Aracılığıyla paylaş

Fabric veri etmeni kavramları

Microsoft Fabric'deki Veri Ajanı, üretken yapay zeka kullanan sistemlerle kendi konuşma soru-cevap sistemlerinizi oluşturmanıza olanak tanıyan genel kullanıma açık bir özelliktir. Bir Fabric Veri Ajanı, veri içgörülerini organizasyonunuzdaki herkes için daha erişilebilir ve eyleme dönüştürülebilir hale getirir. Ekibiniz, bir Fabric veri aracısı kullanarak kuruluşunuzun onelake Fabric depoladığı veriler hakkında düz İngilizce sorular içeren konuşmalar yapabilir ve ardından ilgili yanıtları alabilir. Bu şekilde yapay zeka konusunda teknik uzmanlığı olmayan veya veri yapısı hakkında ayrıntılı bilgi edinen kişiler bile kesin ve bağlam açısından zengin yanıtlar alabilir. Microsoft Fabric'daki daha geniş aracı uygulama mimarilerinde veri aracıları, çok aracılı çözümlerdeki göl evleri, ambarlar, anlamsal modeller ve KQL veritabanları aracılığıyla OneLake'deki idare edilen verilere bağlanarak konuşma analizi bileşeni görevi görür.

Ayrıca, Fabric veri aracısına ince ayar yapmak için kuruluşa özgü yönergeler, örnekler ve yönergeler de ekleyebilirsiniz. Bu yaklaşım, yanıtların kuruluşunuzun ihtiyaçlarına ve hedeflerine uygun olmasını sağlayarak herkesin verilerle daha etkili bir şekilde etkileşim kurmasını sağlar. Fabric veri aracısı, içgörü erişilebilirliği önündeki engelleri azalttığı, işbirliğini kolaylaştırdığı ve kuruluşunuzun verilerinden daha fazla değer çıkarmasını sağladığından veri odaklı karar alma kültürünü teşvik eder.

Önkoşullar

İdare önkoşulları

Kiracınız veya çalışma alanınız Microsoft Purview ilkeleri tarafından yönetiliyorsa aracıların bu ilkeler içinde çalışması gerekir. Aşağıdaki Purview ilkeleri, duyarlılık ve ilke yapılandırmasına bağlı olarak aracı erişimini ve aracıların döndüreceği sonuçları sınırlayabilir:

  • DLP ilkelerini Fabric Data Warehouse (genel olarak kullanılabilir) içinde gözden geçirin: DLP ilkeleri, aracı tarafından sorgulanmış ambar varlıklarındaki hassas verileri algılayabilir ve bu verilere erişimi kısıtlayabilir.
  • Fabric KQL Veritabanı, Fabric SQL Veritabanı ve Fabric Data Warehouse için Access kısıtlama ilkeleri (önizleme) : Bu ilkeler, aracının hassas olarak sınıflandırılan varlıklara erişmesini veya sonuçlar döndürmesini engelleyebilir.

Fabric veri aracısı nasıl çalışır?

Fabric veri aracısı, kullanıcıların verileriyle doğal olarak etkileşim kurmasına yardımcı olmak için büyük dil modellerini (LLM) kullanır. Fabric veri aracısı Azure OpenAI Yardımcısı API'lerini uygular ve bir aracı gibi işlev görür. Kullanıcı sorularını işler, en ilgili veri kaynağını (Lakehouse, Warehouse, Power BI veri kümesi, KQL veritabanları, ontoloji veya Microsoft Graph) belirler ve sorguları oluşturmak, doğrulamak ve yürütmek için uygun aracı çağırır. Kullanıcılar daha sonra düz dilde sorular sorabilir ve yapılandırılmış, insan tarafından okunabilir yanıtlar alabilir. Bu yaklaşım karmaşık sorgu yazma gereksinimini ortadan kaldırır ve doğru ve güvenli veri erişimi sağlar.

Ayrıntılı olarak şu şekilde çalışır:

Question ayrıştırma ve doğrulama: Fabric veri aracısı, kullanıcı sorularını işlemek için temel aracı olarak Azure OpenAI Yardımcısı API'lerini uygular. Bu yaklaşım sorunun güvenlik protokolleri, sorumlu yapay zeka (RAI) ilkeleri ve kullanıcı izinleri ile uyumlu olmasını sağlar. Fabric veri aracısı, Veri Kaybı Önleme (DLP) ve erişim kısıtlama ilkeleri dahil olmak üzere temel Fabric veri kaynaklarına uygulanan Microsoft Purview idare denetimlerine de saygı gösterir. İlke zorlaması, belirli sorguların çalışmasını veya belirli verilerin yanıtlarda ortaya çıkmasını engelleyebilir. Fabric veri aracısı, tüm veri kaynaklarına yönelik salt okunur veri bağlantılarını koruyarak salt okunur erişimi kesinlikle zorunlu tutar.

Enforcement mekanizmaları: Fabric veri aracısı işleme sırasında çeşitli koruma katmanları uygular. İstekte bulunan kullanıcının kimlik bilgilerini ve izinlerini kullanarak en az ayrıcalıklı erişimi zorunlu tutarak her etkileşimin yalnızca kullanıcının görüntüleme yetkisine sahip olduğu verilere ulaşmasını sağlar. Aracı, herhangi bir eylem yürütmeden önce istekleri kiracı ve çalışma alanı ilkesi ayarlarına göre değerlendirir. Kapsamlı veri kaynaklarına yönelik araç çağrılarını ve çıkışlarını kısıtlar ve sorguların yapılandırılan kapsamın dışındaki kaynaklara ulaşmasını engeller. zararlı veya ilke dışı yanıtları azaltmaya yardımcı olan içerik riski denetimleri uygulamak için isteğe bağlı olarak Azure AI Content Safety tümleştirebilirsiniz.

Veri kaynağı belirleme: Fabric veri aracısı, veri kaynağının şemasına erişmek için kullanıcının kimlik bilgilerini kullanır. Bu yaklaşım, sistemin kullanıcının görüntüleme iznine sahip olduğu veri yapısı bilgilerini getirmesini sağlar. Aracı daha sonra kullanıcının sorusunu ilişkisel veritabanları (Lakehouse ve Warehouse), Power BI veri kümeleri (Anlam Modelleri), KQL veritabanları, ontolojiler ve Microsoft Graph dahil olmak üzere tüm kullanılabilir veri kaynaklarına karşı değerlendirir. Ayrıca, en ilgili veri kaynağını belirlemek için kullanıcı tarafından sağlanan veri aracısı yönergelerine de başvurabilir. Power BI anlamsal modelleri için, aracı, modeldeki sorgu oluşturma şeması ve meta verilerini almak amacıyla kullanıcının Okuma iznini kullanır; Aracı tarafından oluşturulan sorgular için Derleme iznine gerek yoktur.

Tool çağrısı ve sorgu oluşturma: Doğru veri kaynağı veya kaynaklar belirlendikten sonra, Fabric veri aracısı soruyu netlik ve yapı için yeniden çağırır ve ardından yapılandırılmış bir sorgu oluşturmak için ilgili aracı çağırır:

  • İlişkisel veritabanları (Lakehouse/Warehouse) için SQL'e doğal dil (NL2SQL).
  • Power BI veri kümeleri için DAX'a (NL2DAX) doğal dil (Anlam Modelleri).
  • Doğal dilden KQL'e (NL2KQL) KQL veritabanları için. NL2KQL, seçilen veritabanlarında kullanılabilir olduğunda KQL kullanıcı tanımlı işlevleri (UDF) kullanabilir.
  • Microsoft Graph aracılığıyla erişilebilen kuruluş verilerine yönelik sorgular, Microsoft Graph kullanılarak yapılır.

Seçilen araç, sağlanan şemayı, meta verileri ve Fabric veri aracısının temel aldığı bağlamı temel alan bir sorgu oluşturur.

Sorgu doğrulama: Araç, sorgunun doğru şekilde biçimlendirildiğinden ve kendi güvenlik protokollerine ve RAI ilkelerine bağlı olduğundan emin olmak için doğrulama gerçekleştirir.

Query yürütme ve yanıt: Doğrulandıktan sonra, Fabric veri aracısı sorguyu seçilen veri kaynağına karşı yürütür. Sonuçlar, tablolar, özetler veya önemli içgörüler gibi yapılandırılmış veriler içerebilen, okunabilir bir yanıt olarak biçimlendirilir.

Kullanıcılar bu yaklaşımı kullanarak verileriyle doğal dil kullanarak etkileşimde bulunabilir. Fabric veri aracısı sorgu oluşturma, doğrulama ve yürütmenin karmaşıklıklarını işler. Kullanıcıların SQL, DAX veya KQL yazmaları gerekmez.

Microsoft Purview ile güvenlik ve idare

Microsoft Purview, Fabric veri aracıları için idare ve risk denetimleri sağlar. Bu özellikler şu anda önizleme aşamasındadır ve kuruluşların Fabric verilere erişmek için aracıları kullanırken uyumluluğu korumalarına yardımcı olur. Önemli özellikler şunları içerir:

  • Risk bulma ve denetleme: Fabric veri aracılarından gelen istemler ve yanıtlar Purview risk bulma ve denetimine tabi olabilir ve güvenlik ekiplerine aracıların kuruluş verileriyle nasıl etkileşimde bulunabileceği konusunda görünürlük sağlayabilir.
  • DSPM Veri Riski Değerlendirmeleri: Veri Güvenliği Duruş Yönetimi (DSPM) Veri Riski Değerlendirmeleri, aracıların kullandığı veri kaynaklarında hassas veri risklerini ortaya çıkararak olası maruz kalma durumlarını belirlemenize ve gidermenize yardımcı olabilir.
  • Insider Risk Management: Purview Insider Risk Management, olağan dışı sorgu birimleri veya hassas verilere erişim gibi aracıları içeren riskli yapay zeka kullanım düzenlerini algılayabilir.
  • Denetim, eKeşif ve saklama: Purview Denetimi, eKeşif ve saklama ilkeleri, desteklenen Fabric iş yüklerindeki aracı etkileşimleri ve çıkışları için geçerlidir. Uyumsuz kullanım algılama, kuruluş ilkelerini ihlal eden aracı etkinliğini de işaretleyebilir.

Microsoft Purview'ün Fabric ile nasıl entegre edildiği hakkında daha fazla bilgi için bkz. Microsoft Fabric'i yönetmek için Microsoft Purview'ü kullanma.

Fabric veri aracısı yapılandırması

Fabric veri aracısını yapılandırmak, bir Power BI raporu oluşturmaya benzer; gereksinimlerinizi karşıladığından emin olmak için raporu tasarlayıp iyileştirerek başlarsınız, ardından verileri yayımlayıp verilerle etkileşim kurabilmeleri için iş arkadaşlarınızla paylaşırsınız. Fabric veri aracısının ayarlanması şunları içerir:

Veri kaynaklarını seçme: Fabric veri aracısı göl evleri, ambarlar, KQL veritabanları, Power BI anlam modelleri, ontologlar ve Microsoft Graph dahil olmak üzere her birleşimde en fazla beş veri kaynağını destekler. Örneğin, yapılandırılmış bir Fabric veri aracısı beş Power BI anlam modeli içerebilir. İki Power BI anlam modeli, bir göl evi ve bir KQL veritabanının bir karışımını içerebilir. Kullanabileceğiniz birçok seçenek vardır.

İlgerekli Tablolar: Veri kaynaklarını seçtikten sonra bunları birer birer ekleyin ve Fabric veri aracısının kullandığı her kaynaktan belirli tabloları tanımlayın. Bu adım, Fabric veri aracısının yalnızca ilgili verilere odaklanarak doğru sonuçları almasını sağlar. Göl evleri için bu adım, göl evi tablolarını (tek tek göl evi dosyalarını değil) seçmek anlamına gelir. Verileriniz dosya olarak başlıyorsa (örneğin CSV veya JSON), bunları tablolara alarak veya tablolar aracılığıyla başka bir şekilde kullanıma sunarak aracı tarafından kullanılabilir hale getirin.

Adding Context: Fabric veri aracısı doğruluğunu geliştirmek için Fabric veri aracısı yönergeleri ve örnek sorgular aracılığıyla daha fazla bağlam sağlayın. Fabric veri aracısı için temel alınan aracı olarak bağlam, Azure OpenAI Yardımcısı API'sinin kullanıcı sorularını işleme hakkında daha bilinçli kararlar vermesine ve bunları yanıtlamak için en uygun veri kaynağını belirlemesine yardımcı olur.

  • Data aracısı yönergeleri: Belirli soru türlerini yanıtlamak için en iyi veri kaynağını belirlemede Fabric veri aracısını temel alan aracıya yol gösterecek yönergeler ekleyin. Ayrıca, kuruluş terminolojisini veya belirli gereksinimleri netleştiren özel kurallar veya tanımlar da sağlayabilirsiniz. Bu yönergeler, aracının veri kaynaklarını seçme ve sorgulama şeklini etkileyen daha fazla bağlam veya tercih sağlayabilir. Örneğin, Power BI anlam modeline finansal metrikler hakkında doğrudan sorular yönlendirin, ham veri keşfi ile ilgili sorguları havuza atayın ve kayıt analizi gerektiren soruları KQL veritabanına yönlendirin.

  • Example sorguları: Fabric veri aracısının yaygın sorgulara nasıl yanıt vermesi gerektiğini göstermek için örnek soru-sorgu çiftleri ekleyin. Bu örnekler, aracı için benzer soruları yorumlamayı ve doğru yanıtlar oluşturmayı anlamasına yardımcı olan bir kılavuz görevi görür.

Uyarı

Örnek sorgu/soru çiftlerinin eklenmesi şu anda Power BI anlam modeli veri kaynakları için desteklenmemektedir.

Net yapay zeka yönergelerini ve ilgili örnek sorguları birleştirerek, Fabric veri aracısını kuruluşunuzun veri gereksinimleriyle daha iyi hizalayabilir ve daha doğru ve bağlama duyarlı yanıtlar sağlayabilirsiniz.

Önemli

Geliştirici tarafından sağlanan veri aracısı yönergeleri ve örnek sorguların kuruluş ve rol tabanlı kısıtlamalar içinde çalışması gerekir. Yönergeler veya istemler ilkeyle çakışıyorsa (örneğin, salt okunur davranışı atlamayı veya kapsam dışı kaynaklara erişmeyi denerse), aracı isteği reddeder veya aşağıdaki bölümde açıklanan öncelik modeline göre yeniden yönlendirir.

İdare ve amaç katmanları

bir Fabric veri aracısını yapılandırdığınızda, birden çok amaç katmanı aracının davranışını etkileyebilir. En yüksekten en düşük önceliğe kadar listelenen bu katmanlar, aracının ne gerçekleştirmesine izin verılacağını tanımlar:

  1. Kuruluş amacı: Kuruluşunuzun yöneticileri tarafından ayarlanan kiracı genelinde ilkeler ve uyumluluk gereksinimleri. Bu kısıtlamalar en yüksek önceliği alır ve başka bir katman tarafından geçersiz kılınamaz.
  2. Rol tabanlı amaç: Belirli rollere veya gruplara uygulanan çalışma alanı idare ayarları ve izin sınırları. Bu ayarlar erişim denetimlerini ve veri kapsamı kısıtlamalarını zorlar.
  3. Geliştirici amacı: Veri aracısını oluştururken sağladığınız özel yönergeler, örnek sorgular ve veri kaynağı yapılandırmaları.
  4. Kullanıcı amacı: Aracıyla yapılan konuşmalar sırasında son kullanıcılar tarafından gönderilen sorular ve istemler.

Katmanlar arasında çakışmalar ortaya çıktığında, yüksek öncelikli katmanlar düşük olanları geçersiz kılar. Örneğin, kuruluş ilkeleri ve çalışma alanı idare ayarları her zaman geliştirici yönergelerini ve kullanıcı istemlerini geçersiz kılar. Bu öncelik modeli, aracının nasıl yapılandırıldığına veya istendiğine bakılmaksızın onaylı sınırlar içinde çalıştırılmasını sağlar.

Fabric veri aracısı ile yardımcı pilot arasındaki fark

Hem Fabric veri aracıları hem de Fabric yardımcı pilotlar verileri işlemek ve bunlar üzerinde mantık oluşturmak için üretken yapay zeka kullansa da, işlevlerinde ve kullanım örneklerinde önemli farklılıklar vardır:

Configuration esnekliği: Fabric veri aracılarını yüksek oranda yapılandırabilirsiniz. Davranışlarını belirli senaryolara göre uyarlamak için özel yönergeler ve örnekler sağlayabilirsiniz. Fabric yardımcı pilotlar ise önceden yapılandırılmış olarak gelir ve bu özelleştirme düzeyini sunmaz.

Scope ve kullanım örneği: Fabric yardımcı pilotlar, not defteri kodu veya ambar sorguları oluşturma gibi Microsoft Fabric içindeki görevlere yardımcı olur. Fabric veri aracıları buna karşılık, OneLake ve semantik modellerde verileri sorgulayan tek başına yapılandırılabilir yapıtlardır. Fabric veri aracıları doğrudan Microsoft 365 uygulamalarında doğal dil içgörülerini ortaya çıkarabilmek için Microsoft 365 Copilot ile tümleştirebilir. Aracılara Microsoft 365 Copilot üzerinden erişildiğinde, Microsoft Purview idare ilkeleri temel alınan veri kaynakları için geçerli olmaya devam eder. Ayrıca Fabric veri aracıları Microsoft Copilot Studio, Azure AI Foundry, Microsoft Teams gibi dış sistemlere veya Fabric dışındaki diğer araçlara bağlanabilir. Dış düzenleyiciler ve çoklu ajan çalışma zamanları, uçtan uca ajansal iş akışlarını desteklemek için Fabric veri ajanlarını çağırabilirken, veri ajanları salt okunur, yönetilen veri erişimine odaklanmış olarak kalır.

Fabric veri aracısının değerlendirilmesi

Ürün ekibi, Fabric veri aracısı yanıtlarının kalitesini ve güvenliğini titizlikle değerlendirdi:

Benchmark Testing: Ürün ekibi, yüksek kaliteli ve doğru yanıtlar sağlamak için bir dizi genel ve özel veri kümesinde Fabric veri aracılarını test etti.

Enhanced Harm Mitigations: Ürün ekibi, Fabric veri aracısı çıkışlarının seçili veri kaynaklarının bağlamı üzerinde odaklandığından emin olmak için korumalar uygulayarak ilgisiz veya yanıltıcı yanıt riskini azalttı.

İdare ve güvenlik

Microsoft Purview tümleştirmesi, Fabric veri aracıları için idare denetimleri sağlar. Bir veri aracısını yapılandırdığınızda, Purview idare ilkeleri aracının erişebileceği temel veri kaynaklarına uygulanır. Bu tümleştirme aracılar aracılığıyla veri erişiminin doğrudan erişimle aynı uyumluluk ve sınıflandırma kurallarına uymasını sağlamaya yardımcı olur.

Microsoft Purview ilkeleri: Veri erişim denetimleri ve duyarlılık etiketleri gibi Purview ilkeleri, aracıların sorgu yaptığı veri kaynaklarına uygulanır. Purview politikası bir lakehouse veya ambar erişimini kısıtlarsa, aracı kullanıcı sorgularını işlerken bu kısıtlamaya uyar.

Giden erişim koruması: Veri aracıları, çalışma alanı giden erişim korumasının sınırları içinde çalışır. Çalışma alanı yöneticileri, veri aracısının hangi dış uç noktalara ulaşabileceğini denetlemek için çalışma alanı ayarları aracılığıyla izin verilen giden bağlantıları yönetebilir.

Microsoft 365 Copilot tümleştirme: Fabric veri aracıları Microsoft 365 Copilot aracılığıyla ortaya çıktığında Purview idare ilkeleri uygulanmaya devam edilir. Kullanıcılar, giriş noktasından bağımsız olarak yalnızca kimlik bilgilerinin ve Purview ilkelerinin izin verdikleri verilere erişebilir.

Veri aracıları için ALM ve DevOps

Fabric veri aracıları geliştirme, test ve üretim ortamlarında aracı yapılandırmalarını yönetmenize yardımcı olan uygulama yaşam döngüsü yönetimi (ALM) özelliklerini destekler.

Tanılama: Aracı davranışını izlemek, sorgu oluşturma sorunlarını belirlemek ve yanıt kalitesini gidermek için yerleşik tanılamaları kullanın. Tanılama, aracının soruları nasıl işlediğine ve veri kaynaklarını nasıl seçtiğine ilişkin görünürlük sağlar.

Git tümleştirmesi: Git tümleştirmesi ile aracı yapılandırmalarınızı sürüm denetimi altına alabilirsiniz. Zaman içinde aracı yönergelerinde, örnek sorgularda ve veri kaynağı seçimlerinde yapılan değişiklikleri izlemek için Fabric çalışma alanınızı bir Git deposuna bağlayın.

Yükleme işlem hatları: Çalışma alanları arasında veri aracılarını (örneğin, geliştirmeden üretime) terfi ettirmek için Fabric yükleme işlem hatlarını kullanın. Bu destek, son kullanıcıların kullanımına sunulmadan önce bir hazırlama ortamındaki değişiklikleri test etmenizi sağlar.

operasyonel gözetim

Sürekli kalite ve ilke uyumluluğu sağlamak için Fabric veri aracınız için şu operasyonel uygulamaları göz önünde bulundurun:

  • Kayıt tutma ve denetleme: Kullanılabilir kayıt ve denetim olanakları aracılığıyla aracı etkileşimlerinin izlenmesi. Sorgu desenlerini ve yanıt kalitesini gözden geçirmek beklenmeyen davranışları erken belirlemenize yardımcı olur.
  • İnsan müdahaleli eskiyon: Hassas veya yüksek etkili istekler için eskiyon yolları oluşturun. Otomatik yanıtların yeterli olmadığı senaryolar için, soruları uygun gözden geçirenlere yönlendiren işlemleri tanımlayın.
  • Düzenli inceleme: Veri aracısı yönergelerinizi ve örnek sorgularınızı düzenli aralıklarla gözden geçirerek bunların geçerli kuruluş ilkeleri ve veri yapılarıyla uyumlu kalmasını sağlayın. Veri kaynaklarınız veya iş gereksinimleriniz değiştikçe aracı yapılandırmasını uygun şekilde güncelleştirin.

Sınırlamalar

  • Fabric veri aracısı yalnızca SQL, DAX ve KQL "okuma" sorguları oluşturur. Veri oluşturan, güncelleştiren veya silen SQL, DAX veya KQL sorguları oluşturmaz.
  • Fabric veri aracısı .pdf, .docxveya .txt dosyaları gibi yapılandırılmamış verileri desteklemez. Yapılandırılmamış veri kaynaklarına erişmek için Fabric veri aracısını kullanamazsınız.
  • Fabric veri aracısı, göl evi veri kaynakları için seçtiğiniz göl evi tablolarını kullanarak sorularınızı yanıtlar. Tek başına lakehouse dosyalarını (örneğin CSV veya JSON dosyaları), tablo olarak içe alınmadıkları veya erişilebilir hale getirilmedikçe doğrudan okumaz.
  • Fabric veri aracısı şu anda İngilizce olmayan dilleri desteklememektedir. En iyi performans için soruları, yönergeleri ve örnek sorguları İngilizce olarak sağlayın.
  • Fabric veri aracısının kullandığı LLM'yi değiştiremezsiniz.
  • Fabric veri aracısında konuşma geçmişi her zaman kalıcı olmayabilir. Arka uç altyapısı değişiklikleri, hizmet güncelleştirmeleri veya model yükseltmeleri gibi bazı durumlarda, geçmiş konuşma geçmişi sıfırlanabilir veya kaybolabilir.
  • veri kaynağının çalışma alanı kapasitesi veri aracısının çalışma alanı kapasitesinden farklı bir bölgede olduğunda Fabric veri aracısı sorgu yürütemez. Örneğin, Veri Aracısı'nın kapasitesi Orta Fransa'da olduğunda Kuzey Avrupa'da kapasitesi olan bir göl evi başarısız olur.
  • Kullanıcılar, Veri Aracısı'nda veri kaynağı başına en fazla 100 örnek sorgu sağlayabilir.
  • Fabric Veri Aracıları şu anda tam veri kümelerini döndürmek yerine konuşma içgörüleri için tasarlanmıştır. Kısa ve performanslı yanıtlar sağlamak için sohbet çıkışları döndürülen verileri otomatik olarak sınırlandırır ve/veya özetler. Şu anda yanıtlar en fazla 25 satır ve 25 sütunla eşlenir. Önceki sohbet geçmişinin sonraki yanıtları etkileyeebileceğini lütfen unutmayın. Örneğin, "bu yılın tüm satırlarını gösterme" isteğinde bulunursanız aracı yine de en fazla 25 satır döndürür. Daha sonra, sonucu etkileyebilecek, zaten sınırlı olan bu bağlam temelinde takip soruları yanıtlanabilir. Böyle durumlarda yeni bir sohbet oturumu başlatılması önerilir.
  • Temel alınan veri kaynaklarına Microsoft Purview DLP veya erişim kısıtlama ilkeleri uygulanırsa aracı yanıtları kesilebilir veya engellenebilir. Özel davranış, kuruluşunuzun ilke yapılandırmasına bağlıdır.
  • Purview ilkeleri tarafından hassas olarak işaretlenmiş varlıklar aracıya erişilemez olabilir ve bu da eksik yanıtlara veya belirli veri kaynaklarının sorgulanamamasına neden olabilir.
  • Aracı etkileşimleri Microsoft Purview Audit ve e-Keşif aracılığıyla günlüğe kaydedilebilir ve bulunabilir. Kuruluşlar, hassas iş yükleri için aracı dağıtırken bu idare denetimlerini dikkate almalıdır.
  • Veri aracısı aracılığıyla Power BI anlamsal modellere erişim, modelde Okuma iznine tabidir ve çalışma alanı düzeyinde erişim gerektirmez. Row-Level Güvenliği (RLS) ve Column-Level Güvenliği (CLS) hala geçerlidir.

İlgili içerik

  • Last updated on