Opret en AI-færdighed (prøveversion)

Artikel
02/27/2025

Med en Microsoft Fabric AI-færdighed kan du oprette ai-samtaleoplevelser, der besvarer spørgsmål om data, der er gemt i lakehouses, lagre, semantiske Power BI-modeller og KQL-databaser i Fabric. Din dataindsigt bliver tilgængelig. Dine kolleger kan stille spørgsmål på almindeligt engelsk og modtage datadrevne svar, selvom de ikke er AI-eksperter eller er dybt fortrolige med dataene.

Vigtigt

Denne funktion er en prøveversion.

Forudsætninger

A betalt F64 eller højere Fabric-kapacitetsressource
Lejerkontakt for AI-færdigheder er aktiveret.
Skift af copilotlejer er aktiveret.
Tværgående geobehandling af AI- er aktiveret.
Cross-geo-lagring til AI- er aktiveret.
Et lager, et lakehouse, semantiske Power BI-modeller og KQL-databaser med data.
semantiske Power BI-modeller via lejerkontakt for XMLA-slutpunkter, er aktiveret for power BI-semantiske modeldatakilder.

End-to-End Flow til oprettelse og brug af AI-færdigheder i Fabric

I dette afsnit beskrives de vigtigste trin til at oprette, validere og dele en AI-færdighed i Fabric, hvilket gør den tilgængelig til forbrug.

Processen er ligetil, og du kan begynde at teste AI-kompetenceressourcerne på få minutter.

Opret en ny AI-færdighed

Hvis du vil oprette en ny AI-færdighed, skal du først navigere til dit arbejdsområde og derefter vælge knappen + Nyt element. Under fanen Alle elementer skal du søge efter AI-færdigheder for at finde den relevante indstilling, som vist på dette skærmbillede:

Når du har valgt, bliver du bedt om at angive et navn til dine AI-færdigheder, som vist på dette skærmbillede:

Se det angivne skærmbillede for at få en visuel vejledning til navngivning af AI-færdigheder. Når du har angivet navnet, skal du fortsætte med konfigurationen for at tilpasse AI-færdighederne til dine specifikke krav.

Vælg dine data

Når du har oprettet en AI-færdighed, kan du tilføje op til fem datakilder, herunder lakehouses, lagre, semantiske Power BI-modeller og KQL-databaser i en hvilken som helst kombination. Du kan f.eks. tilføje fem semantiske Power BI-modeller eller to semantiske Power BI-modeller, én lakehouse og én KQL-database.

Når du opretter en AI-færdighed for første gang og angiver et navn, vises OneLake-kataloget automatisk, så du kan tilføje datakilder. Hvis du vil tilføje en datakilde, skal du vælge den i kataloget som vist på næste skærmbillede og derefter vælge Tilføj. Hver datakilde skal tilføjes enkeltvist. Du kan f.eks. tilføje et lakehouse, vælge Tilføjog derefter fortsætte med at tilføje en anden datakilde. Hvis du vil filtrere datakildetyperne, skal du vælge filterikonet og derefter vælge den ønskede type. Du kan kun få vist datakilderne for den valgte type, hvilket gør det nemmere at finde og forbinde de relevante kilder til dine AI-færdigheder.

Når du har tilføjet datakilden, udfyldes Explorer i venstre rude på siden AI-færdigheder med de tilgængelige tabeller i hver valgt datakilde, hvor du kan bruge afkrydsningsfelterne til at gøre tabeller tilgængelige eller utilgængelige for AI som vist på følgende skærmbillede:

Bemærk

Du skal have læse-/skrivetilladelse for at føje en semantisk Power BI-model som datakilde til AI-færdighederne.

For efterfølgende tilføjelser af datakilder skal du gå til Explorer- i venstre rude på siden AI-færdigheder og vælge + Datakildesom vist på dette skærmbillede:

OneLake-kataloget åbnes igen, og du kan uden problemer tilføje flere datakilder efter behov.

Drikkepenge

Sørg for at bruge beskrivende navne til både tabeller og kolonner. En tabel med navnet SalesData giver mere mening end TableA, og kolonnenavne som ActiveCustomer eller IsCustomerActive er tydeligere end C1 eller ActCu. Beskrivende navne hjælper AI'en med at generere mere nøjagtige og pålidelige forespørgsler.

Stil spørgsmål

Når du har tilføjet datakilderne og valgt de relevante tabeller for hver datakilde, kan du begynde at stille spørgsmål. Systemet håndterer spørgsmål som vist på dette skærmbillede:

Spørgsmål, der ligner disse eksempler, bør også fungere:

"Hvad var vores samlede salg i Californien i 2023?"
"Hvad er de øverste 5 produkter med de højeste listepriser, og hvad er deres kategorier?"
"Hvad er de dyreste varer, der aldrig er blevet solgt?"

Spørgsmål af disse typer er velegnede, fordi systemet kan oversætte dem til strukturerede forespørgsler (T-SQL, DAX eller KQL), udføre dem i databaser og derefter returnere konkrete svar baseret på gemte data.

Men som disse er uden for omfanget:

"Hvorfor er vores fabriksproduktivitet lavere i 2. kvartal 2024?"
"Hvad er hovedårsagen til vores salgsspids?"

Disse spørgsmål er i øjeblikket uden for omfanget, fordi de kræver kompleks ræsonnering, korrelationsanalyse eller eksterne faktorer, der ikke er direkte tilgængelige i databasen. AI-færdighederne udfører i øjeblikket ikke avanceret analyse, maskinel indlæring eller årsagssammenhæng. Den henter og behandler blot strukturerede data baseret på brugerens forespørgsel.

Når du stiller et spørgsmål, bruger AI-færdigheden Azure OpenAI-assistent-API'en til at behandle anmodningen. Flowet fungerer på denne måde:

Skemaadgang med brugerlegitimationsoplysninger

Systemet bruger først legitimationsoplysningerne for brugeren til at få adgang til datakildens skema (f.eks. lakehouse-, lager-, PBI-semantisk model eller KQL-databaser). Dette sikrer, at systemet henter datastrukturoplysninger, som brugeren har tilladelse til at få vist.

Oprettelse af prompten

Systemet kombinerer følgende for at fortolke brugerens spørgsmål:

Brugerforespørgsel: Det naturlige sprogspørgsmål, der leveres af brugeren.
Skemaoplysninger: Metadata og strukturelle oplysninger om datakilden, der blev hentet i det forrige trin.
Eksempler og instruktioner: Eventuelle foruddefinerede eksempler (f.eks. eksempelspørgsmål og svar) eller specifikke instruktioner, der leveres, når du konfigurerer AI-færdighederne. Disse eksempler og instruktioner hjælper med at finjustere AI'ens forståelse af spørgsmålet og vejlede i, hvordan AI'en interagerer med dataene.

Alle disse oplysninger bruges til at oprette en prompt. Denne prompt fungerer som et input til Azure OpenAI Assistant-API'en, der fungerer som en agent, der ligger til grund for AI-færdigheden. Dette instruerer i bund og grund AI-færdighederne om, hvordan forespørgslen skal behandles, og hvilken type svar der skal oprettes.

Aktivering af værktøj baseret på forespørgselsbehov

Agenten analyserer den konstruerede prompt og beslutter, hvilket værktøj der skal aktiveres for at hente svaret:

Naturligt sprog til SQL (NL2SQL): Bruges til at generere SQL-forespørgsler, når dataene er placeret i et lakehouse eller et lager
Naturligt sprog til DAX (NL2DAX): Bruges til at oprette DAX-forespørgsler for at interagere med semantiske modeller i Power BI-datakilder
Naturligt sprog til KQL (NL2KQL): Bruges til at konstruere KQL-forespørgsler til at forespørge om data i KQL-databaser

Det valgte værktøj genererer en forespørgsel ved hjælp af det skema, de metadata og den kontekst, som agenten bag AI-færdighederne leverer. Værktøjet validerer derefter forespørgslen for at sikre korrekt formatering og overholdelse af dens sikkerhedsprotokoller og sine egne POLITIKKER for ansvarlig AI (RAI).

Svarkonstruktion

Den agent, der ligger til grund for AI-færdigheden, udfører forespørgslen og sikrer, at svaret er struktureret og formateret korrekt. Agenten indeholder ofte ekstra kontekst for at gøre svaret brugervenligt. Til sidst vises svaret for brugeren i en samtalegrænseflade, som vist på følgende skærmbillede:

Agenten præsenterer både resultatet og de mellemliggende trin, som AI-færdighederne tog for at hente det endelige svar. Denne fremgangsmåde forbedrer gennemsigtigheden og muliggør validering af disse trin, hvis det er nødvendigt. Brugerne kan udvide rullelisten for trinnene for at få vist alle de trin, ai-færdighederne har taget for at hente svaret, som vist på følgende skærmbillede:

Ai-færdighederne leverer desuden den genererede kode, der bruges til at forespørge den tilsvarende datakilde, og giver yderligere indsigt i, hvordan svaret blev konstrueret.

Disse forespørgsler er udelukkende designet til at forespørge om data. Handlinger, der involverer

oprettelse af data
dataopdateringer
sletning af data
enhver type dataændring

ikke er tilladt, for at beskytte integriteten af dine data.

Du kan når som helst vælge knappen Ryd chat for at rydde chatten, som vist på følgende skærmbillede:

Funktionen Ryd chat sletter al chathistorik og starter en ny session. Når du sletter din chathistorik, kan du ikke hente den.

Skift datakilden

Hvis du vil fjerne en datakilde, skal du holde markøren over navnet på datakilden i Explorer i venstre rude på ai-kompetencesiden, indtil menuen med tre prikker vises. Vælg de tre prikker for at få vist indstillingerne, og vælg derefter Fjern for at slette datakilden som vist på følgende skærmbillede:

Hvis din datakilde ændres, kan du også vælge Opdater i den samme menu som vist på følgende skærmbillede:

Dette sikrer, at alle opdateringer af datakilder både afspejles og udfyldes korrekt i stifinderen for at holde dine AI-færdigheder synkroniseret med de nyeste data.

Konfiguration af AI-færdigheder

AI-færdighederne indeholder flere konfigurationsindstillinger, der giver brugerne mulighed for at tilpasse funktionsmåden for AI-færdigheder, så de bedre matcher organisationens behov. I takt med at AI-færdighedsprocesserne og præsenterer data, giver disse konfigurationer fleksibilitet, der giver større kontrol over resultaterne.

Angiv instruktioner

Du kan angive specifikke instruktioner for at vejlede AI'ens funktionsmåde. Hvis du vil tilføje dem, skal du vælge AI-instruktioner som vist på følgende skærmbillede:

Ruden MED AI-instruktioner åbnes som vist på dette skærmbillede:

Her kan du skrive op til 15.000 tegn i almindelig engelsksproget tekst for at instruere AI'en i, hvordan forespørgsler håndteres.

Du kan f.eks. angive den nøjagtige datakilde, der skal bruges til visse typer spørgsmål. Eksempler på valg af datakilder kan omfatte, at kunstig intelligens skal bruges

Semantiske Power BI-modeller til økonomiske forespørgsler
et lakehouse til salgsdata
en KQL-database til driftsmæssige målepunkter

Disse instruktioner sikrer, at AI'en genererer relevante forespørgsler, uanset om det er SQL, DAX eller KQL, baseret på din vejledning og konteksten af spørgsmålene.

Hvis din AI-ressource konsekvent fejlfortolker visse ord, akronymer eller ord, kan du angive klare definitioner i dette afsnit for at sikre, at AI'en forstår og behandler dem korrekt. Dette bliver især nyttigt i forbindelse med domænespecifik terminologi eller unik forretningsjargon.

Ved at skræddersy disse instruktioner og definere begreber forbedrer du AI'ens evne til at levere præcis og relevant indsigt i fuld overensstemmelse med din datastrategi og dine forretningsmæssige krav.

Angiv eksempelforespørgsler

Du kan forbedre nøjagtigheden af ai-kvalifikationssvar, når du angiver eksempelforespørgsler, der er skræddersyet til hver enkelt datakilde, f.eks. lakehouse-, lager- og KQL-databaser. Denne fremgangsmåde, der kaldes Few-Shot Learning i generative AI, hjælper med at vejlede AI-færdighederne i at generere svar, der bedre stemmer overens med dine forventninger.

Når du angiver AI med eksempelforespørgsels-/spørgsmålspar, henviser den til disse eksempler, når den besvarer fremtidige spørgsmål. Hvis du matcher nye forespørgsler med de mest relevante eksempler, hjælper AI med at inkorporere forretningsspecifik logik og reagere effektivt på ofte stillede spørgsmål. Denne funktionalitet muliggør finjustering af individuelle datakilder og sikrer generering af mere nøjagtige SQL- eller KQL-forespørgsler.

Semantiske power BI-modeldata understøtter ikke tilføjelse af eksempelforespørgsels-/spørgsmålspar på nuværende tidspunkt. For understøttede datakilder, f.eks. lakehouse-, lager- og KQL-databaser, kan yderligere eksempler dog forbedre AI'ens mulighed for at generere præcise forespørgsler, når standardydeevnen skal justeres.

Drikkepenge

Et alsidigt sæt eksempelforespørgsler forbedrer muligheden for en AI-færdighed for at generere nøjagtige og relevante SQL/KQL-forespørgsler. Hvis du vil tilføje eller redigere eksempelforespørgsler, skal du vælge knappen Eksempelforespørgsler for at åbne ruden med eksempelforespørgsler som vist på følgende skærmbillede:

Denne rude indeholder indstillinger til at tilføje eller redigere eksempelforespørgsler for alle understøttede datakilder undtagen semantiske Power BI-modeller. For hver datakilde kan du vælge Tilføj eller rediger eksempelforespørgsler for at angive de relevante eksempler, som vist på følgende skærmbillede:

Bemærk

AI-færdighederne refererer kun til forespørgsler, der indeholder gyldig SQL/KQL-syntaks, og som svarer til skemaet for de valgte tabeller. AI-færdighederne bruger ikke forespørgsler, der ikke har fuldført valideringen. Sørg for, at alle eksempelforespørgsler er gyldige og justeret korrekt i forhold til skemaet for at sikre, at AI-færdighederne udnytter dem effektivt.

Når du har testet ydeevnen af dine AI-færdigheder på tværs af forskellige spørgsmål, og du har bekræftet, at den genererer nøjagtige SQL-, DAX- eller KQL-forespørgsler, kan du dele den med dine kolleger. På det tidspunkt skal du vælge Publicersom vist på følgende skærmbillede:

Dette trin åbner et vindue, hvor du bliver bedt om at få en beskrivelse af AI-færdigheden. Her kan du angive en detaljeret beskrivelse af, hvad AI-færdighederne gør. Disse oplysninger guider dine kolleger om funktionaliteten af AI-funktionaliteten og hjælper andre AI-systemer/orkestrere med effektivt at aktivere denne AI-færdighed.