta intuitiva. Infine, la risposta viene visualizzata all'utente in un'interfaccia di conversazione, come illustrato nello screenshot seguente:

L'agente presenta sia il risultato che i passaggi intermedi impiegati per recuperare la risposta finale. Questo approccio migliora la trasparenza e consente di convalidare tali passaggi, se necessario. Gli utenti possono espandere l'elenco a discesa per i passaggi per visualizzare tutti i passaggi impiegati dall'agente dei dati di Fabric per recuperare la risposta, come illustrato nello screenshot seguente:

Inoltre, l'agente dei dati di Fabric fornisce il codice generato usato per eseguire query sull'origine dati corrispondente, offrendo ulteriori informazioni dettagliate su come è stata costruita la risposta.

Queste query sono progettate esclusivamente per l'esecuzione di query sui dati. Le operazioni che coinvolgono

creazione di dati
aggiornamenti dei dati
eliminazioni di dati
qualsiasi tipo di modifica dei dati

non sono consentite, per proteggere l'integrità dei dati.

In qualsiasi momento, è possibile selezionare il pulsante Cancella chat per cancellare la chat, come illustrato nello screenshot seguente:

La funzionalità Cancella chat cancella tutta la cronologia della chat e avvia una nuova sessione. Dopo aver eliminato la cronologia della chat, non è possibile recuperarla.

Modifica l'origine dati

Per rimuovere un'origine dati, passare il puntatore del mouse sul nome dell'origine dati in Explorer nel riquadro sinistro della pagina dell'agente dati di Fabric fino a quando non viene visualizzato il menu a tre punti. Selezionare i tre puntini per visualizzare le opzioni, quindi selezionare Rimuovi per eliminare l'origine dati, come illustrato nello screenshot seguente:

In alternativa, se l'origine dati è stata modificata, è possibile selezionare Aggiorna nello stesso menu, come illustrato nello screenshot seguente:

In questo modo, tutti gli aggiornamenti dell'origine dati vengono rispecchiati e popolati correttamente in Explorer, per mantenere l'agente dei dati di Fabric sincronizzato con i dati più recenti.

Configurazione dell'agente dei dati di Fabric

L'agente dei dati di Fabric offre diverse opzioni di configurazione che consentono agli utenti di personalizzare il comportamento dell'agente dei dati di Fabric per soddisfare meglio le esigenze dell'organizzazione. Man mano che l'agente dei dati di Fabric elabora e presenta i dati, queste configurazioni offrono un certo livello di flessibilità che consente un maggiore controllo sui risultati.

Fornire istruzioni

È possibile fornire istruzioni specifiche per guidare il comportamento dell'intelligenza artificiale. Per aggiungerli nel riquadro Istruzioni dell'agente dati di Fabric, selezionare Istruzioni per l'agente dati , come illustrato nello screenshot seguente:

In questo caso, è possibile scrivere fino a 15.000 caratteri in testo in lingua inglese normale, per indicare all'intelligenza artificiale come gestire le query.

Ad esempio, è possibile specificare l'origine dati esatta da usare per determinati tipi di domande. Esempi di scelte delle fonti dati potrebbero guidare l'intelligenza artificiale a usare

modelli semantici di Power BI per query finanziarie
una piattaforma di lakehouse per i dati di vendita
un database KQL per le metriche operative

Queste istruzioni garantiscono che l'intelligenza artificiale generi query appropriate (SQL, DAX o KQL) sulla base delle tue indicazioni e del contesto delle domande.

Se la risorsa di intelligenza artificiale interpreta in modo non corretto determinate parole, acronimi o termini, è possibile provare a fornire definizioni chiare in questa sezione per assicurarsi che l'intelligenza artificiale li comprenda e li elabori correttamente. Ciò diventa particolarmente utile per terminologia specifica del dominio o gergo aziendale univoco.

Personalizzando queste istruzioni e definendo i termini, si migliora la capacità dell'intelligenza artificiale di fornire informazioni dettagliate precise e pertinenti, in pieno allineamento con la strategia dei dati e i requisiti aziendali.

Fornisci query di esempio

È possibile migliorare l'accuratezza delle risposte dell'agente dei dati di Fabric fornendo query di esempio personalizzate per ogni origine dati, ad esempio lakehouse, warehouse e database KQL. Questo approccio, noto come apprendimentoFew-Shot nell'intelligenza artificiale generativa, consente di guidare l'agente dati di Fabric per generare risposte che siano più allineate alle aspettative.

Quando si forniscono coppie di query/domande di esempio all'intelligenza artificiale, per le risposte alle domande future l'IA farà riferimento a questi esempi. Trovare la corrispondenza tra le nuove query e gli esempi più rilevanti consente all'intelligenza artificiale di incorporare la logica di business specifica e di rispondere in modo efficace alle domande frequenti. Questa funzionalità consente l'ottimizzazione per le singole origini dati e garantisce la generazione di query SQL o KQL più accurate.

I dati di modelli semantici di Power BI non supportano l'aggiunta di coppie di query/domande di esempio al momento. Tuttavia, per le origini dati supportate, ad esempio lakehouse, warehouse e database KQL, l'offerta di altri esempi può migliorare significativamente la capacità dell'intelligenza artificiale di generare query precise quando le prestazioni predefinite devono essere rettificate.

Suggerimento

Un set eterogeneo di query di esempio migliora la capacità di un agente dei dati di Fabric di generare query SQL/KQL accurate e pertinenti.

Per aggiungere o modificare query di esempio, selezionare il pulsante Query di esempio per aprire il riquadro query di esempio, come illustrato nello screenshot seguente:

Questo riquadro offre opzioni per aggiungere o modificare query di esempio per tutte le origini dati supportate, ad eccezione dei modelli semantici di Power BI. Per ogni origine dati, è possibile selezionare Aggiungi o Modifica query di esempio per immettere gli esempi pertinenti, come illustrato nello screenshot seguente:

Nota

L'agente dei dati di Fabric fa riferimento solo alle query che contengono una sintassi SQL/KQL valida e che corrispondono allo schema delle tabelle selezionate. L'agente dei dati di Fabric non usa query che non superano la convalida. Assicurarsi che tutte le query di esempio siano valide e correttamente allineate allo schema per assicurarsi che l'agente dei dati di Fabric le usi in modo efficace.

Dopo aver testato le prestazioni dell'agente dei dati di Fabric per varie domande e aver appurato che generi query SQL, DAX o KQL accurate, è possibile condividerlo con i colleghi. A questo punto, selezionare Pubblica, come illustrato nello screenshot seguente:

Questo passaggio apre una finestra che richiede una descrizione dell'agente dei dati di Fabric. In questa finestra, fornire una descrizione dettagliata delle funzionalità dell'agente dei dati di Fabric. Questi dettagli offrono ai colleghi indicazioni sulla funzionalità dell'agente dei dati di Fabric e consentono ad altri sistemi/agenti di orchestrazione di intelligenza artificiale di richiamare efficacemente l'agente dei dati di Fabric.

Dopo aver pubblicato l'agente dei dati di Fabric, ne saranno disponibili due versioni. Una è la versione bozza corrente, che è possibile continuare a perfezionare e migliorare. La seconda è la versione pubblicata, che è possibile condividere con i colleghi che vogliono eseguire query sull'agente dei dati di Fabric per ottenere risposte alle loro domande. È possibile incorporare commenti e suggerimenti dai colleghi nella versione bozza corrente durante lo sviluppo, per migliorare ulteriormente le prestazioni dell'agente dati di Fabric.