Usar Copilot com modelos semânticos

Este artigo ajuda você a usar as experiências do Copilot no Power BI para modelos semânticos.

O Copilot no Microsoft Fabric é um assistente de IA generativo que visa aprimorar a experiência de análise de dados na plataforma Fabric, incluindo a carga de trabalho do Power BI. Você pode usar o Copilot no Power BI para dar suporte ao desenvolvimento e ao consumo de modelos semânticos por usuários corporativos e de autoatendimento. Quando usado efetivamente, o Copilot pode dar suporte a analistas e usuários de negócios para melhorar a produtividade e obter mais valor de seus modelos semânticos.

No entanto, para usar o Copilot com modelos semânticos no Power BI, primeiro você deve preparar seus dados, seu modelo semântico e seus usuários. Se você não preparar esses elementos, o Copilot produzirá principalmente saídas imprecisas e de baixa qualidade que podem ser incorretas ou até mesmo enganosas. As seções a seguir orientam você sobre como você pode usar o Copilot no Power BI para desenvolver ou consumir um modelo semântico com as experiências de Copilot disponíveis.

Observação

Para obter informações adicionais, consulte a documentação do Copilot no Power BI.

Copilot e suas funcionalidades estão evoluindo ao longo do tempo. As experiências do Copilot nas seções a seguir podem mudar e novas experiências podem ficar disponíveis com modelos semânticos. Dessa forma, você deve se manter atualizado com as versões mensais do Power BI e quaisquer comunicados relevantes do Copilot.

Importante

Você não pode habilitar ou desabilitar o Copilot em cargas de trabalho específicas ou para experiências específicas do Copilot. Se você habilitar o Copilot no Fabric em sua capacidade para um usuário ou grupo de segurança, todas as cargas de trabalho e experiências do Copilot estarão acessíveis para esses usuários.

Desenvolver um modelo semântico com a ajuda do Copilot

Ao desenvolver um modelo semântico no Power BI, use o Copilot para ajudar a melhorar a eficiência e a conveniência de determinadas tarefas. Normalmente, esse processo envolve aproveitar o Copilot para simplificar alterações redundantes ou repeticiosas para você (como gerar descrições de medidas) ou ajudá-lo a enfrentar ou entender o design de modelo desafiador ou DAX (como usar Copilot na exibição de consulta DAX para explicar conceitos da DAX ou gerar consultas DAX).

As seções a seguir explicam como um desenvolvedor ou analista do Power BI que cria modelos semânticos pode aproveitar as várias experiências do Copilot no Power BI.

Observação

As seções a seguir se concentram nas experiências que dão suporte ao desenvolvimento de modelo semântico no Power BI Desktop e não online usando Editar modelos de dados no serviço do Power BI. As diretrizes e considerações nas seções a seguir ainda podem se aplicar quando você edita modelos de dados no serviço do Power BI, mas lembre-se de que existem diferenças entre essas duas experiências.

Em geral, desenvolva modelos semânticos do Power BI usando o Power BI Desktop ou ferramentas de terceiros e, em seguida, publique esses modelos no serviço do Power BI quando estiver pronto para usá-los. No entanto, você também pode editar modelos de dados no serviço do Power BI se essa for a sua preferência ou se não puder usar ferramentas da área de trabalho para desenvolver seu modelo.

Faça perguntas de dados sobre seu modelo semântico

Ao desenvolver um modelo semântico, você geralmente precisa explorar e consultar os dados. Normalmente, você usa uma combinação do editor do Power Query, da tela do relatório e das consultas DAX. No entanto, você também pode fazer perguntas de dados sobre seu modelo e seu conteúdo usando o painel de chat do Copilot. Geralmente, fazer perguntas sobre dados é mais uma experiência de consumo, em que os usuários empresariais podem fazer perguntas sobre os dados quando não conseguem encontrar a resposta em um relatório. No entanto, os desenvolvedores podem usar esse recurso para explorar dados ou validar o desempenho do Copilot em seu modelo.

A imagem a seguir mostra um exemplo de um usuário fazendo uma pergunta de dados ao Copilot sobre um modelo semântico. A imagem mostra o seguinte prompt: Qual foi o lucro % para a região de vendas da Austrália em 2023?

Captura de tela do painel de chat do Copilot em que um usuário faz uma pergunta de dados respondida pelo modelo semântico.

Casos de uso

Use o Copilot para fazer perguntas de dados para os seguintes casos de uso:

Explore os dados em seu modelo: Um desenvolvedor pode usar a experiência fazer perguntas de dados para explorar os dados em seu modelo usando o Copilot. No entanto, é provável que seja mais eficiente explorar os dados adicionando visuais à tela do relatório ou usando consultas DAX. Isso ocorre porque os visuais de relatório são atualizados automaticamente sempre que você faz alterações no modelo, mas as respostas às perguntas de dados no painel de chat do Copilot são estáticas e desaparecem sempre que você fecha o painel de chat do Copilot. Além disso, os visuais gerados pelo Copilot podem conter filtros específicos do visual que você não pode criar no Power BI Desktop. Esses filtros podem ser enganosos ou problemáticos para investigar.
Valide o uso do Copilot para consumir o modelo semântico: Os desenvolvedores devem usar a experiência fazer perguntas de dados para entender e testar como as experiências de consumo do Copilot são executadas em seu modelo semântico. Esse é o principal caso de uso de fazer perguntas de dados ao desenvolver um modelo semântico. Esse caso de uso permite que um desenvolvedor faça alterações em seu modelo semântico que possa dar melhor suporte ao Copilot para produzir saídas mais úteis.

Importante

Ao projetar seu modelo semântico, certifique-se de discutir com os usuários e documentar como eles o consumirão, incluindo quais itens, ferramentas e experiências eles usarão. Se os usuários não usarem o Copilot no Power BI, um desenvolvedor não precisará usar a experiência fazer perguntas de dados para testar seu modelo. No entanto, se os usuários planejam usar o Copilot para consumir modelos semânticos agora ou no futuro, é essencial que os desenvolvedores deem conta disso durante o design e o desenvolvimento do modelo.

Benefícios

Um desenvolvedor pode usar Fazer perguntas sobre dados para entender como será a experiência para usuários empresariais que consomem o modelo semântico usando o Copilot no Power BI. Esse teste é essencial se os usuários de negócios desejam usar o Copilot para consumir um modelo semântico.

Detalhes da experiência

A experiência Fazer perguntas sobre dados difere do processo padrão do Copilot no Fabric nas seguintes áreas. Essa visão geral se aplica ao uso da experiência de fazer perguntas sobre dados ao desenvolver e consumir modelos semânticos:

Entrada: Os usuários fornecem um prompt escrito fazendo uma pergunta ou solicitando informações específicas do modelo semântico.
Dados de pré-processamento e fundamento: o Copilot recupera dados de fundamento do esquema de modelo. Ele executa a redução de esquema para tentar restringir o contexto ao que é mais importante. Como contexto, o Copilot usa as seguintes informações para tentar melhorar a utilidade e a especificidade da saída do Copilot:
- Todos os metadados de relatório na página de relatório atual. Se houver metadados de relatório relevantes, o Copilot no Power BI responderá a perguntas de dados do relatório em vez do modelo.
- A conversa com o Copilot na sessão atual. Essa conversa inclui quaisquer perguntas e saídas anteriores, que incluem pontos de dados de perguntas de dados que Copilot respondeu anteriormente.
- O esquema de modelo semântico, que inclui tabelas, linhas, colunas, medidas e outros objetos (como relações, grupos de cálculo e assim por diante).
- O esquema completo do modelo linguístico.
- Determinadas propriedades de modelo semântico, incluindo descrições, tipos de dados, cadeias de caracteres de formato e categoria de dados.
As seguintes informações são excluídas:
- Qualquer página de relatório oculta.
- Qualquer campo (medida ou coluna) no modelo que esteja oculto.
- Qualquer tabela no modelo marcada como privada.
Saída: A saída fornecida pelo Copilot contém várias partes:
- Visual: O Copilot responde à pergunta de dados renderizando um visual do Power BI, como um cartão, um gráfico de linhas ou uma tabela. O Copilot escolhe o visual e sua formatação, que o usuário não pode controlar nem solicitar em seu prompt. O visual poderá atingir o tempo limite se o modelo subjacente, DAX ou dados não for otimizado ou for muito complexo.
- Resumo: Copilot resume o resultado da consulta. Este resumo é gerado enviando um resultado de consulta semântica de volta para o Azure OpenAI (que inclui pontos de dados) e solicitando uma explicação de linguagem natural.
- Erros ou solicitação de esclarecimento: Se o Copilot não conseguir produzir uma resposta, ele poderá retornar uma mensagem de erro genérica. Essa mensagem de erro pode incluir uma solicitação de esclarecimento, incluindo variantes sugeridas da pergunta de dados original do usuário.

Cuidado

Ao usar o Copilot no Power BI com modelos semânticos no Power BI Desktop, o Copilot pode utilizar metadados do relatório como dados de referência. Em determinadas circunstâncias, os metadados de relatório podem conter pontos de dados, como valores de coluna, que podem incluir informações confidenciais. Essa condição é verdadeira tanto para o formato de metadados de relatório herdado quanto para o novo formato PBIR (relatório avançado) do Power BI.

Dicas para melhorar os resultados do Copilot

O copilot pode produzir saídas imprecisas ou de baixa qualidade, incluindo respostas incorretas para perguntas de dados. Muitas vezes, as respostas incorretas surgem de erros de usuário ou problemas de modelo. Para reduzir a probabilidade de saídas de Copilot incorretas ou inesperadas, resolva os prompts do usuário e o design do modelo de dados.

Importante

Respostas imprecisas a perguntas de dados podem levar a decisões e ações incorretas de usuários empresariais, o que produz resultados ruins. Para evitar esse impacto negativo, é importante atenuar a probabilidade de respostas imprecisas por Copilot o máximo possível.

Um usuário só pode realmente produzir resultados incorretos escrevendo um prompt ruim. Alguns exemplos de solicitações ruins:

Prompts vagos ou incompletos: Se você descrever de forma imprecisa ou incompleta a saída desejada ou usar uma linguagem ambígua em seu prompt, será menos provável que Copilot produza um resultado útil. Ao escrever prompts, tente ser o mais específico e descritivo possível ao declarar o resultado desejado.
Prompts incorretos: Se você cometer erros de ortografia ao se referir a uma medida, coluna ou nome de tabela, o Copilot poderá não se referir ao campo correto. Ao escrever prompts, verifique se os campos mencionados no prompt se referem corretamente aos campos no esquema de modelo semântico. Essa regra inclui evitar abreviações, acrônimos ou pontuação excessiva. Você também pode usar sinônimos para se referir a campos, mas não há como validar quais sinônimos estão disponíveis para um determinado campo (como você pode ver descrições ao focalizar uma medida ou coluna no painel Dados).
Dados de aterramento excessivos ou inadequados: Se você enviar um prompt por meio do painel de chat do Copilot, o Copilot usará o histórico de chat dessa sessão como dados de aterramento durante o pré-processamento. Dependendo do que esse histórico de chat implica, você pode obter resultados diferentes ou inesperados. Ao escrever prompts, leve em consideração que quaisquer prompts e saídas anteriores são usados como dados de referência. Para evitar esse problema, selecione o botão Copilot para fechar e reabrir o painel de chat do Copilot, limpando o histórico de chat antes de enviar um novo prompt.

A imagem a seguir mostra um exemplo de erro do Copilot devido a um prompt ruim.

Captura de tela mostrando o painel de chat do Copilot em que o usuário faz uma pergunta de dados que o Copilot responde com o modelo semântico.

A imagem mostra a seguinte solicitação: Qual foi o % de lucro para a região de vendas da Austrália em 2023? Na saída, o Copilot retorna o valor do lucro em vez do lucro como uma porcentagem. Nesse caso, o usuário pode obter um resultado melhor do Copilot especificando mais claramente que deseja o lucro em porcentagem (em vez de usar o símbolo de porcentagem).

Além dos prompts do usuário, a experiência de fazer perguntas sobre dados também pode produzir resultados incorretos ou inesperados devido à qualidade ou organização do modelo semântico subjacente. Exemplos de quando seu modelo semântico produz resultados ruins incluem:

Design ou implementação de modelos ruins: Se o modelo semântico não seguir as práticas recomendadas comuns (como um design de esquema de estrela), é provável que você obtenha resultados ruins com qualquer ferramenta ou experiência de consumo. Sempre procure modelos semânticos de qualidade para aproveitar ao máximo o Power BI e o Fabric. Consulte também as diretrizes de modelagem de dados para o Power BI para obter mais dicas e diretrizes para melhorar seus modelos semânticos do Power BI.
Convenções de nomenclatura ruins: Se seus campos tiverem convenções de nomenclatura inconsistentes ou excessivas (como acrônimos, abreviações e pontuação), os usuários terão maior probabilidade de cometer erros em seus prompts e Copilot ficar confuso ao se referir a esses campos. Copilot funciona melhor quando tabelas, colunas e medidas têm nomes em inglês legível por humanos.
Organização de modelo ruim: Se você não organizar seu modelo, provavelmente terá mais problemas com o Copilot. A organização de modelos é um tópico grande que abrange muitas tarefas, incluindo descrições de campo, ocultar colunas e medidas e evitar campos com os mesmos nomes em tabelas diferentes.
Modelagem linguística: Se o modelo semântico não tiver a modelagem linguística configurada, incluindo sinônimos para campos ou verbos para relacionamentos, o Copilot poderá ter maior probabilidade de retornar resultados inesperados. O Power BI depende da mesma modelagem linguística que o recurso de Q&A. Configurar um modelo linguístico para o seu modelo semântico requer tempo e esforço adicionais, além das suas tarefas de desenvolvimento do modelo semântico. Para obter mais informações, consulte Introdução às ferramentas de Q&A para treinar o recurso de Q&A do Power BI.
Complexidade do modelo: Quanto mais complexo for seu modelo, incluindo ter mais campos, dependências e lógica de negócios, maior a probabilidade de você enfrentar dificuldades ao usar o Copilot. Por exemplo, padrões complexos como conversão de moeda ou tabelas desconectadas (como parâmetros de campo) podem causar resultados inesperados ou incorretos quando os usuários fazem referência a esses campos ou tabelas em seus prompts. Com modelos mais complexos, talvez seja necessário considerar decisões específicas de design de modelo para obter os melhores resultados com o Copilot. Em geral, você deve testar seu modelo com o Copilot para determinar se obtém resultados consistentemente corretos e confiáveis. Caso contrário, convém considerar aconselhar os usuários a não usar o Copilot para consumir seu modelo semântico.

Observação

Para obter mais informações, confira Preparar um modelo semântico para consumo do Copilot mais adiante neste artigo. Consulte também o artigo separado para atualizar seu modelo de dados para funcionar bem com o Copilot para Power BI para considerações adicionais.

A imagem a seguir mostra um exemplo de uma saída incorreta do Copilot devido a problemas com o modelo semântico:

Captura de tela de um usuário fazendo uma pergunta de dados que o Copilot responde incorretamente devido a nomes de campo ambíguos no modelo semântico.

A imagem ilustra o seguinte prompt: Quantas unidades foram vendidas na Austrália em 2023? Na resposta, Copilot retorna o número de unidades em que a coluna País na tabela Cliente é filtrada para "Austrália", em vez de filtrar a coluna País na tabela de região Vendas . Nesse caso, o usuário poderia ter melhorado o prompt para especificar o país da região de vendas. No entanto, o desenvolvedor de modelo semântico também poderá ocultar ou renomear a coluna País na tabela Cliente se ela não for destinada a ser usada pelo Copilot. Como alternativa, eles poderiam desabilitar o campo dos sinônimos de campo do modelo linguístico utilizando a configuração de perguntas e respostas.

Dica

Você pode identificar quais campos e filtros o Copilot usa para gerar um visual ou responder a uma pergunta de dados clicando no botão Adicionar à página . Essa ação adiciona o visual à tela do relatório, em que você pode selecionar o visual e exibir os filtros que o Copilot aplica ou os campos usados pelo Copilot.

Independentemente da qualidade do prompt ou do modelo, você ainda pode obter saídas imprecisas ou de baixa qualidade do Copilot ao usar a experiência fazer perguntas de dados . Isso ocorre porque o modelo subjacente - com sua configuração atual - não é determinístico e não tem garantia de produzir uma resposta correta ou a mesma resposta com o mesmo prompt, modelo e dados.

A imagem a seguir mostra um exemplo de Copilot produzindo resultados imprecisos ou inadequados:

Captura de tela de um usuário fazendo uma pergunta de dados que o Copilot responde incorretamente filtrando a coluna de data errada.

Neste exemplo, a imagem mostra os prompts: Pergunta: Qual país produziu o maior lucro em 2024? e Pergunta: Qual país produziu o maior lucro em 2023? As saídas mostram Copilot primeiro pedindo esclarecimentos depois que ele diz que não há dados para 2024 no modelo. No entanto, há dados no modelo em 2024 ao filtrar para esse ano usando a tabela de datas. Em seguida, o Copilot retorna um resultado filtrando a coluna Aniversário da tabela Cliente , em vez da tabela de data marcada no modelo. Embora o usuário possa produzir um prompt mais específico ou o desenvolvedor possa ocultar o campo Aniversário , nesse caso, o Copilot deve produzir o resultado esperado.

Para atenuar esse problema, treine os usuários para avaliar criticamente todas as saídas obtidas do Copilot no Fabric e no Power BI e o que fazer para solucionar resultados inesperados ou tentar um novo prompt fechando e reabrindo o painel ou janela de chat copilot.

Visualização de consulta DAX

Ao desenvolver um modelo semântico, use o Copilot para gerar consultas DAX na visualização de consultas DAX. Nessas consultas, você também pode definir medidas DAX, que podem ser adicionadas ao modelo semântico. Você também pode usar o Copilot para explicar os conceitos da DAX em consultas ou consultas geradas que você mesmo criou.

A imagem a seguir mostra um exemplo de um usuário solicitando que o Copilot gere uma consulta DAX.

Captura de tela de um usuário solicitando que o Copilot gere uma consulta DAX no modo de exibição de consulta DAX.

A imagem ilustra a seguinte solicitação: Lucro do YTD por mês em 2023. Em seguida, o usuário pode pedir ao Copilot para explicar a consulta, conforme descrito na imagem a seguir.

Captura de tela do Copilot explicando uma consulta DAX na exibição de consulta DAX do Power BI Desktop.

A imagem ilustra o seguinte prompt: Explique esta consulta DAX. A explicação é exibida na parte inferior da janela do Copilot.