Partilhar via

Conceitos do agente de dados do Fabric (prévia)

O agente de dados no Microsoft Fabric é uma nova funcionalidade do Microsoft Fabric que lhe permite construir os seus próprios sistemas de perguntas e respostas conversacionais utilizando IA generativa. Um agente de dados do Fabric torna os insights de dados mais acessíveis e acionáveis para todos na sua organização. Com um agente de dados do Fabric, sua equipe pode conversar, com perguntas simples em inglês, sobre os dados que sua organização armazenou no Fabric OneLake e, em seguida, receber respostas relevantes. Desta forma, mesmo pessoas sem experiência técnica em IA ou uma compreensão profunda da estrutura de dados podem receber respostas precisas e ricas em contexto.

Você também pode adicionar instruções, exemplos e orientações específicas da organização para ajustar o agente de dados do Fabric. Esta abordagem assegura que as respostas estejam alinhadas com as necessidades e objetivos da sua organização, permitindo que todos interajam com os dados de forma mais eficaz. O agente de dados de malha promove uma cultura de tomada de decisão orientada por dados porque reduz as barreiras à acessibilidade de insights, facilita a colaboração e ajuda sua organização a extrair mais valor de seus dados.

Importante

Este recurso está em pré-visualização.

Pré-requisitos

Como funciona o agente de dados do Fabric

O agente de dados Fabric utiliza grandes modelos de linguagem (LLMs) para ajudar os utilizadores a interagir naturalmente com os seus dados. O agente de dados Fabric aplica APIs Azure OpenAI Assistant e comporta-se como um agente. Processa perguntas dos utilizadores, determina a fonte de dados mais relevante (Lakehouse, Warehouse, conjunto de dados Power BI, bases de dados KQL, ontologia) e invoca a ferramenta adequada para gerar, validar e executar consultas. Os usuários podem fazer perguntas em linguagem simples e receber respostas estruturadas e legíveis por humanos, eliminando a necessidade de escrever consultas complexas e garantindo acesso preciso e seguro aos dados.

Veja como funciona em detalhes:

Parsing e validação de perguntas: O agente de dados do Fabric utiliza as APIs do Azure OpenAI Assistant como agente subjacente para processar as perguntas dos utilizadores. Essa abordagem garante que a pergunta esteja em conformidade com os protocolos de segurança, as políticas de IA responsável (RAI) e as permissões do usuário. O agente de dados do Fabric aplica rigorosamente o acesso somente leitura, mantendo conexões de dados somente leitura com todas as fontes de dados.

Identificação da fonte de dados: O agente de dados Fabric utiliza as credenciais do utilizador para aceder ao esquema da fonte de dados. Esta abordagem garante que o sistema obtém informações da estrutura de dados que o utilizador tem permissão para visualizar. Depois, avalia a pergunta do utilizador em relação a todas as fontes de dados disponíveis, incluindo bases de dados relacionais (Lakehouse e Warehouse), conjuntos de dados Power BI (Modelos Semânticos), bases de dados KQL e ontologias. Ele também pode fazer referência às instruções do agente de dados fornecidas pelo usuário para determinar a fonte de dados mais relevante.

Invocação de ferramentas e geração de consultas: Uma vez identificada a fonte ou fontes de dados corretas, o agente de dados Fabric reformula a questão para maior clareza e estrutura, e depois invoca a ferramenta correspondente para gerar uma consulta estruturada:

  • Linguagem natural para SQL (NL2SQL) para bancos de dados relacionais (Lakehouse/Warehouse).
  • Linguagem Natural para DAX (NL2DAX) para conjuntos de dados do Power BI (Modelos Semânticos).
  • Linguagem natural para KQL (NL2KQL) para bases de dados em KQL.

A ferramenta selecionada gera uma consulta com base no esquema, metadados e contexto fornecidos que o agente subjacente ao agente de dados Fabric passa em seguida.

Validação da consulta: A ferramenta realiza validação para garantir que a consulta está corretamente formada e cumpre os seus próprios protocolos de segurança e políticas RAI.

Execução e resposta à consulta: Uma vez validada, o agente de dados Fabric executa a consulta na fonte de dados escolhida. Os resultados são formatados em uma resposta legível por humanos, que pode incluir dados estruturados, como tabelas, resumos ou insights importantes.

Essa abordagem garante que os usuários possam interagir com seus dados usando linguagem natural, enquanto o agente de dados Fabric lida com as complexidades de geração, validação e execução de consultas — tudo sem exigir que os usuários escrevam SQL, DAX ou KQL por conta própria.

Configuração do agente de dados do fabric

Configurar um agente de dados de malha é semelhante à criação de um relatório do Power BI — você começa projetando-o e refinando-o para garantir que ele atenda às suas necessidades e, em seguida, publica-o e compartilha-o com colegas para que eles possam interagir com os dados. A configuração de um agente de dados do Fabric envolve:

Seleção de Fontes de Dados: Um agente de dados Fabric suporta até cinco fontes de dados em qualquer combinação, incluindo lakehouses, armazéns, bases de dados KQL, modelos semânticos Power BI e ontologias. Por exemplo, um agente de dados de malha configurado pode incluir cinco modelos semânticos do Power BI. Ele pode incluir uma combinação de dois modelos semânticos do Power BI, um lakehouse e um banco de dados KQL. Você tem muitas opções disponíveis.

Escolher Tabelas Relevantes: Depois de selecionar as fontes de dados, adicione-as uma de cada vez e defina as tabelas específicas de cada fonte que o agente de dados Fabric utiliza. Esta etapa garante que o agente de dados Fabric recupere resultados precisos ao focar apenas nos dados relevantes.

Adicionar Contexto: Para melhorar a precisão do agente de dados Fabric, forneça mais contexto através de instruções e consultas de exemplo do agente de dados Fabric. Como agente subjacente para o agente de dados do Fabric, o contexto ajuda a API do Assistente OpenAI do Azure a tomar decisões mais informadas sobre como processar perguntas do usuário e determinar qual fonte de dados é mais adequada para respondê-las.

  • Instruções do agente de dados: Adicione instruções para orientar o agente subjacente ao agente de dados Fabric, na determinação da melhor fonte de dados para responder a tipos específicos de perguntas. Você também pode fornecer regras ou definições personalizadas que esclareçam a terminologia organizacional ou requisitos específicos. Essas instruções podem fornecer mais contexto ou preferências que influenciam como o agente seleciona e consulta fontes de dados.

    • Envie perguntas diretas sobre métricas financeiras para um modelo semântico do Power BI.
    • Atribua consultas que envolvam a exploração de dados brutos ao lakehouse.
    • Encaminhar perguntas que exigem análise de log para o banco de dados KQL.

  • Exemplos de consultas: Adicione pares de exemplo pergunta-consulta para ilustrar como o agente de dados Fabric deve responder a consultas comuns. Esses exemplos servem como um guia para o agente, o que o ajuda a entender como interpretar perguntas semelhantes e gerar respostas precisas.

Observação

Atualmente, não há suporte para a adição de pares de consulta/pergunta de exemplo para fontes de dados de modelo semântico do Power BI.

Ao combinar instruções claras de IA e consultas de exemplo relevantes, você pode alinhar melhor o agente de dados do Fabric com as necessidades de dados da sua organização, garantindo respostas mais precisas e sensíveis ao contexto.

Diferença entre um agente de dados do Fabric e um copiloto

Embora tanto os agentes de dados Fabric como os copilots Fabric usem IA generativa para processar e raciocinar sobre dados, existem diferenças-chave na sua funcionalidade e casos de uso:

Flexibilidade de Configuração: Pode configurar altamente os agentes de dados Fabric. Você pode fornecer instruções personalizadas e exemplos para adaptar seu comportamento a cenários específicos. Os copilots de fabric, por outro lado, vêm pré-configurados e não oferecem este nível de personalização.

Âmbito e Caso de Uso: Os copilots Fabric auxiliam em tarefas dentro do Microsoft Fabric, como gerar código de cadernos ou consultas de armazém. Os agentes de dados de malha, por outro lado, são artefatos autônomos. Para tornar os agentes de dados do Fabric mais versáteis para casos de uso mais amplos, eles podem se integrar a sistemas externos como Microsoft Copilot Studio, Azure AI Foundry, Microsoft Teams ou outras ferramentas fora do Fabric.

Avaliação do agente de dados do Fabric

A equipa de produto avaliou rigorosamente a qualidade e segurança das respostas dos agentes de dados Fabric:

Testes de benchmark: A equipe de produto testou agentes de dados Fabric em uma variedade de conjuntos de dados públicos e privados para garantir respostas precisas e de alta qualidade.

Mitigação Reforçada de Danos: A equipa de produto implementou salvaguardas para garantir que os resultados dos agentes de dados Fabric se mantêm focados no contexto das fontes de dados selecionadas, reduzindo o risco de respostas irrelevantes ou enganosas.

Limitações

O agente de dados Fabric está atualmente em pré-visualização pública e tem limitações. As atualizações melhorarão o agente de dados do Fabric ao longo do tempo.

  • O agente de dados Fabric gera apenas consultas de "leitura" SQL, DAX e KQL. Não gera consultas SQL, DAX ou KQL que criem, atualizam ou eliminam dados.
  • O agente de dados Fabric não suporta dados não estruturados, como ficheiros .pdf, .docxou .txt. Não é possível usar o agente de dados do Fabric para acessar recursos de dados não estruturados.
  • O agente de dados Fabric atualmente não suporta línguas que não sejam inglesas. Para um desempenho ótimo, forneça perguntas, instruções e exemplos de consultas em inglês.
  • Não é possível alterar o LLM usado pelo agente de dados do Fabric.
  • O histórico de conversas no agente de dados do Fabric pode nem sempre persistir. Em certos casos, como alterações na infraestrutura do backend, atualizações de serviço ou atualizações de modelos, o histórico de conversas anteriores pode ser reiniciado ou perdido.
  • O agente de dados Fabric não pode executar consultas quando a capacidade do espaço de trabalho da fonte de dados está numa região diferente da capacidade do espaço de trabalho do agente de dados. Por exemplo, uma casa lacustre com capacidade no Norte da Europa falhará se a capacidade do Agente de Dados estiver em França Central.

Conteúdo relacionado

  • Last updated on