Novità e pianificazione per l'analisi scientifica dei dati di Fabric in Microsoft Fabric
Importante
I piani di versione descrivono le funzionalità che potrebbero essere state rilasciate o meno. Le sequenze temporali di consegna e le funzionalità proiettate possono cambiare o non essere spedite. Per altre informazioni, vedere Criteri Microsoft.
L'analisi scientifica dei dati di Fabric offre ai data scientist un flusso di lavoro end-to-end per la creazione di modelli di Machine Learning, dall'esplorazione al punteggio del modello. Dal punto di vista dell'esplorazione dei dati, i data scientist possono usare R e Python nei notebook e strumenti predefiniti come Data Wrangler per semplificare l'analisi. Gli utenti possono tenere traccia e confrontare gli esperimenti e le esecuzioni del modello con MLFlow. Possono salvare il modello con prestazioni migliori nell'area di lavoro come nuovo elemento del modello e usare facilmente Predict per l'assegnazione dei punteggi batch su larga scala. L'analisi scientifica dei dati in Fabric è completamente integrata con il resto dello stack, ovvero è facile assegnare punteggi ai dati in un lakehouse, scrivere le stime in OneLake e visualizzare i dati nei report usando la modalità Direct Lake.
Aree di investimento
Funzioni di intelligenza artificiale per l'arricchimento e la trasformazione testo basati su LLM [anteprima pubblica]
Sequenza temporale di rilascio stimata: Q4 2024
Tipo di versione: anteprima pubblica
Le funzioni di intelligenza artificiale in Fabric consentiranno agli utenti di notebook di eseguire facilmente attività come riepilogo del testo, traduzione, classificazione, analisi del sentiment, correzione grammaticale e altro ancora, fornendo un'API semplificata per gli arricchimenti comuni e semplificando l'applicazione da parte degli utenti con un minor numero di righe di codice. Le funzioni saranno inizialmente disponibili sui dataframe pandas e infine disponibili tramite Spark, SQL e altre superfici di programmazione in Fabric.
AutoML con poco codice
Sequenza temporale di rilascio stimata: Q4 2024
Tipo di versione: anteprima pubblica
Lo strumento AutoML a basso codice consente a data scientist e analisti di creare facilmente modelli di Machine Learning senza la necessità di scrivere codice completo. Tramite una procedura guidata intuitiva e dettagliata, gli utenti possono configurare e avviare versioni di valutazione autoML direttamente dall'interfaccia utente.
Integrazione delle competenze di intelligenza artificiale con Azure AI Foundry
Sequenza temporale di rilascio stimata: Q1 2025
Tipo di versione: anteprima pubblica
Con l'integrazione delle competenze di intelligenza artificiale dell'infrastruttura in Azure AI Foundry, la competenza di intelligenza artificiale infrastruttura fungerà da origine delle conoscenze per il servizio Agent in Microsoft Azure AI Foundry. In questo modo l'agente può usare Fabric come hub dati, sfruttando le informazioni dettagliate disponibili in Fabric per rispondere alle query utente in modo accurato ed efficiente. Connettendosi alla competenza di intelligenza artificiale dell'infrastruttura, l'agente può recuperare informazioni dettagliate sui dati direttamente da Fabric, consentendo ai consumer di interagire e analizzare i dati di Fabric senza problemi tramite le applicazioni di intelligenza artificiale in Azure AI Foundry.
Modelli semantici come nuova origine dati per la competenza di intelligenza artificiale
Sequenza temporale di rilascio stimata: Q1 2025
Tipo di versione: anteprima pubblica
Questa funzionalità consente agli utenti di eseguire query sui modelli semantici di Power BI in Fabric usando il linguaggio naturale, ricevendo sia una risposta concisa che la query DAX corrispondente. Gli utenti possono porre domande come "Quali sono state le vendite totali negli ultimi 12 mesi?" e ottenere non solo il risultato, ma anche la query DAX sottostante per trasparenza e riutilizzo. In futuro, l'utente dovrebbe anche essere in grado di fornire esempi di pochi scatti, ad esempio domande, per guidare la competenza di intelligenza artificiale che il modello semantico è lo strumento migliore per rispondere a tali domande. Questo approccio rende le informazioni dettagliate sui dati più accessibili a tutti gli utenti, offrendo agli utenti avanzati un maggiore controllo e trasparenza sull'analisi.
Database KQL come nuova origine dati nella competenza di intelligenza artificiale
Sequenza temporale di rilascio stimata: Q1 2025
Tipo di versione: anteprima pubblica
Questa funzionalità consente agli utenti di eseguire query sui database Kusto in Fabric usando il linguaggio naturale, ricevendo sia una risposta concisa che la query KQL (Linguaggio di query Kusto) corrispondente. Gli utenti possono porre domande come "Qual è stato il numero totale di accessi della settimana scorsa?" e ottenere non solo il risultato, ma anche la query KQL sottostante per la trasparenza e il riutilizzo. Per migliorare l'accuratezza, gli utenti possono fornire alcuni esempi: domande di esempio con le risposte previste. Il sistema supporta query iterative, consentendo agli utenti di perfezionare le proprie domande o aggiornare le note per output più precisi, rendendo l'analisi dei dati più accessibile, consentendo agli utenti avanzati un maggiore controllo.
La competenza di intelligenza artificiale diventa un agente di intelligenza artificiale conversazionale
Sequenza temporale di rilascio stimata: Q1 2025
Tipo di versione: anteprima pubblica
La competenza di intelligenza artificiale è ora colloquiale, consentendo agli utenti di partecipare a un dialogo naturale e di back-and-forth per esplorare e comprendere i dati con facilità. Questo miglioramento consente agli utenti di porre domande di completamento, perfezionare le query e ricevere informazioni dettagliate dinamiche, rendendo l'esplorazione dei dati più intuitiva e interattiva.
Operazioni basate su intelligenza artificiale a basso codice in Data Wrangler [anteprima pubblica]
Sequenza temporale di rilascio stimata: Q1 2025
Tipo di versione: anteprima pubblica
Una nuova suite di operazioni basate su intelligenza artificiale in Data Wrangler consentirà agli utenti di descrivere le trasformazioni del codice con il linguaggio naturale e generare il python corrispondente; tradurre codice Python personalizzato nel codice PySpark; e applicare trasformazioni SynapseML come la traduzione testuale e l'analisi del sentiment in pochi clic.
Copilot per data science/Ingegneria dei dati fa riferimento alla documentazione dell'infrastruttura
Sequenza temporale di rilascio stimata: Q1 2025
Tipo di versione: anteprima pubblica
Siamo lieti di annunciare una nuova funzionalità di Fabric Copilot per data science e Ingegneria dei dati. Il Copilot può ora accedere alla documentazione di Fabric e farvi riferimento nelle risposte, fornendo agli utenti informazioni pertinenti direttamente all'interno del flusso di lavoro.
Elementi chiave:
- Integrazione facile: Copilot in DS/DE si integra ora con la documentazione di Fabric, offrendo assistenza contestuale e informazioni dettagliate senza uscire dall'area di lavoro.
- Produttività migliorata: facendo riferimento alla documentazione di Fabric, Copilot in DS/DE consente agli utenti di trovare rapidamente risposte, riducendo il tempo di ricerca e aumentando la produttività.
- Assistenza contestuale: Copilot in DS/DE fornisce riferimenti precisi alla documentazione per supportare attività di analisi, visualizzazione e progettazione dei dati.
La nuova funzionalità di Fabric Copilot per l'analisi scientifica dei dati e Ingegneria dei dati consente agli utenti di ottenere le informazioni necessarie, proprio quando necessario.
Endpoint in tempo reale per modelli di Machine Learning [anteprima pubblica]
Sequenza temporale di rilascio stimata: Q2 2025
Tipo di versione: anteprima pubblica
Insieme alla funzionalità esistente per l'assegnazione dei punteggi batch con PREDICT, Fabric consentirà ai data scientist di gestire stime in tempo reale da qualsiasi modello di Machine Learning registrato usando endpoint online sicuri e scalabili configurati automaticamente. Questi endpoint possono essere chiamati da altri motori di Fabric o da app esterne, consentendo agli utenti di distribuire i propri modelli per un consumo ampio e affidabile.