在 Power BI Desktop 中使用 AI 見解

在 Power BI 中，您可以使用 AI 見解 來存取預先定型的機器學習模型集合，以增強數據準備工作。 您可以在 Power Query 編輯器 中存取 AI 見解。 您可以透過 [首頁] 和 [新增數據行] 索引標籤，在 Power Query 編輯器 中找到其相關聯的特性和函式。

本文說明 Azure 認知服務中 文字分析 和視覺函式的函式。 本文中也有一節，說明 Azure 機器學習 Power BI 中提供的自定義函式。

使用 文字分析和視覺

透過Power BI中的 文字分析和視覺，您可以從 Azure 認知服務套用不同的演算法，以在 Power Query 中擴充您的數據。

目前支援下列服務：

• 情感分析
• 關鍵片語擷取
• 語言偵測
• 影像標記。

轉換會在 Power BI 服務 上執行，而且不需要 Azure 認知服務訂用帳戶。

重要

使用 文字分析 或視覺功能需要 Power BI 進階版。

在 進階版 容量上啟用 文字分析 和視覺

認知服務支援 進階版 容量節點 EM2、A2 或 P1 和其他具有更多資源的節點。 容量上的個別 AI 工作負載可用來執行認知服務。 在 Power BI 中使用認知服務之前，您必須在管理入口網站的容量設定中啟用 AI 工作負載。 您可以在 [工作負載] 區段中開啟 AI 工作負載，並定義您希望此工作負載取用的記憶體數量上限。 建議的記憶體限制為 20%。 超過此限制會導致查詢變慢。

可用的函數

本節說明 Power BI 中認知服務中可用的函式。

偵測語言

Detect 語言函式會評估文字輸入，並針對每個字段傳回語言名稱和 ISO 識別碼。 此函式適用於收集任意文字的數據行，其中語言未知。 函式預期文字格式為輸入的數據。

文字分析 最多可辨識 120 種語言。 如需詳細資訊，請參閱 支援的語言。

擷取關鍵片語

關鍵片 語擷取 函式會評估非結構化文字，並針對每個文字欄位傳回關鍵片語清單。 函式需要文字欄位作為輸入，並接受語言 ISO 程式代碼的選擇性輸入。

關鍵片語擷取最適合當您提供較大的文字區塊來處理時，與情感分析相反。 情感分析在較小的文字區塊上執行得更好。 若要從這兩個作業取得最佳結果，請考慮據以重組投入。

評分情感

評分 情感 函式會評估文字輸入，並傳回每個檔的情感分數，範圍從0（負數）到1（正數）。 分數情感也接受語言 ISO 程式代碼的選擇性輸入。 此功能有助於偵測社交媒體、客戶評論和討論論壇中的正面和負面情緒。

文字分析 使用機器學習分類演算法來產生介於 0 到 1 之間的情感分數。 接近 1 的分數表示正面情緒。 接近 0 的分數表示負面情緒。 此模型會使用具有情感關聯的廣泛文字主體預先定型。 目前無法提供您自己的訓練數據。 此模型會在文字分析期間使用技術的組合，包括文字處理、語音部分分析、文字放置和文字關聯。 如需演算法的詳細資訊，請參閱 文字分析 簡介。

情感分析是在整個輸入字段上執行，而不是擷取文字中特定實體的情感。 在實務上，當檔包含一或兩個句子，而不是大量的文字區塊時，評分精確度會有所改善。 在客觀評估階段，模型會判斷整個輸入字段是客觀的，還是包含情感。 大部分是客觀的輸入欄位不會進展至情感偵測片語，導致0.50分數，且不會進一步處理。 對於管線中繼續的輸入字段，下一個階段會根據輸入字段中偵測到的情感程度，產生大於或小於0.50的分數。

情感分析目前支援英文、德文、西班牙文和法文。 其他語言處於預覽狀態。 如需詳細資訊，請參閱 支援的語言。

標記影像

標記 影像 函式會根據超過 2,000 個可辨識的物件、活體、風景和動作來傳回標記。 當卷標模棱兩可或不常見的知識時，輸出會提供 提示 ，以釐清已知設定內容中標記的意義。 標記不會組織為分類法，而且沒有任何繼承階層存在。 內容標記的集合會形成影像 描述的基礎，該描述 會顯示為完整句子中格式化的人類可讀語言。

上傳影像或指定影像 URL 之後，電腦視覺 演算法會根據影像中識別的物件、活體和動作來輸出標記。 標記不限於主要主題，例如前景的人，但也包括設置（室內或戶外）、傢俱、工具、植物、動物、配件、小工具等。

此函式需要影像 URL 或 base-64 字段作為輸入。 目前，影像標記支援英文、西班牙文、日文、葡萄牙文和簡體中文。 如需詳細資訊，請參閱 支援的語言。

在 Power Query 中叫用 文字分析 或視覺函式

若要使用 文字分析 或 Vision 函式擴充您的數據，請開啟 Power Query 編輯器。 此範例會逐步解說評分文字的情感。 您可以使用相同的步驟來擷取關鍵片語、偵測語言和標記影像。

選取 [首頁] 或 [新增數據行] 功能區中的 [文字分析] 按鈕。 然後在您看到提示時登入。

登入之後，請選取您想要使用的函式，以及您要在彈出視窗中轉換的數據行。

Power BI 會選取要執行函式的 進階版 容量，並將結果傳回 Power BI Desktop。 選取的容量只會在Power BI Desktop中的應用程式和重新整理期間用於 文字分析和視覺功能。 Power BI 發佈報表之後，重新整理會在發佈報表之工作區的 進階版 容量上執行。 您可以在彈出視窗左下角的下拉式清單中，變更所有認知服務所使用的容量。

語言 ISO 程式代碼 是指定文字語言的選擇性輸入。 您可以使用資料行做為輸入或靜態欄位。 在此範例中，語言會指定為整個數據行的英文 （en）。 如果您將此欄位保留空白，Power BI 會在套用函式之前自動偵測語言。 接下來，選取 [ 套用]。

第一次在新數據源上使用 AI 見解 時，Power BI Desktop 會提示您設定數據的隱私權層級。

注意

Power BI 中語意模型的重新整理僅適用於隱私權層級設定為公用或組織的數據源。

叫用函式之後，結果會新增為數據表的新數據行。 轉換也會新增為查詢中已套用的步驟。

在影像標記和關鍵片語擷取的情況下，結果可以傳回多個值。 每個個別的結果都會在原始數據列的複本上傳回。

使用 文字分析 或視覺函式發佈報表

在 Power Query 中編輯及在 Power BI Desktop 中執行重新整理時，文字分析 和視覺會使用在 Power Query 編輯器 中選取的 進階版 容量。 文字分析 或 Vision 發佈報表之後，他們會使用發佈報表之工作區的 進階版 容量。

套用 文字分析 和視覺函式的報表應該發佈至 進階版 容量上的工作區，否則重新整理語意模型會失敗。

管理對 進階版 容量的影響

下列各節說明如何管理 文字分析 和視覺對容量的影響。

選取容量

報表作者可以選取要執行 AI 見解 的 進階版 容量。 根據預設，Power BI 會選取使用者有權存取的第一個建立容量。

使用容量計量應用程式進行監視

進階版 容量擁有者可以使用 Microsoft Fabric 容量計量應用程式，監視 文字分析 和視覺功能對容量的影響。 應用程式會針對容量內 AI 工作負載的健康情況提供詳細計量。 上方圖表顯示 AI 工作負載的記憶體耗用量。 進階版 容量管理員可以為每個容量設定 AI 工作負載的記憶體限制。 當記憶體使用量達到記憶體限制時，您可以考慮增加記憶體限制，或將某些工作區移至不同的容量。

比較 Power Query 和 Power Query Online

Power Query 和 Power Query Online 中使用的 文字分析 和視覺函式相同。 體驗之間只有幾個差異：

• Power Query 有個別的按鈕，適用於 文字分析、視覺和 Azure 機器學習。 在 Power Query Online 中，這些功能會結合在一個功能表中。
• 在 Power Query 中，報表作者可以選取用來執行函式的 進階版 容量。 Power Query Online 中不需要這個選擇，因為數據流已經位於特定容量上。

文字分析 的考慮和限制

使用 文字分析 時，請記住一些考慮和限制。

• 支援累加式重新整理，但在搭配 AI 深入解析的查詢上使用時，可能會導致效能問題。
• 不支援直接查詢。

使用 Azure Machine Learning

許多組織會使用 機器學習 模型，以取得其業務的相關深入解析和預測。 從這些模型可視化及叫用深入解析的能力，可協助將這些深入解析傳播給最需要它的商務使用者。 Power BI 可讓您使用簡單的點選手勢，將 Azure 機器學習 上裝載的模型深入解析納入其中。

若要使用這項功能，數據科學家可以使用 Azure 入口網站，將 Azure 機器學習 模型的存取權授與 BI 分析師。 然後，在每個會話開始時，Power Query 會探索用戶可存取的所有 Azure 機器學習 模型，並將其公開為動態 Power Query 函式。 然後，使用者可以從功能區存取 Power Query 編輯器 中的函式，或直接叫用 M 函式來叫用這些函式。 Power BI 也會在叫用一組數據列的 Azure 機器學習 模型時自動批處理存取要求，以達到更佳的效能。

Power BI Desktop、Power BI 數據流和 Power BI 服務 中的 Power Query Online 支援此功能。

若要深入了解數據流，請參閱 Power BI 中的自助式數據準備。

若要深入瞭解 Azure 機器學習，請參閱下列文章：

• 概觀：什麼是 Azure 機器學習？
• Azure 機器學習 快速入門和教學課程：Azure 機器學習 檔

授與 Azure 機器學習 模型的存取權

若要從 Power BI 存取 Azure 機器學習 模型，用戶必須具有 Azure 訂用帳戶的讀取許可權。 此外，他們也必須具有 機器學習 工作區的讀取許可權。

本節中的步驟說明如何將 Power BI 使用者存取權授與 Azure 機器學習 服務上裝載的模型。 透過此存取，他們可以使用此模型作為Power Query函式。 如需詳細資訊，請參閱使用 RBAC 和 Azure 入口網站 管理存取權。

1. 登入 Azure 入口網站。
2. 移至 [訂用 帳戶] 頁面。 您可以在 Azure 入口網站 的左側導覽功能表中，透過 [所有服務] 清單找到 [訂用帳戶] 頁面。
3. 選取您的訂用帳戶。
4. 選取 [訪問控制][IAM]，然後選取 [ 新增 ] 按鈕。
5. 選取 [讀取器 ] 作為 [角色]。 選取您想要授與 Azure 機器學習 模型存取權的 Power BI 使用者。
6. 選取 [儲存]。
7. 針對裝載模型的特定 機器學習 工作區，重複步驟三到六，將讀取者存取權授與使用者。

機器學習 模型的架構探索

數據科學家主要使用 Python 來開發甚至部署其適用於 機器學習 的機器學習模型。 數據科學家必須使用 Python 明確產生架構檔案。

此架構檔案必須包含在已部署的 Web 服務中，才能 機器學習 模型。 若要自動產生 Web 服務的架構，您必須在已部署模型的輸入/輸出專案文本中提供輸入/輸出的範例。 如需詳細資訊，請參閱使用 Azure 機器學習 服務部署模型中的自動 Swagger 架構產生小節。 連結包含範例專案腳本，以及架構產生語句。

具體而言，專案腳本中的@input_schema和@output_schema函式會參考input_sample和output_sample變數中的輸入和輸出範例格式。 函式會使用這些範例，在部署期間產生 Web 服務的 OpenAPI （Swagger） 規格。

透過更新輸入腳本，這些架構產生指示也必須套用至使用 Azure 機器學習 SDK 自動化機器學習實驗所建立的模型。

注意

使用 Azure 機器學習 視覺化介面所建立的模型目前不支援產生架構，但它們將會在後續版本中產生。

在 Power Query 中叫用 Azure 機器學習 模型

您可以直接從 Power Query 編輯器 叫用您已獲授與存取權的任何 Azure 機器學習 模型。 若要存取 Azure 機器學習 模型，請選取 [首頁] 或 [新增數據行] 功能區中 Power Query 編輯器 的 [Azure 機器學習] 按鈕。

您有權存取的所有 Azure 機器學習 模型都會列在這裡作為 Power Query 函式。 此外，Azure 機器學習 模型的輸入參數會自動對應為對應 Power Query 函式的參數。

若要叫用 Azure 機器學習 模型，您可以將任何選取實體的數據行指定為下拉式清單的輸入。 您也可以將資料行圖示切換至輸入對話框左邊，以指定要當做輸入的常數值。

選取 [確定] 以檢視 Azure 機器學習 模型輸出的預覽，作為實體數據表中的新數據行。 模型調用會顯示為查詢的套用步驟。

如果模型傳回多個輸出參數，它們會分組為輸出數據行中的記錄。 您可以展開數據行，以在不同的數據行中產生個別的輸出參數。

Azure 機器學習 的考慮和限制

下列考慮和限制適用於 Power BI Desktop 中的 Azure 機器學習。

• 使用 Azure 機器學習 視覺化介面建立的模型目前不支援產生架構。 後續版本預期支援。
• 支援累加式重新整理，但在搭配 AI 深入解析的查詢上使用時，可能會導致效能問題。
• 不支援直接查詢。
• 具有 進階版 Per User （PPU） 的使用者只能從 Power BI Desktop 使用 AI 見解;您必須使用具有對應 進階版 容量的非 PPU 進階版 授權。 您仍然可以將 AI 見解 與 PPU 授權搭配使用 Power BI 服務。

相關內容

本文提供將 機器學習 整合到Power BI Desktop的概觀。 下列文章可能也很有趣且有用。

• 教學課程：在 Power BI 中使用認知服務
• Power BI 中的認知服務
• Power BI 中的 Azure 機器學習 整合
• 進階版容量計量應用程式中的 AI 計量