Usare Informazioni dettagliate sull'intelligenza artificiale in Power BI Desktop
In Power BI è possibile usare Informazioni dettagliate sull'intelligenza artificiale per ottenere l'accesso a una raccolta di modelli di Machine Learning con training preliminare che migliorano le attività di preparazione dei dati. È possibile accedere a Informazioni dettagliate sull'intelligenza artificiale nella editor di Power Query. È possibile trovare le funzionalità e le funzioni associate tramite le schede Home e Aggiungi colonna in editor di Power Query.
Questo articolo descrive le funzioni per le funzioni di Analisi del testo e Visione, entrambe di Servizi cognitivi di Azure. Questo articolo descrive anche le funzioni personalizzate disponibili in Power BI da Azure Machine Learning.
Usare Analisi del testo e Visione
Con Analisi del testo e Visione in Power BI, è possibile applicare algoritmi diversi da Servizi cognitivi di Azure per arricchire i dati in Power Query.
Sono attualmente supportati i servizi seguenti:
Le trasformazioni vengono eseguite nella servizio Power BI e non richiedono una sottoscrizione di Servizi cognitivi di Azure.
Importante
L'uso delle funzionalità di Analisi del testo o Visione richiede Power BI Premium.
Abilitare Analisi del testo e Visione sulle capacità Premium
Servizi cognitivi sono supportati per i nodi di capacità Premium EM2, A2 o P1 e altri nodi con più risorse. Per eseguire Servizi cognitivi viene usato un carico di lavoro di intelligenza artificiale separato nella capacità. Prima di usare Servizi cognitivi in Power BI, è necessario abilitare il carico di lavoro intelligenza artificiale nelle impostazioni di capacità del portale di amministrazione. È possibile attivare il carico di lavoro di intelligenza artificiale nella sezione Carichi di lavoro e definire la quantità massima di memoria che si vuole usare per questo carico di lavoro. Il limite di memoria consigliato è 20%. Il superamento di questo limite determina il rallentamento della query.
Funzioni disponibili
Questa sezione descrive le funzioni disponibili in Servizi cognitivi in Power BI.
Rileva lingua
La funzione Detect language valuta l'input di testo e per ogni campo restituisce il nome della lingua e l'identificatore ISO. Questa funzione è utile per le colonne di dati che raccolgono testo arbitrario, in cui la lingua è sconosciuta. La funzione prevede dati in formato testo come input.
Analisi del testo riconosce fino a 120 lingue. Per altre informazioni, vedere Lingue supportate.
Estrarre le espressioni chiave
La funzione di estrazione frasi chiave valuta il testo non strutturato e, per ogni campo di testo, restituisce un elenco di frasi chiave. La funzione richiede un campo di testo come input e accetta un input facoltativo per un codice ISO lingua.
L'estrazione di frasi chiave funziona meglio quando si assegnano blocchi di testo più grandi su cui lavorare, opposto dall'analisi del sentiment. L'analisi del sentiment offre prestazioni migliori in blocchi di testo più piccoli. Per ottenere risultati ottimali da entrambe le operazioni, provare a ristrutturare gli input di conseguenza.
Valutazione punteggio
La funzione Score sentiment valuta l'input di testo e restituisce un punteggio del sentiment per ogni documento, compreso tra 0 (negativo) e 1 (positivo). Punteggio sentiment accetta anche un input facoltativo per un codice ISO del linguaggio. Questa funzione è utile per rilevare sentiment positivi e negativi nei social media, nelle recensioni dei clienti e nei forum di discussione.
La funzione Analisi del testo usa un algoritmo di classificazione basato sull'apprendimento automatico per generare un punteggio di sentiment compreso tra 0 e 1. I punteggi più vicini a 1 indicano un sentiment positivo. I punteggi più vicini a 0 indicano un sentiment negativo. Il modello viene sottoposto a training preliminare con un corpo esteso di testo con associazioni di sentiment. Attualmente non è possibile fornire dati di training personalizzati. Durante l'analisi del testo il modello usa una combinazione di tecniche, tra cui l'elaborazione del testo, l'analisi di parti del discorso nonché la posizione e l'associazione delle parole. Per altre informazioni sull'algoritmo, vedere Introducing Text Analytics (Introduzione ad Analisi del testo).
L'analisi del sentiment viene eseguita sull'intero campo di input, anziché estrarre il sentiment per una determinata entità nel testo. Nella pratica, la precisione nell'assegnazione del punteggio tende a essere maggiore quando i documenti contengono una o due frasi anziché un blocco di testo di grandi dimensioni. Durante una fase di valutazione dell'obiettività, il modello determina se un campo di input nel suo complesso è obiettivo o contiene sentiment. Un campo di input che è principalmente obiettivo non avanza fino alla frase di rilevamento del sentiment, con conseguente punteggio di 0,50, senza ulteriore elaborazione. Per i campi di input che continuano nella pipeline, la fase successiva genera un punteggio maggiore o minore di 0,50, a seconda del grado di sentiment rilevato nel campo di input.
La funzione Analisi del sentiment supporta attualmente le lingue inglese, tedesco, spagnolo e francese. Altre lingue sono disponibili in anteprima. Per altre informazioni, vedere Lingue supportate.
Aggiungere i tag immagini
La funzione Tag Images restituisce tag basati su più di 2.000 oggetti riconoscibili, esseri viventi, paesaggi e azioni. Quando i tag sono ambigui o non sono di conoscenza comune, l'output fornisce suggerimenti per chiarire il significato del tag nel contesto di un'impostazione nota. I tag non sono organizzati come tassonomia e non esistono gerarchie di ereditarietà. Una raccolta di tag di contenuto costituisce la base per una descrizione dell'immagine visualizzata come linguaggio leggibile formattato in frasi complete.
Dopo il caricamento di un'immagine o la definizione di un URL di immagine, gli algoritmi di Visione artificiale generano tag in base agli oggetti, alle azioni e agli esseri umani identificati nell'immagine. L'assegnazione di tag non è limitata al soggetto principale, ad esempio una persona in primo piano, ma include anche scenari (interni o esterni), arredamenti, strumenti, piante, animali, accessori, gadget e così via.
Questa funzione richiede un URL immagine o un campo base 64 come input. Al momento, l'assegnazione di tag alle immagini supporta l'inglese, lo spagnolo, il giapponese, il portoghese e il cinese semplificato. Per altre informazioni, vedere Lingue supportate.
Richiamare funzioni di Analisi del testo o Visione artificiale in Power Query
Per arricchire i dati con funzioni di Analisi del testo o Visione, aprire editor di Power Query. Questo esempio illustra come assegnare un punteggio al sentiment di un testo. È possibile usare gli stessi passaggi per estrarre frasi chiave, rilevare la lingua e contrassegnare le immagini.
Selezionare il pulsante Analisi del testo nella barra multifunzione Home o Aggiungi colonna . Accedere quindi quando viene visualizzato il prompt.
Dopo l'accesso, selezionare la funzione da usare e la colonna di dati da trasformare nella finestra popup.
Power BI seleziona una capacità Premium per eseguire la funzione in e inviare i risultati a Power BI Desktop. La capacità selezionata viene usata solo per la funzione Analisi del testo e Visione durante l'applicazione e gli aggiornamenti in Power BI Desktop. Dopo che Power BI pubblica il report, gli aggiornamenti vengono eseguiti sulla capacità Premium dell'area di lavoro in cui viene pubblicato il report. È possibile modificare la capacità usata per tutti i servizi cognitivi nell'elenco a discesa nell'angolo inferiore sinistro della finestra popup.
Il codice ISO del linguaggio è un input facoltativo per specificare la lingua del testo. È possibile usare una colonna come input o un campo statico. In questo esempio la lingua viene specificata come inglese (en) per l'intera colonna. Se si lascia vuoto questo campo, Power BI rileva automaticamente la lingua prima di applicare la funzione. Selezionare quindi Applica.
La prima volta che si usano Informazioni dettagliate sull'intelligenza artificiale in una nuova origine dati, Power BI Desktop richiede di impostare il livello di privacy dei dati.
Nota
Gli aggiornamenti del modello semantico in Power BI funzioneranno solo per le origini dati in cui il livello di privacy è impostato su pubblico o aziendale.
Dopo aver richiamato la funzione, il risultato viene aggiunto come nuova colonna alla tabella. La trasformazione viene aggiunta anche come passaggio applicato nella query.
Nei casi di assegnazione di tag alle immagini e di estrazione di frasi chiave, i risultati possono restituire più valori. Ogni singolo risultato viene restituito su un duplicato della riga originale.
Pubblicare un report con funzioni di Analisi del testo o visione
Durante la modifica in Power Query e l'esecuzione di aggiornamenti in Power BI Desktop, Analisi del testo e Visione usano la capacità Premium selezionata in editor di Power Query. Dopo che Analisi del testo o Vision pubblica il report, usa la capacità Premium dell'area di lavoro in cui è stata pubblicata.
I report con le funzioni di Analisi del testo applicate e Visione devono essere pubblicati in un'area di lavoro con capacità Premium. In caso contrario, l'aggiornamento del modello semantico non riesce.
Gestire l'impatto su una capacità Premium
Le sezioni seguenti descrivono come gestire gli effetti di Analisi del testo e Visione sulla capacità.
Selezionare una capacità
Gli autori di report possono selezionare la capacità Premium in cui eseguire Informazioni dettagliate sull'intelligenza artificiale. Per impostazione predefinita, Power BI seleziona la prima capacità creata a cui l'utente ha accesso.
Monitorare con l'app Capacity Metrics
I proprietari della capacità Premium possono monitorare l'impatto delle funzioni di Analisi del testo e Visione su una capacità con l'app Microsoft Fabric Capacity Metrics. L'app fornisce metriche dettagliate sull'integrità dei carichi di lavoro di intelligenza artificiale all'interno della capacità. Il grafico in alto mostra il consumo di memoria da parte dei carichi di lavoro di intelligenza artificiale. Gli amministratori della capacità Premium possono impostare il limite di memoria per il carico di lavoro di intelligenza artificiale per capacità. Quando l'utilizzo della memoria raggiunge il limite di memoria, è possibile prendere in considerazione l'aumento del limite di memoria o lo spostamento di alcune aree di lavoro in una capacità diversa.
Confrontare Power Query e Power Query Online
Le funzioni Analisi del testo e Vision usate in Power Query e Power Query Online sono le stesse. Esistono solo due differenze tra le esperienze:
- Power Query include pulsanti separati per Analisi del testo, Visione e Azure Machine Learning. In Power Query Online queste funzionalità vengono combinate in un unico menu.
- In Power Query l'autore del report può selezionare la capacità Premium usata per eseguire le funzioni. Questa scelta non è necessaria in Power Query Online, perché un flusso di dati è già in una capacità specifica.
Considerazioni e limitazioni di Analisi del testo
Esistono alcune considerazioni e limitazioni da tenere presenti quando si usa Analisi del testo.
- L'aggiornamento incrementale è supportato, ma può causare problemi di prestazioni quando vengono usati nelle query con informazioni dettagliate sull'intelligenza artificiale.
- Direct Query non è supportato.
Usare Azure Machine Learning
Numerose organizzazioni usano modelli di Machine Learning per ottenere informazioni dettagliate e stime migliori sull'azienda. La possibilità di visualizzare e richiamare informazioni dettagliate da questi modelli può aiutare a diffondere queste informazioni agli utenti aziendali che ne hanno più bisogno. Power BI semplifica l'incorporamento delle informazioni dettagliate dai modelli ospitati in Azure Machine Learning, usando gesti semplici da punto e clic.
Per usare questa funzionalità, un data scientist può concedere l'accesso al modello di Azure Machine Learning all'analista bi usando il portale di Azure. Quindi, all'inizio di ogni sessione, Power Query individua tutti i modelli di Azure Machine Learning a cui l'utente ha accesso e li espone come funzioni dinamiche di Power Query. L'utente può quindi richiamare tali funzioni accedendogli dalla barra multifunzione in editor di Power Query o richiamando direttamente la funzione M. Power BI invia automaticamente in batch le richieste di accesso quando si richiama il modello di Azure Machine Learning per un set di righe per ottenere prestazioni migliori.
Questa funzionalità è supportata in Power BI Desktop, nei flussi di dati di Power BI e per Power Query Online nella servizio Power BI.
Per altre informazioni sui flussi di dati, vedere Preparazione dei dati self-service in Power BI.
Per altre informazioni su Azure Machine Learning, vedere gli articoli seguenti:
- Panoramica: Che cos'è Azure Machine Learning?
- Guide introduttive ed esercitazioni per Azure Machine Learning: documentazione di Azure Machine Learning
Concedere l'accesso a un modello di Azure Machine Learning
Per accedere a un modello di Azure Machine Learning da Power BI, l'utente deve avere accesso in lettura alla sottoscrizione di Azure. Inoltre, devono avere accesso in lettura all'area di lavoro di Machine Learning.
La procedura descritta in questa sezione descrive come concedere a un utente di Power BI l'accesso a un modello ospitato nel servizio Azure Machine Learning. Con questo accesso, possono usare questo modello come funzione di Power Query. Per altre informazioni, vedere Gestire l'accesso usando il controllo degli accessi in base al ruolo e il portale di Azure.
- Accedere al portale di Azure.
- Passare alla pagina Sottoscrizioni . È possibile trovare la pagina Sottoscrizioni tramite l'elenco Tutti i servizi nel menu di spostamento a sinistra del portale di Azure.
- Selezionare la propria sottoscrizione.
- Selezionare Controllo di accesso (IAM) e quindi selezionare il pulsante Aggiungi .
- Selezionare Lettore come ruolo. Selezionare l'utente di Power BI a cui si vuole concedere l'accesso al modello di Azure Machine Learning.
- Seleziona Salva.
- Ripetere i passaggi da tre a sei per concedere l'accesso con autorizzazioni di lettura all'utente per l'area di lavoro di Machine Learning specifica che ospita il modello.
Individuazione dello schema per i modelli di Machine Learning
I data scientist usano principalmente Python per sviluppare e persino distribuire modelli di Machine Learning. Il data scientist deve generare in modo esplicito il file di schema usando Python.
Questo file di schema deve essere incluso nel servizio Web distribuito per i modelli di Machine Learning. Per generare automaticamente lo schema per il servizio Web, è necessario fornire un esempio dell'input/output nello script di immissione per il modello distribuito. Per altre informazioni, vedere la sottosezione sulla generazione dello schema Swagger automatico (facoltativo) nella documentazione distribuire modelli con il servizio Azure Machine Learning . Il collegamento include lo script di immissione di esempio con le istruzioni per la generazione dello schema.
In particolare, le funzioni @input_schema e @output_schema nello script di immissione fanno riferimento ai formati di esempio di input e output nelle variabili input_sample e output_sample . Le funzioni usano questi esempi per generare una specifica OpenAPI (Swagger) per il servizio Web durante la distribuzione.
Queste istruzioni per la generazione dello schema, aggiornando lo script di immissione, devono essere applicate anche ai modelli creati usando esperimenti di Machine Learning automatizzati con Azure Machine Learning SDK.
Nota
I modelli creati tramite l'interfaccia visiva di Azure Machine Learning non supportano attualmente la generazione dello schema, ma verranno rilasciati nelle versioni successive.
Richiamare un modello di Azure Machine Learning in Power Query
È possibile richiamare qualsiasi modello di Azure Machine Learning a cui è stato concesso l'accesso, direttamente dal editor di Power Query. Per accedere ai modelli di Azure Machine Learning, selezionare il pulsante Azure Machine Learning nella barra multifunzione Home o Aggiungi colonna nella editor di Power Query.
Tutti i modelli di Azure Machine Learning a cui si ha accesso sono elencati qui come funzioni di Power Query. Inoltre, i parametri di input per il modello di Azure Machine Learning vengono mappati automaticamente come parametri della funzione di Power Query corrispondente.
Per richiamare un modello di Azure Machine Learning, è possibile specificare una delle colonne dell'entità selezionata come input dall'elenco a discesa. È anche possibile specificare un valore costante da utilizzare come input attivando o disattivando l'icona della colonna a sinistra della finestra di dialogo di input.
Selezionare OK per visualizzare l'anteprima dell'output del modello di Azure Machine Learning come nuova colonna nella tabella di entità. La chiamata al modello viene visualizzata come passaggio applicato per la query.
Se il modello restituisce più parametri di output, vengono raggruppati come record nella colonna di output. È possibile espandere la colonna per produrre singoli parametri di output in colonne separate.
Considerazioni e limitazioni di Azure Machine Learning
Le considerazioni e le limitazioni seguenti si applicano ad Azure Machine Learning in Power BI Desktop.
- I modelli creati con l'interfaccia visiva di Azure Machine Learning non supportano attualmente la generazione dello schema. Il supporto è previsto nelle versioni successive.
- L'aggiornamento incrementale è supportato, ma può causare problemi di prestazioni quando vengono usati nelle query con informazioni dettagliate sull'intelligenza artificiale.
- Direct Query non è supportato.
- Gli utenti con una licenza Premium per utente (PPU) non possono usare Informazioni dettagliate sull'intelligenza artificiale da Power BI Desktop; è necessario usare una licenza non PPU Premium con la corrispondente capacità Premium. È comunque possibile usare Informazioni dettagliate sull'intelligenza artificiale con una licenza PPU il servizio Power BI.
Contenuto correlato
Questo articolo offre una panoramica dell'integrazione di Machine Learning in Power BI Desktop. Gli articoli seguenti potrebbero anche essere interessanti e utili.
Commenti e suggerimenti
Presto disponibile: Nel corso del 2024 verranno gradualmente disattivati i problemi di GitHub come meccanismo di feedback per il contenuto e ciò verrà sostituito con un nuovo sistema di feedback. Per altre informazioni, vedere https://aka.ms/ContentUserFeedback.
Invia e visualizza il feedback per