Nouveautés et planifications de l’Science des données Fabric dans Microsoft Fabric
Important
Les plans de mise en production décrivent les fonctionnalités susceptibles ou non d’avoir été publiées. Les délais de livraison et les fonctionnalités projetées peuvent changer ou ne pas être expédiés. Pour plus d’informations, consultez la stratégie Microsoft.
Fabric Science des données fournit aux scientifiques des données un flux de travail de bout en bout pour créer leurs modèles Machine Learning, de l’exploration au scoring des modèles. Du point de vue de l’exploration des données, les scientifiques des données peuvent utiliser R et Python dans des notebooks et des outils intégrés comme Data Wrangler pour faciliter l’analyse. Les utilisateurs peuvent suivre et comparer leurs expériences de modèle et s’exécuter avec MLFlow. Ils peuvent enregistrer le modèle le plus performant dans l’espace de travail en tant que nouvel élément de modèle et utiliser facilement Predict pour le scoring par lots à grande échelle. La science des données dans Fabric est profondément intégrée au reste de la pile, ce qui signifie qu’elle est transparente pour noter les données dans un lakehouse, réécrire les prédictions dans OneLake et visualiser les données dans les rapports à l’aide du mode Direct Lake.
Domaines d’investissement
Fonctions IA pour l’enrichissement et la transformation de texte alimentés par LLM [préversion publique]
Chronologie estimée de la publication : Q4 2024
Type de version : préversion publique
Les fonctions IA dans Fabric permettent aux utilisateurs de notebooks d’effectuer en toute transparence des tâches telles que la synthèse de texte, la traduction, la classification, l’analyse des sentiments, la correction grammaticale, etc., en fournissant une API simplifiée pour les enrichissements courants et en faciliter l’application par les utilisateurs avec moins de lignes de code. Les fonctions seront initialement disponibles sur les DataFrames pandas et finalement disponibles via Spark, SQL et d’autres surfaces de programmation dans Fabric.
AutoML à code faible
Chronologie estimée de la publication : Q4 2024
Type de version : préversion publique
Notre outil AutoML low-code permet aux scientifiques des données et aux analystes de créer facilement des modèles Machine Learning sans avoir besoin de codage complet. Grâce à un Assistant pas à pas intuitif, les utilisateurs peuvent configurer et lancer des essais AutoML directement à partir de l’interface utilisateur.
Intégration des compétences IA à Azure AI Foundry
Chronologie estimée de la publication : Q1 2025
Type de version : préversion publique
Avec l’intégration des compétences Fabric AI dans Azure AI Foundry, Fabric AI Skill servira de source de connaissances pour le service Agent dans Microsoft Azure AI Foundry. Cela permet à l’agent d’utiliser Fabric comme hub de données, en appuyant sur les insights disponibles dans Fabric pour répondre avec précision et efficacité aux requêtes utilisateur. En vous connectant à Fabric AI Skill, l’agent peut récupérer des insights de données directement à partir de Fabric, ce qui permet aux consommateurs d’interagir et d’analyser leurs données Fabric en toute transparence via les applications IA dans Azure AI Foundry.
Modèles sémantiques en tant que nouvelle source de données pour la compétence IA
Chronologie estimée de la publication : Q1 2025
Type de version : préversion publique
Cette fonctionnalité permet aux utilisateurs d’interroger leurs modèles sémantiques Power BI dans Fabric à l’aide du langage naturel, recevant à la fois une réponse concise et la requête DAX correspondante. Les utilisateurs peuvent poser des questions telles que « Quelles étaient les ventes totales au cours des 12 derniers mois ? » et obtenez non seulement le résultat, mais également la requête DAX sous-jacente pour la transparence et la réutilisation. À l’avenir, l’utilisateur doit également être en mesure de fournir des exemples d’exemples ( exemples de questions) pour guider la compétence IA que le modèle sémantique est le meilleur outil pour répondre à ces questions. Cette approche rend les insights de données plus accessibles à tous les utilisateurs tout en fournissant aux utilisateurs avancés un meilleur contrôle et une transparence accrus sur l’analyse.
Base de données KQL en tant que nouvelle source de données dans IA Skill
Chronologie estimée de la publication : Q1 2025
Type de version : préversion publique
Cette fonctionnalité permet aux utilisateurs d’interroger leurs bases de données Kusto dans Fabric à l’aide du langage naturel, recevant à la fois une réponse concise et la requête KQL correspondante (Langage de requête Kusto). Les utilisateurs peuvent poser des questions telles que « Quel était le nombre total de connexions la semaine dernière ? » et obtenez non seulement le résultat, mais également la requête KQL sous-jacente pour la transparence et la réutilisation. Pour améliorer la précision, les utilisateurs peuvent fournir des exemples à quelques coups : exemples de questions avec des réponses attendues. Le système prend en charge les requêtes itératives, ce qui permet aux utilisateurs d’affiner leurs questions ou de mettre à jour des notes pour obtenir des sorties plus précises, ce qui rend l’analyse des données plus accessible tout en permettant aux utilisateurs avancés de mieux contrôler.
IA Skill devient un agent IA conversationnel
Chronologie estimée de la publication : Q1 2025
Type de version : préversion publique
La compétence IA est désormais conversationnelle, ce qui permet aux utilisateurs de s’engager dans un dialogue naturel, arrière et arrière pour explorer et comprendre leurs données avec facilité. Cette amélioration permet aux utilisateurs de poser des questions de suivi, d’affiner les requêtes et de recevoir des insights dynamiques, ce qui rend l’exploration des données plus intuitive et interactive.
Opérations basées sur l’IA à faible code dans Data Wrangler [préversion publique]
Chronologie estimée de la publication : Q1 2025
Type de version : préversion publique
Une nouvelle suite d’opérations basées sur l’IA dans Data Wrangler permettra aux utilisateurs de décrire les transformations de code avec le langage naturel et de générer le Python correspondant ; traduire du code Python personnalisé en code PySpark ; et appliquez des transformations SynapseML telles que la traduction de texte et l’analyse des sentiments en quelques clics.
Copilot pour Science des données/Ingénieurs Données référence la documentation Fabric
Chronologie estimée de la publication : Q1 2025
Type de version : préversion publique
Nous sommes heureux d’annoncer une nouvelle fonctionnalité dans Fabric Copilot pour Science des données et Ingénieurs Données ing. Copilot peut désormais accéder à la documentation Fabric et la référencer dans ses réponses, fournissant aux utilisateurs des informations pertinentes directement dans leur flux de travail.
Principaux points forts :
- Intégration transparente : Copilot dans DS/DE s’intègre désormais à la documentation Fabric, offrant une assistance contextuelle et des informations détaillées sans quitter l’espace de travail.
- Productivité améliorée : en référençant la documentation Fabric, Copilot dans DS/DE permet aux utilisateurs de trouver rapidement des réponses, de réduire le temps de recherche et d’augmenter la productivité.
- Assistance contextuelle : Copilot dans DS/DE fournit des références de documentation précises pour prendre en charge les tâches d’analyse, de visualisation et d’ingénierie des données.
La nouvelle fonctionnalité de Fabric Copilot pour Science des données et Ingénieurs Données permet aux utilisateurs d’obtenir les informations dont ils ont besoin, le moment où ils en ont besoin.
Points de terminaison en temps réel pour les modèles Machine Learning [préversion publique]
Chronologie estimée des versions : Q2 2025
Type de version : préversion publique
Outre les fonctionnalités existantes pour le scoring par lots avec PREDICT, Fabric permet aux scientifiques des données de traiter des prédictions en temps réel à partir de n’importe quel modèle ML inscrit à l’aide de points de terminaison en ligne sécurisés et évolutifs qui sont automatiquement configurés. Ces points de terminaison peuvent être appelés à partir d’autres moteurs Fabric ou d’applications externes, ce qui permet aux utilisateurs de déployer leurs modèles pour une consommation large et fiable.