Strategie di IA generativa per query matematiche e di dati

Attualmente, ci sono opinioni diverse su come strumenti come ChatGPT o altri modelli linguistici gestiscono la matematica e le query di dati. In questo articolo, identificheremo le strategie e definiremo le aspettative quando creiamo agenti in Copilot Studio in grado di gestire query matematiche e di dati.

Definizioni di query matematiche e di dati in questo articolo

L'obiettivo di questo articolo non è valutare se IA generativa può aiutare a calcolare il perimetro di un rettangolo o il diametro di un cerchio. La matematica, in questo contesto, si riferisce alle tipiche domande in linguaggio naturale che qualcuno può porre a un agente. Queste domande presuppongono che l'IA sia in grado di aggregare e interpretare somme, medie e tendenze tra le fonti di conoscenza o le tabelle di dati utilizzate come base per i modelli.

Il risultato desiderato, in questo caso, non è quello di rispondere a un'equazione matematica. Piuttosto, è per aiutare l'utente a valutare o comprendere i dati in modo più efficiente. Quando gli utenti sono alla ricerca di analisi approfondite dei dati, ad esempio per l'analisi predittiva o prescrittiva avanzata, un agente personalizzato in genere non è lo strumento preferito. Tuttavia, ci sono diversi agenti nello stack Microsoft che si concentrano più direttamente sull'analisi. A questo scopo, ad esempio, i seguenti agenti integrano il modello linguistico con il codice dell'applicazione Microsoft:

• Aggiungere Copilot per gli utenti delle app nelle app basate su modello
• Visualizzazione dei dati in una vista con il servizio Power BI
• Microsoft 365 Copilot per le vendite
• Incorporare un report Power BI con un oggetto visivo narrativo Copilot
• Identificare le analisi approfondite con Copilot in Excel

Aggregazioni di dati in Natural Language Understanding

Quando fondiamo un agente sulle nostre fonti di conoscenza, semplifichiamo la scoperta delle informazioni richieste da un utente in linguaggio naturale. Tieni presente che i modelli linguistici sono progettati per prevedere la parola successiva in una sequenza piuttosto che eseguire calcoli matematici rigorosi. Tuttavia, possono comunque fornire informazioni e spiegazioni utili. Queste informazioni dettagliate sono più rapide per l'individuazione delle informazioni rispetto all'esplorazione dei risultati della ricerca per parole chiave o allo scorrimento manuale di tutti i record in una tabella.

Gli agenti Copilot Studio possono scansionare le fonti di conoscenza per nostro conto. Questi agenti riepilogano le risposte tra argomenti, azioni e fonti di conoscenza, indipendentemente dal fatto che coinvolgano o meno aggregazioni di dati numerici. Tuttavia, quando fondiamo i modelli con i nostri dati, dobbiamo contestualizzare i dati necessari affinché l'IA possa rispondere. Sulla base di questa comprensione, sappiamo quando è necessario fornire più contesto o nodi tematici. Questa comprensione aggiuntiva è rilevante quando nelle origini dati si trovano termini di nicchia o un linguaggio altamente tecnico. Di seguito sono riportati alcuni esempi di query di dati che coinvolgono espressioni matematiche:

Domande di esempio	Alcune cose da considerare
Quanti dei nostri clienti in Nord America hanno acquistato il prodotto X?	Questa richiesta coinvolge più tabelle strutturate in un database relazionale e in genere esamina centinaia o addirittura migliaia di record.
Qual è stato l'impatto totale sui costi degli elementi di lavoro di riparazione dopo l'uragano?	Questa richiesta riguarda una tabella di elementi riparati, con una colonna per l'impatto sui costi per ogni elemento di lavoro. Se la tabella contiene più riparazioni che elementi di lavoro correlati all'uragano, sarebbe necessaria una categoria o una colonna motivo per consentire all'IA di sapere quali sono correlati all'uragano.
Quale dei nostri clienti ha inviato il maggior numero di richieste di modifica?	Questa richiesta comporta una tabella con le richieste di modifica e la tabella correlata con i nomi dei clienti. Tuttavia, questo conta prima le richieste del cliente, quindi restituisce il cliente con il numero più alto di richieste (e non il valore in dollari con il massimo impatto sui costi).

Chiarezza e struttura delle richieste

I modelli linguistici si basano in larga misura sulla formulazione della domanda. Una richiesta ben strutturata che spiega chiaramente il problema matematico, definisce le variabili e suddivide l'attività in passaggi porta a risposte più accurate. Ad esempio, chiedere una risposta diretta a un semplice problema aritmetico probabilmente funziona bene, ma domande vaghe o a più livelli senza un contesto chiaro potrebbero confondere il modello.

Di seguito sono riportati alcuni prompt di esempio basati su una fonte di conoscenza strutturata, ad esempio una tabella Dataverse. Questo esempio illustra l'aggiunta di una tabella Power Apps Dataverse, come mostrato nell'immagine seguente.

La tabella Dataverse è stata aggiunta come fonte di conoscenza e dotata di una descrizione accurata delle informazioni, insieme a sinonimi e definizioni di glossario per aiutare l'IA nell'interpretazione dei dati.

Richieste specifiche

Queste richieste sono specifiche e hanno come ambito le informazioni richieste.

• "È possibile fornire tutti i dettagli sul riferimento dell'ordine di modifica PCO-1003, inclusi il nome del conto, l'importo richiesto e il motivo della richiesta?"
• "Quanti account hanno inviato richieste di modifica nell'agosto del 2024?"
• "Qual è il numero totale di ordini di modifica richiesti fino ad oggi?"
• "Quale cliente ha registrato il maggiore impatto sui costi nel 2024?"

Richieste generalizzate

Questi prompt sono generalizzati ed è improbabile che aggreghino in modo coerente tutti i risultati, restituendo probabilmente solo i primi tre risultati.

• "Si prega di elencare i nostri conti nell'ordine delle rispettive entrate."
• "Si prega di elencare le richieste di modifica che sono state presentate quest'anno ad agosto e di includere gli importi e lo stato delle modifiche."
• "È possibile elencare tutte le richieste di ordine di modifica presentate fino ad oggi?"

Nota

Abilitare o disabilitare la capacità dell'IA di utilizzare le proprie conoscenze generali può influire sull'accuratezza o sull'adeguatezza delle risposte restituite.

Consigli e suggerimenti

Ecco alcuni suggerimenti quando si lavora con Copilot Studio che aiutano a definire le aspettative sulle risposte generative che si basano su espressioni matematiche.

• Pianifica scenari che evidenzino le tendenze principali, anziché aspettarti calcoli su migliaia di record. Sensibilizza le persone su questo approccio conversazionale che riassume anziché dettagliare.

• Privilegiare le fonti di conoscenza strutturate (tabulari rispetto a quelle non tabulari) per ottimizzare le espressioni matematiche.

• Supporta scenari specifici e comprendi le dipendenze per le differenze. Ad esempio, nota la differenza tra queste due domande:

  • Quale dei nostri clienti ha inviato il maggior numero di richieste di modifica? Conta gli ID richiesta e restituisce il cliente con il maggior numero di richieste, ignorando le altre colonne

  • Quali dei nostri clienti hanno il maggiore impatto sui costi tra le richieste di modifica? Somma la colonna dell'impatto dei costi per cliente e restituisce il cliente che ha inviato l'importo totale in dollari più alto. Restituisce queste informazioni solo se trova una colonna appropriata che è numerica o basata su valuta.

• Assicurati di identificare e definire eventuali colonne numeriche per i calcoli. Assicurati che siano formattati con il tipo di dati appropriato, sia a livello di fonte di conoscenza che quando utilizzati in qualsiasi variabile Copilot Studio. Quando possibile, includi una descrizione chiara e includi sinonimi comuni per le colonne pertinenti nelle tabelle o nelle descrizioni delle azioni.

  Suggerimento

  Con la comprensione del linguaggio naturale, se le intestazioni delle tabelle sono troppo tecniche nel loro protocollo di denominazione, l'IA potrebbe non essere in grado di rispondere alle domande incentrate sull'uomo poste durante il flusso di conversazione. Aggiungi descrittori con la terminologia tipica usata dai tuoi utenti.

• Riconosci che le persone ottengono risposte solo sui dati che sono autorizzate a visualizzare. Ad esempio, una tabella di vendite in Dataverse potrebbe esporre solo alcuni record a gruppi aziendali specifici, ma non tutti. Quindi, assicurati che il tuo agente non imposti aspettative sbagliate su come vengono riepilogati i dati. Ad esempio, una richiesta di vendite totali nel 2024 somma solo i record di proprietà o condivisi.

• Definisci sempre le aspettative dei consumatori per le risposte basate sull'intelligenza artificiale. Utilizza dell'agente Avvio della conversazione o il primo messaggio che segue i trigger degli argomenti per evidenziare delicatamente lo scopo e i vincoli di una o più fonti di conoscenza pertinenti.

Usare le azioni dei prompt di AI Builder

Le azioni dei prompt consentono di aggiungere funzionalità di IA generativa da Power Apps agli agenti e alle soluzioni in Copilot Studio. Questa funzione consente di eseguire attività come la classificazione, il riepilogo, la generazione di bozze di contenuto, la trasformazione dei dati e molto altro. Con le azioni di prompt, puoi anche personalizzare le risposte IA generativa per utilizzare filtri e aggregazioni specifici dalle tabelle.

Nello screenshot seguente, viene illustrato come un autore Copilot Studio ha utilizzato le azioni dei prompt AI Builder in Copilot Studio per riepilogare le richieste di ordine di modifica sia dalla tabella Account che dalla tabella PCO correlata.

Nell'esempio precedente non sono state utilizzate le origini della conoscenza dell'agente. Il prompt include la variabile di richiesta dinamica per il numero di conto e una tabella di Dataverse come dati.

Suggerimento

Le tabelle correlate sono assunte dall'IA e non è necessario aggiungerle in questo caso. La tabella PCI ha un collegamento molti-a-uno con Account.