Najlepsze rozwiązania dotyczące modelu semantycznego dla agenta danych

Agent danych Fabric umożliwia organizacjom tworzenie systemów konwersacyjnych przy użyciu generatywnej sztucznej inteligencji. Łącząc modele semantyczne usługi Power BI jako źródła danych, zespoły mogą zadawać pytania dotyczące języka naturalnego i otrzymywać dokładne, bogate w kontekst odpowiedzi bez konieczności pisania złożonych zapytań języka DAX lub SQL.

Jednak jakość odpowiedzi sztucznej inteligencji zależy w dużym stopniu od tego, jak dobrze przygotowujesz źródła danych. Chociaż agent danych Fabric obsługuje wiele typów źródeł danych, w tym lakehouse'ów, hurtowni danych, eventhouse'ów i ontologii, ten przewodnik koncentruje się specjalnie na modelach semantycznych usługi Power BI i przedstawia najlepsze praktyki konfigurowania ich w celu maksymalizacji dokładności i relewantności.

Jak działa agent danych Fabric

Agent danych używa architektury warstwowej, w której pytania użytkownika przepływają przez program Orchestrator. Program Orchestrator określa odpowiednie źródło danych i wywołuje wyspecjalizowane narzędzia, w tym narzędzie generowania języka DAX dla modeli semantycznych usługi Power BI w celu generowania, weryfikowania i wykonywania zapytań.

Przepływ przetwarzania zapytań

1. Analizowanie pytań: Agent przetwarza pytania użytkowników za pośrednictwem usługi Azure OpenAI, zapewniając zgodność z protokołami zabezpieczeń i uprawnieniami oraz przestrzegając zasad odpowiedzialnej sztucznej inteligencji firmy Microsoft.

2. Wybór źródła danych: System ocenia pytanie dotyczące dostępnych źródeł przy użyciu podanych informacji o schemacie i instrukcji sztucznej inteligencji.

3. Generowanie zapytań: W przypadku modeli semantycznych narzędzie generowania języka DAX generuje zapytania języka DAX na podstawie schematu, metadanych (synonimów, minimalnych i maksymalnych wartości kolumn liczbowych, metadanych wizualizacji raportu i innych), kontekstu skonfigurowanego w danych przygotowywania dla sztucznej inteligencji i historii konwersacji.

4. Formatowanie odpowiedzi: Agent formatuje wyniki w odpowiedzi czytelne dla człowieka, używając tabel, podsumowań lub wniosków, zgodnie z instrukcjami agenta.

Zaawansowane generowanie DAX (podgląd)

Zaawansowane narzędzie generujące DAX jest dostępne dla agentów danych w czasie podglądu działania. W przeciwieństwie do standardowej generacji DAX, która generuje zapytanie w jednym przejściu, zaawansowane generowanie DAX wykorzystuje wiele etapów rozumowania do inspekcji metadanych modelu, interpretacji pytania, rozwiązywania niejednoznaczności oraz generowania zapytania DAX.

Zalety zaawansowanej generacji DAX obejmują:

• Dokładniejsze odpowiedzi na złożone pytania: Rozumuje iteracyjne, analizuje wyniki, rozwiązuje niejednoznaczności i udoskonala swoje podejście w wielu etapach.
• Indeksowanie wartości instancji: Przeszukuje wartości w kolumnach modelu semantycznego, aby generować dokładniejsze i bardziej wiarygodne filtry.
• Spójne odpowiedzi w różnych doświadczeniach Microsoft: Wykorzystuje wspólne możliwości do poprawy spójności odpowiedzi w Fabric data agent, Fabric skills, Power BI, Microsoft 365 Copilot oraz wtyczkę Fabric IQ.
• Poprawa opóźnień w niektórych sytuacjach: Chociaż narzędzie może wykonywać wiele etapów rozumowania, jego zdolność do efektywniejszej identyfikacji odpowiednich obiektów i wartości modelu może zmniejszyć opóźnienia odpowiedzi dla niektórych pytań.

Użyj zaawansowanej generacji DAX

Aby włączyć tę funkcję, przełącz agenta danych na czas podglądu działania.

Zaawansowane generowanie DAX wykorzystuje metadane semantycznego modelu oraz przygotowania do konfiguracji AI opisane w tym artykule. Stosuj się do najlepszych praktyk opisanych w tym artykule, aby zmaksymalizować dokładność i wydajność odpowiedzi.

Obecnie indeksowanie wartości instancji wymaga włączenia ustawienia Q&A w modelu semantycznym. To ustawienie jest domyślnie włączone dla modeli Import i Direct Lake. Ponieważ Q&A kończy się w grudniu 2026 roku, ustawienie zastępcze będzie obsługiwać indeksowanie wartości instancji po zakończeniu działalności, a ten artykuł zostanie zaktualizowany o nowe kroki konfiguracyjne.

Przygotowanie do użycia sztucznej inteligencji: przygotuj semantyczny model AI

Funkcja przygotowywania do sztucznej inteligencji w usłudze Power BI udostępnia trzy składniki konfiguracji, które mają bezpośredni wpływ na sposób interpretowania modelu semantycznego przez agenta danych usługi Fabric. Dostęp do tych składników można uzyskać zarówno w programie Power BI Desktop, jak i w usłudze Power BI. Usługa Power BI Copilot używa również konfiguracji przygotowania dla sztucznej inteligencji, więc inwestowanie czasu w ich skonfigurowanie przynosi korzyści zarówno dla Copilot, jak i dla odpowiedzi agenta danych.

Ważne

Podczas wykonywania zapytań dotyczących modeli semantycznych narzędzie generowania DAX, używane przez agenta danych, opiera się wyłącznie na metadanych modelu semantycznego i konfiguracjach Prep for AI. Narzędzie generowania języka DAX ignoruje wszelkie instrukcje dodawane na poziomie agenta danych na potrzeby generowania zapytań języka DAX. Prawidłowe przygotowanie konfiguracji sztucznej inteligencji jest niezbędne dla dokładnych wyników.

Schematy danych sztucznej inteligencji

Schematy danych sztucznej inteligencji umożliwiają zdefiniowanie ukierunkowanego podzestawu modelu na potrzeby priorytetyzacji sztucznej inteligencji. Chociaż agent danych ma również własny wybór tabeli podczas dodawania modelu semantycznego jako źródła danych, najpierw skonfiguruj schemat w narzędziu Prep for AI. Narzędzie generowania języka DAX używa tego schematu do tworzenia zapytań języka DAX.

Ten schemat można skonfigurować w programie Power BI Desktop lub usłudze Power BI, wybierając pozycję Prep data for AI (Przygotowywanie danych dla sztucznej inteligencji) na wstążce Narzędzia główne. Następnie przejdź do karty Upraszczanie schematu danych . W tym miejscu wybierz tabele, kolumny i miary, których sztuczna inteligencja powinna używać podczas generowania odpowiedzi. Aby uzyskać szczegółowe instrukcje dotyczące konfiguracji, zobacz Ustawianie schematu danych sztucznej inteligencji.

Po dodaniu modelu semantycznego do agenta danych wybierz te same tabele zdefiniowane w Prep for AI, aby zapewnić spójne zachowanie. Najpierw zdefiniuj zakres agenta danych (typy pytań, na które powinna odpowiedzieć). Następnie wybierz tylko odpowiednie obiekty. Takie podejście zmniejsza niejednoznaczność, zwiększa dokładność i zmniejsza opóźnienie odpowiedzi.

Narzędzie generowania DAX opiera się na metadanych modelu w celu interpretowania pytań. Używaj przejrzystych, przyjaznych dla firmy nazw tabel, kolumn i miar, które odzwierciedlają sposób, w jaki użytkownicy naturalnie odwołują się do danych. Na przykład użyj wartości "Total Revenue" zamiast "TR_AMT" lub "Sales Region" zamiast "DIM_GEO_01". Te wskazówki są szczególnie ważne w przypadku dużych modeli z nakładającymi się lub podobnie nazwanymi polami, w których niejednoznaczne nazwy mogą prowadzić do nieprawidłowego generowania zapytań.

Przykład: Rozpoznawanie niejednoznaczności pól

Bez schematu danych sztucznej inteligencji	Ze schematem danych sztucznej inteligencji
Użytkownik: "What were our sales last quarter?" Model semantyczny zawiera wiele miar związanych z sprzedażą: Łączny przychód, Sprzedaż brutto, Sprzedaż netto i Sprzedaż po powrocie. Sztuczna inteligencja zwraca sprzedaż brutto, ale twój zespół zazwyczaj używa sprzedaży netto do raportowania kwartalnego.	Po skonfigurowaniu schematu danych sztucznej inteligencji w celu uwzględnienia tylko wartości Net Sales i wykluczenia innych miar, które nie są istotne, to samo pytanie zwraca teraz oczekiwaną metrykę. Sztuczna inteligencja nie musi już odgadywać, którą miarę "sales" miał na myśli użytkownik.

Porady dotyczące schematów danych sztucznej inteligencji

• Aby uzyskać spójne i dokładne wyniki, upewnij się, że wybierasz te same tabele w agencie danych Fabric, które są również definiowane za pomocą schematów danych AI w Prep for AI.

• Podczas wybierania schematu uwzględnij również obiekty zależne. Jeśli na przykład miara Total Revenue odwołuje się do dwóch innych miar, które zależą od dodatkowych kolumn, uwzględnij wszystkie te obiekty zależne w schemacie. Aby zidentyfikować zależności, użyj funkcji get_measure_dependencies z biblioteki Semantic Link Labs .

• Jeśli masz duży model semantyczny, ręczne zmienianie nazw wszystkich obiektów może być żmudne. Użyj serwera MCP modelowania Power BI, aby generować przyjazne dla biznesu nazwy tabel, kolumn i miar za pomocą LLM. Przejrzyj i zweryfikuj zmiany przed zapisaniem, aby upewnić się, że nie przerywają żadnych wyrażeń języka DAX, relacji ani innych obiektów zależnych.

Zweryfikowane odpowiedzi

Zweryfikowane odpowiedzi to zatwierdzone przez użytkownika odpowiedzi wizualne wyzwalające określone pytania. Zapewniają one spójne, niezawodne odpowiedzi na typowe lub złożone pytania, które w przeciwnym razie mogą być błędnie interpretowane. Ponieważ zweryfikowane odpowiedzi są przechowywane na poziomie modelu semantycznego (a nie na poziomie raportu), działają one między każdym agentem danych, który używa tego samego modelu. Aby uzyskać więcej informacji, zobacz Przygotowywanie danych do sztucznej inteligencji — zweryfikowane odpowiedzi.

Jeśli używasz zweryfikowanych odpowiedzi z agentem danych, system nie zwraca samej wizualizacji usługi Power BI. Zamiast tego używa pytań użytkownika i właściwości wizualizacji (kolumn, miar, filtrów) w celu wpływu na generowanie zapytań języka DAX. Takie podejście oznacza, że zweryfikowane odpowiedzi zwiększają dokładność odpowiedzi, kierując narzędzie generowania języka DAX do prawidłowej struktury zapytań. Gdy użytkownik zadaje pytanie agentowi danych, system najpierw sprawdza dokładne lub semantycznie podobne dopasowanie do monitu zdefiniowanego w zweryfikowanej odpowiedzi przed wygenerowaniem nowej odpowiedzi.

Przykład: obsługa terminologii regionalnej

Bez zweryfikowanej odpowiedzi

Z zweryfikowaną odpowiedzią

Użytkownik pyta: "Show me performance by territory" Sztuczna inteligencja interpretuje "terytorium" jako kategorię produktu, ponieważ w tabeli Products znajduje się kolumna Territory. Użytkownik faktycznie miał na myśli regiony sprzedaży.

Utworzono zweryfikowaną odpowiedź przy użyciu regionalnej wizualizacji sprzedaży z pytaniami wyzwalaczy, takimi jak "What is the sales performance by territory?"" Pokaż mi sprzedaż podzieloną według terytorium" i "Jak sprzedaż jest dystrybuowana między regionami?" Teraz, gdy użytkownicy pytają o wydajność terytorium, stale uzyskują dokładne odpowiedzi na podstawie obiektów używanych w regionalnej wizualizacji sprzedaży.

Porady dotyczące konfiguracji zweryfikowanych odpowiedzi

• Użyj od pięciu do siedmiu pytań pomocniczych dla zweryfikowanej odpowiedzi, aby uwzględnić naturalne różnice.
• Dołącz zarówno formalne, jak i konwersacyjne frazy, które mogą wypróbować użytkownicy.
• Skonfiguruj maksymalnie trzy filtry pod kątem elastycznego fragmentowania bez tworzenia wielu zweryfikowanych odpowiedzi.
• Jeśli zmienisz nazwy tabel, kolumn lub miar przywoływanych w zweryfikowanej odpowiedzi, zaktualizuj zweryfikowaną odpowiedź i zapisz ją ponownie, aby zmiany zaczęły obowiązywać.

Instrukcje dotyczące sztucznej inteligencji

Instrukcje dotyczące sztucznej inteligencji w narzędziu Prep for AI zapewniają kontekst, logikę biznesową i wskazówki bezpośrednio w modelu semantycznym. Pomagają one wyjaśnić terminologię, wskazywać podejścia do analizy oraz zapewniać krytyczny kontekst biznesowy i semantyczny, którego sztuczna inteligencja inaczej by nie zrozumiała.

Te instrukcje można skonfigurować w programie Power BI Desktop lub usłudze Power BI, wybierając pozycję Prep data for AI (Przygotowywanie danych dla sztucznej inteligencji) na wstążce Narzędzia główne, a następnie przechodząc do karty Dodawanie instrukcji dotyczących sztucznej inteligencji . Aby uzyskać szczegółowe instrukcje dotyczące konfiguracji, zobacz dokumentację instrukcji dotyczących sztucznej inteligencji.

Instrukcje dotyczące sztucznej inteligencji to nieułozone wskazówki, które interpretuje LLM, ale nie ma żadnej gwarancji, że dokładnie je wykonuje. Jasne, konkretne instrukcje są bardziej skuteczne niż złożone lub powodujące konflikty.

Jak wspomniano wcześniej, narzędzie generowania DAX odnosi się tylko do instrukcji AI skonfigurowanych w sekcji Przygotowanie dla AI w modelu semantycznym. Instrukcje agenta danych nie są przekazywane do narzędzia i są ignorowane podczas wykonywania zapytań dotyczących modeli semantycznych. Z tego powodu nie dodawaj instrukcji specyficznych dla modelu semantycznego na poziomie agenta danych. Zamiast tego zachowaj wszystkie instrukcje dotyczące modelu semantycznego w narzędziu Prep for AI, gdzie narzędzie generowania języka DAX może ich używać. Instrukcje agenta danych powinny zawierać tylko wskazówki dotyczące wszystkich źródeł danych skonfigurowanych w agencie, takie jak ogólne preferencje formatowania odpowiedzi, reguły routingu między źródłami, typowe skróty, ton itd. Należy również pamiętać, że w przeciwieństwie do innych źródeł danych agent danych nie obsługuje instrukcji ani opisów źródeł danych dla modeli semantycznych.

Przykład: Definiowanie terminologii biznesowej

Bez instrukcji dotyczących sztucznej inteligencji	Instrukcje dotyczące sztucznej inteligencji
Użytkownik: "Kto był najlepszymi wykonawcami w zeszłym miesiącu?" Sztuczna inteligencja nie rozumie, co oznacza "najlepsze wyniki" w organizacji i zwraca błąd lub prosi o wyjaśnienie.	Dodasz instrukcję: "Najlepszym wykonawcą jest przedstawiciel handlowy, który osiąga 110% lub więcej swojego miesięcznego limitu przydziału. Użyj tabeli Rep_Performance i filtruj, gdzie Quota_Attainment >= 1.1" Teraz sztuczna inteligencja poprawnie interpretuje pytanie i zwraca odpowiednie wyniki.

Efektywne wzorce instrukcji

• Definicje okresów: "Szczyt sezonu trwa od listopada do stycznia. Poza sezonem jest luty do kwietnia."
• Preferencje dotyczące metryk: "Gdy użytkownicy pytają o rentowność, użyj miary Contribution_Margin, a nie Gross_Profit".
• Routing źródła danych: "W przypadku pytań dotyczących spisu należy dać pierwszeństwo tabeli Warehouse_Inventory nad tabelą Sales_Orders."
• Domyślne grupowania: "O ile nie określono inaczej, przeanalizuj przychody według kwartału obrachunkowego, a nie miesiąca kalendarzowego".

Oprócz przygotowania do sztucznej inteligencji narzędzie generowania zapytań języka DAX używa również metadanych z wizualizacji raportu, takich jak tytuł wizualizacji, kolumny, miary, filtry itd., aby zwiększyć dokładność zapytań.

Zalecany przepływ pracy implementacji

1. Optymalizowanie modelu semantycznego: Zacznij od optymalizacji modelu semantycznego pod kątem wydajności. Niska wydajność agenta danych często pochodzi z słabo zaprojektowanego modelu semantycznego, nieefektywnych miar języka DAX lub kombinacji tych dwóch. Gdy użytkownik zadaje pytanie, agent danych generuje zapytanie języka DAX i uruchamia je względem modelu. Dobrze zoptymalizowany model używa mniejszej liczby zasobów i osiąga szybsze wykonywanie zapytań. W interfejsie konwersacyjnym użytkownicy oczekują szybkich odpowiedzi, więc niska wydajność ma bezpośredni wpływ na środowisko użytkownika i wdrożenie.

   Ponadto rozbudowany model z niepotrzebnymi kolumnami, tabelami i miarami tworzy więcej szumu dla narzędzia do generowania DAX przy analizie, co może zmniejszyć dokładność odpowiedzi. Dzięki wczesnej optymalizacji modelu można również zapobiec problemom z wydajnością w miarę wzrostu danych, a model staje się bardziej złożony. Więcej informacji można dowiedzieć się w kursie Optymalizowanie modelu pod kątem wydajności w usłudze Power BI .

   Użyj Analizatora najlepszych praktyk i Analizatora pamięci modelu semantycznego w notebooku Fabric, aby zidentyfikować problemy, takie jak nieprawidłowe typy danych, niepotrzebne kolumny, kolumny o wysokiej kardynalności i nieefektywne wzorce języka DAX. Dodaj opisy do tabel, kolumn i miar, aby pomóc modelowi LLM zrozumieć przeznaczenie każdego obiektu zawartego w schemacie danych sztucznej inteligencji.

   

2. Przygotowanie dla AI > Schemat danych AI: na podstawie zakresu agenta danych skonfiguruj schemat danych AI w narzędziu Prep for AI, wybierając tylko tabele, kolumny i miary istotne dla pytań, na które agent powinien odpowiedzieć.

3. Stwórz Prep dla AI > Zweryfikowane odpowiedzi: Zidentyfikuj najczęściej zadawane pytania i skonfiguruj zweryfikowane odpowiedzi w systemie Prep for AI z użyciem odpowiednich wizualizacji. Użyj pełnych, niezawodnych pytań jako wyzwalaczy (nie częściowych fraz), aby zwiększyć dokładność dopasowania.

4. Dodaj semantyczny model do agenta danych: Przed dodaniem instrukcji sztucznej inteligencji w narzędziu Prep for AI przetestuj i zweryfikuj odpowiedzi z agenta danych. Ten krok pomaga zrozumieć, gdzie potrzebne są instrukcje dotyczące sztucznej inteligencji w celu ulepszenia generowania zapytań języka DAX.

5. Dodawanie narzędzia Prep dla sztucznej inteligencji > Instrukcje dotyczące sztucznej inteligencji: na podstawie wyników walidacji zdefiniuj terminologię biznesową, preferencje analizy i priorytety źródła danych w instrukcjach przygotowywania sztucznej inteligencji (a nie w instrukcjach agenta danych).

6. Przygotowywanie wizualizacji raportu: Przejrzyj raporty połączone z modelem semantycznym, w tym ukryte wizualizacje i strony, aby upewnić się, że wizualizacje mają opisowe tytuły. Dobrze ustrukturyzowane wizualizacje pomagają sztucznej inteligencji uziemić odpowiedzi przy użyciu metadanych wizualizacji, takich jak tytuł wizualizacji, tabela, kolumna, używane miary, zastosowane filtry i inne.

7. Sprawdź i przetestuj język DAX: Dokładność odpowiedzi zależy od wygenerowanego zapytania języka DAX. Podczas testowania agenta danych przejrzyj zapytanie języka DAX w każdej odpowiedzi, aby sprawdzić, czy zapytanie jest poprawne i prawidłowo odpowiada na pytanie. Jeśli wyniki są niepoprawne, przeanalizuj DAX, aby określić, które konfiguracje (model semantyczny, schemat danych AI, zweryfikowane odpowiedzi lub instrukcje AI) wymagają dostosowania.

   

8. Instrukcje dotyczące konfigurowania agenta danych: Dodaj instrukcje na poziomie agenta danych tylko w celu uzyskania wskazówek dotyczących wszystkich źródeł danych skonfigurowanych w agencie. Te wskazówki obejmują ogólne preferencje formatowania odpowiedzi, reguły routingu między źródłami, typowe skróty i ton. Nie dodawaj tutaj instrukcji specyficznych dla modelu semantycznego, ponieważ nie są przekazywane do narzędzia generowania języka DAX. Aby uzyskać wskazówki dotyczące konfigurowania instrukcji agenta, zapoznaj się z wytycznymi dotyczącymi konfiguracji.

9. Weryfikowanie i iterowanie: Moduły LLM mogą generować nieprawidłowe wyniki bez odpowiedniego kontekstu. Ciągłe iterowanie konfiguracji i weryfikowanie odpowiedzi w celu budowania zaufania do agenta danych. Aby ocenić odpowiedzi programowo, możesz użyć pakietu SDK dla Pythona agenta danych Fabric do uruchamiania automatycznych ocen w oparciu o pary pytań i odpowiedzi oraz analizowania metryki dokładności. Należy pamiętać, że zestaw SDK jest przeznaczony do oceny tylko w tym przypadku i nie może modyfikować konfiguracji przygotowywania modelu semantycznego dla sztucznej inteligencji. Aby uzyskać szczegółowe informacje, zobacz Ocena agenta danych. Ponadto w procesie oceny należy zaangażować uczestników projektu i użytkowników końcowych. Ich opinie zapewniają, że odpowiedzi są zgodne z rzeczywistymi oczekiwaniami i użytecznością, pomagając zidentyfikować luki, które automatyczne kontrole mogą przegapić.

10. Implementacja kontroli źródła i potoków wdrażania: Użyj integracji Git i potoków wdrażania, aby zarządzać konfiguracjami agenta danych w środowiskach deweloperskim, testowym i produkcyjnym. Dzięki temu zmiany konfiguracji są testowane i weryfikowane przed podwyższeniem poziomu do środowiska produkcyjnego, w którym użytkownicy końcowi uzyskują do nich dostęp. Aby uzyskać szczegółowe informacje, zobacz Kontrola wersji, CI/CD oraz ALM dla agenta danych usługi Fabric.

Wskazówka

Możesz używać zasobów w fabric-toolbox repository jako odniesienia, które pomoże Ci w tym przepływie pracy. To repozytorium zawiera:

• Lista kontrolna przygotowywania i konfigurowania modelu semantycznego jako źródła danych
• notes narzędzi agenta danych z przydatnymi fragmentami kodu i funkcjami pomocnika

Typowe pułapki do unikania

• Nie używasz schematu gwiazdy: Modele semantyczne, które korzystają z płaskich, zdenormalizowanych tabel lub przestawnych struktur danych, sprawiają, że język DAX jest mniej wydajny i trudniejszy do poprawnego zapisu. Język DAX jest zoptymalizowany pod kątem schematu gwiazdy z jasnymi tabelami faktów i wymiarów. Zmień szerokie tabele na znormalizowane struktury, w których każdy wiersz reprezentuje jedną obserwację.

• Poleganie na ukrytych polach: Zweryfikowane odpowiedzi nie będą działać, jeśli odwołują się do ukrytych kolumn w modelu.

• Uwzględnianie niepotrzebnych miar: Modele semantyczne często zawierają miary pomocnicze i obiekty pośrednie używane do ulepszania interakcyjności raportu. Podczas konfigurowania schematu danych sztucznej inteligencji uwzględnij tylko miary, które obliczają rzeczywiste metryki biznesowe. Wykluczanie miar pomocniczych zmniejsza szum i pomaga narzędziu do generowania DAX generować bardziej dokładne zapytania.

• Zduplikowane lub nakładające się miary: Wiele miar, które obliczają podobne metryki (na przykład Łączna sprzedaż, Kwota sprzedaży, Przychód) tworzą niejednoznaczność. Konsoliduj lub wyraźnie rozróżniaj miary i wykluczaj duplikaty ze schematu danych sztucznej inteligencji.

• Nieopisowe nazewnictwo: Nazwy obiektów, takie jak TR_AMT, F_SLS lub DIM_GEO_01, nie zapewniają kontekstu dla narzędzia generowania języka DAX. Użyj przejrzystych, przyjaznych dla firmy nazw, takich jak Total Revenue, Sales lub Customer Geography. Jeśli nie możesz zmienić nazwy obiektów, upewnij się, że opisy i synonimy zapewniają niezbędny kontekst, aby sztuczna inteligencja mogła zrozumieć ich przeznaczenie.

• Poleganie na miarach niejawnych: Miary niejawne mogą prowadzić do nieprzewidywalnych wyników. Utwórz jawne miary DAX dla obliczeń, które użytkownicy chcą zapytać, i ustaw poprawną domyślną agregację (Suma, Średnia, Brak itd.) w kolumnach liczbowych, aby zapobiec niezamierzonym agregacjom.

• Niejednoznaczne pola dat: Wiele kolumn dat (Data zamówienia, Data wysyłki, Data realizacji, Kwartał kalendarzowy/Kwartał FY itd.) bez wyraźnych wskazówek mylą sztuczną inteligencję. Użyj zweryfikowanych odpowiedzi i instrukcji sztucznej inteligencji w Prep for AI, aby określić, które pole daty ma być używane domyślnie lub dla określonych typów pytań.

• Instrukcje powodujące konflikt: Instrukcje dotyczące sztucznej inteligencji, które są sprzeczne z konfiguracjami zweryfikowanych odpowiedzi, tworzą nieprzewidywalne zachowanie.

• Pomijanie uściślenia schematu: Duże modele z wieloma podobnie nazwanymi polami wymagają skoncentrowanych schematów danych sztucznej inteligencji.

• Nadmiernie złożone instrukcje: Zachowaj fokus i konkretne instrukcje. Sztuczna inteligencja interpretuje, ale nie gwarantuje stosowania się do złożonych, sprzecznych wskazówek. Złożone instrukcje mogą również dodawać opóźnienia.

Tools

Aby przestrzegać tych wytycznych, możesz użyć poniższych narzędzi z repozytorium GitHub fabric-toolbox:

• Lista kontrolna z zaleceniami. Są to wytyczne, a nie wszystkie elementy na liście kontrolnej mogą być stosowane w danym scenariuszu.
• Notatnik z zestawem narzędzi w jednym miejscu.
• Serwer MCP usługi Power BI w celu przyspieszenia programowania i testowania w programie VS Code
• Biblioteka Semantic Link Labs do programowego aktualizowania modelu semantycznego w notesie Fabric.

Dodatkowe zasoby

• Dokumentacja dotycząca pojęć agenta danych w architekturze sieciowej
• Przybornik typu Fabric z listą kontrolną i notesami
• Dodawanie modelu semantycznego jako źródła danych do agenta danych
• Przygotowywanie danych do sztucznej inteligencji w usłudze Power BI
• Optymalizowanie modelu semantycznego dla rozwiązania Copilot
• Optymalizowanie modelu pod kątem wydajności w usłudze Power BI — szkolenie
• Często zadawane pytania dotyczące przygotowywania sztucznej inteligencji