Microsoft Fabric의 데이터 에이전트는 생성형 AI를 사용하여 자체 대화형 Q&A 시스템을 빌드할 수 있는 새로운 Microsoft Fabric 기능입니다. Fabric 데이터 에이전트는 조직의 모든 구성원이 데이터 인사이트를 더 쉽게 액세스하고 실행할 수 있도록 합니다. Fabric 데이터 에이전트를 사용하면 사용자의 팀은 조직이 Fabric OneLake에 저장한 데이터에 대해 영어로 된 질문을 통해 대화를 나누고 관련 답변을 받을 수 있습니다. 이렇게 하면 AI에 대한 기술 전문 지식이나 데이터 구조에 대한 깊은 이해가 없는 사람도 정확하고 컨텍스트가 풍부한 답변을 받을 수 있습니다.
Fabric 데이터 에이전트를 미세 조정하기 위해 조직별 지침, 사례 및 지침을 추가할 수도 있습니다. 이렇게 하면 응답이 조직의 요구 사항 및 목표에 맞게 조정되므로 모든 사용자가 데이터를 보다 효과적으로 사용할 수 있습니다. Fabric 데이터 에이전트는 인사이트에 대한 접근성 장벽을 낮추고 협업을 용이하게 하며 조직이 데이터에서 더 많은 가치를 추출하도록 도와 데이터 중심 의사 결정 문화권을 육성합니다.
중요합니다
이 기능은 프리뷰로 제공됩니다.
필수 조건
- 유료 Fabric F2 이상의 용량 리소스
- Fabric 데이터 에이전트 테넌트 설정이 활성화되었습니다.
- Copilot 테넌트 스위치가 활성화되었습니다.
- 인공지능의 지역 간 처리가 활성화되었습니다.
- AI의 지리 간 저장이 활성화되었습니다.
- 다음 중 하나 이상: 웨어하우스, 레이크하우스, 하나 이상의 Power BI 의미 체계 모델 또는 데이터가 포함된 KQL 데이터베이스.
- XMLA 엔드포인트 테넌트 전환을 통한 Power BI 시맨틱 모델이 Power BI 시맨틱 모델 데이터 소스에 대해 활성화되었습니다.
Fabric 데이터 에이전트의 작동 방식
Fabric 데이터 에이전트는 LLM(대규모 언어 모델)을 사용하여 사용자가 데이터와 자연스럽게 상호 작용할 수 있도록 돕습니다. Fabric 데이터 에이전트는 Azure OpenAI 도우미 API를 적용하며 에이전트처럼 작동합니다. 사용자 질문을 처리하고, 가장 관련성이 큰 데이터 원본(Lakehouse, Warehouse, Power BI 데이터 세트, KQL 데이터베이스)을 결정하고, 적절한 도구를 호출하여 쿼리를 생성, 유효성 검사 및 실행합니다. 그런 다음 사용자는 일반 언어로 질문을 하고 사람이 읽을 수 있는 구조화된 답변을 받을 수 있으므로 복잡한 쿼리를 작성할 필요가 없으며 정확하고 안전한 데이터 액세스가 보장됩니다.
자세한 방법은 다음과 같습니다.
질문 구문 분석 및 유효성 검사: Fabric 데이터 에이전트는 Azure OpenAI 도우미 API를 기본 에이전트로 적용하여 사용자 질문을 처리합니다. 이 접근 방식은 질문이 보안 프로토콜, 책임 있는 AI(RAI) 정책 및 사용자 권한을 준수하도록 합니다. Fabric 데이터 에이전트는 읽기 전용 액세스를 엄격하게 적용하여 모든 데이터 원본에 대한 읽기 전용 데이터 연결을 유지합니다.
데이터 원본 식별: Fabric 데이터 에이전트는 사용자의 자격 증명을 사용하여 데이터 원본의 스키마에 액세스합니다. 이렇게 하면 시스템에서 사용자가 볼 수 있는 권한이 있는 데이터 구조 정보를 가져옵니다. 그런 다음 관계형 데이터베이스(Lakehouse 및 Warehouse), Power BI 데이터 세트(의미 체계 모델) 및 KQL 데이터베이스를 포함하여 사용 가능한 모든 데이터 원본에 대해 사용자의 질문을 평가합니다. 가장 관련성 있는 데이터 원본을 결정하기 위해 사용자가 제공한 데이터 에이전트 지침을 참조할 수도 있습니다.
도구 호출 및 쿼리 생성: 올바른 데이터 원본이 식별되면 Fabric 데이터 에이전트는 명확성과 구조를 위해 질문을 다시 표현한 다음 해당 도구를 호출하여 구조화된 쿼리를 생성합니다.
- 관계형 데이터베이스(Lakehouse/Warehouse)의 경우 NL2SQL(자연어에서 SQL로)
- Power BI 데이터 세트(의미 체계 모델)용 DAX(NL2DAX)에 대한 자연어입니다.
- KQL 데이터베이스를 위한 자연어에서 KQL로의 변환.
선택된 도구는 제공된 스키마, 메타데이터 및 컨텍스트를 기반으로 쿼리를 생성하고, Fabric 데이터 에이전트가 이를 전달합니다.
쿼리 유효성 검사: 도구는 쿼리가 올바르게 구성되고 자체 보안 프로토콜 및 RAI 정책을 준수하는지 확인하기 위해 유효성 검사를 수행합니다.
쿼리 실행 및 응답: 유효성 검사가 완료되면 Fabric 데이터 에이전트가 선택한 데이터 원본에 대해 쿼리를 실행합니다. 결과는 테이블, 요약 또는 주요 인사이트와 같은 구조화된 데이터를 포함할 수 있는 사람이 읽을 수 있는 응답으로 형식이 지정됩니다.
이러한 방식을 사용하면 사용자는 자연어를 사용하여 데이터와 상호 작용할 수 있으며 Fabric 데이터 에이전트는 사용자가 SQL, DAX 또는 KQL을 직접 작성할 필요 없이 쿼리 생성, 유효성 검사 및 실행의 복잡한 작업을 모두 처리할 수 있습니다.
Fabric 데이터 에이전트 구성
Fabric 데이터 에이전트를 구성하는 것은 Power BI 보고서를 작성하는 것과 비슷합니다. 먼저 요구 사항을 충족하도록 보고서를 설계하고 수정한 다음, 보고서를 게시하여 동료와 공유하여 동료가 데이터와 상호 작용할 수 있도록 합니다. Fabric 데이터 에이전트를 설정하는 데는 다음이 포함됩니다.
데이터 원본 선택: Fabric 데이터 에이전트는 레이크하우스, 웨어하우스, KQL 데이터베이스, Power BI 의미 체계 모델을 포함하여 최대 5개의 데이터 원본을 어떤 조합으로든 지원합니다. 예를 들어, 구성된 Fabric 데이터 에이전트에는 5개의 Power BI 의미 체계 모델이 포함될 수 있습니다. 여기에는 Power BI 의미 체계 모델 2개, 레이크하우스 1개, KQL 데이터베이스 1개가 혼합되어 있을 수 있습니다. 사용 가능한 옵션이 많이 있습니다.
관련 테이블 선택: 데이터 원본을 선택한 후에는 하나씩 추가하고, Fabric 데이터 에이전트가 사용할 각 원본의 특정 테이블을 정의해야 합니다. 이 단계에서는 Fabric 데이터 에이전트가 관련 데이터에만 집중하여 정확한 결과를 검색하도록 보장합니다.
컨텍스트 추가: Fabric 데이터 에이전트의 정확도를 개선하려면 Fabric 데이터 에이전트 지침과 쿼리 예를 통해 더 많은 컨텍스트를 제공할 수 있습니다. 컨텍스트는 Fabric 데이터 에이전트의 기본 에이전트로서, Azure OpenAI 도우미 API가 사용자 질문을 처리하는 방법에 대해 보다 합리적 결정을 내리고, 이에 가장 적합한 데이터 원본은 어떤 것인지 판단하는 데 도움이 됩니다.
데이터 에이전트 지침: Fabric 데이터 에이전트의 기반이 되는 에이전트가 특정 형식의 질문에 답하는 데 가장 적합한 데이터 원본을 결정하도록 안내하는 지침을 추가할 수 있습니다. 조직 용어 또는 특정 요구 사항을 명확히 하는 사용자 지정 규칙 또는 정의를 제공할 수도 있습니다. 이러한 지침은 에이전트가 데이터 원본을 선택하고 쿼리하는 방법에 영향을 주는 더 많은 컨텍스트 또는 기본 설정을 제공할 수 있습니다.
- 재무 지표에 대한 직접적인 질문은 Power BI 의미 체계 모델로 보내세요.
- 원시 데이터 탐색 관련된 쿼리를 lakehouse에 할당합니다.
- 로그 분석 필요한 질문을 KQL 데이터베이스로 라우팅합니다.
쿼리 예: Fabric 데이터 에이전트가 일반적인 쿼리에 어떻게 응답해야 하는지 보여 주기 위해 샘플 질문-쿼리 쌍을 추가할 수 있습니다. 이러한 예제는 에이전트에 대한 가이드 역할을 하므로 유사한 질문을 해석하고 정확한 응답을 생성하는 방법을 이해하는 데 도움이 됩니다.
비고
샘플 쿼리/질문 쌍 추가는 현재 Power BI 의미 체계 모델 데이터 원본에 대해 지원되지 않습니다.
명확한 AI 지침과 관련 예제 쿼리를 결합하여 패브릭 데이터 에이전트를 조직의 데이터 요구 사항에 더 잘 맞출 수 있으므로 보다 정확하고 컨텍스트 인식 응답이 보장됩니다.
Fabric 데이터 에이전트와 Copilot의 차이점
Fabric 데이터 에이전트와 Fabric Copilot은 모두 생성형 AI를 사용하여 데이터를 처리하고 추론하지만 기능과 사용 사례에는 주요 차이점이 있습니다.
구성 유연성: Fabric 데이터 에이전트는 매우 구성 가능합니다. 사용자 지정 지침 및 예제를 제공하여 특정 시나리오에 맞게 동작을 조정할 수 있습니다. 반면에 패브릭 조력 도구들은 미리 구성되어 있으며 이러한 수준의 사용자 지정을 제공하지 않습니다.
범위 및 사용 사례: 패브릭 코파일럿은 Notebook 코드 또는 웨어하우스 쿼리 생성과 같은 작업을 Microsoft Fabric 내에서 지원하도록 설계되었습니다. 반면에 Fabric 데이터 에이전트는 독립형 아티팩트입니다. Fabric 데이터 에이전트를 더 광범위한 사용 사례에 맞게 더욱 다재다능하게 만들기 위해 Microsoft Copilot Studio, Azure AI 파운드리, Microsoft Teams 또는 Fabric 외부의 다른 도구와 같은 외부 시스템과 통합할 수 있습니다.
Fabric 데이터 에이전트 평가
Fabric 데이터 에이전트 응답의 품질과 안전성은 엄격한 평가를 거쳤습니다.
벤치마크 테스트: 제품 팀은 다양한 공용 및 프라이빗 데이터 세트에서 Fabric 데이터 에이전트를 테스트하여 고품질의 정확한 응답을 보장했습니다.
강화된 피해 완화: Fabric 데이터 에이전트 출력이 선택한 데이터 원본의 컨텍스트에 집중되도록 보장하는 보호 장치가 더 많이 마련되어 있어 관련성이 없거나 오해의 소지가 있는 답변의 위험을 줄일 수 있습니다.
제한점
Fabric 데이터 에이전트는 현재 공개 미리 보기 단계에 있으며 제한 사항이 있습니다. 시간이 지남에 따라 업데이트를 통해 Fabric 데이터 에이전트가 개선될 것입니다.
- Fabric 데이터 에이전트는 SQL/DAX/KQL "읽기" 쿼리만 생성합니다. 데이터를 생성, 업데이트 또는 삭제하는 SQL/DAX/KQL 쿼리는 생성되지 않습니다.
- 패브릭 데이터 에이전트는 구조화되지 않은 데이터(.pdf, .docx또는 .txt)를 지원하지 않습니다. Fabric 데이터 에이전트를 사용하여 구조화되지 않은 데이터 리소스에 액세스할 수 없습니다. 예를 들어 이러한 리소스에는 .pdf, .docx 또는 .txt 파일이 포함됩니다.
- Fabric 데이터 에이전트는 현재 영어 이외의 언어를 지원하지 않습니다. 최적의 성능을 위해 영어로 질문, 지침 및 예제 쿼리를 제공하세요.
- Fabric 데이터 에이전트가 사용하는 LLM을 변경할 수 없습니다.