Del via

Opprette en fabric-dataagent (forhåndsversjon)

Med en dataagent i Microsoft Fabric kan du opprette diskusjonsopplevelser for kunstig intelligens som svarer på spørsmål om data som er lagret i lakehouses, varehus, Semantiske Modeller for Power BI og KQL-databaser i Fabric. Kollegene dine kan stille spørsmål på vanlig engelsk og motta datadrevne svar, selv om de ikke er AI-eksperter eller dypt kjent med dataene.

Important

Denne funksjonen er i forhåndsvisning.

Prerequisites

Autentisering og tokens

Du trenger ikke å opprette eller oppgi en Azure OpenAI-nøkkel eller et tilgangstoken for å bruke en Fabric-dataagent. Fabric bruker en Microsoft-administrert Azure OpenAI Assistant og håndterer godkjenning for deg.

  • Datatilgang kjører under Microsoft Entra ID-brukeridentiteten og arbeidsområde-/datatillatelsene. Agenten leser skjemaer og kjører SQL/DAX/KQL bare hvis du har tilgang.
  • Hvis du vil legge til en semantisk modell for Power BI som en datakilde, må du ha lesetillatelse på denne modellen (skriving er ikke nødvendig). Lesetilgang er også tilstrekkelig for å stille spørsmål mot kilder du har tilgang til. Hvis du vil ha mer informasjon om tillatelser for semantiske modeller, kan du se Sikkerhet for datasett og semantiske modeller.
  • Hvis organisasjonen bruker en Power BI Premium kapasitet per kapasitet (P1 eller høyere) i stedet for en F SKU, må du kontrollere at Microsoft Fabric er aktivert på denne kapasiteten.
  • Tjenestekontohavere og API-tokener kreves ikke for chatopplevelsen i produktet. Automatisering med tjenestekontohavere er et eget scenario og dekkes ikke her.

Ende-til-ende-flyt for oppretting og bruk av Fabric-dataagenter

Denne delen beskriver de viktigste trinnene for å opprette, validere og dele en fabric-dataagent i Fabric, noe som gjør den tilgjengelig for forbruk.

Prosessen er enkel, og du kan begynne å teste fabric data agent ressurser i løpet av minutter.

Opprett en ny fabric-dataagent

Hvis du vil opprette en ny fabric-dataagent, går du først til arbeidsområdet og velger deretter + Nytt element-knappen. Søk etter fabric-dataagenten i kategorien Alle elementer for å finne det riktige alternativet, som vist i dette skjermbildet:

Skjermbilde som viser oppretting av en fabric-dataagent.

Når du er valgt, blir du bedt om å oppgi et navn for Fabric-dataagenten, som vist i dette skjermbildet:

Skjermbilde som viser hvordan du angir navn for Fabric-dataagenten.

Se det angitte skjermbildet for en visuell veiledning om navngivning av fabric-dataagenten. Når du har angitt navnet, fortsetter du med konfigurasjonen for å justere fabric-dataagenten med dine spesifikke krav.

Velg dataene dine

Når du har opprettet en Fabric-dataagent, kan du legge til opptil fem datakilder – inkludert innsjøhus, lagre, semantiske Power BI-modeller og KQL-databaser – i en hvilken som helst kombinasjon (opptil fem totalt). Du kan for eksempel legge til fem semantiske Power BI-modeller, eller to semantiske Power BI-modeller, én lakehouse og én KQL-database.

Når du oppretter en Fabric-dataagent for første gang og oppgir et navn, vises OneLake-katalogen automatisk, slik at du kan legge til datakilder. Hvis du vil legge til en datakilde, velger du den fra katalogen som vist på neste skjermbilde, og deretter velger du Legg til. Hver datakilde må legges til enkeltvis. Du kan for eksempel legge til et innsjøhus, velge Legg til og deretter fortsette å legge til en annen datakilde. Hvis du vil filtrere datakildetypene, velger du filterikonet og velger ønsket type. Du kan bare vise datakildene for den valgte typen, noe som gjør det enklere å finne og koble til de aktuelle kildene for Fabric-dataagenten.

Når du har lagt til datakilden, fylles Utforskeren i den venstre ruten på Strukturdataagent-siden ut med de tilgjengelige tabellene i hver valgte datakilde, der du kan bruke avmerkingsboksene til å gjøre tabeller tilgjengelige eller utilgjengelige for kunstig intelligens, som vist i følgende skjermbilde:

Skjermbilde som viser hvordan du legger til datakilder.

Note

Du trenger bare lesetillatelse for å legge til en semantisk modell for Power BI som datakilde. Skrivetillatelse er ikke nødvendig fordi Fabric-dataagenten utsteder skrivebeskyttede spørringer.

Hvis du vil ha etterfølgende tillegg av datakilder, går du til Utforsker i venstre rute på Strukturdataagent-siden, og velger + Datakilde, som vist i dette skjermbildet:

Skjermbilde som viser hvordan du legger til flere datakilder.

OneLake-katalogen åpnes på nytt, og du kan sømløst legge til flere datakilder etter behov.

Tip

Pass på å bruke beskrivende navn for både tabeller og kolonner. En tabell med navnet SalesData er mer meningsfylt enn TableA, og kolonnenavn som ActiveCustomer eller IsCustomerActive er klarere enn C1 eller ActCu. Beskrivende navn hjelper AI med å generere mer nøyaktige og pålitelige spørringer.

Still spørsmål

Når du har lagt til datakildene og valgt de relevante tabellene for hver datakilde, kan du begynne å stille spørsmål. Systemet håndterer spørsmål som vist i dette skjermbildet:

Skjermbilde som viser et spørsmål for en fabric-dataagent.

Spørsmål som ligner på disse eksemplene, bør også fungere:

  • "Hva var vårt totale salg i California i 2023?"
  • «Hva er de fem beste produktene med de høyeste listeprisene, og hva er kategoriene deres?»
  • "Hva er de dyreste varene som aldri har blitt solgt?"

Spørsmål som dette er egnet fordi systemet kan oversette dem til strukturerte spørringer (T-SQL, DAX eller KQL), kjøre dem mot databaser og deretter returnere konkrete svar basert på lagrede data.

Spørsmål som disse er imidlertid utenfor omfanget:

  • "Hvorfor er fabrikkproduktiviteten lavere i 2. kvartal 2024?"
  • "Hva er årsaken til salgsøkningen?"

Disse spørsmålene er for øyeblikket utenfor omfanget fordi de krever komplisert resonnement, korrelasjonsanalyse eller eksterne faktorer som ikke er direkte tilgjengelige i databasen. Fabric-dataagenten utfører for øyeblikket ikke avansert analyse, maskinlæring eller årsakssammenheng. Den henter og behandler ganske enkelt strukturerte data basert på brukerens spørring.

Når du stiller et spørsmål, bruker Fabric-dataagenten Azure OpenAI Assistant API-en til å behandle forespørselen. Flyten fungerer på denne måten:

Skjematilgang med brukerlegitimasjon

Systemet bruker først legitimasjonen til brukeren for å få tilgang til skjemaet til datakilden (for eksempel lakehouse, warehouse, PBI semantic model eller KQL databaser). Dette sikrer at systemet henter datastrukturinformasjon som brukeren har tillatelse til å vise.

Konstruere ledeteksten

Hvis du vil tolke brukerens spørsmål, kombinerer systemet:

  1. Brukerspørring: Det naturlige språkspørsmålet fra brukeren.
  2. Skjemainformasjon: Metadata og strukturelle detaljer for datakilden som ble hentet i forrige trinn.
  3. Eksempler og instruksjoner: Eventuelle forhåndsdefinerte eksempler (for eksempel eksempel spørsmål og svar) eller spesifikke instruksjoner når du konfigurerer fabric-dataagenten. Disse eksemplene og instruksjonene bidrar til å begrense AI-ens forståelse av spørsmålet, og veilede hvordan KUNSTIG INTELLIGENS samhandler med dataene.

All denne informasjonen brukes til å konstruere en ledetekst. Denne ledeteksten fungerer som en inndata til Azure OpenAI Assistant API, som fungerer som en agent som ligger til grunn for Fabric-dataagenten. Dette instruerer i hovedsak Fabric-dataagenten om hvordan du behandler spørringen, og hvilken type svar som skal produseres.

Verktøyaktivering basert på spørringsbehov

Agenten analyserer den konstruerte ledeteksten, og bestemmer hvilket verktøy som skal aktiveres for å hente svaret:

  • Naturlig språk for SQL (NL2SQL): Brukes til å generere SQL-spørringer når dataene befinner seg i et lakehouse eller lager
  • Naturlig språk for DAX (NL2DAX): Brukes til å opprette DAX-spørringer for å samhandle med semantiske modeller i Power BI-datakilder
  • Naturlig språk til KQL (NL2KQL): Brukes til å konstruere KQL-spørringer for å spørre etter data i KQL-databaser

Det valgte verktøyet genererer en spørring ved hjelp av skjemaet, metadataene og konteksten som agenten underliggende fabric-dataagenten tilbyr. Deretter validerer verktøyet spørringen, for å sikre riktig formatering og samsvar med sikkerhetsprotokollene og sine egne policyer for ansvarlig kunstig intelligens (RAI).

Respons konstruksjon

Agenten som ligger til grunn for Fabric-dataagenten, utfører spørringen og sikrer at svaret er strukturert og formatert på riktig måte. Agenten inkluderer ofte ekstra kontekst for å gjøre svaret brukervennlig. Til slutt vises svaret til brukeren i et samtalegrensesnitt, som vist i følgende skjermbilde:

Skjermbilde som viser svaret på spørsmålet fra en fabric-dataagent.

Agenten presenterer både resultatet og de mellomliggende trinnene som det tok for å hente det endelige svaret. Denne tilnærmingen forbedrer gjennomsiktighet og tillater validering av disse trinnene, om nødvendig. Brukere kan utvide rullegardinlisten for trinnene for å vise alle trinnene Fabric-dataagenten tok for å hente svaret, som vist i følgende skjermbilde:

Skjermbilde som viser trinnene som er utført av en fabric-dataagent.

I tillegg gir Fabric-dataagenten den genererte koden som brukes til å spørre den tilsvarende datakilden, og gir ytterligere innsikt i hvordan svaret ble konstruert.

Disse spørringene er utformet utelukkende for spørring av data. Operasjoner som involverer dataoppretting, dataoppdateringer, dataslettinger, alle typer dataendringer, er ikke tillatt, for å beskytte integriteten til dataene.

Du kan når som helst velge Fjern chat-knappen for å tømme chatten, som vist i følgende skjermbilde:

Skjermbilde som uthever Funksjonen Fjern chat.

Funksjonen Fjern chat sletter all chatlogg og starter en ny økt. Når du sletter chatteloggen, kan du ikke hente den.

Endre datakilden

Hvis du vil fjerne en datakilde, holder du pekeren over datakildenavnet i Utforsker i den venstre ruten på Strukturdataagent-siden til menyen med tre prikker vises. Velg de tre prikkene for å vise alternativene, og velg deretter Fjern for å slette datakilden som vist i følgende skjermbilde:

Skjermbilde som viser hvordan du sletter eller oppdaterer datakilder.

Hvis datakilden er endret, kan du også velge Oppdater i samme meny, som vist i følgende skjermbilde:

Skjermbilde som viser hvordan du oppdaterer en datakilde.

Dette sikrer at eventuelle datakildeoppdateringer både gjenspeiles og fylles ut riktig i utforskeren for å holde Fabric-dataagenten synkronisert med de nyeste dataene.

Konfigurasjon av stoffdataagent

Fabric-dataagenten tilbyr flere konfigurasjonsalternativer som gjør det mulig for brukere å tilpasse virkemåten til Fabric-dataagenten, slik at de bedre samsvarer med behovene til organisasjonen. Etter hvert som Fabric-dataagenten behandler og presenterer data, gir disse konfigurasjonene fleksibilitet som muliggjør mer kontroll over resultatene.

Gi instruksjoner

Du kan gi spesifikke instruksjoner for å veilede AIs virkemåte. Hvis du vil legge dem til i ruten Instruksjoner for Fabric-dataagenten, velger du Instruksjoner for dataagent som vist i følgende skjermbilde:

Skjermbilde som viser valg av knappen Instruksjoner for dataagent.

Her kan du skrive opptil 15 000 tegn i vanlig engelskspråklig tekst for å lære AI-en om hvordan du håndterer spørringer.

Du kan for eksempel angi den nøyaktige datakilden som skal brukes for bestemte typer spørsmål. Eksempler på datakildevalg kan innebære å lede AI-en til bruk

  • Semantiske Power BI-modeller for økonomiske spørringer
  • et lakehouse for salgsdata
  • en KQL-database for operasjonelle måledata

Disse instruksjonene sikrer at AI genererer riktige spørringer, enten SQL, DAX eller KQL, basert på veiledningen din og konteksten til spørsmålene.

Hvis AI-ressursen konsekvent feiltolker bestemte ord, akronymer eller termer, kan du prøve å gi klare definisjoner i denne delen for å sikre at AI forstår og behandler dem riktig. Dette blir spesielt nyttig for domenespesifikk terminologi eller unik forretningssjargong.

Ved å skreddersy disse instruksjonene og definere termer, forbedrer du AI-ens evne til å levere nøyaktig og relevant innsikt, i full samsvar med datastrategien og forretningskravene dine.

Gi eksempelspørringer

Du kan forbedre svarnøyaktigheten ved å gi eksempelspørringer som er skreddersydd for hver støttede datakilde (lakehouse, lager, KQL-database). Denne tilnærmingen, kjent som læring med få skudd i generativ AI, hjelper til med å veilede Fabric-dataagenten til å generere svar som passer bedre til forventningene dine.

Når du gir AI-en eksempelspørring/spørsmålspar, refererer den til disse eksemplene når den svarer på fremtidige spørsmål. Samsvarende nye spørringer med de mest relevante eksemplene hjelper AI med å innlemme forretningsspesifikk logikk og svare effektivt på vanlige spørsmål. Denne funksjonaliteten muliggjør finjustering for individuelle datakilder, og sikrer generering av mer nøyaktige SQL- eller KQL-spørringer.

Power BI-semantiske modelldata støtter ikke å legge til eksempelspørring/spørsmålspar på dette tidspunktet. Men for støttede datakilder som lakehouse, warehouse og KQL-databaser, kan det å gi flere eksempler forbedre AI-ens evne til å generere nøyaktige spørringer betydelig når standard ytelse må justeres.

Tip

Et variert sett med eksempelspørringer forbedrer muligheten til en fabric-dataagent til å generere nøyaktige og relevante SQL/KQL-spørringer.

Hvis du vil legge til eller redigere eksempelspørringer, velger du Eksempelspørringer-knappen for å åpne eksempelspørringsruten, som vist i følgende skjermbilde:

Skjermbilde som viser hvor du kan redigere eksemplene du gir ai.

Denne ruten inneholder alternativer for å legge til eller redigere eksempelspørringer for alle støttede datakilder unntatt Semantiske Modeller for Power BI. For hver datakilde kan du velge Legg til eller rediger eksempelspørringer for å legge inn de relevante eksemplene, som vist i følgende skjermbilde:

Skjermbilde som viser SQL-eksemplene du gir ai.

Note

Fabric-dataagenten refererer bare til spørringer som inneholder gyldig SQL/KQL-syntaks, og som samsvarer med skjemaet for de valgte tabellene. Fabric-dataagenten bruker ikke spørringer som ikke har fullført valideringen. Kontroller at alle eksempelspørringer er gyldige og riktig justert med skjemaet for å sikre at fabric-dataagenten benytter dem effektivt.

Publiser og del en fabric-dataagent

Når du har testet ytelsen til Fabric-dataagenten på tvers av ulike spørsmål, og du har bekreftet at den genererer nøyaktige SQL-, DAX- eller KQL-spørringer, kan du dele den med kollegene dine. På dette tidspunktet velger du Publiser, som vist i følgende skjermbilde:

Skjermbilde som viser publisering av en fabric-dataagent.

Dette trinnet åpner et vindu som ber om en beskrivelse av Fabric-dataagenten. Her kan du gi en detaljert beskrivelse av hva Fabric-dataagenten gjør. Disse detaljene veileder kollegene dine om funksjonaliteten til Fabric-dataagenten, og hjelper andre AI-systemer/orchestratorer med å effektivt aktivere Fabric-dataagenten.

Når du har publisert fabric-dataagenten, har du to versjoner av den. Én versjon er den gjeldende kladdeversjonen, som du kan fortsette å finjustere og forbedre. Den andre versjonen er den publiserte versjonen, som du kan dele med kollegene dine som ønsker å spørre fabric-dataagenten for å få svar på spørsmålene deres. Du kan inkludere tilbakemeldinger fra kollegene dine i den gjeldende utkastversjonen etter hvert som du utvikler den, for å forbedre ytelsen til Fabric-dataagenten ytterligere.

Relatert innhold

  • Last updated on