Koncepty Fabric dátových agentov

Dátový agent v Microsoft Fabric je všeobecne dostupná funkcia, ktorá vám umožní vytvoriť si vlastný konverzačný Q& Systémy pomocou generatívnej AI. Dátový agent Fabric robí dátové poznatky dostupnejšími a použiteľnejšími pre všetkých vo vašej organizácii. Použitím Fabric dátového agenta môže váš tím viesť rozhovory s jednoduchými otázkami v angličtine o údajoch, ktoré vaša organizácia uložila vo Fabric OneLake, a následne získať relevantné odpovede. Týmto spôsobom môžu dokonca aj ľudia bez technickej odbornosti v umelej inteligencii alebo hlbokého porozumenia štruktúry údajov získať presné a kontextové odpovede. V rámci širších architektúr agentických aplikácií na Microsoft Fabric slúžia dátoví agenti ako komponent konverzačnej analytiky, ktorý sa pripája k spravovaným dátam v OneLake prostredníctvom jazerných domov, skladov, sémantických modelov a KQL databáz v multiagentových riešeniach.

Môžete tiež pridať organizačne špecifické inštrukcie, príklady a usmernenia na doladenie Fabric dátového agenta. Tento prístup zabezpečuje, že odpovede sú v súlade s potrebami a cieľmi vašej organizácie, čo umožňuje všetkým efektívnejšie pracovať s dátami. Fabric dátový agent podporuje kultúru rozhodovania založeného na dátach, pretože znižuje prekážky prístupnosti k poznatkom, uľahčuje spoluprácu a pomáha vašej organizácii vyťažiť z dát väčšiu hodnotu.

Prerequisites

Predpoklady správy

Ak je váš tenant alebo pracovný priestor riadený politikami Microsoft Purview, agenti musia fungovať v rámci týchto politík. Nasledujúce politiky Purview môžu obmedziť prístup agentov a výsledky, ktoré agenti vracajú, na základe citlivosti a konfigurácie politiky:

  • Purview DLP politiky v Fabric Data Warehouse (všeobecne dostupné): DLP politiky dokážu detegovať a obmedziť prístup k citlivým údajom v skladových aktívach, ktoré agent dotazuje.
  • Obmedzenia prístupu (náhľad) pre Fabric KQL databázu, Fabric SQL databázu a Fabric Data Warehouse: Tieto politiky môžu zabrániť agentovi v prístupe alebo vracaniu výsledkov z aktív, ktoré sú klasifikované ako citlivé.

Ako funguje dátový agent Fabric

Dátový agent Fabric používa veľké jazykové modely (LLM), aby používateľom pomohol prirodzene pracovať s ich dátami. Fabric dátový agent aplikuje Azure OpenAI Assistant API a správa sa ako agent. Spracováva otázky používateľov, určuje najrelevantnejší zdroj dát (Lakehouse, Warehouse, Power BI dataset, databázy KQL, ontológie alebo Microsoft Graph) a vyvoláva vhodný nástroj na generovanie, overovanie a vykonávanie dotazov. Používatelia potom môžu klásť otázky jednoduchým jazykom a dostávať štruktúrované, ľudsky čitateľné odpovede. Tento prístup eliminuje potrebu písať zložité dotazy a zabezpečuje presný a bezpečný prístup k dátam.

Tu je podrobný postup, ako to funguje:

Analýza a validácia otázok: Dátový agent Fabric aplikuje Azure API OpenAI Assistant ako základný agent na spracovanie otázok používateľov. Tento prístup zabezpečuje, aby otázka bola v súlade s bezpečnostnými protokolmi, zodpovednými politikami rozhrania AI (RAI) a povoleniami používateľa. Dátový agent Fabric tiež rešpektuje kontroly správy Microsoft Purview aplikované na základné zdroje dát Fabric, vrátane politík prevencie straty dát (DLP) a obmedzení prístupu. Vynucovanie politík môže zabrániť spusteniu určitých dopytov alebo zobrazeniu konkrétnych údajov v odpovediach. Dátový agent Fabric prísne vynucuje prístup iba na čítanie, pričom udržiava dátové spojenia iba na čítanie so všetkými zdrojmi dát.

Mechanizmy presadzovania: Dátový agent Fabric počas spracovania uplatňuje niekoľko vrstiev ochrany. Používa prihlasovacie údaje a oprávnenia žiadajúceho používateľa na vynútenie prístupu s najnižšími privilégiami, čím zabezpečuje, že každá interakcia dosiahne iba údaje, ktoré má používateľ oprávnené prezerať. Agent vyhodnocuje požiadavky voči nastaveniam politiky nájomcu a pracovného priestoru pred vykonaním akejkoľvek akcie. Ochranné zábrany obmedzujú vyvolávanie a výstupy nástroja do zdrojov s obmedzeným rozsahom, čím zabraňujú dopytom dosiahnuť zdroje mimo konfigurovaného rozsahu. Voliteľne môžete integrovať Azure AI Content Safety na aplikáciu kontrol rizík obsahu, ktoré pomáhajú znižovať škodlivé alebo nesprávne reakcie.

identifikácia zdroja dát: Dátový agent Fabric používa prihlasovacie údaje používateľa na prístup k schéme zdroja údajov. Tento prístup zabezpečuje, že systém načíta informácie o dátových štruktúrach, ktoré má používateľ oprávnenie zobrazovať. Agent potom vyhodnocuje otázku používateľa voči všetkým dostupným zdrojom dát, vrátane relačných databáz (Lakehouse a Warehouse), Power BI datasetov (sémantické modely), KQL databáz (vrátane Eventhouse), ontológií a Microsoft Graph. Môže tiež odkazovať na pokyny agenta údajov poskytnuté používateľom na určenie najrelevantnejšieho zdroja údajov. Pre Power BI sémantické modely agent používa používateľské oprávnenie na čítanie modelu na získanie schémy a metadát pre generovanie dotazov; Stavebné povolenie nie je potrebné pre agentom riadené dotazy.

Volanie nástroja a generovanie dotazov: Keď je identifikovaný správny zdroj alebo zdroje dát, Fabric dátový agent otázku preformuluje pre jasnosť a štruktúru a potom vyvolá príslušný nástroj na generovanie štruktúrovaného dotazu:

  • Prirodzený jazyk pre SQL (NL2SQL) pre relačné databázy (Lakehouse/Warehouse).
  • Prirodzený jazyk pre DAX (NL2DAX) pre Power BI datasety (Sémantické modely).
  • Prirodzený jazyk pre KQL (NL2KQL) pre databázy KQL. NL2KQL môže používať používateľom definované funkcie KQL (UDF), keď sú dostupné vo vybraných databázach. NL2KQL môže bežať na databázach Eventhouse KQL pre živé aj historické udalosti alebo časové rady, pričom sú podporované štandardné KQL časové filtre a časové vzory.
  • Microsoft Graph dotazuje na organizačné dáta prístupné cez Microsoft Graph.

Vybraný nástroj generuje dotaz na základe poskytnutej schémy, metadát a kontextu, ktorý agent podkladá za Fabric dátový agent.

Overovanie dotazov: Nástroj vykonáva validáciu, aby zabezpečil, že dotaz je správne vytvorený a dodržiava vlastné bezpečnostné protokoly a RAI politiky.

Vykonanie a odpoveď dotazu: Po overení Fabric dátový agent vykoná dotaz na vybraný zdroj dát. Výsledky sú formátované do odpovede čitateľnej pre ľudí, ktorá môže obsahovať štruktúrované údaje, ako sú tabuľky, súhrny alebo kľúčové prehľady.

Použitím tohto prístupu môžu používatelia interagovať so svojimi údajmi pomocou prirodzeného jazyka. Dátový agent Fabric rieši zložitosť generovania, validácie a vykonávania dotazov. Používatelia nemusia sami písať SQL, DAX alebo KQL.

Bezpečnosť a správa s Microsoft Purview

Microsoft Purview poskytuje správu a kontrolu rizík pre Fabric dátových agentov. Tieto funkcie sú momentálne v ukážke a pomáhajú organizáciám udržiavať súlad pri používaní agentov na prístup k Fabric dátam. Medzi kľúčové možnosti patria:

  • Zisťovanie a auditovanie rizík: Výzvy a odpovede od Fabric dátových agentov môžu byť predmetom zisťovania a auditu rizík Purview, čo bezpečnostným tímom poskytuje prehľad o tom, ako agenti interagujú s organizačnými dátami.
  • Hodnotenia rizík dát DSPM: Hodnotenie dátových rizík (DSPM) môže odhaliť citlivé dátové riziká v zdrojoch údajov, ktoré agenti používajú, a pomôcť vám identifikovať a riešiť potenciálne riziko.
  • Riadenie insider rizík: Purview Insider Risk Management dokáže odhaliť rizikové vzorce používania AI týkajúce sa agentov, ako sú nezvyčajné objemy dotazov alebo prístup k citlivým údajom.
  • Audit, eDiscovery a retencia: Purview Audit, eDiscovery a retencia politiky sa vzťahujú na interakcie a výstupy agentov v podporovaných Fabric pracovných zaťaženiach. Detekcia nesúladu s používaním môže tiež označiť aktivitu agenta, ktorá porušuje organizačné pravidlá.

Pre viac informácií o tom, ako sa Microsoft Purview integruje s Fabric, pozri Use Microsoft Purview na riadenie Microsoft Fabric.

Konfigurácia Fabric dátového agenta

Konfigurácia Fabric dátového agenta je podobná tvorbe Power BI reportu – začnete jej návrhom a úpravou tak, aby vyhovovala vašim potrebám, potom ju publikujete a zdieľate s kolegami, aby mohli s dátami interagovať. Nastavenie Fabric dátového agenta zahŕňa:

Výber dátových zdrojov: Dátový agent Fabric podporuje až päť dátových zdrojov v ľubovoľnej kombinácii, vrátane jazerných domov, skladov, KQL databáz, Power BI sémantických modelov, ontológií a Microsoft Graph. Napríklad nakonfigurovaný Fabric dátový agent môže obsahovať päť Power BI sémantických modelov. Môže zahŕňať kombináciu dvoch Power BI sémantických modelov, jedného jazerného domu a jednej databázy KQL. K dispozícii máte množstvo možností. Eventhouse KQL databázy sú podporované ako zdroje dát KQL pre dátových agentov; agenti dotazujú údaje Eventhouse priamo na mieste bez pohybu dát.

Výber relevantných tabuliek: Po výbere dátových zdrojov ich postupne pridávajte a definujte konkrétne tabuľky z každého zdroja, ktoré Fabric dátový agent používa. Tento krok zabezpečuje, že dátový agent Fabric získava presné výsledky zameraním sa iba na relevantné údaje. Pre jazerné domy tento krok znamená vybrať tabuľky jazerných domov (nie jednotlivé súbory jazerných domov). Ak vaše dáta začínajú ako súbory (napríklad CSV alebo JSON), sprístupnite ich agentovi tak, že ich vložíte do tabuliek alebo inak sprístupníte cez tabuľky. Pre databázy KQL podporované Eventhouse vyberte len tabuľky najrelevantnejšie pre typické otázky a povzbudzujte používateľov, aby pri dotazovaní na vysokoobjemové časové rady alebo udalosti zahrnuli časové filtre, aby odpovede boli rýchle.

Pridanie kontextu: Na zlepšenie presnosti Fabric dátových agentov poskytujte viac kontextu prostredníctvom Fabric inštrukcií dátového agenta a príkladových dotazov. Ako základný agent pre dátového agenta Fabric pomáha tento kontext API Azure OpenAI Assistant robiť informovanejšie rozhodnutia o spracovaní otázok používateľov a určiť, ktorý zdroj dát je najvhodnejší na ich zodpovedanie.

  • Inštrukcie dátového agenta: Pridajte inštrukcie na vedenie agenta, ktorý je základom Fabric dátového agenta, pri určovaní najlepšieho dátového zdroja na zodpovedanie konkrétnych typov otázok. Môžete tiež zadať vlastné pravidlá alebo definície, ktoré objasňujú organizačnú terminológiu alebo konkrétne požiadavky. Tieto pokyny môžu poskytnúť viac kontextov alebo predvolieb, ktoré ovplyvňujú spôsob výberu a dotazovania zdrojov údajov agentom. Napríklad priame otázky o finančných metrikách do Power BI sémantického modelu, priraďujte dotazy zahŕňajúce surové skúmanie dát do jazerného domu a smerujte otázky vyžadujúce log analýzu do databázy KQL.

  • Príkladové dotazy: Pridajte ukážkové páry otázka-dotaz, aby ste ilustrovali, ako by mal Fabric dátový agent reagovať na bežné dotazy. Tieto príklady slúžia ako pomôcka pre agenta, ktorý pomáha pochopiť, ako interpretovať podobné otázky a generovať presné odpovede.

Note

Pridanie vzorových párov dotaz/otázka momentálne nie je podporované pre Power BI sémantické modelové dátové zdroje.

Kombináciou jasných AI inštrukcií a relevantných príkladových dotazov môžete lepšie zosúladiť dátového agenta Fabric s dátovými potrebami vašej organizácie, čím zabezpečíte presnejšie a kontextovo uvedomelé odpovede.

Important

Inštrukcie dátových agentov a príkladové dotazy poskytované vývojárom musia fungovať v rámci organizačných a rolových obmedzení. Ak inštrukcie alebo výzvy sú v rozpore s politikou (napríklad pokus obísť správanie iba na čítanie alebo prístup k zdrojom mimo rozsahu), agent požiadavku odmietne alebo presmeruje podľa modelu precedencie popísaného v nasledujúcej sekcii.

Vrstvy správy a zámeru

Keď konfigurujete Fabric dátového agenta, viacvrstvy zámeru môžu ovplyvniť, ako sa agent správa. Tieto vrstvy, zoradené od najvyššej po najnižšiu prioritu, určujú, čo môže agent robiť:

  1. Organizačný zámer: Celonájomné politiky a požiadavky na súlad stanovené administrátormi vašej organizácie. Tieto obmedzenia majú najvyššiu prioritu a nemôžu byť prepísané žiadnou inou vrstvou.
  2. Zámer založený na rolách: Nastavenia správy pracovného priestoru a hranice oprávnení, ktoré sa vzťahujú na konkrétne roly alebo skupiny. Tieto nastavenia vynucujú prístupové kontroly a obmedzenia rozsahu dát.
  3. Zámer vývojára: Vlastné inštrukcie, príkladové dotazy a konfigurácie dátových zdrojov, ktoré poskytujete pri tvorbe dátového agenta.
  4. Zámer používateľa: Otázky a podnety, ktoré koncoví používatelia zadávajú počas rozhovorov s agentom.

Keď vzniknú konflikty medzi vrstvami, vrstvy s vyššou prioritou prepíšu tie nižšie. Napríklad organizačné politiky a nastavenia riadenia pracovného priestoru vždy prepisujú pokyny vývojárov a používateľské výzvy. Tento model priority zabezpečuje, že agent pracuje v schválených hraniciach, bez ohľadu na to, ako je nastavený alebo vyzvaný.

Rozdiel medzi Fabric dátovým agentom a kopilotom

Hoci Fabric dátoví agenti aj Fabric kopiloti používajú generatívnu AI na spracovanie a uvažovanie nad dátami, existujú kľúčové rozdiely v ich funkčnosti a prípadoch použitia:

Flexibilita konfigurácie: Môžete vysoko nakonfigurovať Fabric dátových agentov. Môžete zadať vlastné pokyny a príklady na prispôsobenie ich správania pre konkrétne scenáre. Fabric kopiloti sú naopak predkonfigurovaní a neponúkajú takúto úroveň prispôsobenia.

Rozsah a prípad použitia: Fabric kopiloti pomáhajú s úlohami v rámci Microsoft Fabric, ako je generovanie kódu zápisníka alebo skladových dotazov. Fabric dátové agenti sú naopak samostatné konfigurovateľné artefakty, ktoré dokážu dotazovať dáta cez OneLake a sémantické modely. Fabric dátové agenty sa môžu tiež integrovať s Microsoft 365 Copilot a zobrazovať poznatky v prirodzenom jazyku priamo v aplikáciách Microsoft 365. Keď sú agenti prístupní cez Microsoft 365 Copilot, politiky správy Microsoft Purview sa stále vzťahujú na základné zdroje dát. Okrem toho sa Fabric dátoví agenti môžu pripojiť k externým systémom ako Microsoft Copilot Studio, Azure AI Foundry, Microsoft Teams alebo iným nástrojom mimo Fabric. Externé orchestrátory a runtime s viacerými agentmi môžu vyvolať Fabric dátových agentov na podporu end-to-end agentických pracovných tokov, zatiaľ čo dátoví agenti zostávajú zameraní na iba na čítanie a riadený prístup k dátam.

Hodnotenie dátového agenta Fabric

Produktový tím dôkladne hodnotil kvalitu a bezpečnosť odpovedí Fabric dátových agentov:

Benchmark Testing: Produktový tím testoval Fabric dátových agentov naprieč rôznymi verejnými a súkromnými dátovými súbormi, aby zabezpečil vysokú kvalitu a presné odpovede.

Enhanced Harm Mitigations: Produktový tím zaviedol ochranné opatrenia, ktoré zabezpečili, že výstupy Fabric dátových agentov zostanú zamerané na kontext vybraných zdrojov, čím sa znížilo riziko irelevantných alebo zavádzajúcich odpovedí.

Riadenie a zabezpečenie

Integrácia s Microsoft Purview poskytuje riadenie pre Fabric dátových agentov. Keď konfigurujete dátového agenta, politiky správy Purview sa vzťahujú na základné dátové zdroje, ku ktorým má agent prístup. Táto integrácia pomáha zabezpečiť, že prístup k dátam cez agentov dodržiava rovnaké pravidlá súladu a klasifikácie ako priamy prístup.

Microsoft Purview politiky: Purview politiky, ako sú kontroly prístupu k dátam a citlivé štítky, sa vzťahujú na zdroje údajov, ktoré agenti vyhľadávajú. Ak politika Purview obmedzuje prístup k jazernému domu alebo skladu, agent toto obmedzenie rešpektuje pri spracovaní používateľských dotazov.

Ochrana odchádzajúceho prístupu: Fabric dátoví agenti pracujú v rámci hraníc ochrany prístupu do pracovného priestoru. Administrátori pracovného priestoru môžu spravovať povolené odchádzajúce pripojenia prostredníctvom nastavení pracovného priestoru, aby kontrolovali, ktoré externé koncové body môže dátový agent dosiahnuť.

Microsoft 365 Copilot integrácia: Keď sa Microsoft 365 Copilot objavia Fabric dátových agentov, politiky správy Purview naďalej platia. Používatelia môžu pristupovať len k údajom, ktoré im umožňujú ich prihlasovacie údaje a pravidlá Purview, bez ohľadu na vstupný bod.

ALM a DevOps pre dátových agentov

Fabric dátové agenty podporujú schopnosti správy životného cyklu aplikácií (ALM), ktoré vám pomáhajú spravovať konfigurácie agentov naprieč vývojovými, testovacími a produkčnými prostrediami.

Diagnostika: Používajte zabudovanú diagnostiku na monitorovanie správania agentov, identifikáciu problémov s generovaním dotazov a riešenie kvality odpovede. Diagnostika poskytuje prehľad o tom, ako agent spracováva otázky a vyberá zdroje dát.

Integrácia s Gitom: Konfigurácie agentov môžete verzionovať pomocou integrácie s Gitom. Pripojte svoj Fabric pracovný priestor k Git repozitáru, aby ste sledovali zmeny v inštrukciách agenta, príkladových dotazoch a výbere dátových zdrojov v priebehu času.

Deployment pipelines: Použite Fabric deployment pipeline na propagáciu dátových agentov naprieč pracovnými priestormi (napríklad od vývoja po produkciu). Táto podpora vám umožňuje testovať zmeny v prostredí stagingu predtým, než ich sprístupníte koncovým používateľom.

Prevádzkový dohľad

Aby ste udržali priebežnú kvalitu a zosúladenie s politikou, zvážte tieto prevádzkové postupy pre vášho Fabric dátového agenta:

  • Logovanie a audit: Monitorujte interakcie agentov prostredníctvom dostupných možností logovania a auditu. Preskúmanie vzorcov dopytov a kvality odpovedí vám pomôže včas identifikovať neočakávané správanie.
  • Eskalácia človeka v kruhu: Stanovte cesty eskalácie pre citlivé alebo vysoko dopadové požiadavky. V situáciách, kde automatizované odpovede nestačia, definujte procesy, ktoré smerujú otázky kvalifikovaným recenzentom.
  • Pravidelné kontrolovanie: Pravidelne kontrolujte pokyny a príklady dotazov pre dátového agenta, aby ste sa uistili, že sú v súlade s aktuálnymi organizačnými politikami a dátovými štruktúrami. Ako sa menia vaše dátové zdroje alebo obchodné požiadavky, aktualizujte konfiguráciu agenta podľa toho.

Limitations

  • Dátový agent Fabric generuje iba SQL, DAX a KQL "čítané" dotazy. Negeneruje SQL, DAX ani KQL dotazy, ktoré vytvárajú, aktualizujú alebo mažú dáta. Hoci Eventhouse integruje detekciu anomálií, SQL Endpoint a notebooky, Fabric dátové agenty zostávajú len na čítanie a nespúšťajú úlohy detekcie anomálií, zápisníky ani iné pracovné postupy písania či akcií v Eventhouse.
  • Dátový agent Fabric nepodporuje neštruktúrované dáta, ako sú .pdf, .docxalebo .txt súbory. Nemôžete použiť Fabric dátový agent na prístup k neštruktúrovaným dátovým zdrojom.
  • Pre zdroje dát pre lakehouse odpovedá dátový agent Fabric na otázky pomocou vybraných jazerných tabuliek. Nečíta priamo samostatné lakehouse súbory (napríklad CSV alebo JSON súbory), pokiaľ nie sú vložené alebo zobrazené ako tabuľky.
  • Dátový agent Fabric momentálne nepodporuje neanglické jazyky. Pre optimálny výkon poskytujte otázky, inštrukcie a príkladové dotazy v angličtine.
  • Nemôžete zmeniť LLM, ktorý používa Fabric dátový agent.
  • História konverzácie v Fabric dátovom agentovi nemusí vždy pretrvávať. V určitých prípadoch, ako sú zmeny backendovej infraštruktúry, aktualizácie služieb alebo modernizácie modelov, môže byť história minulých konverzácií resetovaná alebo stratená.
  • Dátový agent Fabric nemôže vykonávať dotazy, ak je kapacita pracovného priestoru zdroja dát v inom regióne ako kapacita pracovného priestoru dátového agenta. Napríklad jazerný dom s kapacitou v severnej Európe zlyhá, ak je kapacita dátového agenta vo Francúzsku Central.
  • Používatelia môžu vo svojom Data Agentovi poskytnúť až 100 ukážkových dotazov na jeden dátový zdroj.
  • Fabric Data Agents sú v súčasnosti navrhnuté na konverzačné poznatky, nie na vrátenie kompletných dátových súborov. Aby sa zabezpečili stručné a efektívne odpovede, výstupy z chatu automaticky obmedzujú a/alebo zhrňujú vrátené údaje. V súčasnosti sú odpovede obmedzené na maximálne 25 riadkov a 25 stĺpcov. Upozorňujeme, že predchádzajúce chaty môžu ovplyvniť ďalšie odpovede. Napríklad, ak požiadate o "zobraziť všetky riadky za tento rok", agent vám stále vráti maximálne 25 riadkov. Následné otázky môžu byť zodpovedané na základe už tak obmedzeného kontextu, čo môže ovplyvniť výsledok. V takýchto prípadoch sa odporúča začať novú chatovaciu reláciu.
  • Odpovede agentov môžu byť skrátené alebo zablokované, ak sa na základné dátové zdroje uplatňujú politiky Microsoft Purview DLP alebo obmedzenia prístupu. Konkrétne správanie závisí od konfigurácie politík vo vašej organizácii.
  • Aktíva označené ako citlivé politikami Purview môžu byť pre agenta neprístupné, čo môže viesť k neúplným odpovediam alebo nemožnosti vyhľadávania určitých zdrojov údajov.
  • Interakcie agentov môžu byť zaznamenané a objaviteľné prostredníctvom Microsoft Purview Audit a eDiscovery. Organizácie by mali zvážiť tieto riadiace mechanizmy pri nasadzovaní agentov pre citlivé pracovné zaťaženia.
  • Prístup k sémantickým modelom Power BI prostredníctvom dátového agenta je riadený povolením na čítanie modelu a nevyžaduje prístup na úrovni pracovného priestoru. Row-Level Security (RLS) a Column-Level Security (CLS) stále platia.
  • Hoci Eventhouse integruje detekciu anomálií, SQL analytický endpoint a zápisníky, Fabric dátové agenty zostávajú len na čítanie a nespúšťajú úlohy detekcie anomálií, zápisníky ani iné pracovné postupy písania či akcií v Eventhouse.

Súvisiaci obsah

  • Last updated on