Copilot para inteligência em tempo real
Copilot for Real-Time Intelligence é uma ferramenta avançada de IA projetada para ajudá-lo a explorar seus dados e extrair insights valiosos. Você pode inserir perguntas sobre seus dados, que são automaticamente traduzidas em consultas KQL (Kusto Query Language). Copilot simplifica o processo de análise de dados para usuários experientes do KQL e cientistas de dados cidadãos.
Para obter informações de faturamento sobre Copiloto , consulte Anunciando Copilot preços no Fabric.
Pré-requisitos
- Um espaço de trabalho com uma capacidade habilitada para Microsoft Fabric
- Acesso de leitura ou gravação a um conjunto de consultas KQL
Nota
- O administrador precisa habilitar a opção de locatário antes de começar a usar Copiloto . Consulte o artigo Copilot Configurações do locatário para obter detalhes.
- Sua capacidade F64 ou P1 precisa estar em uma das regiões listadas neste artigo, Disponibilidade da região de malha.
- Se o seu locatário ou capacidade estiver fora dos EUA ou da França, será desabilitado por padrão, Copilot a menos que o administrador do locatário do Fabric habilite os Dados enviados para o Azure OpenAI podem ser processados fora da região geográfica, do limite de conformidade ou da configuração de locatário da instância de nuvem nacional do seu locatário no portal de Administração do Fabric.
- Copilot no Microsoft Fabric não é suportado em SKUs de avaliação. Apenas SKUs pagas (F64 ou superior, ou P1 ou superior) são suportadas.
- Copilot in Fabric está atualmente sendo lançado em visualização pública e espera-se que esteja disponível para todos os clientes até o final de março de 2024.
- Consulte o artigo Visão geral do in Fabric e do Copilot Power BI para obter mais informações.
Capacidades de Inteligência em Copilot Tempo Real
Copilot para Real-Time Intelligence permite que você traduza facilmente consultas de linguagem natural para Kusto Query Language (KQL). O copilot atua como uma ponte entre a linguagem cotidiana e os meandros técnicos do KQL e, ao fazê-lo, remove barreiras de adoção para analistas de dados e cientistas de dados cidadãos. Ao aproveitar a compreensão avançada da linguagem OpenAI, esse recurso permite que você envie perguntas de negócios em um formato familiar de linguagem natural, que são então convertidas em consultas KQL. Copilot Acelera a produtividade simplificando o processo de criação de consultas com uma abordagem amigável e eficiente para a análise de dados.
Copilot suporta interações conversacionais que permitem que você esclareça, adapte e estenda suas consultas dinamicamente, mantendo o contexto de suas entradas anteriores. Você pode refinar consultas e fazer perguntas de acompanhamento sem começar de novo:
Refinamento dinâmico da consulta: você pode refinar o KQL inicial gerado refinando Copilot seu prompt para remover ambiguidade, especificar tabelas ou colunas ou fornecer mais contexto.
Perguntas de acompanhamento contínuas: Se o KQL gerado estiver correto, mas você quiser explorar os dados mais profundamente, você pode fazer perguntas de acompanhamento relacionadas à mesma tarefa. Você pode expandir o escopo da consulta, adicionar filtros ou explorar pontos de dados relacionados com base em diálogos anteriores.
Aceda à Inteligência em Tempo Real Copilot
- Para acessar Copilot o Real-Time Intelligence, navegue até um conjunto de consultas KQL novo ou existente.
- Ligar a uma base de dados. Para obter mais informações, consulte Selecionar um banco de dados
- Selecione o botão Copilot.
- No painel, insira a Copilot pergunta da sua empresa em linguagem natural.
- Prima Enter. Após alguns segundos, Copilot irá gerar uma consulta KQL com base na sua entrada. Você pode copiar a consulta para a área de transferência ou inseri-la diretamente no editor de consultas KQL. Para executar a consulta no editor de consultas, você deve ter acesso de gravação ao conjunto de consultas KQL.
- Selecione o botão Run (Executar) para executar a consulta.
Nota
- Copilot não gera comandos de controle.
- Copilot não executa automaticamente a consulta KQL gerada. Os usuários são aconselhados a executar as consultas a seu próprio critério.
Pode continuar a fazer perguntas de acompanhamento ou refinar ainda mais a sua consulta. Para iniciar um novo chat, selecione o balão de fala no canto superior direito do Copilot painel (1).
Passe o cursor sobre uma pergunta anterior (2) e selecione o ícone de lápis para copiá-lo para a caixa de perguntas para editá-lo ou copiá-lo para a área de transferência.
Melhore a precisão do para inteligência em Copilot tempo real
Aqui estão algumas dicas que podem ajudar a melhorar a precisão das consultas KQL geradas por Copilot:
- Comece com instruções simples de linguagem natural, para aprender as capacidades e limitações atuais. Em seguida, prossiga gradualmente para prompts mais complexos.
- Indique a tarefa com precisão e evite ambiguidades. Imagiologia Você compartilhou o prompt de linguagem natural com alguns especialistas em KQL de sua equipe sem adicionar instruções orais - eles seriam capazes de gerar a consulta correta?
- Para gerar a consulta mais precisa, forneça todas as informações relevantes que possam ajudar o modelo. Se puder, especifique tabelas, operadores ou funções que são essenciais para a consulta.
- Prepare seu banco de dados: adicione propriedades docstring para descrever tabelas e colunas comuns. Isso pode ser redundante para nomes descritivos (por exemplo, carimbo de data/hora), mas é fundamental para descrever tabelas ou colunas com nomes sem significado. Não é necessário adicionar docstring a tabelas ou colunas que raramente são usadas. Para obter mais informações, consulte o comando .alter table column-docstrings.
- Para melhorar Copilot os resultados, selecione o ícone de curtir ou não gostar para enviar seus comentários no formulário Enviar feedback .
Nota
O formulário Enviar comentários envia o nome do banco de dados, sua url, a consulta KQL gerada pela copilot, e qualquer resposta de texto livre que você incluir no envio de comentários. Os resultados da consulta KQL executada não são enviados.
Limitações
- Copilot pode sugerir consultas KQL sugeridas potencialmente imprecisas ou enganosas devido a:
- Entrada do usuário complexa e longa.
- Entrada de usuário que direciona para entidades de banco de dados que não são tabelas de banco de dados KQL ou exibições materializadas (por exemplo, função KQL.)
- Mais de 10.000 usuários simultâneos dentro de uma organização podem resultar em falha ou um grande impacto no desempenho.