Skapa en AI-färdighet (förhandsversion)

Artikel
02/27/2025

Med en Microsoft Fabric AI-kompetens kan du skapa konversations-AI-upplevelser som svarar på frågor om data som lagras i lakehouses, lager, Power BI-semantiska modeller och KQL-databaser i Fabric. Dina datainsikter blir tillgängliga. Dina kollegor kan ställa frågor på vanlig engelska och få datadrivna svar, även om de inte är AI-experter eller är djupt bekanta med data.

Viktigt!

Den här funktionen är i förhandsversion.

Förutsättningar

En betald F64- eller högre kapacitetsresurs
Växling av AI-kompetensklient är aktiverad.
Copilot-klientväxeln är aktiverad.
Cross-geo-bearbetning för AI är aktiverad.
Lagring mellan geografiska områden för AI- är aktiverat.
Ett datavaruhus, lakehouse, Power BI:s semantiska modeller och KQL-databaser innehållande data.
Power BI-semantiska modeller via XMLA-slutpunkters klientväxel är aktiverat för datakällor för Power BI-semantiska modeller.

Flöde hela vägen för att skapa och använda AI-färdigheter i struktur

Det här avsnittet beskriver de viktigaste stegen för att skapa, validera och dela en AI-kompetens i Fabric, vilket gör den tillgänglig för användning.

Processen är enkel och du kan börja testa AI-kunskapsresurserna på några minuter.

Skapa en ny AI-färdighet

Om du vill skapa en ny AI-färdighet går du först till din arbetsyta och väljer sedan knappen + Nytt objekt. På fliken Alla objekt söker du efter AI-kompetens för att hitta lämpligt alternativ, som du ser i den här skärmbilden:

När du har valt det uppmanas du att ange ett namn för din AI-kompetens, som du ser i den här skärmbilden:

Se den angivna skärmbilden för en visuell guide om hur du namnger AI-kunskapen. När du har angett namnet fortsätter du med konfigurationen för att anpassa AI-färdigheten till dina specifika krav.

Välj dina data

När du har skapat en AI-färdighet kan du lägga till upp till fem datakällor, inklusive sjöhus, lager, Power BI-semantikmodeller och KQL-databaser i valfri kombination. Du kan till exempel lägga till fem Semantiska Power BI-modeller eller två Power BI-semantiska modeller, en lakehouse och en KQL-databas.

När du skapar en AI-färdighet för första gången och anger ett namn visas OneLake-katalogen automatiskt, så att du kan lägga till datakällor. Om du vill lägga till en datakälla väljer du den från katalogen som visas på nästa skärm och väljer sedan Lägg till. Varje datakälla måste läggas till individuellt. Du kan till exempel lägga till ett sjöhus, välja Lägg tilloch sedan fortsätta att lägga till en annan datakälla. Om du vill filtrera datakällans typer väljer du filterikonen och väljer sedan önskad typ. Du kan bara visa datakällorna av den valda typen, vilket gör det enklare att hitta och ansluta lämpliga källor för din AI-kompetens.

När du har lagt till datakällan fylls Explorer- i den vänstra rutan på AI-kunskapssidan med tillgängliga tabeller i varje vald datakälla, där du kan använda kryssrutorna för att göra tabeller tillgängliga eller otillgängliga för AI:n enligt följande skärmbild:

Kommentar

Du behöver läs-/skrivbehörighet för att lägga till en Power BI-semantisk modell som datakälla till AI-kunskapen.

För efterföljande tillägg av datakällor navigerar du till Explorer- i den vänstra rutan på AI-kunskapssidan och väljer + Datakälla, som du ser i den här skärmbilden:

OneLake-katalogen öppnas igen och du kan sömlöst lägga till fler datakällor efter behov.

Tips

Se till att använda beskrivande namn för både tabeller och kolumner. En tabell med namnet SalesData är mer meningsfull än TableAoch kolumnnamn som ActiveCustomer eller IsCustomerActive är tydligare än C1 eller ActCu. Beskrivande namn hjälper AI:n att generera mer exakta och tillförlitliga frågor.

Ställ frågor

När du har lagt till datakällorna och valt relevanta tabeller för varje datakälla kan du börja ställa frågor. Systemet hanterar frågor som visas i den här skärmbilden:

Frågor som liknar dessa exempel bör också fungera:

"Vad var vår totala försäljning i Kalifornien 2023?"
"Vilka är de 5 främsta produkterna med de högsta listpriserna och vilka är deras kategorier?"
"Vilka är de dyraste objekten som aldrig har sålts?"

Frågor om dessa typer är lämpliga eftersom systemet kan översätta dem till strukturerade frågor (T-SQL, DAX eller KQL), köra dem mot databaser och sedan returnera konkreta svar baserat på lagrade data.

Sådana här är dock utanför omfånget:

"Varför är vår fabriksproduktivitet lägre under andra kvartalet 2024?"
"Vad är grundorsaken till vår försäljningstoppar?"

Dessa frågor ligger för närvarande utanför omfånget eftersom de kräver komplexa resonemang, korrelationsanalys eller externa faktorer som inte är direkt tillgängliga i databasen. AI-färdigheten utför för närvarande inte avancerad analys, maskininlärning eller kausal slutsatsdragning. Den hämtar och bearbetar helt enkelt strukturerade data baserat på användarens fråga.

När du ställer en fråga använder AI-färdigheten Azure OpenAI Assistant-API:et för att bearbeta begäran. Flödet fungerar på följande sätt:

Schemaåtkomst med användarautentiseringsuppgifter

Systemet använder först användarens autentiseringsuppgifter för att komma åt datakällans schema (till exempel lakehouse, warehouse, PBI-semantisk modell eller KQL-databaser). Detta säkerställer att systemet hämtar datastrukturinformation som användaren har behörighet att visa.

Skapa prompten

För att tolka användarens fråga kombinerar systemet:

Användarfråga: Frågan om naturligt språk som tillhandahålls av användaren.
Schemainformation: Metadata och strukturell information om datakällan som hämtades i föregående steg.
Exempel och instruktioner: Alla fördefinierade exempel (till exempel exempel exempel frågor och svar) eller specifika instruktioner som tillhandahålls när du konfigurerar AI-kompetensen. De här exemplen och instruktionerna hjälper till att förfina AI:ns förståelse av frågan och vägleda hur AI:n interagerar med data.

All den här informationen används för att skapa en fråga. Den här uppmaningen fungerar som indata till Azure OpenAI Assistant-API:et, som fungerar som en agent som ligger bakom AI-kompetensen. Detta instruerar i princip AI-kunskapen om hur frågan ska bearbetas och vilken typ av svar som ska skapas.

Verktygsanrop baserat på frågebehov

Agenten analyserar den konstruerade prompten och bestämmer vilket verktyg som ska anropas för att hämta svaret:

Naturligt språk till SQL (NL2SQL): Används för att generera SQL-frågor när data finns i ett "lakehouse" eller datamagasin.
Naturligt språk till DAX (NL2DAX): Används för att skapa DAX-frågor för att interagera med semantiska modeller i Power BI-datakällor
Naturligt språk till KQL (NL2KQL): Används för att konstruera KQL-frågor för att fråga efter data i KQL-databaser

Det valda verktyget genererar en fråga med hjälp av schemat, metadata och kontexten som agenten som ligger bakom AI-färdigheten tillhandahåller. Sedan validerar verktyget frågan för att säkerställa korrekt formatering och efterlevnad av dess säkerhetsprotokoll och dess egna principer för ansvarsfull AI (RAI).

Svarskonstruktion

Agenten som ligger bakom AI-färdigheten kör frågan och ser till att svaret är strukturerat och formaterat på lämpligt sätt. Agenten inkluderar ofta ytterligare kontext för att göra svaret användarvänligt. Slutligen visas svaret för användaren i ett konversationsgränssnitt, enligt följande skärmbild:

Agenten presenterar både resultatet och de mellanliggande steg som AI-kompetensen vidtog för att hämta det slutliga svaret. Den här metoden förbättrar transparensen och möjliggör validering av dessa steg, om det behövs. Användare kan expandera listrutan för stegen för att visa alla steg som AI-färdigheten vidtog för att hämta svaret, som du ser i följande skärmbild:

Dessutom tillhandahåller AI-färdigheten den genererade kod som används för att fråga motsvarande datakälla, vilket ger ytterligare insikt i hur svaret konstruerades.

Dessa frågor är endast utformade för att fråga ut data. Åtgärder som omfattar

skapa data
datauppdateringar
databorttagningar
alla typer av dataändringar

tillåts inte för att skydda dina datas integritet.

När som helst kan du välja knappen Rensa chatt för att rensa chatten, enligt följande skärmbild:

Funktionen Rensa chatt raderar all chatthistorik och startar en ny session. När du har tagit bort chatthistoriken kan du inte hämta den.

Ändra datakällan

Om du vill ta bort en datakälla hovrar du över namnet på datakällan i Explorer i den vänstra rutan på AI-kunskapssidan tills menyn med tre punkter visas. Välj de tre punkterna för att visa alternativen och välj sedan Ta bort för att ta bort datakällan enligt följande skärmbild:

Om datakällan har ändrats kan du också välja Uppdatera på samma meny, som du ser i följande skärmbild:

Detta säkerställer att alla uppdateringar av datakällor både återspeglas och fylls i korrekt i utforskaren för att hålla AI-kunskapen synkroniserad med de senaste data.

AI-kompetenskonfiguration

AI-färdigheten erbjuder flera konfigurationsalternativ som gör det möjligt för användare att anpassa AI-kompetensbeteendet för att bättre matcha organisationens behov. När AI-kompetensen bearbetar och presenterar data ger dessa konfigurationer flexibilitet som ger mer kontroll över resultaten.

Ge instruktioner

Du kan ge specifika instruktioner för att vägleda AI:ns beteende. Om du vill lägga till dem väljer du AI-instruktioner enligt följande skärmbild:

Fönstret AI-instruktioner öppnas, som du ser i den här skärmbilden:

Här kan du skriva upp till 15 000 tecken i vanlig engelskspråkig text för att instruera AI:n om hur du hanterar frågor.

Du kan till exempel ange den exakta datakälla som ska användas för vissa typer av frågor. Exempel på val av datakälla kan vara att instruera AI:n att använda

Power BI-semantiska modeller för finansiella frågor
ett sjöhus för försäljningsdata
en KQL-databas för driftsmått

Dessa instruktioner säkerställer att AI:n genererar lämpliga frågor, oavsett om det är SQL, DAX eller KQL, baserat på din vägledning och kontexten för frågorna.

Om DIN AI-resurs konsekvent misstolkar vissa ord, förkortningar eller termer kan du ange tydliga definitioner i det här avsnittet för att säkerställa att AI:n förstår och bearbetar dem korrekt. Detta blir särskilt användbart för domänspecifik terminologi eller unik affärsjargong.

Genom att skräddarsy dessa instruktioner och definiera termer förbättrar du AI:ns förmåga att leverera exakta och relevanta insikter, i fullständig anpassning till din datastrategi och dina affärskrav.

Ange exempelfrågor

Du kan förbättra noggrannheten för AI-kunskapssvaren när du tillhandahåller exempelfrågor som är skräddarsydda för varje datakälla, till exempel lakehouse-, lager- och KQL-databaser. Den här metoden, som kallas Few-Shot Learning i generativ AI, hjälper AI-förmågan att generera svar som bättre överensstämmer med dina förväntningar.

När du tillhandahåller AI:n med exempel på fråge-/frågepar refererar den till dessa exempel när den svarar på framtida frågor. Genom att matcha nya frågor med de mest relevanta exemplen kan AI:n införliva affärsspecifik logik och effektivt svara på vanliga frågor. Den här funktionen möjliggör finjustering för enskilda datakällor och säkerställer generering av mer exakta SQL- eller KQL-frågor.

Power BI:s semantiska datamodell har för närvarande inte stöd för att lägga till exempel på fråga-/svarspar. Men för datakällor som stöds, till exempel lakehouse-, lager- och KQL-databaser, kan fler exempel avsevärt förbättra AI:ns möjlighet att generera exakta frågor när standardprestandan behöver justeras.

Tips

En mängd olika exempelfrågor förbättrar möjligheten för en AI-kompetens att generera korrekta och relevanta SQL/KQL-frågor. Om du vill lägga till eller redigera exempelfrågor väljer du knappen Exempelfrågor för att öppna fönstret exempelfrågor, som du ser på följande skärmbild:

Det här fönstret innehåller alternativ för att lägga till eller redigera exempelfrågor för alla datakällor som stöds förutom Power BI-semantikmodeller. För varje datakälla kan du välja Lägg till eller redigera exempelfrågor för att ange relevanta exempel, enligt följande skärmbild:

Kommentar

AI-färdigheten refererar bara till frågor som innehåller giltig SQL/KQL-syntax och som matchar schemat för de valda tabellerna. AI-färdigheten använder inte frågor som inte har slutfört valideringen. Kontrollera att alla exempelfrågor är giltiga och korrekt anpassade till schemat för att säkerställa att AI-kompetensen använder dem effektivt.

När du har testat ai-kompetensens prestanda i olika frågor, och du bekräftar att den genererar korrekta SQL-, DAX- eller KQL-frågor, kan du dela den med dina kollegor. Välj då Publicera, enligt följande skärmbild:

Det här steget öppnar ett fönster där en beskrivning av AI-kompetensen efterfrågas. Här ger du en detaljerad beskrivning av vad AI-kompetensen gör. Den här informationen vägleder dina kollegor om funktionerna i AI-kompetensen och hjälper andra AI-system/orkestratorer att effektivt anropa den AI-skickligheten.