适用于实时智能的 Copilot 的隐私、安全性和负责任的使用
在本文中，你将了解适用于实时智能的 Copilot 的工作原理、它如何保护业务数据并遵守隐私要求，以及如何负责任地使用生成式 AI。 有关 Fabric 中的 Copilot 的这些主题的概述，请参阅 Copilot 的私密性、安全性和负责任的使用。
此功能利用 OpenAI 的强大功能将自然语言查询无缝转换为 Kusto 查询语言 (KQL)，这是一种用于查询大型数据集的专用语言。 本质上，它充当了用户日常语言与 KQL 技术复杂性之间的桥梁，为不熟悉该语言的用户消除了采用障碍。 通过利用 OpenAI 的高级语言理解能力，该功能使用户能够以熟悉的自然语言格式提交业务问题，然后这些问题被转换为 KQL 查询。
Copilot 通过简化查询创建过程来提高工作效率，但也提供了用户友好的高效数据分析方法。
适用于实时智能的 Copilot 的预期用途
Kusto Copilot 基于底层数据集列名/架构将自然语言业务问题转换为 KQL 查询，加速了数据科学家和分析师的数据探索过程。
适用于实时智能的 Copilot 可以做什么？
Kusto Copilot 由 OpenAI 和 Microsoft 开发的生成式 AI 模型提供支持。 具体而言，它使用 OpenAI 的嵌入和补全 API 来构建自然语言提示并生成 KQL 查询。
用于实时智能 Copilot 的数据用途
适用于实时智能的 Copilot 可以访问 Copilot 用户可访问的数据，例如数据库架构、用户定义的函数和连接的数据库的数据采样。 Copilot 参考当前连接到 KQL 查询集的任意数据库。 Copilot 不存储任何数据。
实时智能 Copilot 的评估
- 我们在一个完整的研究周期中测试了多个配置和方法，已证明 OpenAI 集成方法可以生成最高准确度的 KQL 查询。 Copilot 不会自动运行生成的 KQL 查询，建议用户自行运行查询。
- Kusto Copilot 不会自动运行任何生成的 KQL 查询，建议用户自行运行查询。
适用于实时智能的 Copilot 的限制
- Copilot 可能会误解复杂且较长的用户输入，从而有可能导致建议的 KQL 查询不准确或有误导作用。
- 如果用户输入指向的数据库实体不是 KQL 表或具体化视图，例如 KQL 函数，则可能会导致建议的 KQL 查询不准确或具有误导性。
- 组织内的并发用户数超过 10,000 个很可能会失败或导致严重的性能下降。
- KQL 查询在执行前应由用户进行验证，以防止不安全的 KQL 查询执行。
实时智能 Copilot 的使用技巧
- 建议你提供详细且贴切的自然语言查询。 此外，应向 copilot 提供简洁而简单的请求，以避免生成不准确或具有误导性的建议 KQL 查询。 还应将问题限定于是 KQL 表或具体化视图的数据库。
- 例如，如果要询问特定列，请提供列名及其包含的数据类型。 如果想要使用特定的运算符或函数，这也将有所帮助。 你提供的信息越多，Copilot 的回答就越符合你的要求。