Brug AI-indsigter i Power BI Desktop
I Power BI kan du bruge AI-indsigter til at få adgang til en samling af forududdannede modeller til maskinel indlæring, der forbedrer din indsats for dataforberedelse. Du kan få adgang til AI-indsigter i Power Query-editor. Du kan finde de tilknyttede funktioner og funktioner via Home- og Fanerne Tilføj kolonne i Power Query-editor.
I denne artikel beskrives funktionerne til tekstanalyse og vision, både fra Azure Cognitive Services. I denne artikel beskrives også de brugerdefinerede funktioner, der er tilgængelige i Power BI fra Azure Machine Learning.
Brug Tekstanalyse og Vision
Med Tekstanalyse og Vision i Power BI kan du anvende forskellige algoritmer fra Azure Cognitive Services til at forbedre dine data i Power Query.
Følgende tjenester understøttes i øjeblikket:
- synspunktsanalyse
- udtrækning af nøgleudtryk
- sprogregistrering
- billedmarkering.
Transformationerne udføres på Power BI-tjenesten og kræver ikke et Azure Cognitive Services-abonnement.
Vigtig
Brug af funktionerne Tekstanalyse eller Vision kræver Power BI Premium.
Aktivér Tekstanalyse og Vision på Premium-kapaciteter
Cognitive Services understøttes for Premium-kapacitetsnoder EM2, A2 eller P1 og andre noder med flere ressourcer. En separat AI-arbejdsbelastning på kapaciteten bruges til at køre Cognitive Services. Før du bruger Cognitive Services i Power BI, skal du aktivere AI-arbejdsbelastningen i kapacitetsindstillinger på administrationsportalen. Du kan slå AI-arbejdsbelastning til i afsnittet arbejdsbelastninger og definere den maksimale mængde hukommelse, som arbejdsbelastningen skal forbruge. Den anbefalede hukommelsesgrænse er 20%. Overskridelse af denne grænse medfører, at forespørgslen bliver langsommere.
Tilgængelige funktioner
I dette afsnit beskrives de tilgængelige funktioner i Cognitive Services i Power BI.
Registrer sprog
Funktionen Registrer sprog evaluerer tekstinput og returnerer sprognavnet og ISO-id'et for hvert felt. Denne funktion er nyttig til datakolonner, der indsamler vilkårlig tekst, hvor sproget er ukendt. Funktionen forventer data i tekstformat som input.
Tekstanalyse genkender op til 120 sprog. Du kan få flere oplysninger under understøttede sprog.
Udtræk nøgleudtryk
Funktionen Udtræk af nøgleudtryk evaluerer ustruktureret tekst, og for hvert tekstfelt returnerer den en liste over nøglesætninger. Funktionen kræver et tekstfelt som input og accepterer et valgfrit input for en ISO-kode for sprog.
Udtræk af nøglesætninger fungerer bedst, når du giver det større tekstsegmenter at arbejde med, modsat synspunktsanalyse. Synspunktsanalyse klarer sig bedre på mindre tekstblokke. Hvis du vil have de bedste resultater fra begge transaktioner, skal du overveje at omstrukturere inputtet i overensstemmelse hermed.
Score synspunkt
Funktionen Score sentiment evaluerer tekstinput og returnerer en synspunktsscore for hvert dokument, der spænder fra 0 (negativ) til 1 (positiv). Score synspunkt accepterer også et valgfrit input for en ISO-kode for sprog. Denne funktion er nyttig til at registrere positive og negative synspunkter i sociale medier, kundeanmeldelser og diskussionsforummer.
Tekstanalyse bruger en algoritme til klassificering af maskinel indlæring til at generere en synspunktsscore mellem 0 og 1. Scorer tættere på 1 indikerer et positivt synspunkt. Scorer tættere på 0 angiver negativt synspunkt. Modellen er oplært på forhånd med en omfattende teksttekst med tillidstilknytninger. I øjeblikket er det ikke muligt at angive dine egne oplæringsdata. Modellen bruger en kombination af teknikker under tekstanalyse, herunder tekstbehandling, en del af taleanalyse, ordplacering og ordtilknytninger. Du kan få flere oplysninger om algoritmen i Introduktion til tekstanalyse.
Synspunktsanalyse udføres på hele inputfeltet i modsætning til at udtrække synspunkter for et bestemt objekt i teksten. I praksis er der tendens til, at nøjagtigheden af scoringen forbedres, når dokumenter indeholder en eller to sætninger i stedet for en stor tekstblok. I en objektivitetsvurderingsfase bestemmer modellen, om et inputfelt som helhed er objektivt eller indeholder synspunkt. Et inputfelt, der for det meste er objektivt, skrider ikke frem til synspunktsregistreringsudtrykket, hvilket resulterer i en score på 0,50 uden yderligere behandling. I forbindelse med inputfelter, der fortsætter i pipelinen, genererer den næste fase en score, der er større eller mindre end 0,50, afhængigt af den tillidsgrad, der er registreret i inputfeltet.
Synspunktsanalyse understøtter i øjeblikket engelsk, tysk, spansk og fransk. Andre sprog er tilgængelige som prøveversion. Du kan få flere oplysninger under understøttede sprog.
Tag billeder
Funktionen Tag Images returnerer tags baseret på mere end 2.000 genkendelige objekter, levende væsener, landskaber og handlinger. Når tags er tvetydige eller ikke er almindeligt kendt, giver outputtet tip til at tydeliggøre betydningen af mærket i forbindelse med en kendt indstilling. Mærker er ikke organiseret som taksonomi, og der findes ingen nedarvningshierarkier. En samling af indholdstags udgør grundlaget for et billede beskrivelse, vises som et sprog, der kan læses af mennesker, og som er formateret i komplette sætninger.
Når du har uploadet et billede eller angivet en URL-adresse til et billede, udsender Computer Vision-algoritmer mærker baseret på de objekter, levende væsener og handlinger, der er identificeret på billedet. Mærkning er ikke begrænset til hovedemnet, f.eks. en person i forgrunden, men omfatter også indstillingen (indendørs eller udendørs), møbler, værktøjer, planter, dyr, tilbehør, gadgets osv.
Denne funktion kræver en URL-adresse til billedet eller et base-64-felt som input. På nuværende tidspunkt understøtter billedmarkering engelsk, spansk, japansk, portugisisk og forenklet kinesisk. Du kan få flere oplysninger under understøttede sprog.
Aktivér tekstanalyse- eller Vision-funktioner i Power Query
Hvis du vil forbedre dine data med tekstanalyse- eller visionsfunktioner, skal du åbne Power Query-editor. I dette eksempel gennemgås point for synspunktet i en tekst. Du kan bruge de samme trin til at udtrække nøgleudtryk, registrere sprog og mærke billeder.
Vælg knappen Tekstanalyse på båndet Hjem eller Tilføj kolonne. Log derefter på, når du får vist prompten.
Når du har logget på, skal du vælge den funktion, du vil bruge, og den datakolonne, du vil transformere, i pop op-vinduet.
Power BI vælger en Premium-kapacitet for at køre funktionen på og sende resultaterne tilbage til Power BI Desktop. Den valgte kapacitet bruges kun til funktionen Tekstanalyse og Vision under program og opdateringer i Power BI Desktop. Når Power BI publicerer rapporten, køres opdateringerne på Premium-kapaciteten i det arbejdsområde, som rapporten publiceres til. Du kan ændre den kapacitet, der bruges til alle Cognitive Services, på rullelisten i nederste venstre hjørne af pop op-vinduet.
ISO-sprogkode er et valgfrit input til at angive sproget for teksten. Du kan bruge en kolonne som input eller et statisk felt. I dette eksempel er sproget angivet som engelsk (en) for hele kolonnen. Hvis du lader feltet være tomt, registrerer Power BI automatisk sproget, før funktionen anvendes. Vælg derefter Anvend.
Første gang du bruger AI Insights på en ny datakilde, bliver du bedt om at angive niveauet for beskyttelse af personlige oplysninger for dine data i Power BI Desktop.
Seddel
Opdateringer af den semantiske model i Power BI fungerer kun for datakilder, hvor niveauet for beskyttelse af personlige oplysninger er angivet til offentlig eller organisatorisk.
Når du har aktiverer funktionen, føjes resultatet som en ny kolonne til tabellen. Transformationen tilføjes også som et anvendt trin i forespørgslen.
I tilfælde af billedmærkning og udtrækning af nøgleudtryk kan resultaterne returnere flere værdier. Hvert enkelt resultat returneres på en dublet af den oprindelige række.
Publicer en rapport med tekstanalyse- eller Vision-funktioner
Mens du redigerer i Power Query og udfører opdateringer i Power BI Desktop, bruger Tekstanalyse og Vision den Premium-kapacitet, der blev valgt i Power Query-editor. Når Text Analytics eller Vision har publiceret rapporten, bruger de Premium-kapaciteten i det arbejdsområde, hvor den blev publiceret.
Rapporter med anvendte tekstanalyse- og visionsfunktioner skal publiceres til et arbejdsområde, der er på en Premium-kapacitet, ellers mislykkes opdateringen af den semantiske model.
Administrer indvirkning på en Premium-kapacitet
I de følgende afsnit beskrives det, hvordan du kan administrere tekstanalysens og Vision's indvirkning på kapaciteten.
Vælg en kapacitet
Rapportforfattere kan vælge den Premium-kapacitet, som ai-indsigter skal køres på. Power BI vælger som standard den første oprettede kapacitet, som brugeren har adgang til.
Overvåg med appen Capacity Metrics
Ejere af Premium-kapacitet kan overvåge virkningen af tekstanalyse- og visionsfunktioner på en kapacitet med Microsoft Fabric Capacity Metrics-appen. Appen indeholder detaljerede målepunkter for tilstanden af AI-arbejdsbelastningerne i din kapacitet. Det øverste diagram viser hukommelsesforbruget for AI-arbejdsbelastninger. Administratorer af Premium-kapacitet kan angive hukommelsesgrænsen for AI-arbejdsbelastningen pr. kapacitet. Når hukommelsesforbruget når hukommelsesgrænsen, kan du overveje at øge hukommelsesgrænsen eller flytte nogle arbejdsområder til en anden kapacitet.
Sammenlign Power Query og Power Query Online
Funktionerne Tekstanalyse og Vision, der bruges i Power Query og Power Query Online, er de samme. Der er kun et par forskelle mellem oplevelserne:
- Power Query har separate knapper til Tekstanalyse, Vision og Azure Machine Learning. I Power Query Online kombineres disse funktioner i én menu.
- I Power Query kan rapportforfatteren vælge den Premium-kapacitet, der bruges til at køre funktionerne. Dette valg er ikke påkrævet i Power Query Online, da et dataflow allerede er på en bestemt kapacitet.
Overvejelser og begrænsninger i forbindelse med tekstanalyse
Der er et par overvejelser og begrænsninger, du skal være opmærksom på, når du bruger Tekstanalyse.
- Trinvis opdatering understøttes, men kan medføre problemer med ydeevnen, når den bruges i forespørgsler med AI-indsigt.
- Direct Query understøttes ikke.
Brug Azure Machine Learning
Mange organisationer bruger Machine Learning--modeller for at få bedre indsigt og forudsigelser om deres virksomhed. Muligheden for at visualisere og aktivere indsigt fra disse modeller kan hjælpe med at formidle denne indsigt til de erhvervsbrugere, der har mest brug for den. Power BI gør det nemt at inkorporere indsigt fra modeller, der hostes på Azure Machine Learning, ved hjælp af enkle peg og klik-håndbevægelser.
Hvis du vil bruge denne funktion, kan en dataspecialist give BI-analytikeren adgang til Azure Machine Learning-modellen ved hjælp af Azure Portal. I starten af hver session finder Power Query derefter alle de Azure Machine Learning-modeller, som brugeren har adgang til, og viser dem som dynamiske Funktioner i Power Query. Brugeren kan derefter aktivere disse funktioner ved at få adgang til dem fra båndet i Power Query-editor eller ved at aktivere funktionen M direkte. Power BI batches også automatisk anmodninger om adgang, når Azure Machine Learning-modellen aktiveres for et sæt rækker for at opnå en bedre ydeevne.
Denne funktionalitet understøttes i Power BI Desktop, Power BI-dataflow og i Power Query Online i Power BI-tjenesten.
Du kan få mere at vide om dataflow under Selvbetjent dataforberedelse i Power BI.
Du kan få mere at vide om Azure Machine Learning i følgende artikler:
- Oversigt: Hvad er Azure Machine Learning?
- Hurtig start og selvstudier til Azure Machine Learning: dokumentation til Azure Machine Learning
Tildel adgang til en Azure Machine Learning-model
Hvis brugeren vil have adgang til en Azure Machine Learning-model fra Power BI, skal brugeren have Læs adgang til Azure-abonnementet. Derudover skal de også have Læs adgang til Machine Learning-arbejdsområdet.
Trinnene i dette afsnit beskriver, hvordan du giver en Power BI-bruger adgang til en model, der hostes i Azure Machine Learning-tjenesten. Med denne adgang kan de bruge denne model som en Power Query-funktion. Du kan få flere oplysninger i Administrer adgang ved hjælp af RBAC og Azure Portal.
- Log på Azure Portal.
- Gå til siden Abonnementer. Du kan finde siden Abonnementer via listen Alle tjenester i venstre navigationsmenu på Azure Portal.
- Vælg dit abonnement.
- Vælg Adgangskontrol (IAM), og vælg derefter knappen Tilføj.
- Vælg Læser som rolle. Vælg den Power BI-bruger, du vil give adgang til Azure Machine Learning-modellen.
- Vælg Gem.
- Gentag trin tre til seks for at give Reader adgang til brugeren for det specifikke Machine Learning-arbejdsområde, der er vært for modellen.
Skemaregistrering for modeller til maskinel indlæring
Datateknikere bruger primært Python til at udvikle og endda udrulle deres modeller til maskinel indlæring til Machine Learning. Dataforskeren skal eksplicit generere skemafilen ved hjælp af Python.
Denne skemafil skal inkluderes i den udrullede webtjeneste til Machine Learning-modeller. Hvis du vil generere skemaet for webtjenesten automatisk, skal du angive et eksempel på input/output i postscriptet for den udrullede model. Du kan få flere oplysninger i underafsnittet om (valgfri) automatisk generering af Swagger-skemaer i dokumentationen Udrul modeller med Azure Machine Learning-tjenesten. Linket indeholder et eksempel på et postscript med sætningerne for oprettelsen af skemaet.
Funktionerne @input_schema og @output_schema i postscriptet refererer specifikt til eksempelformaterne for input og output i variablerne input_sample og output_sample. Funktionerne bruger disse eksempler til at generere en OpenAPI-specifikation (Swagger) for webtjenesten under udrulningen.
Disse instruktioner til generering af skemaer ved at opdatere postscriptet skal også anvendes på modeller, der er oprettet ved hjælp af automatiserede eksperimenter med maskinel indlæring med Azure Machine Learning SDK.
Seddel
Modeller, der er oprettet ved hjælp af den visuelle brugergrænseflade i Azure Machine Learning, understøtter i øjeblikket ikke generering af skemaer, men det vil de i efterfølgende versioner.
Aktivér en Azure Machine Learning-model i Power Query
Du kan aktivere en hvilken som helst Azure Machine Learning-model, som du har fået adgang til, direkte fra Power Query-editor. Hvis du vil have adgang til Azure Machine Learning-modellerne, skal du vælge knappen Azure Machine Learning i Home eller Tilføj kolonne båndet i Power Query-editor.
Alle Azure Machine Learning-modeller, som du har adgang til, er angivet her som Funktioner i Power Query. Inputparametrene for Azure Machine Learning-modellen tilknyttes også automatisk som parametre for den tilsvarende Power Query-funktion.
Hvis du vil aktivere en Azure Machine Learning-model, kan du angive en hvilken som helst af den valgte enheds kolonner som input fra rullelisten. Du kan også angive en konstantværdi, der skal bruges som input, ved at slå kolonneikonet til venstre for inputdialogboksen.
Vælg OK for at få vist eksemplet på Azure Machine Learning-modellens output som en ny kolonne i enhedstabellen. Aktiveringen af modellen vises som et anvendt trin for forespørgslen.
Hvis modellen returnerer flere outputparametre, grupperes de som en post i outputkolonnen. Du kan udvide kolonnen for at oprette individuelle outputparametre i separate kolonner.
Overvejelser og begrænsninger i forbindelse med Azure Machine Learning
Følgende overvejelser og begrænsninger gælder for Azure Machine Learning i Power BI Desktop.
- Modeller, der er oprettet ved hjælp af den visuelle brugergrænseflade i Azure Machine Learning, understøtter i øjeblikket ikke generering af skemaer. Understøttelse forventes i efterfølgende versioner.
- Trinvis opdatering understøttes, men kan medføre problemer med ydeevnen, når den bruges i forespørgsler med AI-indsigt.
- Direct Query understøttes ikke.
- Brugere med en Premium pr. bruger-licens kan ikke bruge AI-indsigter fra Power BI Desktop. Du skal bruge en Premium-licens, der ikke er Premium pr. bruger, med den tilsvarende Premium-kapacitet. Du kan stadig bruge AI Insights med en Premium pr. bruger-licens til Power BI-tjenesten.
Relateret indhold
Denne artikel indeholdt en oversigt over integration af Machine Learning i Power BI Desktop. Følgende artikler kan også være interessante og nyttige.