Dela via

Koncept för nätverksdataagent (förhandsversion)

Dataagenten i Microsoft Fabric är en ny Microsoft Fabric-funktion som gör att du kan skapa egna konversations-Q&A-system med generativ AI. En Fabric-dataagent gör datainsikter mer tillgängliga och användbara för alla i din organisation. Med en Fabric-dataagent kan ditt team ha konversationer, med vanliga engelskspråkiga frågor, om de data som din organisation lagrade i Fabric OneLake och sedan få relevanta svar. På så sätt kan även personer utan teknisk expertis inom AI eller en djup förståelse av datastrukturen få exakta och sammanhangsrika svar.

Du kan också lägga till organisationsspecifika instruktioner, exempel och vägledning för att finjustera Fabric-dataagenten. Den här metoden säkerställer att svaren överensstämmer med organisationens behov och mål, så att alla kan interagera mer effektivt med data. Infrastrukturdataagenten främjar en kultur av datadrivet beslutsfattande eftersom det minskar hinder för insiktstillgänglighet, underlättar samarbete och hjälper din organisation att extrahera mer värde från sina data.

Viktigt!

Den här funktionen är i förhandsversion.

Förutsättningar

Så här fungerar Fabric-dataagenten

Dataagenten Fabric använder stora språkmodeller (LLM) för att hjälpa användarna att interagera med sina data naturligt. Fabric-dataagenten tillämpar API:er för Azure OpenAI Assistant och beter sig som en agent. Den bearbetar användarfrågor, avgör den mest relevanta datakällan (Lakehouse, Warehouse, Power BI-datauppsättning, KQL-databaser, ontologi) och anropar lämpligt verktyg för att generera, verifiera och köra frågor. Användarna kan sedan ställa frågor på vanligt språk och få strukturerade svar som kan läsas av människor– vilket eliminerar behovet av att skriva komplexa frågor och säkerställa korrekt och säker dataåtkomst.

Så här fungerar det i detalj:

Frågeparsing och validering: Fabric-dataagenten tillämpar Api:er för Azure OpenAI Assistant som den underliggande agenten för att bearbeta användarfrågor. Den här metoden säkerställer att frågan uppfyller säkerhetsprotokoll, ansvarsfulla AI-principer (RAI) och användarbehörigheter. Fabric-dataagenten tillämpar strikt skrivskyddad åtkomst och underhåller skrivskyddade dataanslutningar till alla datakällor.

Identifiering av datakälla: Fabric-dataagenten använder användarens autentiseringsuppgifter för att komma åt datakällans schema. Den här metoden säkerställer att systemet hämtar datastrukturinformation som användaren har behörighet att visa. Därefter utvärderas användarens fråga mot alla tillgängliga datakällor, inklusive relationsdatabaser (Lakehouse och Warehouse), Power BI-datauppsättningar (semantiska modeller), KQL-databaser och ontologier. Den kan också referera till instruktioner från användarspecifika dataagenter för att fastställa den mest relevanta datakällan.

Verktygsanrop och frågegenerering: När rätt datakälla eller källor har identifierats omformulerar Fabric-dataagenten frågan för tydlighet och struktur och anropar sedan motsvarande verktyg för att generera en strukturerad fråga:

  • Naturligt språk till SQL (NL2SQL) för relationsdatabaser (Lakehouse/Warehouse).
  • Naturligt språk till DAX (NL2DAX) för Power BI-datamängder (semantiska modeller).
  • Naturligt språk till KQL (NL2KQL) för KQL-databaser.

Det valda verktyget genererar en fråga baserat på det angivna schemat, metadata och kontexten som agenten bakom Fabric-dataagenten sedan skickar.

Frågevalidering: Verktyget utför validering för att säkerställa att frågan är korrekt utformad och följer sina egna säkerhetsprotokoll och RAI-principer.

Frågekörning och svar: När frågan har verifierats kör Fabric-dataagenten frågan mot den valda datakällan. Resultaten formateras till ett mänskligt läsbart svar, som kan innehålla strukturerade data som tabeller, sammanfattningar eller viktiga insikter.

Den här metoden säkerställer att användarna kan interagera med sina data med naturligt språk, medan Fabric-dataagenten hanterar komplexiteten i frågegenerering, validering och körning – allt utan att användarna själva behöver skriva SQL, DAX eller KQL.

Konfiguration av fabricdataagent

Att konfigurera en Fabric-dataagent liknar att skapa en Power BI-rapport – du börjar med att utforma och förfina den för att säkerställa att den uppfyller dina behov och sedan publicera och dela den med kollegor så att de kan interagera med data. När du konfigurerar en Fabric-dataagent ingår:

Välja datakällor: En Fabric-dataagent stöder upp till fem datakällor i valfri kombination, inklusive lakehouses, datavaruhus, KQL-databaser, Power BI-semantiska modeller och ontologier. En konfigurerad Fabric-dataagent kan till exempel innehålla fem Power BI-semantiska modeller. Den kan innehålla en blandning av två Power BI-semantiska modeller, en lakehouse och en KQL-databas. Du har många tillgängliga alternativ.

Välja Relevanta tabeller: När du har valt datakällorna lägger du till dem en i taget och definierar de specifika tabellerna från varje källa som fabric-dataagenten använder. Det här steget säkerställer att Fabric-dataagenten hämtar korrekta resultat genom att endast fokusera på relevanta data.

Lägga till kontext: För att förbättra noggrannheten hos Fabric-dataagenten, ge mer kontext genom instruktioner och exempelfrågor för Fabric-dataagenten. Som underliggande agent för Fabric-dataagenten hjälper kontexten Azure OpenAI Assistant-API:et att fatta mer välgrundade beslut om hur du bearbetar användarfrågor och avgör vilken datakälla som passar bäst för att besvara dem.

  • Instruktioner för dataagent: Lägg till instruktioner som vägleder agenten som ligger till grund för Fabric-dataagenten, för att fastställa den bästa datakällan för att besvara specifika typer av frågor. Du kan också ange anpassade regler eller definitioner som förtydligar organisationens terminologi eller specifika krav. Dessa instruktioner kan ge mer kontext eller inställningar som påverkar hur agenten väljer och frågar datakällor.

    • Ställ direkta frågor om finansiella mått till en semantisk Power BI-modell.
    • Tilldela frågor som handlar om utforskning av rådata till lakehouse.
    • Vidarebefordra frågor som kräver logganalys till KQL-databasen.

  • Exempelfrågor: Lägg till exempel på frågepar för att illustrera hur dataagenten fabric ska svara på vanliga frågor. De här exemplen fungerar som en guide för agenten, som hjälper den att förstå hur man tolkar liknande frågor och genererar korrekta svar.

Anmärkning

För närvarande går det inte att lägga till exempel på fråge-/frågepar för datakällor för semantiska modeller i Power BI.

Genom att kombinera tydliga AI-instruktioner och relevanta exempelfrågor kan du bättre anpassa Fabric-dataagenten till organisationens databehov, vilket säkerställer mer exakta och sammanhangsmedvetna svar.

Skillnad mellan en Fabric-dataagent och en andrepilot

Även om både Fabric-dataagenter och Fabric-andrepiloter använder generativ AI för att bearbeta och resonera över data, finns det viktiga skillnader i deras funktioner och användningsfall:

Konfigurationsflexitet: Du kan konfigurera Fabric-dataagenter mycket. Du kan ange anpassade instruktioner och exempel för att anpassa deras beteende till specifika scenarier. Fabric copilots, å andra sidan, kommer förkonfigurerade och erbjuder inte den här nivån av anpassning.

Omfång och användningsfall: Fabric-andrepiloter hjälper till med uppgifter i Microsoft Fabric, till exempel att generera notebook-kod eller informationslagerfrågor. Tygnätdataagenter är däremot fristående artefakter. För att göra Fabric-dataagenter mer mångsidiga för bredare användningsfall kan de integreras med externa system som Microsoft Copilot Studio, Azure AI Foundry, Microsoft Teams eller andra verktyg utanför Fabric.

Utvärdering av Fabric-dataagenten

Produktteamet utvärderade noggrant kvaliteten och säkerheten för Fabric-dataagentens svar:

Benchmark Testing: Produktteamet testade Fabricdataagenter i en rad offentliga och privata datauppsättningar för att säkerställa högkvalitativa och korrekta svar.

Förbättrade skadereduceringar: Produktteamet implementerade skyddsåtgärder för att säkerställa att fabric-dataagentens utdata förblir fokuserade på kontexten för valda datakällor, vilket minskar risken för irrelevanta eller vilseledande svar.

Begränsningar

Fabric-dataagenten är för närvarande i offentlig förhandsversion och har begränsningar. Uppdateringar förbättrar Fabric-dataagenten över tid.

  • Fabric-dataagenten genererar endast SQL-, DAX- och KQL-"läsfrågor". Den genererar inte SQL-, DAX- eller KQL-frågor som skapar, uppdaterar eller tar bort data.
  • Dataagenten Fabric stöder inte ostrukturerade data, till exempel .pdf, .docxeller .txt filer. Du kan inte använda dataagenten Fabric för att komma åt ostrukturerade dataresurser.
  • Fabric-dataagenten stöder för närvarande inte icke-engelska språk. För optimala prestanda kan du ange frågor, instruktioner och exempelfrågor på engelska.
  • Du kan inte ändra den LLM som fabric-dataagenten använder.
  • Konversationshistoriken i Fabric-dataagenten kanske inte alltid finns kvar. I vissa fall, till exempel ändringar i serverdelsinfrastrukturen, tjänstuppdateringar eller modelluppgraderingar, kan tidigare konversationshistorik återställas eller gå förlorad.

Relaterat innehåll

  • Last updated on