สร้างตัวแทนข้อมูล Fabric (ตัวอย่าง)

ด้วยตัวแทนข้อมูลใน Microsoft Fabric คุณสามารถสร้างประสบการณ์ AI การสนทนาที่ตอบคําถามเกี่ยวกับข้อมูลที่จัดเก็บไว้ในเลคเฮาส์ คลังสินค้า แบบจําลองความหมายของ Power BI ฐานข้อมูล KQL และออนโทโลยีใน Fabric เพื่อนร่วมงานของคุณสามารถถามคําถามเป็นภาษาอังกฤษธรรมดาและรับคําตอบที่ขับเคลื่อนด้วยข้อมูลแม้ว่าจะไม่ใช่ผู้เชี่ยวชาญ AI หรือคุ้นเคยกับข้อมูลอย่างลึกซั่งก็ตาม

Important

คุณลักษณะนี้อยู่ในตัวอย่าง

Prerequisites

• ความจุ Fabric แบบชําระเงิน F2 หรือสูงกว่า หรือความจุ Power BI Premium ต่อความจุ (P1 หรือสูงกว่า) ที่ เปิดใช้งาน Microsoft Fabric
• เปิดใช้งานการตั้งค่าผู้เช่าของบริษัทตัวแทนข้อมูล Fabric แล้ว
• เปิดใช้งานการประมวลผลข้ามภูมิศาสตร์สําหรับ AI
• เปิดใช้งานการจัดเก็บข้ามภูมิศาสตร์สําหรับ AI
• อย่างน้อยหนึ่งรายการที่มีข้อมูล: คลังสินค้า เลคเฮาส์ แบบจําลองความหมาย Power BI อย่างน้อยหนึ่งตัว ฐานข้อมูล KQL หรือออนโทโลยี
• แบบจําลองความหมายของ Power BI ผ่านสวิตช์ผู้เช่าตําแหน่งข้อมูล XMLA จะเปิดใช้งาน สําหรับแหล่งข้อมูลแบบจําลองความหมายของ Power BI

การรับรองความถูกต้องและโทเค็น

คุณไม่จําเป็นต้องสร้างหรือจัดหาคีย์ Azure OpenAI หรือโทเค็นการเข้าถึงเพื่อใช้เอเจนต์ข้อมูล Fabric Fabric ใช้ Azure OpenAI Assistant ที่จัดการโดย Microsoft และจัดการการรับรองความถูกต้องสําหรับคุณ

• การเข้าถึงข้อมูลทํางานภายใต้ข้อมูลประจําตัวผู้ใช้ Microsoft Entra ID และสิทธิ์พื้นที่ทํางาน/ข้อมูลของคุณ เอเจนต์จะอ่านสคีมาและเรียกใช้ SQL/DAX/KQL เฉพาะเมื่อคุณมีสิทธิ์เข้าถึง
• เมื่อต้องการเพิ่มแบบจําลองความหมายของ Power BI เป็นแหล่งข้อมูล คุณต้องมีสิทธิ์ อ่าน บนแบบจําลองนั้น (ไม่จําเป็นต้องเขียน) การเข้าถึงการอ่านก็เพียงพอที่จะถามคําถามกับแหล่งข้อมูลที่คุณสามารถเข้าถึงได้ สําหรับข้อมูลเพิ่มเติมเกี่ยวกับสิทธิ์ของแบบจําลองความหมาย โปรดดู ความปลอดภัยของชุดข้อมูลและแบบจําลองความหมาย
• ถ้าองค์กรของคุณใช้ความจุ Power BI Premium ต่อความจุ (P1 หรือสูงกว่า) แทน F SKU ตรวจสอบให้แน่ใจว่า เปิดใช้งาน Microsoft Fabric บน ความจุนั้น
• บริการหลักและโทเค็น API ไม่จําเป็นสําหรับประสบการณ์การแชทในผลิตภัณฑ์ ระบบอัตโนมัติใดๆ ที่มีบริการหลักเป็นสถานการณ์แยกต่างหากและไม่ครอบคลุมที่นี่

โฟลว์แบบ end-to-end สําหรับการสร้างและการใช้ตัวแทนข้อมูล Fabric

ส่วนนี้สรุปขั้นตอนสําคัญในการสร้าง ตรวจสอบ และแชร์ตัวแทนข้อมูล Fabric ใน Fabric ทําให้สามารถเข้าถึงได้สําหรับการบริโภค

กระบวนการนี้ตรงไปตรงมาและคุณสามารถเริ่มทดสอบทรัพยากรของตัวแทนข้อมูล Fabric ได้ในไม่กี่นาที

สร้างตัวแทนข้อมูล Fabric ใหม่

หากต้องการสร้างตัวแทนข้อมูล Fabric ใหม่ ก่อนอื่นให้นําทางไปยังพื้นที่ทํางานของคุณ จากนั้นเลือกปุ่ม + รายการใหม่ ในแท็บ รายการทั้งหมด ให้ค้นหา Fabric data agent เพื่อค้นหาตัวเลือกที่เหมาะสม ดังที่แสดงในภาพหน้าจอนี้:

เมื่อเลือกแล้ว คุณจะได้รับพร้อมท์ให้ใส่ชื่อสําหรับตัวแทนข้อมูล Fabric ของคุณ ตามที่แสดงในสกรีนช็อตนี้:

อ้างอิงถึงสกรีนช็อตที่ให้มาสําหรับคู่มือวิชวลเกี่ยวกับการตั้งชื่อตัวแทนข้อมูล Fabric หลังจากป้อนชื่อ ดําเนินการต่อด้วยการกําหนดค่าเพื่อจัดแนวตัวแทนข้อมูล Fabric กับข้อกําหนดเฉพาะของคุณ

เลือกข้อมูลของคุณ

หลังจากที่คุณสร้างตัวแทนข้อมูล Fabric แล้ว คุณสามารถเพิ่มแหล่งข้อมูลได้สูงสุดห้าแหล่ง รวมถึงเลคเฮาส์ คลังสินค้า แบบจําลองความหมายของ Power BI ฐานข้อมูล KQL และออนโทโลยี - ในชุดค่าผสมใดก็ได้ (รวมสูงสุดห้ารายการ) ตัวอย่างเช่น คุณสามารถเพิ่มแบบจําลองความหมาย Power BI ห้าแบบจําลอง หรือแบบจําลองความหมาย Power BI สองแบบจําลอง หนึ่งเลคเฮ้าส์ และฐานข้อมูล KQL หนึ่งฐานข้อมูล

เมื่อคุณสร้างตัวแทนข้อมูล Fabric เป็นครั้งแรก และใส่ชื่อ แค็ตตาล็อก OneLake จะปรากฏขึ้นโดยอัตโนมัติ ช่วยให้คุณสามารถเพิ่มแหล่งข้อมูลได้ หากต้องการเพิ่มแหล่งข้อมูล ให้เลือกจากแค็ตตาล็อกตามที่แสดงในหน้าจอถัดไป จากนั้นเลือก เพิ่ม ต้องเพิ่มแต่ละแหล่งข้อมูลทีละรายการ ตัวอย่างเช่น คุณสามารถเพิ่มเลคเฮาส์ เลือก เพิ่ม จากนั้นดําเนินการเพิ่มแหล่งข้อมูลอื่น เมื่อต้องการกรองชนิดแหล่งข้อมูล ให้เลือกไอคอนตัวกรอง จากนั้นเลือกชนิดที่ต้องการ คุณสามารถดูเฉพาะแหล่งข้อมูลประเภทที่เลือกเท่านั้น ทําให้ง่ายต่อการค้นหา และเชื่อมต่อแหล่งข้อมูลที่เหมาะสมสําหรับตัวแทนข้อมูล Fabric ของคุณ

เมื่อคุณเพิ่มแหล่งข้อมูล Explorer บนบานหน้าต่างด้านซ้ายของหน้า เอเจนต์ข้อมูล Fabric จะเติมข้อมูลด้วยตารางที่พร้อมใช้งานในแต่ละแหล่งข้อมูลที่เลือก ซึ่งคุณสามารถใช้ช่องทําเครื่องหมายเพื่อทําให้ตารางพร้อมใช้งานหรือไม่พร้อมใช้งานสําหรับ AI ดังที่แสดงในภาพหน้าจอต่อไปนี้:

Note

คุณต้องมีสิทธิ์ อ่าน เพื่อเพิ่มแบบจําลองความหมายของ Power BI เป็นแหล่งข้อมูลเท่านั้น ไม่จําเป็นต้องมีสิทธิ์ในการเขียนเนื่องจากตัวแทนข้อมูล Fabric จะออกคิวรีแบบอ่านอย่างเดียว

สําหรับการเพิ่มแหล่งข้อมูลในภายหลัง ให้นําทางไปยัง Explorer บนบานหน้าต่างด้านซ้ายของหน้า ตัวแทนข้อมูล Fabric และเลือก + แหล่งข้อมูล ดังที่แสดงในภาพหน้าจอนี้:

แค็ตตาล็อก OneLake เปิดอีกครั้ง และคุณสามารถเพิ่มแหล่งข้อมูลเพิ่มเติมได้อย่างราบรื่นตามความจําเป็น

Tip

ตรวจสอบให้แน่ใจว่าได้ใช้ชื่อที่เป็นคําอธิบายสําหรับทั้งตารางและคอลัมน์ ตารางที่มีชื่อ SalesData มีความหมายมากกว่า TableAและชื่อคอลัมน์เช่น ActiveCustomer หรือ IsCustomerActive มีความชัดเจนกว่าชื่อ C1 หรือ ActCu ชื่อเชิงพรรณาช่วยให้ AI สร้างคิวรีที่ถูกต้องและเชื่อถือได้มากขึ้น

ถามคําถาม

หลังจากที่คุณเพิ่มแหล่งข้อมูล และเลือกตารางที่เกี่ยวข้องสําหรับแต่ละแหล่งข้อมูล คุณสามารถเริ่มถามคําถามได้ ระบบจะจัดการคําถามตามที่แสดงในภาพหน้าจอนี้:

คําถามที่คล้ายกับตัวอย่างเหล่านี้ควรใช้ได้:

• "ยอดขายรวมของเราในแคลิฟอร์เนียในปี 2023 เป็นอย่างไรบ้าง"
• "ผลิตภัณฑ์ 5 อันดับแรกที่มีราคารายการสูงสุดคืออะไร และหมวดหมู่ของพวกเขาคืออะไร"
• "รายการที่แพงที่สุดที่ไม่เคยถูกขายมีอะไรบ้าง"

คําถามเช่นนี้เหมาะสมเนื่องจากระบบสามารถแปลเป็นคิวรีที่มีโครงสร้าง (T-SQL, DAX หรือ KQL) ดําเนินการกับฐานข้อมูล และจากนั้นส่งกลับคําตอบที่เป็นรูปธรรมตามข้อมูลที่จัดเก็บไว้

อย่างไรก็ตาม คําถามเช่นนี้อยู่นอกขอบเขต:

• "ทําไมโรงงานของเราจึงลดลงในไตรมาสที่ 2 ปี 2024"
• "สาเหตุที่แท้จริงของการดีดขึ้นของยอดขายของเราคืออะไร"

คําถามเหล่านี้อยู่นอกขอบเขตเนื่องจากจําเป็นต้องมีเหตุผลที่ซับซ้อน การวิเคราะห์สหสัมพันธ์ หรือปัจจัยภายนอกที่ไม่มีในฐานข้อมูลโดยตรง ในขณะนี้ ตัวแทนข้อมูล Fabric ไม่ได้ทําการวิเคราะห์ขั้นสูง การเรียนรู้ของเครื่อง หรือการอนุมานที่เป็นสาเหตุ เพียงแค่ดึงข้อมูลและประมวลผลข้อมูลที่มีโครงสร้างตามคิวรีของผู้ใช้

เมื่อคุณถามคําถาม ตัวแทนข้อมูล Fabric จะใช้ Azure OpenAI Assistant API เพื่อประมวลผลคําขอ โฟลว์ทํางานด้วยวิธีนี้:

การเข้าถึง Schema ด้วยข้อมูลประจําตัวผู้ใช้

ระบบจะใช้ข้อมูลประจําตัวของผู้ใช้เพื่อเข้าถึงสคีมาของแหล่งข้อมูลก่อน (ตัวอย่างเช่น เลคเฮาส์ คลังสินค้า แบบจําลองความหมาย PBI, ฐานข้อมูล KQL หรือออนโทโลยี) ซึ่งทําให้แน่ใจว่าระบบดึงข้อมูลที่มีโครงสร้างข้อมูลที่ผู้ใช้มีสิทธิ์ในการดู

การสร้างพร้อมท์

ในการตีความคําถามของผู้ใช้ ระบบจะรวม:

1. คิวรีผู้ใช้: คําถามภาษาธรรมชาติที่จัดเตรียมโดยผู้ใช้
2. ข้อมูล Schema: เมตาดาต้าและรายละเอียดโครงสร้างของแหล่งข้อมูลที่เรียกใช้ในขั้นตอนก่อนหน้า
3. ตัวอย่างและคําแนะนํา: ตัวอย่างที่กําหนดไว้ล่วงหน้า (ตัวอย่างเช่น คําถามตัวอย่างและคําตอบ) หรือคําแนะนําเฉพาะที่มีให้เมื่อตั้งค่าตัวแทนข้อมูล Fabric ตัวอย่างและคําแนะนําเหล่านี้ช่วยปรับแต่งความเข้าใจของ AI เกี่ยวกับคําถามและแนะนําวิธีการที่ AI โต้ตอบกับข้อมูล

ข้อมูลทั้งหมดนี้ใช้เพื่อสร้างพร้อมต์ พร้อมท์นี้จะทําหน้าที่เป็นข้อมูลป้อนเข้าไปยัง Azure OpenAI Assistant API ซึ่งทํางานเป็นตัวแทนของตัวแทนข้อมูล Fabric โดยหลักๆ แล้วจะแนะนําตัวแทนข้อมูล Fabric เกี่ยวกับวิธีการประมวลผลคิวรี และชนิดของคําตอบที่จะผลิต

การเรียกใช้เครื่องมือตามความต้องการของคิวรี

ตัวแทนวิเคราะห์พร้อมท์ที่สร้างขึ้น และตัดสินใจว่าเครื่องมือใดที่จะเรียกใช้เพื่อดึงข้อมูลคําตอบ:

• ภาษาธรรมชาติไปยัง SQL (NL2SQL): ใช้ในการสร้างคิวรี SQL เมื่อข้อมูลอยู่ในเลคเฮ้าส์หรือคลังสินค้า
• ภาษาธรรมชาติสําหรับ DAX (NL2DAX): ใช้เพื่อสร้างคิวรี DAX เพื่อโต้ตอบกับแบบจําลองความหมายในแหล่งข้อมูล Power BI
• ภาษาธรรมชาติกับ KQL (NL2KQL): ใช้เพื่อสร้างคิวรี KQL เพื่อคิวรีข้อมูลในฐานข้อมูล KQL

เครื่องมือที่เลือกสร้างคิวรีโดยใช้ schema เมตาดาต้า และบริบทที่ตัวแทนข้อมูล Fabric พื้นฐานให้มา เครื่องมือนี้จะตรวจสอบความถูกต้องของคิวรี เพื่อให้แน่ใจว่ามีการจัดรูปแบบและการปฏิบัติตามข้อกําหนดด้านความปลอดภัยที่เหมาะสมและนโยบาย AI (RAI) ที่รับผิดชอบของตนเอง

การก่อสร้างการตอบสนอง

ตัวแทนข้อมูล Fabric พื้นฐานจะดําเนินการคิวรีและตรวจสอบให้แน่ใจว่ามีการจัดโครงสร้างและจัดรูปแบบการตอบกลับอย่างเหมาะสม ตัวแทนมักจะมีบริบทพิเศษเพื่อทําให้คําตอบใช้งานง่าย สุดท้าย คําตอบจะแสดงให้ผู้ใช้ในอินเทอร์เฟซการสนทนา ดังที่แสดงในภาพหน้าจอต่อไปนี้:

ตัวแทนแสดงทั้งผลลัพธ์และขั้นตอนระดับกลางที่ใช้ในการดึงข้อมูลคําตอบสุดท้าย วิธีนี้ช่วยเพิ่มความโปร่งใส และอนุญาตให้มีการตรวจสอบความถูกต้องของขั้นตอนเหล่านั้น ถ้าจําเป็น ผู้ใช้สามารถขยายรายการดรอปดาวน์สําหรับขั้นตอนเพื่อดูขั้นตอนทั้งหมดที่ตัวแทนข้อมูล Fabric ใช้เพื่อดึงคําตอบ ดังที่แสดงในภาพหน้าจอต่อไปนี้:

นอกจากนี้ ตัวแทนข้อมูล Fabric ยังให้รหัสที่สร้างขึ้นซึ่งใช้เพื่อคิวรีแหล่งข้อมูลที่สอดคล้องกัน ซึ่งให้ข้อมูลเชิงลึกเพิ่มเติมเกี่ยวกับวิธีการสร้างการตอบกลับ

คิวรีเหล่านี้ได้รับการออกแบบมาโดยเฉพาะสําหรับการคิวรีข้อมูล การดําเนินการที่เกี่ยวข้องกับการสร้างข้อมูล การอัปเดตข้อมูล การลบข้อมูล การเปลี่ยนแปลงข้อมูลใด ๆ ไม่ได้รับอนุญาตเพื่อปกป้องความสมบูรณ์ของข้อมูลของคุณ

เมื่อใดก็ได้ คุณสามารถเลือกปุ่ม ล้างการแชท เพื่อล้างการแชท ดังที่แสดงในภาพหน้าจอต่อไปนี้:

คุณลักษณะ Clear chat จะลบประวัติการแชททั้งหมดและเริ่มเซสชันใหม่ เมื่อคุณลบประวัติการแชทแล้ว คุณจะไม่สามารถเรียกใช้ได้

เปลี่ยนแหล่งข้อมูล

หากต้องการลบแหล่งข้อมูล ให้วางเมาส์เหนือชื่อแหล่งข้อมูลใน Explorer บนบานหน้าต่างด้านซ้ายของหน้า Fabric Data Agent จนกระทั่งเมนูสามจุดปรากฏขึ้น เลือกจุดสามจุดเพื่อแสดงตัวเลือก จากนั้นเลือก ลบ เพื่อลบแหล่งข้อมูลตามที่แสดงในภาพหน้าจอต่อไปนี้:

อีกวิธีหนึ่งคือ หากแหล่งข้อมูลของคุณเปลี่ยนแปลง คุณสามารถเลือก รีเฟรช ภายในเมนูเดียวกัน ดังที่แสดงในภาพหน้าจอต่อไปนี้:

ซึ่งทําให้แน่ใจว่าการอัปเดตแหล่งข้อมูลใดก็ตามสะท้อนและเติมข้อมูลอย่างถูกต้องในตัวสํารวจเพื่อให้ตัวแทนข้อมูล Fabric ของคุณซิงค์กับข้อมูลล่าสุดอยู่เสมอ

การกําหนดค่าตัวแทนข้อมูล Fabric

ตัวแทนข้อมูล Fabric มีตัวเลือกการกําหนดค่าหลายตัวเลือกที่ช่วยให้ผู้ใช้สามารถกําหนดลักษณะการทํางานของตัวแทนข้อมูล Fabric เพื่อให้ตรงกับความต้องการขององค์กรของคุณได้ดียิ่งขึ้น เมื่อตัวแทนข้อมูล Fabric ประมวลผลและนําเสนอข้อมูล การกําหนดค่าเหล่านี้มีความยืดหยุ่นซึ่งช่วยให้สามารถควบคุมผลลัพธ์ได้มากขึ้น

ให้คําแนะนํา

คุณสามารถให้คําแนะนําเฉพาะเพื่อแนะนําพฤติกรรมของ AI หากต้องการเพิ่มคําแนะนําในบานหน้าต่างคําแนะนําของตัวแทนข้อมูล Fabric ให้เลือก คําแนะนําของตัวแทนข้อมูล ดังที่แสดงในภาพหน้าจอต่อไปนี้:

ที่นี่คุณสามารถเขียนได้ถึง 15,000 ตัวอักษรในข้อความภาษาอังกฤษแบบธรรมดาเพื่อแนะนํา AI เกี่ยวกับวิธีการจัดการคิวรี่

ตัวอย่างเช่น คุณสามารถระบุแหล่งข้อมูลที่แน่นอนเพื่อใช้สําหรับคําถามบางชนิด ตัวอย่างของตัวเลือกแหล่งข้อมูลอาจเกี่ยวข้องกับการกํากับ AI ที่จะใช้

• แบบจําลองความหมายของ Power BI สําหรับคิวรีทางการเงิน
• เลคเฮ้าส์สําหรับข้อมูลยอดขาย
• ฐานข้อมูล KQL สําหรับเมตริกการดําเนินงาน

คําแนะนําเหล่านี้ทําให้มั่นใจได้ว่า AI จะสร้างคิวรีที่เหมาะสม ไม่ว่าจะเป็น SQL, DAX หรือ KQL โดยยึดตามคําแนะนําและบริบทของคําถามของคุณ

หากทรัพยากร AI ของคุณเข้าใจผิดคํา คําย่อ หรือคําศัพท์อย่างสม่ําเสมอ คุณสามารถลองระบุคําจํากัดความที่ชัดเจนในส่วนนี้เพื่อให้แน่ใจว่า AI เข้าใจและประมวลผลอย่างถูกต้อง ซึ่งจะกลายเป็นประโยชน์โดยเฉพาะอย่างยิ่งสําหรับคําศัพท์เฉพาะโดเมนหรือศัพท์เฉพาะทางธุรกิจที่ไม่ซ้ํากัน

ด้วยการปรับแต่งคําแนะนําและข้อกําหนดเหล่านี้ คุณเพิ่มประสิทธิภาพความสามารถของ AI ในการส่งมอบข้อมูลเชิงลึกที่แม่นยําและเกี่ยวข้อง เพื่อให้สอดคล้องกับกลยุทธ์ข้อมูลและข้อกําหนดทางธุรกิจของคุณอย่างเต็มที่

มีคิวรีตัวอย่าง

คุณสามารถเพิ่มความแม่นยําในการตอบสนองได้โดยการให้ตัวอย่างการสืบค้นที่ปรับให้เหมาะกับแหล่งข้อมูลที่รองรับแต่ละแหล่ง (เลคเฮาส์ คลังสินค้า ฐานข้อมูล KQL) แนวทางนี้เรียกว่า การเรียนรู้แบบ few shot ใน Generative AI ช่วยแนะนําตัวแทนข้อมูล Fabric ในการสร้างการตอบสนองที่สอดคล้องกับความคาดหวังของคุณได้ดียิ่งขึ้น

เมื่อคุณระบุ AI ด้วยคู่คิวรี/คําถามตัวอย่าง จะอ้างอิงตัวอย่างเหล่านี้เมื่อตอบคําถามในอนาคต การจับคู่คิวรีใหม่กับตัวอย่างที่เกี่ยวข้องมากที่สุดช่วยให้ AI รวมตรรกะเฉพาะทางธุรกิจและตอบสนองต่อคําถามที่ถามบ่อยได้อย่างมีประสิทธิภาพ ฟังก์ชันนี้เปิดใช้งานการปรับให้เหมาะสมสําหรับแหล่งข้อมูลแต่ละแหล่ง และทําให้แน่ใจการสร้างคิวรี SQL หรือ KQL ที่ถูกต้องยิ่งขึ้น

ข้อมูลแบบจําลองเชิงความหมายของ Power BI ไม่สนับสนุนการเพิ่มคู่คิวรี/คําถามตัวอย่างในขณะนี้ อย่างไรก็ตาม สําหรับแหล่งข้อมูลที่ได้รับการสนับสนุน เช่น ฐานข้อมูล lakehouse, Warehouse และ KQL การให้ตัวอย่างเพิ่มเติมสามารถปรับปรุงความสามารถของ AI ได้อย่างมากในการสร้างคิวรีอย่างแม่นยําเมื่อจําเป็นต้องปรับประสิทธิภาพการทํางานตามค่าเริ่มต้น

Tip

ชุดคิวรีตัวอย่างที่หลากหลายช่วยเพิ่มความสามารถของตัวแทนข้อมูล Fabric ในการสร้างคิวรี SQL/KQL ที่ถูกต้องและเกี่ยวข้อง

เมื่อต้องการเพิ่มหรือแก้ไขคิวรีตัวอย่าง ให้เลือกปุ่ม คิว รีตัวอย่าง เพื่อเปิดบานหน้าต่างคิวรีตัวอย่าง ดังที่แสดงในภาพหน้าจอต่อไปนี้:

บานหน้าต่างนี้มีตัวเลือกในการเพิ่มหรือแก้ไขคิวรีตัวอย่างสําหรับแหล่งข้อมูลที่รองรับทั้งหมด ยกเว้นแบบจําลองความหมายของ Power BI และออนโทโลยี สําหรับแต่ละแหล่งข้อมูล คุณสามารถเลือก เพิ่มหรือแก้ไขคิวรี่ตัวอย่าง เพื่อป้อนค่าตัวอย่างที่เกี่ยวข้อง ดังที่แสดงในภาพหน้าจอต่อไปนี้:

Note

ตัวแทนข้อมูล Fabric อ้างอิงถึงคิวรีที่ประกอบด้วยไวยากรณ์ SQL/KQL ที่ถูกต้องและตรงกับ Schema ของตารางที่เลือกเท่านั้น ตัวแทนข้อมูล Fabric ไม่ใช้คิวรีที่ยังไม่เสร็จสมบูรณ์การตรวจสอบของพวกเขา ตรวจสอบให้แน่ใจว่าคิวรีตัวอย่างทั้งหมดถูกต้องและสอดคล้องกับ schema อย่างถูกต้องเพื่อให้แน่ใจว่าตัวแทนข้อมูล Fabric ใช้อย่างมีประสิทธิภาพ

เผยแพร่และแชร์ตัวแทนข้อมูล Fabric

หลังจากที่คุณทดสอบประสิทธิภาพของตัวแทนข้อมูล Fabric ของคุณในคําถามต่างๆ และคุณยืนยันว่าสร้างคิวรี SQL, DAX หรือ KQL ที่ถูกต้อง คุณสามารถแชร์กับเพื่อนร่วมงานของคุณได้ เมื่อถึงจุดนั้น ให้เลือก เผยแพร่ ดังที่แสดงในภาพหน้าจอต่อไปนี้:

ขั้นตอนนี้จะเปิดหน้าต่างที่ถามคําอธิบายเกี่ยวกับตัวแทนข้อมูล Fabric ที่นี่ ให้คําอธิบายโดยละเอียดเกี่ยวกับสิ่งที่ตัวแทนข้อมูล Fabric ทํา รายละเอียดเหล่านี้แนะนําเพื่อนร่วมงานของคุณเกี่ยวกับการทํางานของตัวแทนข้อมูล Fabric และช่วยเหลือระบบ AI/orchestrators อื่น ๆ เพื่อเรียกใช้ตัวแทนข้อมูล Fabric อย่างมีประสิทธิภาพ

หลังจากที่คุณเผยแพร่ตัวแทนข้อมูล Fabric คุณจะมีสองเวอร์ชัน เวอร์ชันหนึ่งคือเวอร์ชันร่างปัจจุบันซึ่งคุณสามารถปรับปรุงและปรับปรุงต่อไปได้ เวอร์ชันที่สองเป็นเวอร์ชันที่เผยแพร่ ซึ่งคุณสามารถแชร์กับเพื่อนร่วมงานของคุณที่ต้องการคิวรีตัวแทนข้อมูล Fabric เพื่อรับคําตอบสําหรับคําถามของพวกเขา คุณสามารถรวมคําติชมจากเพื่อนร่วมงานของคุณลงในเวอร์ชันร่างปัจจุบันของคุณเมื่อคุณพัฒนา เพื่อเพิ่มประสิทธิภาพการทํางานของ Fabric Data Agent เพิ่มเติม

เนื้อหาที่เกี่ยวข้อง

• แนวคิดของ Data Agent
• บทช่วยสอนแบบ end-to-end ของตัวแทนข้อมูล