Copilot для Real-Time интеллекта
Copilot для Real-Time Intelligence — это расширенный инструмент ИИ, разработанный для изучения ваших данных и извлечения ценных инсайтов. Вы можете ввести вопросы по вашим данным, которые затем автоматически преобразуются в запросы на языке Kusto (KQL). Copilot упрощает процесс анализа данных как опытных пользователей KQL, так и специалистов по обработке и анализу данных граждан.
Сведения о выставлении счетов для Copilotсм. в объявлении о ценообразовании в FabricCopilot.
Необходимые условия
- Рабочая область с емкостью , поддерживающей Microsoft Fabric
- Доступ на чтение или запись к KQL набору запросов
Заметка
- Администратору необходимо включить коммутатор клиента, прежде чем приступить к использованию Copilot. Дополнительные сведения см. в статье Copilot параметрах клиента.
- Емкость F64 или P1 должна находиться в одном из регионов, перечисленных в этой статье, доступность региона Fabric .
- Если клиент или емкость находятся за пределами США или Франции, Copilot отключен по умолчанию, если администратор клиента Fabric не активирует настройку . Данные, отправленные в Azure OpenAI, могут обрабатываться за пределами географического региона клиента, границы соответствия или национального облачного экземпляра с помощью параметра клиента в портале администратора Fabric.
- Copilot в Microsoft Fabric не поддерживается в пробных SKU. Поддерживаются только платные SKU (F64 или выше, или P1 или выше).
- Copilot в Fabric в настоящее время развертывается в общедоступной предварительной версии и, как ожидается, будет доступен для всех клиентов к концу марта 2024 года.
- Дополнительные сведения см. в статье Обзор Copilot в Fabric и Power BI.
Возможности Copilot для аналитики Real-Time
Copilot для аналитики Real-Time позволяет легко переводить запросы естественного языка на язык запросов Kusto (KQL). Copilot выступает в качестве моста между повседневным языком и техническими недостатками KQL, и в этом случае устраняет барьеры внедрения для аналитиков данных и специалистов по обработке и анализу данных граждан. Используя расширенное распознавание речи OpenAI, эта функция позволяет отправлять бизнес-вопросы в знакомом, естественном языке, который затем преобразуется в запросы KQL. Copilot ускоряет производительность, упрощая процесс создания запросов с помощью удобного и эффективного подхода к анализу данных.
Copilot поддерживает разговорные взаимодействия, что позволяет динамически уточнять, адаптировать и расширять запросы, одновременно сохраняя контекст предыдущих входных данных. Вы можете уточнить запросы и задать последующие вопросы без необходимости начинать сначала.
Динамическое уточнение запросов: можно уточнить начальный KQL, созданный Copilot, уточнив запрос на удаление неоднозначности, указать таблицы или столбцы или предоставить дополнительный контекст.
Плавные последующие вопросы: Если созданный KQL правильный, но вы хотите более глубоко изучить данные, вы можете задать вопросы для более глубокой проработки данных по той же задаче. Вы можете расширить область запроса, добавить фильтры или изучить связанные точки данных, опираясь на предыдущий диалог.
Доступ к Real-Time аналитики Copilot
- Чтобы получить доступ к Copilot для аналитики Real-Time, перейдите к новому или существующему набору запросов KQL.
- Подключитесь к базе данных. Дополнительные сведения см. в разделе Выбор базы данных
- Нажмите кнопку Copilot.
- В области Copilot введите свой бизнес-вопрос на естественном языке.
- Нажмите клавишу Enter. Через несколько секунд Copilot создаст запрос KQL на основе входных данных. Запрос можно скопировать в буфер обмена или вставить непосредственно в редакторе запросов KQL. Чтобы запустить запрос в редакторе запросов, необходимо иметь доступ на запись к набору запросов KQL.
- Нажмите кнопку Выполнить, чтобы выполнить запрос.
Заметка
- Copilot не создает команды управления.
- Copilot не выполняет автоматически созданный запрос KQL. Пользователям рекомендуется выполнять запросы по своему усмотрению.
Вы можете продолжать задавать дальнейшие вопросы или дополнительно уточнять запрос. Чтобы запустить новый чат, выберите пузырь речи в правом верхнем углу области Copilot (1).
Наведите указатель мыши на предыдущий вопрос (2) и выберите значок карандаша, чтобы скопировать его в поле вопроса для редактирования или в буфер обмена.
Повышение точности Copilot для аналитики Real-Time
Ниже приведены некоторые советы, которые помогут повысить точность запросов KQL, созданных Copilot:
- Начните с простых запросов естественного языка, чтобы узнать о текущих возможностях и ограничениях. Затем постепенно переходите к более сложным запросам.
- Означайте задачу точно и избегайте неоднозначности. Представьте, что вы поделились текстовым запросом на естественном языке с несколькими экспертами KQL из вашей команды без добавления устных инструкций — смогут ли они создать правильный запрос?
- Чтобы создать наиболее точный запрос, укажите любую соответствующую информацию, которая может помочь модели. Если вы можете указать таблицы, операторы или функции, критически важные для запроса.
- Подготовьте базу данных: добавьте свойства docstring для описания общих таблиц и столбцов. Это может быть избыточно для описательных имен (например, метки времени), но крайне важно описать таблицы или столбцы с бессмысленными именами. Вам не нужно добавлять docstring для таблиц или столбцов, которые редко используются. Дополнительные сведения см. в разделе .alter table column-docstrings command.
- Чтобы улучшить результаты Copilot, выберите , например или не нравится значок, чтобы отправить комментарии в форме отправки отзывов.
Заметка
Форма отправки отзывов отправляет имя базы данных, его URL-адрес, запрос KQL, созданный copilot, и любой произвольный текстовый ответ, который вы включаете в отправку отзывов. Результаты выполненного запроса KQL не отправляются.
Ограничения
-
Copilot может предложить потенциально неточные или вводящие в заблуждение предлагаемые запросы KQL из-за:
- Сложные и длинные входные данные пользователя.
- Входные данные пользователя, которые направляются к сущностям базы данных, которые не являются таблицами базы данных KQL или материализованными представлениями (например, функция KQL.)
- Более 10 000 одновременных пользователей в организации могут привести к сбою или значительному ухудшению производительности.