Microsoft Fabric 데이터 에이전트는 생성 AI를 활용하여 사용자 고유의 대화형 Q&A 시스템을 구축할 수 있는 일반 공급 기능입니다. Fabric 데이터 에이전트를 사용하면 조직의 모든 사용자가 데이터 인사이트에 더 쉽게 접근하고 이를 실행에 옮길 수 있습니다. 팀은 Fabric 데이터 에이전트를 사용하여 조직에서 Fabric OneLake에 저장한 데이터에 대해 일반 영어 질문과 대화를 나눈 다음 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. Microsoft Fabric 광범위한 에이전트 애플리케이션 아키텍처 내에서 데이터 에이전트는 대화형 분석 구성 요소 역할을 하며, 다중 에이전트 솔루션의 레이크하우스, 웨어하우스, 의미 체계 모델 및 KQL 데이터베이스를 통해 OneLake의 관리되는 데이터에 연결합니다.
조직별 지침, 예제 및 지침을 추가하여 Fabric 데이터 에이전트를 미세 조정할 수도 있습니다. 이 방법을 사용하면 응답이 조직의 요구 사항 및 목표에 맞게 조정되므로 모든 사용자가 데이터를 보다 효과적으로 사용할 수 있습니다. Fabric 데이터 에이전트는 인사이트 접근성에 대한 장벽을 낮추고 공동 작업을 용이하게 하며 조직이 데이터에서 더 많은 가치를 추출하는 데 도움이 되므로 데이터 기반 의사 결정의 문화를 조성합니다.
필수 조건
- F2 이상의 유료 Fabric 용량 또는 Power BI 프리미엄(P1 이상) 용량에 Microsoft Fabric이 활성화된 용량.
- 패브릭 데이터 에이전트 테넌트 설정에 설명된 요구 사항에 따라 AI에 대해 지역 간 처리 및 지역 간 저장을 사용하도록 설정합니다.
- 적어도 데이터가 있는 다음 데이터 원본 중 하나 이상: 웨어하우스, 레이크하우스, Power BI 의미 체계 모델, KQL 데이터베이스, 미러된 데이터베이스 또는 온톨로지. 데이터 원본에 대한 읽기 권한이 있어야 합니다.
거버넌스 필수 구성 요소
테넌트 또는 작업 영역이 Microsoft Purview 정책의 적용을 받는 경우 에이전트는 해당 정책 내에서 작동해야 합니다. 다음 Purview 정책은 민감도 및 정책 구성에 따라 에이전트 액세스 및 에이전트가 반환하는 결과를 제한할 수 있습니다.
- Fabric Data Warehouse의Purview DLP 정책(일반 공급): DLP 정책은 에이전트가 쿼리하는 웨어하우스 자산의 중요한 데이터에 대한 액세스를 감지하고 제한할 수 있습니다.
- Fabric KQL 데이터베이스, Fabric SQL Database 및 Fabric Data Warehouse 대한 Access 제한 정책(미리 보기): 이러한 정책은 에이전트가 중요한 것으로 분류된 자산의 결과에 액세스하거나 반환하지 못하도록 방지할 수 있습니다.
Fabric 데이터 에이전트의 작동 방식
Fabric 데이터 에이전트는 LLM(대규모 언어 모델)을 사용하여 사용자가 데이터를 자연스럽게 조작할 수 있도록 지원합니다. Fabric 데이터 에이전트는 Azure OpenAI Assistant API를 적용하고 에이전트처럼 동작합니다. 사용자 질문을 처리하고, 가장 관련성이 큰 데이터 원본(Lakehouse, Warehouse, Power BI 데이터 세트, KQL 데이터베이스, 온톨로지 또는 Microsoft Graph)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 있습니다. 이 방법은 복잡한 쿼리를 작성할 필요가 없으며 정확하고 안전한 데이터 액세스를 보장합니다.
자세한 방법은 다음과 같습니다.
Question 구문 분석 및 유효성 검사: Fabric 데이터 에이전트는 Azure OpenAI Assistant API를 기본 에이전트로 적용하여 사용자 질문을 처리합니다. 이 접근 방식은 질문이 보안 프로토콜, 책임 있는 AI(RAI) 정책 및 사용자 권한을 준수하도록 합니다. 또한 Fabric 데이터 에이전트는 DLP(데이터 손실 방지) 및 액세스 제한 정책을 포함하여 기본 Fabric 데이터 원본에 적용되는 Microsoft Purview 거버넌스 제어를 준수합니다. 정책 적용으로 인해 특정 쿼리가 실행되지 않거나 특정 데이터가 응답에 표시되지 않을 수 있습니다. Fabric 데이터 에이전트는 읽기 전용 액세스를 엄격하게 적용하여 모든 데이터 원본에 대한 읽기 전용 데이터 연결을 유지 관리합니다.
집행 메커니즘: Fabric 데이터 에이전트는 처리 중에 여러 보호 계층을 적용합니다. 요청 중인 사용자의 자격 증명 및 권한을 사용하여 최소 권한 액세스를 적용하여 각 상호 작용이 사용자에게 볼 권한이 있는 데이터에만 도달하도록 합니다. 에이전트는 작업을 실행하기 전에 테넌트 및 작업 영역 정책 설정에 대한 요청을 평가합니다. 가드레일은 도구 호출 및 출력을 범위가 지정된 데이터 원본으로 제한하여 쿼리가 구성된 범위 외부의 리소스에 도달하지 못하도록 합니다. 필요에 따라 Azure AI 콘텐츠 보안 통합하여 유해하거나 정책 외 응답을 줄이는 데 도움이 되는 콘텐츠 위험 제어를 적용할 수 있습니다.
데이터 원본 식별: Fabric 데이터 에이전트는 사용자의 자격 증명을 사용하여 데이터 원본의 스키마에 액세스합니다. 이 방법을 사용하면 시스템에서 사용자가 볼 수 있는 권한이 있는 데이터 구조 정보를 가져옵니다. 그런 다음 에이전트는 관계형 데이터베이스(Lakehouse 및 Warehouse), Power BI 데이터 세트(의미 체계 모델), KQL 데이터베이스, 온톨로지 및 Microsoft Graph 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. Power BI 의미 체계 모델의 경우 에이전트는 모델에 대한 사용자의 읽기 권한을 사용하여 쿼리 생성을 위한 스키마 및 메타데이터를 검색합니다. 에이전트 기반 쿼리에는 빌드 권한이 필요하지 않습니다.
구성 호출 및 쿼리 생성: 올바른 데이터 원본 또는 원본이 식별되면 Fabric 데이터 에이전트는 명확성 및 구조에 대한 질문을 다시 지정한 다음 해당 도구를 호출하여 구조화된 쿼리를 생성합니다.
- 관계형 데이터베이스(Lakehouse/Warehouse)의 경우 NL2SQL(자연어에서 SQL로)
- 자연어를 DAX(NL2DAX)로 변환하여 Power BI 데이터 세트(의미론적 모델)를 구성합니다.
- KQL 데이터베이스를 위한 자연어에서 KQL로의 변환. NL2KQL은 선택한 데이터베이스에서 사용할 수 있는 경우 KQL UDF(사용자 정의 함수)를 사용할 수 있습니다.
- Microsoft Graph는 조직 데이터를 쿼리합니다. Microsoft Graph를 통해 데이터에 액세스할 수 있습니다.
선택한 도구는 제공된 스키마, 메타데이터 및 Fabric 데이터 에이전트의 기반이 되는 에이전트가 전달하는 컨텍스트를 기반으로 쿼리를 생성합니다.
쿼리 유효성 검사: 이 도구는 쿼리가 올바르게 구성되고 자체 보안 프로토콜 및 RAI 정책을 준수하는지 확인하기 위해 유효성 검사를 수행합니다.
쿼리 실행 및 응답: 유효성이 검사되면 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.
이 방법을 사용하면 사용자는 자연어를 사용하여 데이터와 상호 작용할 수 있습니다. Fabric 데이터 에이전트는 쿼리 생성, 유효성 검사 및 실행의 복잡성을 처리합니다. 사용자는 SQL, DAX 또는 KQL을 직접 작성할 필요가 없습니다.
Microsoft Purview 사용하여 보안 및 거버넌스
Microsoft Purview Fabric 데이터 에이전트에 대한 거버넌스 및 위험 제어를 제공합니다. 이러한 기능은 현재 미리 보기로 제공되며, 에이전트를 사용하여 Fabric 데이터에 액세스할 때 조직이 규정 준수를 유지할 수 있도록 지원합니다. 주요 기능은 다음과 같습니다.
- Risk 검색 및 감사: Fabric 데이터 에이전트의 프롬프트 및 응답은 Purview 위험 검색 및 감사의 대상이 될 수 있으므로 보안 팀은 에이전트가 조직 데이터와 상호 작용하는 방식을 파악할 수 있습니다.
- DSPM 데이터 위험 평가: DSPM(데이터 보안 상태 관리) 데이터 위험 평가는 에이전트가 사용하는 데이터 원본에서 중요한 데이터 위험을 노출하여 잠재적 노출을 식별하고 해결하는 데 도움이 될 수 있습니다.
- 내부 위험 관리: Purview Insider Risk Management는 비정상적인 쿼리 볼륨 또는 중요한 데이터에 대한 액세스와 같은 에이전트와 관련된 위험한 AI 사용 패턴을 검색할 수 있습니다.
- 감사, eDiscovery 및 보존: Purview 감사, eDiscovery 및 보존 정책은 지원되는 Fabric 워크로드에서 에이전트의 상호작용 및 산출물에 적용됩니다. 비준수 사용 감지는 조직 정책을 위반하는 에이전트 활동에 플래그를 지정할 수도 있습니다.
Microsoft Purview와 Fabric의 통합 방법에 대한 자세한 내용은 Microsoft Purview를 사용하여 Microsoft Fabric을 관리하기를 참조하세요.
Fabric 데이터 에이전트 구성
Fabric 데이터 에이전트 구성은 Power BI 보고서를 작성하는 것과 비슷합니다. 먼저 요구 사항을 충족하도록 디자인하고 구체화한 다음 동료와 게시하고 공유하여 데이터와 상호 작용할 수 있습니다. Fabric 데이터 에이전트 설정에는 다음이 포함됩니다.
데이터 원본 선택: Fabric 데이터 에이전트는 레이크하우스, 웨어하우스, KQL 데이터베이스, Power BI 의미 체계 모델, 온톨로지 및 Microsoft Graph 포함하여 모든 조합에서 최대 5개의 데이터 원본을 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 사용: 데이터 원본을 선택한 후 한 번에 하나씩 추가하고 Fabric 데이터 에이전트에서 사용하는 각 원본의 특정 테이블을 정의합니다. 이 단계에서는 Fabric 데이터 에이전트가 관련 데이터에만 집중하여 정확한 결과를 검색하도록 합니다. 레이크하우스의 경우 이 단계는 레이크하우스 테이블(개별 레이크하우스 파일이 아님)을 선택하는 것을 의미합니다. 데이터가 파일(예: CSV 또는 JSON)으로 시작하는 경우 테이블에 수집하거나 테이블을 통해 노출하여 에이전트에서 사용할 수 있도록 합니다.
컨텍스트 추가: Fabric 데이터 에이전트 정확도를 향상하려면 Fabric 데이터 에이전트 지침 및 예제 쿼리를 통해 더 많은 컨텍스트를 제공합니다. Fabric 데이터 에이전트의 기본 에이전트인 컨텍스트는 Azure OpenAI Assistant API가 사용자 질문을 처리하는 방법에 대해 보다 합리적인 의사 결정을 내리고 답변에 가장 적합한 데이터 원본을 결정하는 데 도움이 됩니다.
데이터 에이전트 지침: 특정 유형의 질문에 대답하는 최상의 데이터 원본을 결정할 때 Fabric 데이터 에이전트의 기반이 되는 에이전트를 안내하는 지침을 추가합니다. 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. 예를 들어, 재무 지표에 대한 직접 질문을 Power BI 의미 체계 모델로, 원시 데이터 탐색과 관련된 쿼리를 lakehouse에 할당하고, 로그 분석이 필요한 질문을 KQL 데이터베이스로 라우팅합니다.
예제 쿼리: Fabric 데이터 에이전트가 일반적인 쿼리에 어떻게 응답해야 하는지 설명하기 위해 샘플 질문-쿼리 쌍을 추가합니다. 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 Fabric 데이터 에이전트를 조직의 데이터 요구 사항에 더 잘 맞출 수 있으므로 보다 정확하고 컨텍스트 인식 응답이 보장됩니다.
중요합니다
개발자가 제공한 데이터 에이전트 지침 및 예제 쿼리는 조직 및 역할 기반 제약 조건 내에서 작동해야 합니다. 지침 또는 프롬프트가 정책과 충돌하는 경우(예: 읽기 전용 동작을 우회하거나 범위를 벗어난 원본에 액세스하려고 시도) 에이전트는 다음 섹션에 설명된 선행 모델에 따라 요청을 거부하거나 리디렉션합니다.
거버넌스 및 의도 계층
Fabric 데이터 에이전트를 구성할 때 여러 의도 계층이 에이전트의 동작 방식에 영향을 줄 수 있습니다. 가장 높은 우선 순위에서 가장 낮은 우선 순위로 나열된 이러한 계층은 에이전트가 수행할 수 있는 작업을 정의합니다.
- 조직 의도: 조직의 관리자가 설정한 테넌트 전체 정책 및 규정 준수 요구 사항입니다. 이러한 제약 조건은 우선 순위가 가장 높으며 다른 계층에서 재정의할 수 없습니다.
- 역할 기반 의도: 특정 역할 또는 그룹에 적용되는 작업 영역 거버넌스 설정 및 권한 경계입니다. 이러한 설정은 액세스 제어 및 데이터 범위 제한을 적용합니다.
- 개발자 의도: 데이터 에이전트를 빌드할 때 제공하는 사용자 지정 지침, 예제 쿼리 및 데이터 원본 구성입니다.
- 사용자 의도: 에이전트와 대화하는 동안 최종 사용자가 제출하는 질문 및 프롬프트입니다.
레이어 간에 충돌이 발생하면 우선 순위가 높은 계층이 하위 계층을 재정의합니다. 예를 들어 조직 정책 및 작업 영역 거버넌스 설정은 항상 개발자 지침 및 사용자 프롬프트를 재정의합니다. 이 우선 순위 모델은 에이전트가 구성되거나 메시지가 표시되는 방식에 관계없이 승인된 경계 내에서 작동하도록 합니다.
Fabric 데이터 에이전트와 부조종사 간의 차이점
Fabric 데이터 에이전트와 Fabric 부조종사는 모두 생성 AI를 사용하여 데이터를 처리하고 추론하지만 기능과 사용 사례에는 주요 차이점이 있습니다.
구성 유연성: Fabric 데이터 에이전트를 고도로 구성할 수 있습니다. 사용자 지정 지침 및 예제를 제공하여 특정 시나리오에 맞게 동작을 조정할 수 있습니다. 반면에 Fabric 부조종사들은 미리 구성되어 있으며 이 수준의 사용자 지정을 제공하지 않습니다.
범위 및 사용 사례: Fabric 부조종사에서는 Notebook 코드 또는 웨어하우스 쿼리 생성과 같은 Microsoft Fabric 내 작업을 지원합니다. 반면 Fabric 데이터 에이전트는 OneLake 및 의미 체계 모델에서 데이터를 쿼리할 수 있는 독립 실행형 구성 가능한 아티팩트입니다. Fabric 데이터 에이전트는 Microsoft 365 Copilot 통합하여 Microsoft 365 앱 내에서 직접 자연어 인사이트를 표시할 수도 있습니다. Microsoft 365 Copilot 통해 에이전트에 액세스하는 경우 Microsoft Purview 거버넌스 정책이 여전히 기본 데이터 원본에 적용됩니다. 또한 Fabric 데이터 에이전트는 Microsoft Copilot Studio, Azure AI Foundry, Microsoft Teams 또는 Fabric 외부의 다른 도구와 같은 외부 시스템과 연결할 수 있습니다. 외부 오케스트레이터 및 다중 에이전트 런타임은 엔드 투 엔드 에이전트 워크플로를 지원하기 위해 Fabric 데이터 에이전트를 호출할 수 있으며, 데이터 에이전트는 읽기 전용의 제어되는 데이터 액세스에 계속 초점을 맞췄습니다.
Fabric 데이터 에이전트 평가
제품 팀은 Fabric 데이터 에이전트 응답의 품질과 안전을 엄격하게 평가했습니다.
벤치마크 테스트: 제품 팀은 다양한 퍼블릭 및 프라이빗 데이터 세트에 Fabric 데이터 에이전트를 테스트하여 고품질의 정확한 응답을 보장했습니다.
Enhanced Harm Mitigations: 제품 팀은 Fabric 데이터 에이전트 출력이 선택한 데이터 원본의 컨텍스트에 집중하도록 보호 장치를 구현하여 관련이 없거나 오해의 소지가 있는 답변의 위험을 줄입니다.
거버넌스 및 보안
Microsoft Purview 통합은 Fabric 데이터 에이전트에 대한 거버넌스 제어를 제공합니다. 데이터 에이전트를 구성할 때 Purview 거버넌스 정책은 에이전트가 액세스할 수 있는 기본 데이터 원본에 적용됩니다. 이 통합은 에이전트를 통한 데이터 액세스가 직접 액세스와 동일한 규정 준수 및 분류 규칙을 따르는 데 도움이 됩니다.
Microsoft Purview 정책: 데이터 액세스 제어 및 민감도 레이블과 같은 Purview 정책은 에이전트가 쿼리하는 데이터 원본에 적용됩니다. Purview 정책이 레이크하우스 또는 웨어하우스에 대한 액세스를 제한하는 경우 에이전트는 사용자 쿼리를 처리할 때 해당 제한을 적용합니다.
아웃바운드 액세스 보호: 패브릭 데이터 에이전트는 작업 영역 아웃바운드 액세스 보호 경계 내에서 작동합니다. 작업 영역 관리자는 작업 영역 설정을 통해 허용된 아웃바운드 연결을 관리하여 데이터 에이전트가 연결할 수 있는 외부 엔드포인트를 제어할 수 있습니다.
Microsoft 365 Copilot 통합: Microsoft 365 Copilot 통해 Fabric 데이터 에이전트가 표시되면 Purview 거버넌스 정책이 계속 적용됩니다. 사용자는 진입점에 관계없이 자격 증명 및 Purview 정책에서 허용하는 데이터에만 액세스할 수 있습니다.
데이터 에이전트용 ALM 및 DevOps
Fabric 데이터 에이전트는 개발, 테스트 및 프로덕션 환경에서 에이전트 구성을 관리하는 데 도움이 되는 ALM(애플리케이션 수명 주기 관리) 기능을 지원합니다.
진단: 기본 제공 진단을 사용하여 에이전트 동작을 모니터링하고, 쿼리 생성 문제를 식별하고, 응답 품질을 해결합니다. 진단은 에이전트가 질문을 처리하고 데이터 원본을 선택하는 방법에 대한 가시성을 제공합니다.
Git 통합: Git 통합을 사용하여 에이전트 구성을 버전 제어할 수 있습니다. Fabric 작업 영역을 Git 리포지토리에 연결하여 시간이 지남에 따라 에이전트 지침, 예제 쿼리 및 데이터 원본 선택에 대한 변경 내용을 추적합니다.
배포 파이프라인: Fabric 배포 파이프라인을 사용하여 작업 영역 간에 데이터 에이전트를 승격합니다(예: 개발에서 프로덕션으로). 이 지원을 통해 최종 사용자가 사용할 수 있도록 하기 전에 스테이징 환경에서 변경 내용을 테스트할 수 있습니다.
운영 감독
지속적인 품질 및 정책 조정을 유지하려면 Fabric 데이터 에이전트에 대해 다음과 같은 운영 사례를 고려합니다.
- 로깅 및 감사: 사용 가능한 로깅 및 감사 기능을 통해 에이전트 상호 작용을 모니터링합니다. 쿼리 패턴 및 응답 품질을 검토하면 예기치 않은 동작을 조기에 식별하는 데 도움이 됩니다.
- 휴먼 인 더 루프 에스컬레이션: 중요하거나 영향력이 높은 요청에 대한 에스컬레이션 경로를 설정합니다. 자동화된 응답이 충분하지 않은 시나리오의 경우 자격을 갖춘 검토자에게 질문을 라우팅하는 프로세스를 정의합니다.
- 주기적 검토: 데이터 에이전트 지침 및 예제 쿼리를 정기적으로 검토하여 현재 조직 정책 및 데이터 구조에 맞게 유지되는지 확인합니다. 데이터 원본 또는 비즈니스 요구 사항이 변경되면 그에 따라 에이전트 구성을 업데이트합니다.
제한점
- Fabric 데이터 에이전트는 SQL, DAX 및 KQL "읽기" 쿼리만 생성합니다. 데이터를 생성, 업데이트 또는 삭제하는 SQL, DAX 또는 KQL 쿼리는 생성되지 않습니다.
- Fabric 데이터 에이전트는 .pdf, .docx또는 .txt 파일과 같은 구조화되지 않은 데이터를 지원하지 않습니다. Fabric 데이터 에이전트를 사용하여 구조화되지 않은 데이터 리소스에 액세스할 수 없습니다.
- lakehouse 데이터 원본의 경우 Fabric 데이터 에이전트는 선택한 lakehouse 테이블을 사용하여 질문에 답변합니다. 테이블로 수집되거나 노출되지 않는 한 독립 실행형 레이크하우스 파일(예: CSV 또는 JSON 파일)을 직접 읽지 않습니다.
- Fabric 데이터 에이전트는 현재 영어 이외의 언어를 지원하지 않습니다. 최적의 성능을 위해 영어로 질문, 지침 및 예제 쿼리를 제공합니다.
- Fabric 데이터 에이전트에서 사용하는 LLM은 변경할 수 없습니다.
- Fabric 데이터 에이전트의 대화 기록이 항상 유지되지는 않을 수 있습니다. 백 엔드 인프라 변경, 서비스 업데이트 또는 모델 업그레이드와 같은 특정 경우에는 과거 대화 기록이 다시 설정되거나 손실될 수 있습니다.
- 데이터 원본의 작업 영역 용량이 데이터 에이전트의 작업 영역 용량과 다른 지역에 있는 경우 Fabric 데이터 에이전트는 쿼리를 실행할 수 없습니다. 예를 들어, 데이터 에이전트의 용량이 프랑스 중부에 있는 경우, 북유럽에 용량을 가진 레이크하우스가 작동하지 않습니다.
- 사용자는 데이터 에이전트에서 데이터 원본당 최대 100개의 예제 쿼리를 제공할 수 있습니다.
- Fabric 데이터 에이전트는 현재 전체 데이터 세트를 반환하는 대신 대화형 인사이트를 위해 설계되었습니다. 간결하고 성능이 좋은 응답을 보장하기 위해 채팅 출력은 반환된 데이터를 자동으로 제한 및/또는 요약합니다. 현재 응답은 최대 25개의 행과 25개의 열로 제한됩니다. 이전 채팅 기록은 후속 응답에 영향을 줄 수 있습니다. 예를 들어 "올해 모든 행 표시"를 요청하는 경우 에이전트는 최대 25개의 행을 반환합니다. 그러면 이미 제한된 이 컨텍스트에 따라 후속 질문에 답변할 수 있으며 결과에 영향을 줄 수 있습니다. 이러한 경우 새 채팅 세션을 시작하는 것이 좋습니다.
- Microsoft Purview DLP 또는 액세스 제한 정책이 기본 데이터 원본에 적용되는 경우 에이전트 응답이 잘리거나 차단될 수 있습니다. 특정 동작은 조직의 정책 구성에 따라 달라집니다.
- Purview 정책에 의해 중요한 것으로 표시된 자산은 에이전트에 액세스할 수 없으므로 불완전한 답변 또는 특정 데이터 원본을 쿼리할 수 없게 될 수 있습니다.
- 에이전트 상호 작용은 Microsoft Purview 감사 및 eDiscovery를 통해 기록되고 검색할 수 있습니다. 조직은 중요한 워크로드에 대한 에이전트를 배포할 때 이러한 거버넌스 제어를 고려해야 합니다.
- 데이터 에이전트를 통해 Power BI 의미 체계 모델에 대한 액세스는 모델에 대한 읽기 권한으로 제어되며 작업 영역 수준 액세스가 필요하지 않습니다. Row-Level 보안(RLS) 및 CLS(Column-Level Security)는 여전히 적용됩니다.