Veri aracısı için anlamsal model en iyi yöntemleri

Doku veri aracısı, kuruluşların üretken yapay zeka kullanarak konuşma sistemleri oluşturmasına olanak tanır. Ekipler, Power BI anlam modellerini veri kaynakları olarak bağlayarak doğal dil soruları sorabilir ve karmaşık DAX veya SQL sorguları yazmadan doğru, bağlam açısından zengin yanıtlar alabilir.

Bununla birlikte, yapay zeka yanıtlarının kalitesi büyük ölçüde veri kaynaklarınızı ne kadar iyi hazırladığınıza bağlıdır. Fabric veri aracısı, göl evleri, ambarlar, etkinlik evleri ve ontolojiler gibi birden çok veri kaynağı türünü desteklerken, bu kılavuz özellikle Power BI anlamsal modellere odaklanır ve bu modellerin doğruluk ve ilgi düzeylerini en üst düzeye çıkarmak için yapılandırmaya yönelik en iyi yöntemlere yol gösterir.

Fabric veri aracısı nasıl çalışır?

Veri aracısı, kullanıcı sorularının Orchestrator üzerinden aktığı katmanlı bir mimari kullanır. Orchestrator uygun veri kaynağını belirler ve sorguları oluşturmak, doğrulamak ve yürütmek için Power BI anlam modelleri için DAX oluşturma aracı da dahil olmak üzere özel araçları çağırır.

Sorgu işleme akışı

1. Soru Ayrıştırma: Aracı, kullanıcı sorularını Azure OpenAI aracılığıyla işler, güvenlik protokollerine ve izinlerine uyumluluğu sağlar ve Microsoft Sorumlu yapay zeka ilkelerine uyar.

2. Veri Kaynağı Seçimi: Sistem, sağladığınız şema bilgilerini ve yapay zeka yönergelerini kullanarak soruyu kullanılabilir kaynaklara göre değerlendirir.

3. Sorgu Oluşturma: Anlamsal modeller için, DAX oluşturma aracı şema, meta veriler (eş anlamlılar, sayısal sütunların en düşük ve en yüksek değerleri, rapor görseli meta verileri ve daha fazlası), yapay zeka için hazırlık verilerinde yapılandırılan bağlam ve konuşma geçmişine göre DAX sorguları oluşturur.

4. Yanıt Biçimlendirmesi: Aracı, sonuçları tablolarla, özetlerle veya içgörülerle birlikte aracı yönergelerine göre okunabilir yanıtlara dönüştürür.

Gelişmiş DAX nesli (önizleme)

Önizleme çalışma zamanında veri ajanları için gelişmiş bir DAX üretim aracı mevcuttur. Standart DAX üretiminin aksine, yani sorguyu tek geçişte üretirken, gelişmiş DAX üretimi model meta verilerini incelemek, soruyu yorumlamak, belirsizliği çözmek ve DAX sorgusunu oluşturmak için birden fazla akıl yürütme adımı kullanır.

Gelişmiş DAX üretiminin avantajları şunlardır:

• Karmaşık sorulara daha doğru yanıtlar: Tekrarlayıcı şekilde mantık yürütür, sonuçları inceler, belirsizlikleri çözer ve yaklaşımını birden fazla adımda geliştirir.
• Örnek değer indeksleme: Daha doğru ve güvenilir filtreler oluşturmak için anlamsal model sütunları içindeki değerleri arar.
• Microsoft deneyimlerinde tutarlı yanıtlar: Fabric veri ajanı, Fabric becerileri, Power BI, Microsoft 365 Copilot ve Fabric IQ eklentisi arasında yanıt tutarlılığını artırmak için paylaşılan yetenekler kullanır.
• Bazı durumlarda artan gecikme: Araç birden fazla akıl yürütme adımı yapabilse de, ilgili model nesnelerini ve değerlerini daha verimli tanımlayabilme yeteneği bazı sorular için yanıt gecikmesini azaltabilir.

Gelişmiş DAX üretimi kullanın

Özelliği etkinleştirmek için veri ajanını önizleme çalışma zamanına geçirin.

Gelişmiş DAX oluşturma, bu makalede açıklanan anlamsal modelin meta verilerini ve Yapay Zeka için Hazırlık yapılandırmalarını kullanır. Yanıt doğruluğunu ve performansını en üst düzeye çıkarmak için bu makalede detaylandırılan en iyi uygulamaları takip edin.

Örnek değer indeksleme şu anda semantik modelin Q&A ayarının etkinleştirilmesini gerektirir. Bu ayar, Import ve Direct Lake modelleri için varsayılan olarak etkinleştirilmiştir. Q&A Aralık 2026'da kullanımdan kaldırılacağı için, yerine geçecek bir ayar kullanımdan kaldırılmasından sonra örnek değerlerinin dizinlenmesini destekleyecek ve bu makale yeni yapılandırma adımlarıyla güncellenecektir.

Yapay zeka için hazırlık: Anlamsal model yapay zekayı hazır hale getirme

Power BI'ın Yapay Zeka hazırlığı özelliği, Doku veri aracısının anlam modelinizi yorumlama biçimini doğrudan etkileyen üç yapılandırma bileşeni sağlar. Bu bileşenlere hem Power BI Desktop'ta hem de Power BI hizmetinden erişebilirsiniz. Power BI Copilot, yapay zeka yapılandırmalarına yönelik hazırlıkları da kullanır. Bu ayarları yapmaya zaman ayırarak hem Copilot'un hem de veri ajanlarının performansına katkıda bulunabilirsiniz.

Önemli

Anlamsal modelleri sorgularken, data agent tarafından kullanılan DAX oluşturma aracı yalnızca Anlamsal Modelin Meta Verilerine ve Yapay Zeka için Hazırlık yapılandırmalarına dayanır. DAX oluşturma aracı, DAX sorgu oluşturma için veri aracısı düzeyinde eklediğiniz yönergeleri yoksayar. Doğru sonuçlar için yapay zeka yapılandırması için uygun hazırlık gereklidir.

Yapay zeka veri şemaları

Yapay zeka veri şemaları, yapay zeka öncelik belirlemesi için modelinizin odaklanmış bir alt kümesini tanımlamanıza olanak sağlar. Veri aracısı veri kaynağı olarak anlamsal model eklerken kendi tablo seçimine de sahip olsa da, önce Prep for AI'da şemanızı yapılandırın. DAX oluşturma aracı, DAX sorguları oluşturmak için bu şemayı kullanır.

Giriş şeridinden Yapay zeka için veri hazırlama'ya tıklayarak bu şemayı Power BI Desktop'ta veya Power BI hizmetinde yapılandırabilirsiniz. Ardından Veri şemasını basitleştir sekmesine gidin. Buradan, yapay zekanın yanıt oluştururken kullanması gereken tabloları, sütunları ve ölçüleri seçin. Ayrıntılı kurulum yönergeleri için bkz. Yapay zeka veri şeması ayarlama.

Semantik modeli veri aracısına eklediğinizde tutarlı davranış sağlamak için Yapay zeka hazırlığı bölümünde tanımladığınız tabloların aynısını seçin. İlk olarak, veri aracınızın kapsamını tanımlayın (yanıtlaması gereken soru türleri). Ardından yalnızca ilgili nesneleri seçin. Bu yaklaşım belirsizliği azaltır, doğruluğu artırır ve yanıt gecikme süresini azaltır.

DAX oluşturma aracı, soruları yorumlamak için modelinizin meta verilerini kullanır. Kullanıcıların verilere doğal olarak nasıl başvurduğunu yansıtan tablolar, sütunlar ve ölçüler için net ve iş dostu adlar kullanın. Örneğin, 'DIM_GEO_01' yerine 'TR_AMT' yerine 'Toplam Gelir' veya 'Satış Bölgesi' kullanın. Bu kılavuz özellikle çakışan veya benzer şekilde adlandırılmış alanlara sahip büyük modeller için önemlidir; burada belirsiz adlar yanlış sorgu oluşturma işlemine yol açabilir.

Örnek: Alan belirsizliğini çözümleme

Yapay Zeka Veri Şeması Olmadan	Yapay Zeka Veri Şeması ile
Kullanıcı şunu sorar: "What were our sales last quarter?" Anlam modeli satışla ilgili birden çok ölçü içeriyor: Toplam Gelir, Brüt Satış, Net Satış ve Satış Sonrası İadeler. Yapay zeka Brüt Satışlar döndürür, ancak ekibiniz genellikle üç aylık raporlama için Net Satış'ı kullanır.	Yapay zeka veri şemasını yalnızca Net Sales'i içerecek ve ilgili olmayan diğer ölçüleri hariç tutacak şekilde yapılandırdıktan sonra, aynı soru artık beklenen ölçümü döndürür. Yapay zekanın artık kullanıcının hedeflediği "satış" ölçüsünü tahmin etmek zorunda değildir.

Yapay zeka veri şemaları için ipuçları

• Tutarlı ve doğru sonuçlar için, Fabric veri aracısı içinde aynı tabloları seçtiğinizden ve aynı tabloların "Prep for AI" içerisindeki Yapay Zeka Veri Şemaları aracılığıyla da tanımlandığından emin olun.

• Şemayı seçerken bağımlı nesneleri de ekleyin. Örneğin, Bir Total Revenue ölçüsü ek sütunlara bağımlı diğer iki ölçüye başvuruyorsa, bu bağımlı nesnelerin tümünü şemanıza ekleyin. Bağımlılıkları tanımlamak için AnlamSal Bağlantı Laboratuvarları kitaplığındaki get_measure_dependencies işlevini kullanın.

• Büyük bir anlam modeliniz varsa, tüm nesneleri el ile yeniden adlandırmak yorucu olabilir. LLM'nin tablolarınız, sütunlarınız ve ölçüleriniz için iş dostu adlar oluşturmasını sağlamak için Power BI Modelleme MCP sunucusunu kullanın. DaX ifadelerini, ilişkilerini veya diğer bağımlı nesneleri bozmadığından emin olmak için kaydetmeden önce değişiklikleri gözden geçirin ve doğrulayın.

Doğrulanmış yanıtlar

Doğrulanmış yanıtlar, belirli sorular tarafından tetiklenen ve kullanıcılar tarafından onaylanan görsel yanıtlardır. Aksi takdirde yanlış yorumlanabilecek yaygın veya karmaşık sorulara tutarlı, güvenilir yanıtlar sağlar. Doğrulanmış yanıtları semantik model düzeyinde (rapor düzeyinde değil) depoladığınız için, bunlar aynı modeli kullanan tüm veri aracılarında çalışır. Daha fazla bilgi için bkz . Verilerinizi yapay zeka için hazırlama – Doğrulanmış yanıtlar.

Veri aracısı ile doğrulanmış yanıtları kullandığınızda sistem Power BI görselinin kendisini döndürmez. Bunun yerine kullanıcı sorularını ve görselin özelliklerini (sütunlar, ölçüler, filtreler) kullanarak DAX sorgu oluşturmayı etkiler. Bu yaklaşım, doğrulanmış yanıtların, DAX oluşturma aracını doğru sorgu yapısına doğru yönlendirerek yanıt doğruluğunu artırdığı anlamına gelir. Kullanıcı veri aracısına bir soru sorduğunda, sistem yeni bir yanıt oluşturmadan önce doğrulanmış yanıtta tanımlanan isteminize tam veya benzer bir eşleşmeyi denetler.

Örnek: Bölgesel terminolojiyi işleme

Doğrulanmış Yanıt Olmadan

Doğrulanmış Yanıt ile

Kullanıcı şunu sorar: "Show me performance by territory" Ürünler tablosunda bir Territory sütunu bulunduğundan yapay zeka "territory" değerini ürün kategorisi olarak yorumlar. Kullanıcı aslında satış bölgelerini kastetmiş.

" Satışları bölgeye göre ayrılmış göster" ve "Satışlar bölgeler arasında nasıl dağıtılır?" gibi "What is the sales performance by territory?"tetikleyici soruları içeren bölgesel bir satış görseli kullanarak doğrulanmış bir yanıt oluşturuyorsunuz. Artık kullanıcılar bölge performansı hakkında soru sorduğunda, bölgesel satış görselinde kullanılan nesnelere göre tutarlı bir şekilde doğru yanıtlar alır.

Doğrulanmış yanıtlar için yapılandırma ipuçları

• Doğal varyasyonları kapsamak için doğrulanmış yanıt başına beş ila yedi tetikleyici soru kullanın.
• Kullanıcıların deneyebileceği hem resmi hem de konuşma ifadelerini ekleyin.
• Birden çok doğrulanmış yanıt oluşturmadan esnek dilimleme için en fazla üç filtre yapılandırın.
• Doğrulanmış yanıtta başvuruda bulunan tabloları, sütunları veya ölçüleri yeniden adlandırırsanız, doğrulanmış yanıtı güncelleştirin ve değişikliklerin etkili olması için yeniden kaydedin.

Yapay zeka yönergeleri

Prep for AI'daki yapay zeka yönergeleri bağlam, iş mantığı ve doğrudan anlamsal modele yönelik rehberlik sağlar. Terminolojinin netleştirilmesine, analiz yaklaşımlarına yol göstermesine yardımcı olur ve yapay zekanın aksi takdirde anlayamayacağı kritik iş ve anlam bağlamı sağlar.

Bu yönergeleri Power BI Desktop'ta veya Power BI hizmetinde, Giriş şeridinden Yapay zeka için veri hazırlama'yı seçip yapay zeka yönergeleri ekle sekmesine giderek yapılandırabilirsiniz. Ayrıntılı kurulum yönergeleri için AI Yönergeleri belgelerine bakın.

Yapay zeka yönergeleri, LLM tarafından yorumlanan yapılandırılmamış yönergelerdir, ancak bunları tam olarak izlediğinin garantisi yoktur. Net, belirli yönergeler karmaşık veya çakışan yönergelerden daha etkilidir.

Daha önce belirtildiği gibi, DAX oluşturma aracı yalnızca anlamsal modelin yapay zeka için hazırlık bölümünde yapılandırılan yapay zeka yönergelerini ifade eder. Veri aracısı yönergeleri araca iletilmez ve anlamsal modeller sorgulanırken yoksayılır. Bu nedenle, veri aracısı düzeyinde anlam modeline özgü yönergeler eklemeyin. Bunun yerine, tüm anlamsal model yönergelerini DAX oluşturma aracının kullanabildiği Yapay zeka için hazırlık bölümünde tutun. Veri aracısı yönergeleri yalnızca genel yanıt biçimlendirme tercihleri, kaynaklar arası yönlendirme kuralları, ortak kısaltmalar, ton vb. gibi aracıda yapılandırılan tüm veri kaynaklarına uygulanan yönergeleri içermelidir. Veri aracısı, diğer veri kaynaklarından farklı olarak anlamsal modeller için veri kaynağı yönergelerini veya açıklamalarını desteklemez.

Örnek: İş terminolojisini tanımlama

Yapay zeka yönergeleri olmadan	Yapay zeka yönergeleriyle
Bir kullanıcı şunu sorar: "Geçen ay en iyi performans gösterenler kimlerdi?" Yapay zeka, kuruluşunuzda "en iyi performans gösterenin" ne anlama geldiğini anlamaz ve bir hata döndürür veya açıklama ister.	Bir yönerge eklersiniz: "En iyi performans gösteren, aylık kotasının 110% veya daha fazlasını elde eden bir satış temsilcisidir. Rep_Performance tablosunu kullanın ve Quota_Attainment >= 1,1" filtresini kullanın. Yapay zeka artık soruyu doğru şekilde yorumlayıp doğru sonuçları döndürür.

Etkili yönerge desenleri

• Zaman Dönemi Tanımları: "Yoğun sezon, Kasım'dan Ocak'a kadar devam eder. Sezon dışı, Şubat ile Nisan arasıdır."
• Ölçüm Tercihleri: "Kullanıcılar kârlılığı sorduğunda, Gross_Profit değil Contribution_Margin ölçüsünü kullanın."
• Veri Kaynağı Yönlendirme: "Envanter soruları için Warehouse_Inventory tablosunu Sales_Orders üzerine önceliklendirin."
• Varsayılan Gruplandırmalar: "Aksi belirtilmedikçe, geliri takvim ayı yerine mali çeyreğe göre analiz edin."

AI için Hazırlık'a ek olarak, DAX sorgu oluşturma aracı sorgu doğruluğunu geliştirmek için görsel başlığı, sütunlar, ölçüler, filtreler gibi rapor görsellerinden meta verileri de kullanır.

Önerilen uygulama iş akışı

1. Anlam Modelini İyileştirme: Semantik modelinizi performans için iyileştirerek başlayın. Kötü veri aracısı performansı genellikle kötü tasarlanmış bir anlam modelinden, verimsiz DAX ölçülerinden veya ikisinin bir karışımından gelir. Bir kullanıcı soru sorduğunda, veri aracısı bir DAX sorgusu oluşturur ve bunu modelinize karşı çalıştırır. İyi iyileştirilmiş bir model daha az kaynak kullanır ve daha hızlı sorgu yürütme elde eder. Konuşma arabiriminde kullanıcılar hızlı yanıtlar bekler, bu nedenle yavaş performans kullanıcı deneyimini ve benimsemeyi doğrudan etkiler.

   Ayrıca gereksiz sütunlar, tablolar ve ölçüler içeren şişirilmiş bir model, DAX oluşturma aracının ayrıştırabilmesi için daha fazla kirlilik oluşturur ve bu da yanıt doğruluğunu azaltabilir. Modelinizi erken iyileştirerek, verileriniz büyüdükçe ve model daha karmaşık hale geldikçe performans sorunlarını da önlersiniz. Power BI'da bir modeli performans için iyileştirme kursunda daha fazla bilgi edinebilirsiniz.

   Yanlış veri türleri, gereksiz sütunlar, yüksek kardinalite sütunları ve verimsiz DAX desenleri gibi sorunları belirlemek için Doku not defterinde En İyi Yöntem Çözümleyicisi ve AnlamSal Model Bellek Çözümleyicisi'ni kullanın. LLM'nin yapay zeka veri şemasına dahil edilen her nesnenin amacını anlamasına yardımcı olmak için tablolara, sütunlara ve ölçülere açıklama ekleyin.

   

2. Yapay zeka > için Hazırlık Tanımlama Yapay Zeka Veri Şeması: Veri aracınızın kapsamına bağlı olarak yalnızca aracınızın yanıtlaması gereken sorularla ilgili tabloları, sütunları ve ölçüleri seçerek Yapay zeka için hazırlık'ta yapay zeka veri şemasını yapılandırın.

3. AI > için Hazırlık Oluşturma Doğrulanmış Yanıtlar: En yaygın sorularınızı belirleyin ve uygun görselleri kullanarak yapay zeka hazırlığı bölümünde doğrulanmış yanıtları yapılandırın. Eşleştirme doğruluğunu geliştirmek için tetikleyici (kısmi tümcecikler değil) olarak eksiksiz ve güçlü sorular kullanın.

4. Veri aracısına Anlam Modeli ekleme: Prep for AI'ye yapay zeka yönergeleri eklemeden önce veri aracısından gelen yanıtları test edin ve doğrulayın. Bu adım, DAX sorgu oluşturmayı geliştirmek için yapay zeka yönergelerinin nerede gerektiğini anlamanıza yardımcı olur.

5. AI > için Hazırlık Ekleme Yapay Zeka Yönergeleri: Doğrulama bulgularınıza bağlı olarak, yapay zeka için hazırlık yönergelerinde (veri aracısı yönergelerinde değil) iş terminolojisi, analiz tercihleri ve veri kaynağı önceliklerini tanımlayın.

6. Rapor görsellerini hazırlama: Görsellerin açıklayıcı başlıklara sahip olduğundan emin olmak için gizli görseller ve sayfalar dahil olmak üzere anlam modeline bağlı raporları gözden geçirin. İyi yapılandırılmış görseller, yapay zekanın görsel başlığı, tablo, sütun, kullanılan ölçüler, uygulanan filtreler ve daha fazlası gibi görsel meta verileri kullanarak yanıtları temel almalarına yardımcı olur.

7. DAX'ı doğrulayın ve test edin: Yanıt doğruluğu, oluşturulan DAX sorgusuna bağlıdır. Veri aracınızı test ederken, geçerli olduğunu doğrulamak ve soruyu doğru şekilde yanıtlamak için her yanıtta DAX sorgusunu gözden geçirin. Sonuçlar yanlışsa, hangi yapılandırmaların (anlam modeli, yapay zeka veri şeması, doğrulanmış yanıtlar veya yapay zeka yönergeleri) ayarlanması gerektiğini belirlemek için DAX'ı analiz edin.

   

8. Veri aracısı Yapılandırma Yönergeleri: Yalnızca aracıda yapılandırılan tüm veri kaynaklarına uygulanan yönergeler için veri aracısı düzeyinde yönergeler ekleyin. Bu kılavuz genel yanıt biçimlendirme tercihlerini, kaynaklar arası yönlendirme kurallarını, yaygın kısaltmaları ve tonu içerir. DAX oluşturma aracına geçirilmediğinden buraya anlam modeline özgü yönergeler eklemeyin. Aracı yönergelerini yapılandırma yönergeleri için yapılandırma yönergelerine bakın.

9. Doğrula ve Yinele: LLM'ler doğru bağlam olmadan yanlış sonuçlar üretebilir. Yapılandırmanızı sürekli yineleyin ve veri aracınızda güven oluşturmak için yanıtları doğrulayın. Yanıtları program aracılığıyla değerlendirmek için Doku veri aracısı Python SDK'sını kullanarak temel gerçek soru-cevap çiftlerine karşı otomatik değerlendirmeler çalıştırabilir ve doğruluk ölçümlerini analiz edebilirsiniz. SDK'nın bu durumda yalnızca değerlendirme amaçlı olduğunu ve anlamsal modelin Yapay Zeka için Hazırlık yapılandırmalarını değiştiremeyeceğini unutmayın. Ayrıntılar için bkz . Veri aracınızı değerlendirme. Ayrıca, proje katılımcılarını ve son kullanıcıları değerlendirme sürecine dahil edin. Geri bildirimleri, yanıtların gerçek dünya beklentileri ve kullanılabilirliğiyle uyumlu olmasını sağlar ve otomatik denetimlerin kaçırabileceği boşlukları belirlemenize yardımcı olur.

10. Kaynak Denetimi ve Dağıtım İşlem Hatlarını Uygulama: Geliştirme, test ve üretim çalışma alanlarında veri aracısı yapılandırmalarınızı yönetmek için Git tümleştirme ve dağıtım işlem hatlarını kullanın. Bu uygulama, son kullanıcıların eriştiği üretime yükseltilmeden önce yapılandırma değişikliklerinin test edilmesini ve doğrulanmasını sağlar. Ayrıntılar için bkz. Kaynak Denetimi, CI/CD ve ALM için Fabric veri aracısı.

Tip

Bu iş akışında size yardımcı olması için doku araç kutusu deposundaki kaynakları başvuru olarak kullanabilirsiniz. Bu depo şunu içerir:

• Semantik modeli veri kaynağı olarak hazırlama ve yapılandırma denetim listesi
• yararlı kod parçacıkları ve yardımcı işlevlere sahip veri aracısı Yardımcı programlar not defteri

Kaçınılması gereken yaygın tuzaklar

• Yıldız şeması kullanılmıyor: Düz, normalize edilmemiş tablolar veya özetlenmiş veri yapıları kullanan anlamsal modeller, DAX'ı daha az verimli hale getirir ve doğru yazmayı zorlaştırır. DAX, net olgu ve boyut tablolarına sahip yıldız şeması için iyileştirilmiştir. Geniş tabloları, her satırın tek bir gözlemi temsil ettiği normalleştirilmiş yapılara dönüştürün.

• Gizli alanları kullanma: Doğrulanmış yanıtlar modeldeki gizli sütunlara başvuruda bulunursa çalışmaz.

• Gereksiz ölçüler dahil: Anlam modelleri genellikle rapor etkileşimlerini geliştirmek için kullanılan yardımcı ölçüleri ve ara nesneleri içerir. Yapay zeka veri şemanızı yapılandırırken yalnızca gerçek iş ölçümlerini hesaplayan ölçüleri ekleyin. Yardımcı ölçülerin dışlanması gürültüyü azaltır ve DAX oluşturma aracının daha doğru sorgular oluşturmasını sağlar.

• Yinelenen veya çakışan ölçüler: Benzer ölçümleri hesaplayan birden çok ölçü (örneğin, Toplam Satış, Satış Tutarı, Gelir) belirsizlik oluşturur. Ölçüleri birleştirin veya net bir şekilde ayırt edin ve yinelenenleri yapay zeka veri şemanızdan hariç tutun.

• Açıklayıcı olmayan adlandırma: TR_AMT, F_SLS veya DIM_GEO_01 gibi nesne adları DAX oluşturma aracı için bağlam sağlamaz. Toplam Gelir, Satış veya Müşteri Coğrafyası gibi net, iş dostu adlar kullanın. Nesneleri yeniden adlandıramıyorsanız, açıklamaların ve eş anlamlıların yapay zekanın amacını anlaması için gerekli bağlamı sağladığından emin olun.

• Örtük ölçülere bağlı olarak: Örtük ölçüler öngörülemeyen sonuçlara yol açabilir. Kullanıcıların sorgulamasını istediğiniz hesaplamalar için açık DAX ölçüleri oluşturun ve istenmeyen toplamaları önlemek için sayısal sütunlarda doğru varsayılan özetlemeyi (Toplam, Ortalama, Yok vb.) ayarlayın.

• Belirsiz tarih alanları: Açık bir kılavuz olmadan birden çok tarih sütunu (Sipariş Tarihi, Sevk Tarihi, Son Tarih, Takvim Üç Aylık Dönemi/GY Üç Aylık Dönemi vb.) yapay zekanın kafasını karıştırır. Varsayılan olarak hangi tarih alanının kullanılacağını veya belirli soru türlerini belirtmek için Prep for AI'daki Doğrulanmış Yanıtlar ve Yapay Zeka yönergelerini kullanın.

• Çakışan yönergeler: Doğrulanmış Yanıt yapılandırmalarıyla çelişen yapay zeka yönergeleri öngörülemeyen davranışlar oluşturur.

• Şema iyileştirmesi atlanıyor: Benzer şekilde adlandırılmış birçok alana sahip büyük modellerin odaklanmış yapay zeka veri şemalarına ihtiyacı vardır.

• Aşırı karmaşık yönergeler: Yönergeleri odaklanmış ve belirli tutun. Yapay zeka, karmaşık ve çakışan yönergeleri yorumlar ancak takip etme garantisi vermez. Karmaşık yönergeler gecikme süresine de eklenebilir.

Tools

Bu yönergeleri izlemek için, github deposundaki doku araç kutusundan aşağıdaki araçları kullanabilirsiniz:

• Öneriler içeren denetim listesi. Bunlar yönergelerdir ve denetim listesindeki tüm öğeler senaryonuz için geçerli olmayabilir.
• Yardımcı programların tek bir yerde toplanmasını içeren not defteri .
• VS Code'da geliştirme ve test sürecini hızlandırmak için Power BI MCP Sunucusu
• Fabric defterinde semantik modeli program aracılığıyla güncellemek için Semantic link labs kütüphanesi.

Ek kaynaklar

• Doku veri aracısı kavramları belgeleri
• Denetim listesi ve not defterleri içeren doku araç kutusu
• Veri aracısına veri kaynağı olarak anlamsal model ekleme
• Power BI'da verilerinizi yapay zeka için hazırlama
• Copilot için semantik modelinizi iyileştirme
• Power BI'da bir modeli performans için iyileştirme - Eğitim
• Yapay zeka için hazırlık hakkında SSS