Použití přehledů AI v Power BI Desktopu

V Power BI můžete pomocí přehledů AI získat přístup k kolekci předem natrénovaných modelů strojového učení, které zlepšují úsilí o přípravu dat. K AI přehledům se dostanete v Power Query editoru . Přidružené funkce a vlastnosti najdete na kartách Domů a Přidat sloupec v editoru Power Query .

Tento článek popisuje funkce analýzy textu a zpracování obrazu, oboje z Azure Cognitive Services. V tomto článku je také část, která popisuje vlastní funkce dostupné v Power BI ze služby Azure Machine Learning.

Použití analýzy textu a počítačového vidění

Díky analýze textu a zpracování obrazu v Power BI můžete použít různé algoritmy od azure Cognitive Services k obohacení dat v Power Query.

V současné době jsou podporovány následující služby:

• analýza mínění
• extrakce klíčových frází
• rozpoznávání jazyka
• Označování obrázků.

Transformace se spouští ve službě Power BI a nevyžadují předplatné Azure Cognitive Services.

Povolení analýzy textu a zpracování obrazu v kapacitách Premium

Služby Cognitive Services jsou podporované pro uzly kapacity Premium EM2, A2 nebo P1 a další uzly s více prostředky. Ke spouštění služeb Cognitive Services se používá samostatná úloha AI v rámci kapacity. Než v Power BI použijete Cognitive Services, musíte úlohu AI povolit v nastavení kapacity portálu pro správu. AI pracovní zátěž můžete zapnout v sekci pracovní zátěže a definovat maximální velikost paměti, kterou má tato pracovní zátěž využívat. Doporučený limit paměti je 20%. Překročení tohoto limitu způsobí zpomalení dotazu.

Dostupné funkce

Tato část popisuje dostupné funkce ve službách Cognitive Services v Power BI.

Rozpoznávání jazyka

Funkce Detect language vyhodnocuje textové zadání a pro každé pole vrátí název jazyka a identifikátor ISO. Tato funkce je užitečná pro sloupce dat, které shromažďují libovolný text, kde jazyk není znám. Funkce očekává jako vstup data v textovém formátu.

Analýza textu rozpozná až 120 jazyků. Další informace viz podporované jazyky.

Extrakce klíčových frází

Funkce extrakce klíčových frází vyhodnotí nestrukturovaný text a pro každé textové pole vrátí seznam klíčových frází. Funkce vyžaduje textové pole jako vstup a přijímá volitelný vstup pro kód ISO jazyka .

Extrakce klíčových frází funguje nejlépe, když jí dáte větší bloky textu, na které chcete pracovat, a to opakem než analýza mínění. Analýza mínění funguje lépe na menších blocích textu. Pokud chcete dosáhnout nejlepších výsledků obou operací, zvažte odpovídající restrukturalizaci vstupů.

Skóre mínění

Funkce Skóre mínění vyhodnotí textové zadání a vrátí skóre mínění pro každý dokument v rozsahu od 0 (záporné) do 1 (kladné). skóre sentimentu také přijímá volitelný vstup pro jazykový kód ISO . Tato funkce je užitečná pro detekci pozitivního a negativního mínění v sociálních médiích, recenzích zákazníků a diskuzních fórech.

Analýza textu používá algoritmus klasifikace strojového učení k vygenerování skóre mínění mezi 0 a 1. Skóre blížící se 1 značí pozitivní mínění. Skóre blížící se 0 značí negativní mínění. Model je předem natrénovaný rozsáhlým tělem textu s asociacemi sentimentu. V současné době není možné poskytovat vlastní trénovací data. Model používá během analýzy textu kombinaci technik, včetně zpracování textu, analýzy částí řeči, umístění slov a přidružení slov. Další informace o algoritmu najdete v tématu Představujeme analýzu textu.

Analýza mínění se provádí na celém vstupním poli, na rozdíl od extrahování mínění pro konkrétní entitu v textu. V praxi je tendence, že se přesnost hodnocení zlepší, když dokumenty obsahují jednu nebo dvě věty místo velkého bloku textu. Během fáze posouzení objektivity model určuje, zda je vstupní pole jako celek objektivní nebo obsahuje mínění. Vstupní pole, které je převážně objektivní, nepostupuje k frázi detekce mínění, což vede k skóre 0,50 bez dalšího zpracování. U vstupních polí, která pokračují v zpracovatelském řetězci, vygeneruje další fáze skóre vyšší nebo nižší než 0,50 v závislosti na zjištěném stupni sentimentu ve vstupním poli.

Analýza mínění v současné době podporuje angličtinu, němčinu, španělštinu a francouzštinu. Jiné jazyky jsou ve verzi Preview. Další informace najdete v tématu podporovaných jazyků.

Označení obrázků

Funkce Označování obrázků vrací značky založené na více než 2 000 rozpoznatelných objektech, živých bytostech, scenériích a akcích. Pokud jsou značky nejednoznačné nebo nejsou obecně známy, výstup poskytuje nápovědy k objasnění významu značky v rámci známého nastavení. Značky nejsou uspořádané jako taxonomie a neexistují žádné hierarchie dědičnosti. Kolekce značek obsahu tvoří základ obrázku popisu zobrazený jako jazyk čitelný pro člověka formátovaný v úplných větách.

Po nahrání obrázku nebo zadání adresy URL obrázku vypíše algoritmy počítačového zpracování obrazu značky založené na objektech, živých bytostech a akcích identifikovaných na obrázku. Označování není omezeno na hlavní předmět, například na osobu v popředí, ale zahrnuje také nastavení (vnitřní nebo venkovní), nábytek, nástroje, rostliny, zvířata, doplňky, miniaplikace atd.

Tato funkce vyžaduje jako vstup adresu URL obrázku nebo pole base-64. V tuto chvíli označování obrázků podporuje angličtinu, španělštinu, japonštinu, portugalštinu a zjednodušenou čínštinu. Pro více informací viz podporované jazyky.

Vyvolání funkcí Analýza textu nebo Zpracování obrazu v Power Query

Pokud chcete obohatit data funkcemi Analýza textu nebo Zpracování obrazu, otevřete Editor Power Query. Tento příklad vás provádí hodnocením nálady v textu. Stejný postup můžete použít k extrakci klíčových frází, rozpoznávání jazyka a označování obrázků.

Na pásu karet Domů nebo pásu karet Přidat sloupce vyberte tlačítko Analýza textu. Až se zobrazí výzva, přihlaste se.

Po přihlášení vyberte funkci, kterou chcete použít, a datový sloupec, který chcete transformovat v automaticky otevíracím okně.

Power BI vybere kapacitu Premium, aby funkci spustila, a odešle výsledky zpět do Power BI Desktopu. Vybraná kapacita se používá jenom pro funkci Analýza textu a Zpracování obrazu během aplikací a aktualizací v Power BI Desktopu. Jakmile Power BI publikuje sestavu, aktualizace se spustí na kapacitě Premium pracovního prostoru, do kterého je sestava publikována. Kapacitu použitou pro všechny služby Cognitive Services můžete změnit v rozevíracím seznamu v levém dolním rohu automaticky otevíraného okna.

kód ISO jazyka je volitelný vstup pro určení jazyka textu. Sloupec můžete použít jako vstup nebo statické pole. V tomto příkladu je jazyk určen jako angličtina (en) pro celý sloupec. Pokud toto pole necháte prázdné, Power BI před použitím funkce automaticky rozpozná jazyk. Dále vyberte Použít.

Při prvním použití přehledů AI v novém zdroji dat vás Power BI Desktop vyzve k nastavení úrovně ochrany osobních údajů vašich dat.

Po vyvolání funkce se výsledek přidá jako nový sloupec do tabulky. Transformace se také přidá jako použitý krok v dotazu.

V případech označování obrázků a extrakce klíčových frází můžou výsledky vracet více hodnot. Každý jednotlivý výsledek je vrácen na kopii původního řádku.

Zveřejněte zprávu pomocí funkcí analýzy textu nebo funkcí pro zpracování obrazu.

Při úpravách v Power Query a provádění aktualizací v Power BI Desktopu používají analýza textu a zpracování obrazu kapacitu Premium vybranou v Editoru Power Query. Jakmile Text Analytics nebo Vision publikuje sestavu, použijí kapacitu Premium pracovního prostoru, do kterého byla publikována.

Sestavy s použitými funkcemi Analýza textu a Zpracování obrazu by se měly publikovat do pracovního prostoru, který je v kapacitě Premium, jinak se aktualizace sémantického modelu nezdaří.

Správa dopadu na kapacitu Premium

Následující části popisují, jak můžete spravovat dopady analýzy textu a zpracování obrazu na kapacitu.

Vyberte kapacitu.

Autoři sestav můžou vybrat kapacitu Premium, na které se má spustit AI Insights. Power BI ve výchozím nastavení vybere první vytvořenou kapacitu, ke které má uživatel přístup.

Monitorování pomocí aplikace Capacity Metrics

Vlastníci kapacity Premium můžou monitorovat dopad funkcí Analýzy textu a Vizních funkcí na kapacitu pomocí aplikace Microsoft Fabric Capacity Metrics. Aplikace poskytuje podrobné metriky o stavu úloh umělé inteligence v rámci vaší kapacity. Horní graf zobrazuje spotřebu paměti podle úloh umělé inteligence. Správci kapacity Premium můžou nastavit limit paměti pro úlohy umělé inteligence pro každou kapacitu. Když využití paměti dosáhne limitu paměti, můžete zvážit zvýšení limitu paměti nebo přesunutí některých pracovních prostorů do jiné kapacity.

Porovnání Power Query a Power Query Online

Funkce analýza textu a zpracování obrazu používané v Power Query a Power Query Online jsou stejné. Mezi prostředími existuje jenom několik rozdílů:

• Power Query obsahuje samostatná tlačítka pro analýzu textu, zpracování obrazu a Azure Machine Learning. V Power Query Online jsou tyto funkce sloučeny v jedné nabídce.
• V Power Query může autor sestavy vybrat kapacitu Premium, která se používá ke spuštění funkcí. Tato volba není v Power Query Online nutná, protože tok dat už je v konkrétní kapacitě.

Důležité informace a omezení analýzy textu

Při použití analýzy textu je potřeba vzít v úvahu několik aspektů a omezení.

• Přírůstková aktualizace se podporuje, ale může způsobovat problémy s výkonem při použití v dotazech s poznatky AI.
• Přímý dotaz není podporovaný.

Použití služby Azure Machine Learning

Řada organizací používá modely Machine Learning pro lepší přehledy a předpovědi týkající se jejich podnikání. Schopnost vizualizovat a vyvolat přehledy z těchto modelů může pomoct rozšířit tyto přehledy podnikovým uživatelům, kteří je potřebují nejvíce. Power BI usnadňuje začlenění přehledů z modelů hostovaných ve službě Azure Machine Learning pomocí jednoduchých gest typu point-and-click.

Pokud chcete tuto funkci využít, může datový vědec udělit přístup k modelu Azure Machine Learning analytikům BI pomocí webu Azure Portal. Na začátku každé relace Pak Power Query zjistí všechny modely Azure Machine Learning, ke kterým má uživatel přístup, a zpřístupní je jako dynamické funkce Power Query. Uživatel pak může tyto funkce vyvolat tak, že k nim přistupuje z pásu karet v Editoru Power Query nebo přímo vyvoláním funkce M. Power BI také automaticky dávkuje žádosti o přístup při volání modelu Azure Machine Learning pro sadu řádků, aby dosáhl lepšího výkonu.

Tato funkce je podporovaná v Power BI Desktopu, tocích dat Power BI a pro Power Query Online ve službě Power BI.

Další informace o tocích dat najdete v tématu Samoobslužná příprava dat v Power BI.

Další informace o službě Azure Machine Learning najdete v následujících článcích:

• Přehled: Co je Azure Machine Learning?
• Rychlé starty a návody pro Azure Machine Learning: Dokumentace ke službě Azure Machine Learning

Udělení přístupu k modelu Azure Machine Learning

Pokud chcete získat přístup k modelu Azure Machine Learning z Power BI, musí mít uživatel oprávnění ke čtení k předplatnému Azure . Kromě toho musí mít také přístup ke čtení pracovnímu prostoru Machine Learning.

Kroky v této části popisují, jak uživateli Power BI udělit přístup k modelu hostovaného ve službě Azure Machine Learning. Díky tomuto přístupu můžou tento model používat jako funkci Power Query. Další informace najdete v tématu Správa přístupu pomocí RBAC a webu Azure Portal.

1. Přihlaste se k portálu Azure.
2. Přejděte na stránku Předplatné. Stránku Předplatná najdete v seznamu Všechny služby v levé navigační nabídce webu Azure Portal.
3. Vyberte své předplatné.
4. Vyberte Řízení přístupu (IAM)a pak vyberte tlačítko Přidat.
5. Jako Roli vyberte čtenáře. Vyberte uživatele Power BI, kterému chcete udělit přístup k modelu Azure Machine Learning.
6. Vyberte Uložit.
7. Opakováním kroků 3 až šest udělte uživateli Reader přístup ke konkrétnímu pracovnímu prostoru Machine Learning, který je hostitelem modelu.

Zjišťování schématu pro modely machine learningu

Datoví vědci primárně používají Python k vývoji a nasazení svých modelů strojového učení pro Machine Learning. Datový vědec musí explicitně vygenerovat soubor schématu pomocí Pythonu.

Tento soubor schématu musí být součástí nasazené webové služby pro modely Machine Learning. Pokud chcete automaticky vygenerovat schéma pro webovou službu, musíte zadat v vstupním skriptu pro nasazený model ukázku vstupu a výstupu. Další informace najdete v pododdílu o (volitelné) automatické generování schématu Swagger v modelech Nasazení pomocí dokumentace ke službě Azure Machine Learning Service. Odkaz obsahuje ukázkový vstupní skript s příkazy pro generování schématu.

Konkrétně funkce @input_schema a @output_schema ve vstupním skriptu odkazují na vstupní a výstupní ukázkové formáty v input_sample a output_sample proměnných. Funkce používají tyto ukázky k vygenerování specifikace OpenAPI (Swagger) pro webovou službu při nasazení.

Tyto pokyny pro generování schématu aktualizací vstupního skriptu je nutné použít také u modelů vytvořených pomocí experimentů automatizovaného strojového učení se sadou Azure Machine Learning SDK.

Vyvolání modelu Azure Machine Learning v Power Query

Můžete vyvolat libovolný model Azure Machine Learning, ke kterému máte udělený přístup, přímo z Editoru Power Query. Pokud chcete získat přístup k modelům Azure Machine Learning, vyberte tlačítko Azure Machine Learning na pásu karet Domů nebo Přidat sloupec v editoru Power Query.

Všechny modely Azure Machine Learning, ke kterým máte přístup, jsou uvedené tady jako funkce Power Query. Vstupní parametry modelu Azure Machine Learning se také automaticky mapují jako parametry odpovídající funkce Power Query.

Pokud chcete vyvolat model Azure Machine Learning, můžete zadat libovolný ze sloupců vybrané entity jako vstup z rozevíracího seznamu. Můžete také zadat konstantní hodnotu, kterou chcete použít jako vstup přepnutím ikony sloupce nalevo od vstupního dialogového okna.

Výběrem OK zobrazte náhled výstupu modelu Azure Machine Learning jako nový sloupec v tabulce entit. Vyvolání modelu se zobrazí jako použitý krok dotazu.

Pokud model vrátí více výstupních parametrů, jsou seskupené jako záznam ve výstupním sloupci. Sloupec můžete rozbalit a vytvořit jednotlivé výstupní parametry v samostatných sloupcích.

Důležité informace a omezení služby Azure Machine Learning

Následující aspekty a omezení platí pro Azure Machine Learning v Power BI Desktopu.

• Modely vytvořené pomocí vizuálního rozhraní služby Azure Machine Learning v současné době nepodporují generování schématu. Podpora se očekává v následujících verzích.
• Přírůstková aktualizace je podporována, ale může způsobovat problémy s výkonem při použití dotazů s AI analýzami.
• Přímý dotaz není podporovaný.
• Uživatelé s licencí Premium na uživatele (PPU) nemůžou používat přehledy AI z Power BI Desktopu; Musíte použít licenci jiného typu než PPU Premium s odpovídající kapacitou Premium. Přehledy AI můžete dál používat s licencí PPU v rámci služby Power BI.

Související obsah

Tento článek poskytuje přehled integrace machine learningu do Power BI Desktopu. Následující články můžou být také zajímavé a užitečné.

• Kurz : Používání služeb Cognitive Services v Power BI
• Kognitivní služby v Power BI
• integrace služby Azure Machine Learning v Power BI
• metriky AI v aplikaci Metriky kapacity Premium