Del via

Ai-kompetencebegreber (prøveversion)

  • Artikel

AI-færdigheder er en ny Microsoft Fabric-funktion, der giver dig mulighed for at bygge dine egne Q&A-systemer med generativ AI. Ai-færdigheder gør dataindsigt mere tilgængelig og handlingsvenlig for alle i din organisation. Med ai-færdigheder kan dit team føre samtaler med almindelige engelsksprogede spørgsmål om de data, som din organisation har gemt i Fabric OneLake, og derefter modtage relevante svar. På denne måde kan selv personer uden teknisk ekspertise inden for kunstig intelligens eller en dyb forståelse af datastrukturen modtage præcise og kontekstrige svar.

Du kan også tilføje organisationsspecifikke instruktioner, eksempler og vejledning for at finjustere AI-færdighederne. Dette sikrer, at svarene stemmer overens med organisationens behov og mål, så alle kan interagere mere effektivt med data. AI-færdigheder fremmer en kultur med datadrevet beslutningstagning, fordi det reducerer barriererne for indsigtsadgang, det faciliterer samarbejde, og det hjælper din organisation med at udtrække mere værdi fra sine data.

Vigtigt

Denne funktion er en prøveversion.

Forudsætninger

Sådan fungerer AI-færdighederne

AI-færdigheder bruger store sprogmodeller til at hjælpe brugerne med at interagere med deres data på en naturlig måde. AI-færdigheder anvender Azure OpenAI Assistant-API'er, og de fungerer som en agent. Den behandler brugerspørgsmål, bestemmer den mest relevante datakilde (Lakehouse, Warehouse, Power BI-datasæt, KQL-databaser), og den aktiverer det relevante værktøj til at generere, validere og udføre forespørgsler. Brugerne kan derefter stille spørgsmål i almindeligt sprog og modtage strukturerede svar, der kan læses af mennesker– hvilket fjerner behovet for at skrive komplekse forespørgsler og sikre nøjagtig og sikker adgang til data.

Sådan fungerer det i detaljer:

spørgsmålsparsing & validering: AI-færdigheden anvender Azure OpenAI Assistant-API'er som den underliggende agent til at behandle brugerspørgsmål. Denne fremgangsmåde sikrer, at spørgsmålet er i overensstemmelse med sikkerhedsprotokoller, ansvarlige AI-politikker (RAI) og brugertilladelser. AI-færdighederne gennemtvinger kun skrivebeskyttet adgang og bevarer skrivebeskyttede dataforbindelser til alle datakilder.

til datakildeidentifikation: Ai-færdighederne bruger brugerens legitimationsoplysninger til at få adgang til datakildens skema. Dette sikrer, at systemet henter datastrukturoplysninger, som brugeren har tilladelse til at få vist. Derefter evalueres brugerens spørgsmål i forhold til alle tilgængelige datakilder, herunder relationsdatabaser (Lakehouse og Warehouse), Power BI-datasæt (semantiske modeller) og KQL-databaser. Det kan også referere til brugerangivne AI-instruktioner for at bestemme den mest relevante datakilde.

værktøjsaktivering & forespørgselsoprettelse: Når den eller de korrekte datakilder er identificeret, omformulerer AI-færdigheder spørgsmålet for klarhed og struktur og aktiverer derefter det tilsvarende værktøj for at generere en struktureret forespørgsel:

  • Naturligt sprog til SQL (NL2SQL) for relationsdatabaser (Lakehouse/Warehouse).
  • Naturligt sprog til DAX (NL2DAX) til Power BI-datasæt (semantiske modeller).
  • Naturligt sprog til KQL (NL2KQL) for KQL-databaser.

Det valgte værktøj genererer en forespørgsel baseret på det angivne skema, de angivne metadata og den kontekst, der overføres af den agent, der ligger til grund for AI-færdigheden.

forespørgselsvalidering: Værktøjet udfører validering for at sikre, at forespørgslen er korrekt udformet og overholder sine egne sikkerhedsprotokoller og RAI-politikker.

forespørgselsudførelse & svar:: Når ai-færdighederne er valideret, udføres forespørgslen i forhold til den valgte datakilde. Resultaterne er formateret til et svar, der kan læses af mennesker, og som kan omfatte strukturerede data, f.eks. tabeller, opsummeringer eller nøgleindsigt.

Denne fremgangsmåde sikrer, at brugerne kan interagere med deres data ved hjælp af naturligt sprog, mens AI-færdighederne håndterer kompleksiteten af oprettelse, validering og udførelse af forespørgsler – alt sammen uden at brugerne selv skal skrive SQL, DAX eller KQL.

Konfiguration af AI-færdigheder

Konfiguration af en AI-færdighed svarer til at oprette en Power BI-rapport – du starter med at designe og finjustere den for at sikre, at den opfylder dine behov, og derefter publicere og dele den med kolleger, så de kan interagere med dataene. Konfiguration af en AI-færdighed omfatter:

valg af datakilder: En AI-færdighed understøtter op til fem datakilder i en hvilken som helst kombination, herunder lakehouses, lagre, KQL-databaser og semantiske Power BI-modeller. En konfigureret AI-færdighed kan f.eks. omfatte fem semantiske Power BI-modeller. Det kan omfatte en blanding af to semantiske Power BI-modeller, én lakehouse og en KQL-database. Du har mange tilgængelige indstillinger.

valg af relevante tabeller: Når du har valgt datakilderne, skal du tilføje dem én ad gangen og definere de specifikke tabeller fra hver kilde, som AI-færdighederne skal bruge. Dette trin sikrer, at AI-færdighederne henter nøjagtige resultater ved kun at fokusere på relevante data.

Tilføjelse af kontekst: Hvis du vil forbedre ai-færdighedsnøjagtigheden, kan du angive mere kontekst via AI-instruktioner og eksempelforespørgsler. Som den underliggende agent for AI-færdigheden hjælper konteksten Azure OpenAI Assistant API med at træffe mere velunderbyggede beslutninger om, hvordan brugerspørgsmål behandles, og bestemmer, hvilken datakilde der er bedst egnet til at besvare dem.

  • AI-instruktioner: Du kan tilføje instruktioner for at vejlede den agent, der ligger til grund for AI-færdighederne, ved at finde den bedste datakilde til at besvare bestemte typer spørgsmål. Du kan også angive brugerdefinerede regler eller definitioner, der tydeliggør organisationsterminologi eller specifikke krav. Disse instruktioner kan give mere kontekst eller indstillinger, der påvirker, hvordan agenten vælger og forespørger datakilder.

    • Direkte spørgsmål om økonomiske målepunkter til en semantisk Power BI-model.
    • Tildel forespørgsler, der involverer udforskning af rådata, til lakehouse.
    • Distribuer spørgsmål, der kræver loganalyse til KQL-databasen.

  • Eksempelforespørgsler: Du kan tilføje eksempel på spørgsmålsforespørgselspar for at illustrere, hvordan AI-færdigheden skal reagere på almindelige forespørgsler. Disse eksempler fungerer som en vejledning til agenten, hvilket hjælper den med at forstå, hvordan lignende spørgsmål fortolkes og genererer nøjagtige svar.

Bemærk!

Tilføjelse af eksempelforespørgsels-/spørgsmålspar understøttes i øjeblikket ikke for power BI-semantiske modeldatakilder.

Ved at kombinere tydelige AI-instruktioner og relevante eksempelforespørgsler kan du bedre tilpasse AI-færdighederne til din organisations databehov og sikre mere nøjagtige og kontekstafhængige svar.

Forskel mellem en AI-færdighed og en copilot

Selvom både AI-færdigheder og Fabric-copiloter bruger generativ AI til at behandle og begrunde data, er der vigtige forskelle i deres funktionalitet og anvendelsesområder:

Konfigurationsfleksibilitet: AI-færdigheder kan konfigureres i høj grad. Du kan angive brugerdefinerede instruktioner og eksempler for at tilpasse deres funktionsmåde til bestemte scenarier. Fabric-copiloter er på den anden side forudkonfigureret, og de tilbyder ikke dette tilpasningsniveau.

Scope and Use Case: Fabric-copiloter er designet til at hjælpe med opgaver i Microsoft Fabric, f.eks. generering af forespørgsler om notesbogkode eller lager. Ai-færdigheder er derimod separate artefakter. For at gøre AI-færdigheder mere alsidige til bredere use cases kan de integreres med eksterne systemer, f.eks. Microsoft Copilot Studio, Azure AI Foundry, Microsoft Teams eller andre værktøjer uden for Fabric.

Evaluering af AI-færdigheden

Kvaliteten og sikkerheden af AI-kvalifikationssvar blev gennemgået streng evaluering:

Benchmark Testing: Produktteamet testede AI-færdigheder på tværs af en række offentlige og private datasæt for at sikre præcise svar i høj kvalitet.

forbedrede skadesreduktioner: Der er indført flere sikkerhedsforanstaltninger for at sikre, at ai-færdighedsoutput forbliver fokuseret på konteksten af udvalgte datakilder for at reducere risikoen for irrelevante eller vildledende svar.

Begrænsninger

AI-færdighederne er i øjeblikket i offentlig prøveversion og har begrænsninger. Opdateringer forbedrer AI-færdighederne over tid.

  • AI-færdighederne kan hente data ved at generere strukturerede forespørgsler (SQL, DAX eller KQL) for spørgsmål, der involverer fakta, totaler, rangeringer eller filtre. Den kan dog ikke fortolke tendenser, give forklaringer eller analysere underliggende årsager.
  • AI-færdighederne genererer kun "læse"-forespørgsler til SQL/DAX/KQL. Den genererer ikke SQL/DAX/KQL-forespørgsler, der opretter, opdaterer eller sletter data.
  • AI-færdighederne kan kun få adgang til de data, du angiver. Den bruger kun de konfigurationer af dataressourcer, du angiver.
  • AI-færdighederne har dataadgangstilladelser, der svarer til de tilladelser, der er tildelt den bruger, der interagerer med AI-færdighederne. Dette er tilfældet, når AI-færdighederne publiceres til andre placeringer, f.eks. Microsoft Copilot Studio, Azure AI Foundry og Microsoft Teams.
  • Du kan ikke føje mere end fem datakilder til AI-færdighederne.
  • Du kan ikke bruge AI-færdighederne til at få adgang til ustrukturerede dataressourcer. Disse ressourcer omfatter f.eks. .pdf, .docx eller .txt filer.
  • AI-færdigheder blokerer spørgsmål eller instruktioner på ikke-engelsk sprog.
  • Du kan ikke ændre den LLM, som AI-færdighederne bruger.
  • Du kan ikke tilføje en KQL-database som en datakilde, hvis den har mere end 1.000 tabeller eller en tabel med over 100 kolonner.
  • Du kan ikke tilføje en semantisk Power BI-model som datakilde, hvis den indeholder mere end i alt 100 kolonner og målinger.
  • AI-færdighederne fungerer bedst med 25 eller færre tabeller, der er valgt på tværs af alle datakilder.
  • Kolonne- og tabelnavne med ikke-beskrivende dataressourcer har en betydelig negativ indvirkning på den genererede SQL/DAX/KQL-forespørgselskvalitet. Vi anbefaler, at du bruger beskrivende navne.
  • Brug af for mange kolonner og tabeller kan sænke ydeevnen for AI-færdigheder.
  • AI-kompetencen er i øjeblikket udviklet til at håndtere simple forespørgsler. Komplekse forespørgsler, der kræver mange joinforbindelser eller avanceret logik, har ofte lavere pålidelighed.
  • Hvis du tilføjer en semantisk Power BI-model som en datakilde, bruger AI-færdighederne ikke skjulte tabeller, kolonner eller målinger.
  • Hvis du tidligere har oprettet en AI-færdighed, der brugte et lager som datakilde, og lageret var placeret i et arbejdsområde, der ikke er vært for denne AI-færdighed, kan der opstå en fejl. Du kan løse problemet ved at slette den eksisterende datakilde og tilføje den igen.
  • Hvis du vil tilføje en semantisk Power BI-model som en datakilde til AI-færdigheder, skal du have læse-/skrivetilladelser til den semantiske Power BI-model. Hvis du forespørger om en AI-færdighed, der bruger en semantisk Power BI-model, kræver det også, at du har læse-/skrivetilladelser til den underliggende semantiske Power BI-model.
  • AI-færdighederne returnerer muligvis forkerte svar. Du bør teste AI-færdigheden sammen med dine kolleger for at bekræfte, at den besvarer spørgsmål som forventet. Hvis den laver fejl, skal du give den flere eksempler og instruktioner.
  • Hvis du tidligere har oprettet og publiceret en AI-færdighed, og du har brugt URL-adressen programmeringsmæssigt, fungerer URL-adressen ikke længere, hvis du åbner AI-færdigheden på den nye brugergrænsefladeside med ai-færdigheder. For at løse dette skal du publicere AI-færdigheden igen og bruge den nye URL-adresse, der er baseret på ASSISTENT-API'en.

Relateret indhold