Dela via

Sekretess, säkerhet och ansvarsfull användning av Copilot för datavetenskap

  • Artikel

I den här artikeln får du lära dig hur Microsoft Copilot för Data Science fungerar, hur dina affärsdata skyddas och följer sekretesskraven och hur du använder generativ AI på ett ansvarsfullt sätt. En översikt över de här avsnitten för Copilot i Fabric finns i Sekretess, säkerhet och ansvarsfull användning för Copilot (förhandsvisning).

Med Copilot för datavetenskap i Microsoft Fabric och andra generativa AI-funktioner i förhandsversion ger Microsoft Fabric ett nytt sätt att transformera och analysera data, generera insikter och skapa visualiseringar och rapporter i Data Science och de andra arbetsbelastningarna.

För överväganden och begränsningar, se Begränsningar.

Dataanvändning av Copilot för datavetenskap

  • I notebook-filer kan Copilot bara komma åt data som är tillgängliga för användarens aktuella notebook-fil, antingen i ett bifogat sjöhus eller direkt inläst eller importerat till anteckningsboken av användaren. I anteckningsböcker kan Copilot inte komma åt några data som inte är tillgängliga för anteckningsboken.

  • Som standard har Copilot åtkomst till följande datatyper:

    • Tidigare meddelanden som skickats till och svar från Copilot för användaren i den sessionen.
    • Innehåll i celler som användaren har kört.
    • Utdata från celler som användaren har kört.
    • Scheman för datakällor i anteckningsboken.
    • Exempeldata från datakällor i notebook-filen.
    • Scheman från externa datakällor i ett bifogat sjöhus.

Utvärdering av Copilot för datavetenskap

  • Produktteamet har testat Copilot för att se hur bra systemet presterar inom ramen för anteckningsböcker och om AI-svar är insiktsfulla och användbara.
  • Teamet investerade också i ytterligare skadereduceringar, inklusive tekniska metoder för att fokusera Copilotutdata på ämnen som rör datavetenskap.

Tips för att arbeta med Copilot för datavetenskap

  • Copilot är bäst rustat för att hantera datavetenskapsämnen, så begränsa dina frågor till detta område.
  • Var tydlig med de data som du vill att Copilot ska undersöka. Om du beskriver datatillgången, till exempel namngivning av filer, tabeller eller kolumner, är Copilot mer sannolikt att hämta relevanta data och generera användbara utdata.
  • Om du vill ha mer detaljerade svar kan du prova att ladda in data i din notebook som DataFrames eller fästa data i din lakehouse. Detta ger Copilot mer kontext som du kan utföra analys med. Om en tillgång är för stor för att läsas in är det ett användbart alternativ att fästa.

AI-kompetens: Vanliga frågor och svar om ansvarsfull AI

Vad är AI Skill?

AI Skill är ett nytt verktyg i Fabric som ger ett sätt att få svar från dina tabelldata på naturligt språk.

Vad kan AI Skill göra?

En dataanalytiker eller tekniker kan förbereda AI Skill för användning av icke-tekniska företagsanvändare. De måste konfigurera datakälla för Fabric och kan eventuellt tillhandahålla ytterligare kontextinformation som inte är uppenbar från schemat.

Icke-tekniska användare kan sedan skriva frågor och ta emot resultaten från körningen av en AI-genererad SQL-fråga.

Vad är/är AI Skills avsedda användning??

  • Företagsanvändare som inte är bekanta med hur data är strukturerade kan ställa beskrivande frågor som "vilka är de 10 främsta produkterna efter försäljningsvolym förra månaden?" ovanpå tabelldata som lagras i Fabric Lakehouses och Fabric Warehouses.

  • AI Skill är inte avsett för användning i fall där deterministiska och 100% korrekta resultat krävs, vilket återspeglar de aktuella LLM-begränsningarna.

  • AI-färdigheten är inte avsedd för användningsfall som kräver djupanalys eller kausal analys. T.ex. fråga "varför minskade våra försäljningssiffror förra månaden?" ligger utanför räckvidden.

Hur utvärderades AI Skill? Vilka mått används för att mäta prestanda?

Produktteamet har testat AI-kompetensen på en mängd olika offentliga och privata riktmärken för SQL-uppgifter för att fastställa kvaliteten på SQL-frågor.

Teamet investerade också i ytterligare skadereduceringar, inklusive tekniska metoder för att fokusera AI-färdighetens utdata på kontexten för de valda datakällorna.

Vilka är begränsningarna i AI Skill? Hur kan användare minimera effekten av AI Skills begränsningar när de använder systemet?

  • Kontrollera att kolumnnamnen är beskrivande. I stället för att använda kolumnnamn som "C1" eller "ActCu" använder du "ActiveCustomer" eller "IsCustomerActive". Det här är det mest effektiva sättet att få ut mer tillförlitliga frågor från AI:n.

  • Använd anteckningarna för modellen i konfigurationspanelen i användargränssnittet. Om DE SQL-frågor som AI-färdigheten genererar är felaktiga kan du ge instruktioner till modellen på vanlig engelska för att förbättra framtida frågor. Systemet använder dessa instruktioner för varje fråga. Korta och direkta instruktioner är bäst.

  • Ange exempel i modellkonfigurationspanelen i användargränssnittet. Systemet använder de mest relevanta exemplen när de ger sina svar.

Vilka driftsfaktorer och inställningar möjliggör effektiv och ansvarsfull användning av AI-kompetens?

  • AI-färdigheten har bara åtkomst till de data som du tillhandahåller. Det använder schemat (tabellnamn och kolumnnamn), samt Anteckningar för modellen och Exempel som du anger i användargränssnittet.

  • AI-färdigheten har endast åtkomst till data som frågaren har åtkomst till. Om du använder AI-kompetensen används dina autentiseringsuppgifter för att komma åt den underliggande databasen. Om du inte har åtkomst till underliggande data så har AI-kunskapen inte heller det. Detta gäller när du publicerar AI-färdigheten till andra mål, till exempel Copilot för Microsoft 365 eller Microsoft Copilot Studio, där AI-kompetensen kan användas av andra frågeanvändare.

Relaterat innehåll