Usar o AI Insights no Power BI Desktop
No Power BI, você pode usar o AI Insights para obter acesso a uma coleção de modelos de aprendizado de máquina pré-treinados que aprimoram seus esforços de preparação de dados. Pode aceder ao AI Insights no Power Query Editor. Pode encontrar as funcionalidades e funções associadas através dos separadores Base e Adicionar Coluna no Power Query Editor.
Este artigo descreve as funções para as funções de Análise de Texto e Visão, ambas dos Serviços Cognitivos do Azure. Também neste artigo há uma seção que descreve as funções personalizadas disponíveis no Power BI do Azure Machine Learning.
Usar análise de texto e visão
Com a Análise de Texto e a Visão no Power BI, pode aplicar algoritmos diferentes dos Serviços Cognitivos do Azure para enriquecer os seus dados no Power Query.
Os seguintes serviços são atualmente suportados:
As transformações são executadas no serviço do Power BI e não exigem uma assinatura dos Serviços Cognitivos do Azure.
Importante
Usar os recursos de Análise de Texto ou Visão requer o Power BI Premium.
Habilite a Análise de Texto e a Visão em capacidades Premium
Os Serviços Cognitivos são suportados para nós de capacidade Premium EM2, A2 ou P1 e outros nós com mais recursos. Uma carga de trabalho de IA separada na capacidade é usada para executar os Serviços Cognitivos. Antes de usar os Serviços Cognitivos no Power BI, você deve habilitar a carga de trabalho de IA nas configurações de capacidade do portal de administração. Você pode ativar a carga de trabalho de IA na seção de cargas de trabalho e definir a quantidade máxima de memória que deseja que essa carga de trabalho consuma. O limite de memória recomendado é de 20%. Exceder esse limite faz com que a consulta fique mais lenta.
Funções disponíveis
Esta seção descreve as funções disponíveis nos Serviços Cognitivos no Power BI.
Detetar idioma
A função Detetar idioma avalia a entrada de texto e, para cada campo, retorna o nome do idioma e o identificador ISO. Esta função é útil para colunas de dados que coletam texto arbitrário, onde o idioma é desconhecido. A função espera dados em formato de texto como entrada.
A Análise de Texto reconhece até 120 idiomas. Para obter mais informações, consulte os idiomas suportados.
Extrair expressões-chave
A função Extração de frase-chave avalia texto não estruturado e, para cada campo de texto, retorna uma lista de frases-chave. A função requer um campo de texto como entrada e aceita uma entrada opcional para um código ISO de idioma.
A extração de frases-chave funciona melhor quando você dá a ela pedaços maiores de texto para trabalhar, ao contrário da análise de sentimento. A análise de sentimento tem melhor desempenho em blocos menores de texto. Para obter os melhores resultados com as duas operações, pondere reestruturar as entradas em conformidade.
Sentimento de pontuação
A função de sentimento Pontuação avalia a entrada de texto e retorna uma pontuação de sentimento para cada documento, variando de 0 (negativo) a 1 (positivo). O sentimento de pontuação também aceita uma entrada opcional para um código ISO de idioma. Esta função é útil para detetar sentimentos positivos e negativos nas redes sociais, avaliações de clientes e fóruns de discussão.
A Análise de Texto utiliza um algoritmo de classificação de aprendizagem automática para gerar uma pontuação de sentimento entre 0 e 1. Pontuações mais próximas de 1 indicam sentimento positivo. Pontuações mais próximas de 0 indicam sentimento negativo. O modelo é pré-treinado com um extenso corpo de texto com associações de sentimento. Atualmente, não é possível fornecer seus próprios dados de treinamento. O modelo utiliza uma combinação de técnicas durante a análise de texto, incluindo o processamento de texto, a análise de parte do discurso, posicionamento de palavras e associações de palavras. Para obter mais informações sobre o algoritmo, veja Introdução à Análise de Texto.
A análise de sentimento é realizada em todo o campo de entrada, em oposição à extração de sentimento para uma entidade específica no texto. Na prática, há uma tendência de melhorar a precisão da pontuação quando os documentos contêm uma ou duas frases, em vez de um grande bloco de texto. Durante uma fase de avaliação da objetividade, o modelo determina se um campo de entrada como um todo é objetivo ou contém sentimento. Um campo de entrada que é principalmente objetivo não progride para a frase de deteção de sentimento, resultando em uma pontuação de 0,50, sem processamento adicional. Para campos de entrada que continuam no pipeline, a próxima fase gera uma pontuação maior ou menor que 0,50, dependendo do grau de sentimento detetado no campo de entrada.
Atualmente, a Análise de Sentimentos suporta os seguintes idiomas: inglês, alemão, espanhol e francês. Os outros idiomas estão em pré-visualização. Para obter mais informações, consulte os idiomas suportados.
Imagens da etiqueta
A função Imagens de tags retorna tags baseadas em mais de 2.000 objetos reconhecíveis, seres vivos, cenários e ações. Quando as tags são ambíguas ou não são de conhecimento comum, a saída fornece dicas para esclarecer o significado da tag no contexto de uma configuração conhecida. As tags não são organizadas como uma taxonomia e não existem hierarquias de herança. Uma coleção de tags de conteúdo forma a base para uma descrição de imagem exibida como linguagem legível por humanos formatada em frases completas.
Depois de carregar uma imagem ou especificar um URL de imagem, os algoritmos da Visão Computacional produzem tags com base nos objetos, seres vivos e ações identificadas na imagem. A identificação não se limita ao motivo principal, por exemplo, uma pessoa em primeiro plano, mas também inclui o cenário (interior ou exterior), mobiliário, ferramentas, plantas, animais, acessórios, gadgets, etc.
Esta função requer um URL de imagem ou um campo base-64 como entrada. No momento, a marcação de imagem suporta inglês, espanhol, japonês, português e chinês simplificado. Para obter mais informações, consulte os idiomas suportados.
Invocar funções de Análise de Texto ou Visão no Power Query
Para enriquecer os seus dados com as funções de Análise de Texto ou Visão, abra o Power Query Editor. Este exemplo mostra a pontuação do sentimento de um texto. Você pode usar as mesmas etapas para extrair frases-chave, detetar idioma e marcar imagens.
Selecione o botão Análise de texto na faixa de opções Página Inicial ou Adicionar Coluna. Em seguida, inicie sessão quando vir a mensagem.
Depois de iniciar sessão, selecione a função que pretende utilizar e a coluna de dados que pretende transformar na janela pop-up.
O Power BI seleciona uma capacidade Premium para executar a função e enviar os resultados de volta para o Power BI Desktop. A capacidade selecionada só é usada para a função Análise de Texto e Visão durante o aplicativo e atualizações no Power BI Desktop. Depois que o Power BI publica o relatório, as atualizações são executadas na capacidade Premium do espaço de trabalho no qual o relatório é publicado. Você pode alterar a capacidade usada para todos os Serviços Cognitivos no menu suspenso no canto inferior esquerdo da janela pop-up.
O código ISO da linguagem é uma entrada opcional para especificar o idioma do texto. Você pode usar uma coluna como entrada ou um campo estático. Neste exemplo, o idioma é especificado como inglês (en) para toda a coluna. Se você deixar esse campo em branco, o Power BI detetará automaticamente o idioma antes de aplicar a função. Em seguida, selecione Aplicar.
Na primeira vez que você usa o AI Insights em uma nova fonte de dados, o Power BI Desktop solicita que você defina o nível de privacidade de seus dados.
Nota
As atualizações do modelo semântico no Power BI só funcionarão para fontes de dados em que o nível de privacidade esteja definido como público ou organizacional.
Depois de invocar a função, o resultado é adicionado como uma nova coluna à tabela. A transformação também é adicionada como uma etapa aplicada na consulta.
Nos casos de marcação de imagem e extração de frase-chave, os resultados podem retornar vários valores. Cada resultado individual é retornado em uma duplicata da linha original.
Publicar um relatório com funções de Análise de Texto ou Visão
Ao editar no Power Query e executar atualizações no Power BI Desktop, a Análise de Texto e a Visão utilizam a capacidade Premium selecionada no Power Query Editor. Depois que o Text Analytics ou o Vision publicam o relatório, eles usam a capacidade Premium do espaço de trabalho no qual ele foi publicado.
Os relatórios com funções aplicadas de Análise de Texto e Visão devem ser publicados em um espaço de trabalho que esteja em uma capacidade Premium, caso contrário, a atualização do modelo semântico falhará.
Gerencie o impacto em uma capacidade Premium
As seções a seguir descrevem como você pode gerenciar os impactos da Análise de Texto e da Visão na capacidade.
Selecione uma capacidade
Os autores de relatórios podem selecionar a capacidade Premium na qual executar o AI Insights. Por padrão, o Power BI seleciona a primeira capacidade criada à qual o usuário tem acesso.
Monitore com o aplicativo Métricas de Capacidade
Os proprietários de capacidade Premium podem monitorar o impacto das funções de Análise de Texto e Visão em uma capacidade com o aplicativo Microsoft Fabric Capacity Metrics. O aplicativo fornece métricas detalhadas sobre a integridade das cargas de trabalho de IA dentro da sua capacidade. O gráfico superior mostra o consumo de memória por cargas de trabalho de IA. Os administradores de capacidade premium podem definir o limite de memória para a carga de trabalho de IA por capacidade. Quando o uso de memória atinge o limite de memória, você pode considerar aumentar o limite de memória ou mover alguns espaços de trabalho para uma capacidade diferente.
Comparar o Power Query e o Power Query Online
As funções de Análise de Texto e Visão utilizadas no Power Query e no Power Query Online são as mesmas. Existem apenas algumas diferenças entre as experiências:
- O Power Query tem botões separados para Análise de Texto, Visão e Azure Machine Learning. No Power Query Online, estas funcionalidades são combinadas num menu.
- No Power Query, o autor do relatório pode selecionar a capacidade Premium utilizada para executar as funções. Esta opção não é necessária no Power Query Online, uma vez que um fluxo de dados já está numa capacidade específica.
Considerações e limitações da Análise de Texto
Há algumas considerações e limitações a ter em mente ao usar a Análise de Texto.
- A atualização incremental é suportada, mas pode causar problemas de desempenho quando usada em consultas com insights de IA.
- O Direct Query não é suportado.
Utilizar o Azure Machine Learning
Várias organizações usam modelos de Machine Learning para melhores insights e previsões sobre seus negócios. A capacidade de visualizar e invocar insights desses modelos pode ajudar a disseminar esses insights para os usuários corporativos que mais precisam. O Power BI simplifica a incorporação de informações de modelos hospedados no Aprendizado de Máquina do Azure, usando gestos simples de apontar e clicar.
Para usar esse recurso, um cientista de dados pode conceder acesso ao modelo do Azure Machine Learning ao analista de BI usando o portal do Azure. Em seguida, no início de cada sessão, o Power Query descobre todos os modelos do Azure Machine Learning aos quais o utilizador tem acesso e expõe-os como funções dinâmicas do Power Query. Em seguida, o utilizador pode invocar essas funções acedendo-as a partir do friso no Power Query Editor ou invocando diretamente a função M. O Power BI também agrupa automaticamente as solicitações de acesso ao invocar o modelo do Azure Machine Learning para um conjunto de linhas para obter um melhor desempenho.
Esta funcionalidade é suportada no Power BI Desktop, nos fluxos de dados do Power BI e no Power Query Online no serviço do Power BI.
Para saber mais sobre fluxos de dados, consulte Preparação de dados de autoatendimento no Power BI.
Para saber mais sobre o Azure Machine Learning, consulte os seguintes artigos:
- Visão geral: O que é o Azure Machine Learning?
- Inícios rápidos e tutoriais para o Azure Machine Learning: Documentação do Azure Machine Learning
Conceder acesso a um modelo do Azure Machine Learning
Para acessar um modelo do Azure Machine Learning do Power BI, o usuário deve ter acesso de Leitura à assinatura do Azure. Além disso, eles também devem ter acesso de Leitura ao espaço de trabalho do Aprendizado de Máquina.
As etapas nesta seção descrevem como conceder a um usuário do Power BI acesso a um modelo hospedado no serviço Azure Machine Learning. Com esse acesso, eles podem usar esse modelo como uma função do Power Query. Para obter mais informações, veja Gerir o acesso através do RBAC e do portal do Azure.
- Inicie sessão no portal do Azure.
- Aceda à página Subscrições . Pode encontrar a página Subscrições através da lista Todos os Serviços no menu de navegação esquerdo do portal do Azure.
- Selecione a sua subscrição.
- Selecione Controle de acesso (IAM) e, em seguida, selecione o botão Adicionar .
- Selecione Leitor como a função. Selecione o usuário do Power BI ao qual você deseja conceder acesso ao modelo do Azure Machine Learning.
- Selecione Guardar.
- Repita as etapas três a seis para conceder acesso ao Reader ao usuário para o espaço de trabalho específico do Machine Learning que hospeda o modelo.
Descoberta de esquema para modelos de Machine Learning
Os cientistas de dados usam principalmente Python para desenvolver, e até mesmo implantar, seus modelos de aprendizado de máquina para Machine Learning. O cientista de dados deve gerar explicitamente o arquivo de esquema usando Python.
Esse arquivo de esquema deve ser incluído no serviço Web implantado para modelos de Machine Learning. Para gerar automaticamente o esquema para o serviço Web, você deve fornecer uma amostra da entrada/saída no script de entrada para o modelo implantado. Para obter mais informações, consulte a subseção sobre Geração automática de esquema Swagger (opcional) na documentação Implantar modelos com o serviço Azure Machine Learning . O link inclui o script de entrada de exemplo com as instruções para a geração do esquema.
Especificamente, as funções @input_schema e @output_schema no script de entrada fazem referência aos formatos de amostra de entrada e saída nas variáveis input_sample e output_sample. As funções usam esses exemplos para gerar uma especificação OpenAPI (Swagger) para o serviço Web durante a implantação.
Estas instruções para geração de esquema, atualizando o script de entrada, também devem ser aplicadas a modelos criados usando experimentos automatizados de aprendizado de máquina com o SDK do Azure Machine Learning.
Nota
Atualmente, os modelos criados usando a interface visual do Azure Machine Learning não oferecem suporte à geração de esquema, mas o farão em versões subsequentes.
Invocar um modelo do Azure Machine Learning no Power Query
Pode invocar qualquer modelo do Azure Machine Learning ao qual lhe tenha sido concedido acesso, diretamente a partir do Editor do Power Query. Para aceder aos modelos do Azure Machine Learning, selecione o botão Azure Machine Learning no friso Base ou Adicionar Coluna no Editor do Power Query.
Todos os modelos do Azure Machine Learning aos quais você tem acesso estão listados aqui como funções do Power Query. Além disso, os parâmetros de entrada para o modelo do Azure Machine Learning são mapeados automaticamente como parâmetros da função Power Query correspondente.
Para invocar um modelo do Azure Machine Learning, você pode especificar qualquer uma das colunas da entidade selecionada como uma entrada da lista suspensa. Você também pode especificar um valor constante a ser usado como entrada alternando o ícone de coluna à esquerda da caixa de diálogo de entrada.
Selecione OK para exibir a visualização da saída do modelo do Azure Machine Learning como uma nova coluna na tabela de entidades. A invocação do modelo aparece como uma etapa aplicada para a consulta.
Se o modelo retornar vários parâmetros de saída, eles serão agrupados como um registro na coluna de saída. Você pode expandir a coluna para produzir parâmetros de saída individuais em colunas separadas.
Considerações e limitações do Azure Machine Learning
As seguintes considerações e limitações aplicam-se ao Azure Machine Learning no Power BI Desktop.
- Atualmente, os modelos criados usando a interface visual do Azure Machine Learning não oferecem suporte à geração de esquema. O suporte está previsto em versões subsequentes.
- A atualização incremental é suportada, mas pode causar problemas de desempenho quando usada em consultas com insights de IA.
- O Direct Query não é suportado.
- Os usuários com uma licença Premium Por Usuário (PPU) somente não podem usar o AI Insights do Power BI Desktop; você deve usar uma licença Premium não-PPU com sua capacidade Premium correspondente. Você ainda pode usar o AI Insights com uma licença PPU do serviço Power BI.
Conteúdos relacionados
Este artigo forneceu uma visão geral da integração do Machine Learning no Power BI Desktop. Os seguintes artigos também podem ser interessantes e úteis.
Comentários
Brevemente: Ao longo de 2024, vamos descontinuar progressivamente o GitHub Issues como mecanismo de feedback para conteúdos e substituí-lo por um novo sistema de feedback. Para obter mais informações, veja: https://aka.ms/ContentUserFeedback.
Submeter e ver comentários