AI 技能概念（预览）
借助 Microsoft Fabric AI 技能，可以对数据进行设置，更方便同事访问。 可以配置生成式 AI 系统来生成回答有关数据问题的查询。 配置 AI 技能后，可以与使用简明英语提问问题的同事共享。 根据他们的问题，AI 会根据回答这些问题的数据生成查询。
重要
此功能目前为预览版。
AI 技能的工作原理
AI 技能依赖于生成式 AI，特别是大型语言模型 (LLM)。 LLM 可以根据特定架构和问题生成查询，例如 T-SQL 查询。 系统将 AI 技能中的问题、所选数据的信息（包括表名和列名以及表中找到的数据类型）发送给 LLM。 接下来，它会请求生成 T-SQL 查询，以回答问题。 分析生成的查询，首先确保它不会以任何方式更改数据。 然后执行该查询。 最后，显示查询执行结果。 AI 技能旨在访问特定的数据库资源，然后生成和执行相关的 T-SQL 查询。
AI 技能配置
就像看待 Power BI 报表一样去看待 AI 技能。 首先生成报表，然后与可以使用报表的同事共享，以获取对方的数据见解。 AI 技能的工作方式与之类似。 首先需要创建和配置 AI 技能。 然后，可以与同事共享。
在 AI 技能妥善发挥功能之前，应先进行部分必要配置步骤。 AI 技能通常可为合理问题提供现成的回答，但也会为特定情况提供不正确的回答。 存在以下情况时通常会出现错误答案：AI 缺少有关公司、设置或关键术语定义的上下文。 若要解决此问题，请向 AI 提供指令和示例问题查询对。 可以使用强大的技术来指导 AI 获得正确的答案。
AI 技能与 Copilot 之间的差异
AI 技能和 Fabric Copilot 背后的技术相似。 它们都使用生成式 AI 来推理数据。 它们也有一些关键区别：
- 配置：借助 AI 技能，可以将 AI 配置为按所需方式运行。 可以向它提供指令和示例，以便将其优化为特定的用例。 Fabric Copilot 不提供此配置灵活性。
- 用例：Copilot 可以帮助在 Fabric 上完成工作。 它可以帮助生成笔记本代码或数据仓库查询。 相比之下，AI 技能可独立运行。 最终可以将其连接到 Microsoft Teams 和 Fabric 之外的其他区域。
AI 技能评估
- 产品团队针对不同公共和专用 T-SQL 基准测试了 AI 技能，以确定 SQL 查询的质量。
- 产品团队针对其他危害缓解措施投入了大量工作。 其中包括将 Copilot 输出集中在所选数据源上下文的技术方法。
限制
AI 技能目前以公共预览版提供，存在局限性。 更新将随时间推移改进 AI 技能。
- 生成式 AI 不会针对已执行的 T-SQL 查询结果提供解释。 它只生成该查询。
- AI 技能可能会返回不正确的回答。 应与同事测试 AI 技能，以验证它是否按预期回答问题。 如果出错，请提供更多示例和指令。
- 仅支持对仓库和湖屋的 T-SQL 查询。
- AI 技能仅生成 T-SQL“读取”查询。 它不会生成创建、更新或删除数据的 T-SQL 查询。
- AI 技能只能访问你提供的数据。 它仅使用你提供的数据资源配置。
- AI 技能具有与授予 AI 技能问题者权限相匹配的数据访问权限。 当 AI 技能发布到其他位置（例如适用于 Microsoft 365 的 Copilot 或 Microsoft Copilot Studio）时，情况确实如此。
- 不能使用 AI 技能访问非结构化数据资源。 例如，此类资源包括 .pdf、.docx 或 .txt 文件。
- 目前，只能选择单个仓库或单个湖屋。
- AI 技能不支持对话界面。 每个问题都必须完全独立。 它不会记忆早期的问题。
- 它会拦截非英语问题或指令。
- 无法将 AI 技能连接到 Fabric Copilot、Microsoft Teams 或 Fabric 之外的其他体验。
- 无法更改 AI 技能使用的 LLM。
- 如果使用非描述性列名，AI 技能将降低准确性。
- 如果使用包含数十个表的大型架构，AI 技能将降低准确性。
- AI 技能处于预览状态。 它范围有限，并且可能存在错误。 由于上述注意事项，我们建议避免将其运用至生产系统。 在做关键决策时也应避免使用它。
- 非描述性数据资源列和表名对生成的 T-SQL 查询质量会产生重大负面影响。 我们建议使用描述性名称。
- 使用过多列和表可能会降低 AI 技能性能。
- AI 技能目前旨在处理简单的查询。 需要许多联接或复杂逻辑的复杂查询往往可靠性较低。