Neuerungen und Planungen für Fabric Data Science in Microsoft Fabric
Wichtig
In den Freigabeplänen werden Funktionen beschrieben, die möglicherweise noch nicht freigegeben wurden. Die Liefer-Zeitachsen und die geplante Funktion können sich ändern oder werden möglicherweise nicht geliefert. Weitere Informationen finden Sie unter Microsoft-Richtlinie.
Fabric Data Science bietet Datenwissenschaftlern einen End-to-End-Workflow zum Erstellen ihrer Machine Learning-Modelle, von der Erkundung bis zur Modellbewertung. Aus Sicht der Datenerkundung können wissenschaftliche Fachkräfte für Daten R und Python in Notizbüchern und integrierte Tools wie Data Wrangler für eine einfache Analyse verwenden. Benutzende können ihre Modellexperimente nachverfolgen und vergleichen und mit MLFlow ausführen. Sie können das Modell mit der besten Leistung im Arbeitsbereich als neues Modellelement speichern und Predict problemlos für die Batchbewertung in großem Umfang verwenden. Data Science in Fabric ist tief in den Rest des Stacks integriert, d.h. es ist nahtlos möglich, Daten in einem Lakehouse zu bewerten, die Vorhersagen in OneLake zurückzuschreiben und die Daten in Berichten im Direct Lake-Modus zu visualisieren.
Schwerpunkte
| Funktion | Geschätzter Zeitplan für die Veröffentlichung |
|---|---|
| KI-Funktionen für LLM-gestützte Textanreicherung und Transformation [Public Preview] | Q4 2024 |
| AutoML mit geringem Code | Q4 2024 |
| KI-Kompetenzintegration in Azure AI Foundry | Q1 2025 |
| Semantische Modelle als neue Datenquelle für KI Skill | Q1 2025 |
| KQL-Datenbank als neue Datenquelle in AI Skill | Q1 2025 |
| KI Skill wird zu einem Unterhaltungs-KI-Agent | Q1 2025 |
| AI-gestützte Low-Code-Vorgänge in Data Wrangler [Public Preview] | Q1 2025 |
| Copilot for Data Science/Technische Fachkraft für Daten ing references Fabric Documentation | Q1 2025 |
| Echtzeitendpunkte für Machine Learning-Modelle [Öffentliche Vorschau] | Q2 2025 |
KI-Funktionen für LLM-gestützte Textanreicherung und Transformation [Public Preview]
Geschätzter Zeitplan für die Veröffentlichung: Q4 2024
Versionstyp: Öffentliche Vorschau
KI-Funktionen in Fabric ermöglichen Notizbuchbenutzern die nahtlose Ausführung von Aufgaben wie Textzusammenfassung, Übersetzung, Klassifizierung, Stimmungsanalyse, Grammatikkorrektur und mehr, die Bereitstellung einer vereinfachten API für allgemeine Anreicherungen und erleichtert benutzern die Anwendung mit weniger Codezeilen. Die Funktionen werden zunächst über Pandas DataFrames verfügbar sein und letztendlich über Spark, SQL und andere Programmieroberflächen in Fabric verfügbar sein.
AutoML mit geringem Code
Geschätzter Zeitplan für die Veröffentlichung: Q4 2024
Versionstyp: Öffentliche Vorschau
Mit unserem AutoML-Tool mit Low-Code können Data Scientists und Analysten problemlos Machine Learning-Modelle erstellen, ohne dass umfangreiche Codierung erforderlich ist. Durch einen intuitiven, schrittweisen Assistenten können Benutzer AutoML-Testversionen direkt über die Benutzeroberfläche konfigurieren und starten.
KI-Kompetenzintegration in Azure AI Foundry
Geschätzter Zeitplan für die Veröffentlichung: Q1 2025
Versionstyp: Öffentliche Vorschau
Mit der Fabric AI Skill Integration in Azure AI Foundry wird Fabric AI Skill als Wissensquelle für den Agent-Dienst in Microsoft Azure AI Foundry dienen. Dadurch kann der Agent Fabric als Data Hub verwenden, indem er auf die in Fabric verfügbaren Erkenntnisse tippt, um Benutzerabfragen präzise und effizient zu beantworten. Durch die Verbindung mit Fabric AI Skill kann der Agent Datenerkenntnisse direkt aus Fabric abrufen, sodass Verbraucher nahtlos über die KI-Anwendungen in Azure AI Foundry mit ihren Fabric-Daten interagieren und diese analysieren können.
Semantische Modelle als neue Datenquelle für KI Skill
Geschätzter Zeitplan für die Veröffentlichung: Q1 2025
Versionstyp: Öffentliche Vorschau
Mit diesem Feature können Benutzer ihre Power BI-Semantikmodelle in Fabric mithilfe natürlicher Sprache abfragen und erhalten sowohl eine präzise Antwort als auch die entsprechende DAX-Abfrage. Benutzer können Fragen wie "Was waren der Gesamtumsatz in den letzten 12 Monaten?" und erhalten nicht nur das Ergebnis, sondern auch die zugrunde liegende DAX-Abfrage zur Transparenz und Wiederverwendung. In Zukunft sollte der Benutzer auch in der Lage sein, einige Beispiele – Beispielfragen – bereitzustellen, um die KI-Fähigkeit zu leiten, dass das semantische Modell das beste Tool ist, um diese Fragen zu beantworten. Dieser Ansatz macht Datenerkenntnisse für alle Benutzer zugänglicher und bietet erweiterten Benutzern mehr Kontrolle und Transparenz über die Analyse.
KQL-Datenbank als neue Datenquelle in AI Skill
Geschätzter Zeitplan für die Veröffentlichung: Q1 2025
Versionstyp: Öffentliche Vorschau
Mit diesem Feature können Benutzer ihre Kusto-Datenbanken in Fabric mit natürlicher Sprache abfragen und erhalten sowohl eine präzise Antwort als auch die entsprechende KQL-Abfrage (Kusto-Abfragesprache). Benutzer können Fragen wie "Was war die Gesamtzahl der Anmeldungen letzte Woche?" stellen. und erhalten sie nicht nur das Ergebnis, sondern auch die zugrunde liegende KQL-Abfrage zur Transparenz und Wiederverwendung. Um die Genauigkeit zu verbessern, können Benutzer einige Beispiele bereitstellen – Beispielfragen mit erwarteten Antworten. Das System unterstützt iterative Abfragen, sodass Benutzer ihre Fragen verfeinern oder Notizen für präzisere Ausgaben aktualisieren können, wodurch die Datenanalyse barrierefreier wird und fortgeschrittene Benutzer eine bessere Kontrolle erhalten.
KI Skill wird zu einem Unterhaltungs-KI-Agent
Geschätzter Zeitplan für die Veröffentlichung: Q1 2025
Versionstyp: Öffentliche Vorschau
Die KI Skill ist jetzt unterhaltungal und ermöglicht es Benutzern, sich im natürlichen, back-and-forth-Dialog zu engagieren, um ihre Daten mit Leichtigkeit zu erkunden und zu verstehen. Diese Erweiterung ermöglicht es Benutzern, Nachverfolgungsfragen zu stellen, Abfragen zu verfeinern und dynamische Einblicke zu erhalten, wodurch die Datensuche intuitiver und interaktiver wird.
AI-gestützte Low-Code-Vorgänge in Data Wrangler [Public Preview]
Geschätzter Zeitplan für die Veröffentlichung: Q1 2025
Versionstyp: Öffentliche Vorschau
Eine neue Suite von KI-gesteuerten Vorgängen in Data Wrangler ermöglicht es den Benutzenden, Code-Transformationen mit natürlicher Sprache zu beschreiben und den entsprechende Python-Code zu generieren, benutzerdefinierten Python-Code in PySpark-Code zu übersetzen und SynapseML-Transformationen wie Textübersetzung und Stimmungsanalyse mit nur wenigen Klicks anzuwenden.
Copilot for Data Science/Technische Fachkraft für Daten ing references Fabric Documentation
Geschätzter Zeitplan für die Veröffentlichung: Q1 2025
Versionstyp: Öffentliche Vorschau
Wir freuen uns, ein neues Feature in Fabric Copilot für Data Science und Technische Fachkraft für Daten ing bekannt zu geben. Der Copilot kann nun auf fabric-Dokumentation zugreifen und in seinen Antworten darauf verweisen und Benutzern relevante Informationen direkt innerhalb ihres Workflows zur Verfügung stellen.
Wichtigste Highlights:
- Nahtlose Integration: Copilot in DS/DE ist jetzt in die Fabric-Dokumentation integriert, bietet Kontextunterstützung und detaillierte Informationen, ohne den Arbeitsbereich verlassen zu müssen.
- Verbesserte Produktivität: Durch die Referenzierung der Fabric-Dokumentation hilft Copilot in DS/DE Den Benutzern, schnell Antworten zu finden, die Suchzeit zu reduzieren und die Produktivität zu steigern.
- Kontextbezogene Unterstützung: Copilot in DS/DE bietet präzise Dokumentationsreferenzen zur Unterstützung von Datenanalysen, Visualisierungen und Engineering-Aufgaben.
Das neue Feature in Fabric Copilot für Data Science und Technische Fachkraft für Daten ermöglicht Benutzern die benötigten Informationen, direkt bei Bedarf.
Echtzeitendpunkte für Machine Learning-Modelle [Öffentliche Vorschau]
Geschätzte Veröffentlichungszeitachse: Q2 2025
Versionstyp: Öffentliche Vorschau
Neben der vorhandenen Funktionalität für die Batchbewertung mit PREDICT ermöglicht Fabric Data Scientists, Echtzeitvorhersagen von jedem registrierten ML-Modell mit sicheren, skalierbaren Onlineendpunkten zu bedienen, die automatisch konfiguriert werden. Diese Endpunkte können von anderen Fabric-Engines oder von externen Apps aufgerufen werden, sodass Benutzer ihre Modelle für einen breiten, zuverlässigen Verbrauch bereitstellen können.