Creación de una habilidad de IA (versión preliminar)
Con una habilidad de IA de Microsoft Fabric es posible crear experiencias de IA conversacional que respondan a preguntas sobre los datos almacenados en almacenes de lago, almacenes, modelos semánticos de Power BI y bases de datos KQL en Fabric. La información se hace accesible. Sus compañeros pueden formular preguntas en inglés sin formato y recibir respuestas controladas por datos, incluso si no son expertos en inteligencia artificial o están profundamente familiarizados con los datos.
Importante
Esta característica se encuentra en versión preliminar.
Requisitos previos
- Un recurso de capacidad de Fabric de pago F64 o superior
- El conmutador de inquilino de aptitudes de IA está habilitado.
- El conmutador del inquilino de Copilot está habilitado.
- El procesamiento entre ubicaciones geográficas para IA está habilitado.
- El almacenamiento entre ubicaciones geográficas para IA está habilitado.
- Un almacén, almacén de lago, los modelos semánticos de Power BI y las bases de datos KQL con datos.
- Los modelos semánticos de Power BI mediante el cambio de inquilino en los puntos de conexión XMLA están habilitados para orígenes de datos del modelo semántico de Power BI.
Flujo de un extremo a otro para crear y consumir habilidades de IA en Fabric
En esta sección se describen los pasos clave para crear, validar y compartir una aptitud de IA en Fabric, lo que hace que sea accesible para su consumo.
El proceso es sencillo y se puede empezar a probar los recursos de habilidades de IA en cuestión de minutos.
Creación de una nueva habilidad de IA
Para crear una nueva aptitud de IA, vaya primero al área de trabajo y, a continuación, seleccione el botón + Nuevo elemento. En la pestaña Todos los elementos, busque habilidad de IA para buscar la opción adecuada, tal y como se muestra en esta captura de pantalla:
Se le pedirá que proporcione un nombre para su habilidad de IA una vez seleccionado, como se muestra en esta captura de pantalla.
Consulte la captura de pantalla proporcionada para obtener una guía visual sobre cómo asignar un nombre a la aptitud de IA. Después de escribir el nombre, continúe con la configuración para alinear la aptitud de IA con sus requisitos específicos.
Seleccione los datos
Después de crear una habilidad de IA, puedes agregar hasta cinco orígenes de datos, incluidos lakehouses, almacenes, modelos semánticos de Power BI y bases de datos KQL en cualquier combinación. Por ejemplo, podría agregar cinco modelos semánticos de Power BI o dos modelos semánticos de Power BI, un lago y una base de datos KQL.
Al crear una aptitud de inteligencia artificial por primera vez y proporcionar un nombre, aparece automáticamente el catálogo de OneLake, lo que le permite agregar orígenes de datos. Para agregar un origen de datos, selecciónelo en el catálogo como se muestra en la pantalla siguiente y, a continuación, seleccione Agregar. Cada origen de datos debe agregarse individualmente. Por ejemplo: añada un almacén de lago, seleccione Agregar y, a continuación, proceda a agregar otro origen de datos. Para filtrar los tipos de origen de datos, seleccione el icono de filtro y, a continuación, seleccione el tipo deseado. Solo puede ver las fuentes de datos del tipo seleccionado, lo que facilita la localización y conexión de las fuentes adecuadas para la habilidad de IA.
Una vez agregado el origen de datos, el Explorer en el panel izquierdo de la página de aptitudes de IA se rellena con las tablas disponibles en cada origen de datos seleccionado, donde puede usar las casillas para que las tablas estén disponibles o no estén disponibles para la inteligencia artificial, como se muestra en la captura de pantalla siguiente:
Nota
Necesita permiso de lectura y escritura para agregar un modelo semántico de Power BI como origen de datos a la aptitud de inteligencia artificial.
Para las siguientes adiciones de orígenes de datos, vaya al Explorer en el panel izquierdo de la página de aptitudes de IA y seleccione + Origen de datos, como se muestra en esta captura de pantalla:
El catálogo de OneLake se abre de nuevo y puede agregar sin problemas más orígenes de datos según sea necesario.
Sugerencia
Asegúrese de usar nombres descriptivos para las tablas y columnas. Una tabla denominada SalesData
es más significativa que TableA
y los nombres de columna como ActiveCustomer
o IsCustomerActive
son más claros que C1
o ActCu
. Los nombres descriptivos ayudan a la inteligencia artificial a generar consultas más precisas y confiables.
Realizar preguntas
Después de agregar los orígenes de datos y seleccionar las tablas pertinentes para cada origen de datos, puede empezar a formular preguntas. El sistema controla las preguntas como se muestra en esta captura de pantalla:
Las preguntas similares a estos ejemplos también deben funcionar:
- "¿Cuáles fueron nuestras ventas totales en California en 2023?"
- "¿Cuáles son los 5 principales productos con los precios más altos de la lista y cuáles son sus categorías?"
- "¿Cuáles son los artículos más caros que nunca se llegaron a vender?"
Las preguntas de estos tipos son adecuadas porque el sistema puede traducirlas en consultas estructuradas (T-SQL, DAX o KQL), ejecutarlas en bases de datos y, a continuación, devolver respuestas concretas basadas en datos almacenados.
Sin embargo, estos están fuera del ámbito:
- "¿Por qué la productividad de fábrica es menor en el segundo trimestre de 2024?"
- "¿Cuál es la causa principal del pico de ventas?"
Estas preguntas están actualmente fuera del ámbito porque requieren razonamiento complejo, análisis de correlación o factores externos que no están disponibles directamente en la base de datos. Actualmente, la aptitud de inteligencia artificial no realiza análisis avanzados, aprendizaje automático ni inferencia causal. Simplemente recupera y procesa datos estructurados en función de la consulta del usuario.
Al formular una pregunta, la aptitud de inteligencia artificial usa la API del asistente de Azure OpenAI para procesar la solicitud. El flujo funciona de esta manera:
Acceso de esquema con credenciales de usuario
El sistema usa primero las credenciales del usuario para acceder al esquema del origen de datos (por ejemplo, lakehouse, warehouse, modelo semántico PBI o bases de datos KQL). Esto garantiza que el sistema captura información de la estructura de datos que el usuario tiene permiso para ver.
Construcción de la indicación
Para interpretar la pregunta del usuario, el sistema combina:
- Consulta de usuario: la pregunta del lenguaje natural proporcionada por el usuario.
- Información de esquema: metadatos y detalles estructurales del origen de datos recuperado en el paso anterior.
- Ejemplos e instrucciones: cualquier ejemplo predefinido (por ejemplo, preguntas y respuestas de ejemplo) o instrucciones específicas proporcionadas al configurar la aptitud de inteligencia artificial. Estos ejemplos e instrucciones ayudan a refinar la comprensión de la inteligencia artificial de la pregunta y a guiar cómo interactúa la inteligencia artificial con los datos.
Toda esta información se usa para construir una instrucción. Este mensaje sirve como entrada para la API del asistente de Azure OpenAI, que se comporta como un agente que sustenta la capacidad de inteligencia artificial. Esto básicamente instruye a la inteligencia artificial sobre cómo procesar la consulta y el tipo de respuesta a producir.
Invocación de herramientas en función de las necesidades de consulta
El agente analiza la indicación construida y decide qué herramienta invocar para obtener la respuesta.
- Lenguaje Natural a SQL (NL2SQL): se usa para generar consultas SQL cuando los datos residen en un almacén de lago o un almacén
- De lenguaje natural a DAX (NL2DAX): se usa para crear consultas DAX para interactuar con modelos semánticos en orígenes de datos de Power BI
- Lenguaje natural a KQL (NL2KQL): se usa para construir consultas KQL y acceder a datos en bases de datos KQL
La herramienta seleccionada genera una consulta mediante el esquema, los metadatos y el contexto que proporciona el agente subyacente a la aptitud de IA. A continuación, la herramienta valida la consulta para garantizar el formato y el cumplimiento adecuados con sus protocolos de seguridad y sus propias directivas de IA responsable (RAI).
Elaboración de respuestas
El agente subyacente a la aptitud de inteligencia artificial ejecuta la consulta y garantiza que la respuesta está estructurada y con el formato adecuado. El agente suele incluir contexto adicional para que la respuesta sea fácil de usar. Por último, la respuesta se muestra al usuario en una interfaz conversacional, como se muestra en la captura de pantalla siguiente:
El agente presenta tanto el resultado como los pasos intermedios que tomó la aptitud de IA para recuperar la respuesta final. Este enfoque mejora la transparencia y permite la validación de esos pasos, si es necesario. Los usuarios pueden expandir la lista desplegable de los pasos para ver todos los pasos que tomó la aptitud de IA para recuperar la respuesta, como se muestra en la captura de pantalla siguiente:
Además, la aptitud de inteligencia artificial proporciona el código generado que se usa para consultar el origen de datos correspondiente, lo que ofrece más información sobre cómo se construyó la respuesta.
Estas consultas están diseñadas exclusivamente para consultar datos. Operaciones que implican
- creación de datos
- actualizaciones de datos
- eliminaciones de datos
- cualquier tipo de cambio de datos
no están permitidos para proteger la integridad de tus datos.
En cualquier momento, es posible seleccionar el botón Borrar chat para borrar el chat, tal y como se muestra en la siguiente captura de pantalla:
La característica Borrar chat borra todo el historial de chat e inicia una nueva sesión. Una vez que elimine el historial de chats, no podrá recuperarlo.
Cambiar el origen de datos
Para quitar un origen de datos, mantenga el puntero sobre el nombre del origen de datos en el explorador de en el panel izquierdo de la página de aptitudes de IA hasta que aparezca el menú de tres puntos. Seleccione los tres puntos para mostrar las opciones y, a continuación, seleccione Quitar para eliminar el origen de datos, como se muestra en la captura de pantalla siguiente:
Como alternativa, si el origen de datos ha cambiado, puede seleccionar Actualizar en el mismo menú, como se muestra en la captura de pantalla siguiente:
Esto asegura que las actualizaciones de la fuente de datos se reflejen y rellenen correctamente en el explorador, para mantener la habilidad de IA sincronizada con los datos más recientes.
Configuración de la habilidad de IA
La aptitud de IA ofrece varias opciones de configuración que permiten a los usuarios personalizar el comportamiento de las aptitudes de inteligencia artificial para satisfacer mejor las necesidades de su organización. A medida que la aptitud de inteligencia artificial procesa y presenta datos, estas configuraciones ofrecen flexibilidad que permite un mayor control sobre los resultados.
Proporcionar instrucciones
Puede proporcionar instrucciones específicas para guiar el comportamiento de la inteligencia artificial. Para agregarlos, seleccione instrucciones de IA, tal y como se muestra en la captura de pantalla siguiente:
Se abre el panel de instrucciones de IA, como se muestra en esta captura de pantalla:
Aquí, puede escribir hasta 15 000 caracteres en texto en inglés sin formato para indicar a la inteligencia artificial cómo controlar las consultas.
Por ejemplo, puede especificar el origen de datos exacto que se va a usar para determinados tipos de preguntas. Algunos ejemplos de opciones de origen de datos podrían implicar dirigir la inteligencia artificial a utilizar
- Modelos semánticos de Power BI para consultas financieras
- un almacén de lago para datos de ventas
- una base de datos KQL para métricas operativas
Estas instrucciones garantizan que la inteligencia artificial genere consultas adecuadas, ya sean SQL, DAX o KQL, en función de las instrucciones y el contexto de las preguntas.
Si el recurso de inteligencia artificial interpreta erróneamente de forma constante ciertas palabras, acrónimos o términos, puede proporcionarles definiciones claras en esta sección para asegurarse de que la inteligencia artificial los entienda y procese correctamente. Esto resulta especialmente útil para la terminología específica del dominio o la jerga empresarial única.
Al adaptar estas instrucciones y definir términos, mejora la capacidad de la inteligencia artificial para ofrecer información precisa y relevante, en consonancia con la estrategia de datos y los requisitos empresariales.
Proporcionar consultas de ejemplo
Mejore la precisión de las respuestas de las habilidades de IA al proporcionar consultas de ejemplo adaptadas a cada origen de datos, como almacenes de lago, almacenes y bases de datos KQL. Este enfoque, conocido como Few-Shot Learning en la inteligencia artificial generativa, ayuda a guiar la aptitud de inteligencia artificial para generar respuestas que se adapten mejor a sus expectativas.
Cuando proporcionas a la inteligencia artificial pares de consultas y preguntas de ejemplo, ésta hace referencia a estos ejemplos al responder a preguntas futuras. La coincidencia de nuevas consultas con los ejemplos más relevantes ayuda a la inteligencia artificial a incorporar lógica específica del negocio y responder eficazmente a las preguntas más frecuentes. Esta funcionalidad permite ajustar los orígenes de datos individuales y garantiza la generación de consultas SQL o KQL más precisas.
Los datos del modelo semántico de Power BI no admiten la adición de pares de consulta o pregunta de ejemplo en este momento. Sin embargo, para los orígenes de datos admitidos, como lakehouse, warehouse y KQL, proporcionar más ejemplos puede mejorar significativamente la capacidad de la inteligencia artificial para generar consultas precisas cuando su rendimiento predeterminado necesita ajuste.
Sugerencia
Un conjunto diverso de consultas de ejemplo mejora la capacidad de una aptitud de inteligencia artificial para generar consultas SQL/KQL precisas y pertinentes. Para agregar o editar consultas de ejemplo, seleccione el botón Consultas de ejemplo para abrir el panel de consultas de ejemplo, como se muestra en la captura de pantalla siguiente:
En este panel se proporcionan opciones para agregar o editar consultas de ejemplo para todos los orígenes de datos admitidos, excepto los modelos semánticos de Power BI. Para cada origen de datos, puede seleccionar Agregar o editar consultas de ejemplo para introducir los ejemplos pertinentes, como se muestra en la captura de pantalla siguiente:
Nota
La aptitud de IA solo hace referencia a las consultas que contienen sintaxis válida de SQL/KQL y que coinciden con el esquema de las tablas seleccionadas. La habilidad de IA no usa consultas que no hayan completado su validación. Asegúrese de que todas las consultas de ejemplo son válidas y se alinean correctamente con el esquema para asegurarse de que la aptitud de inteligencia artificial las utiliza de forma eficaz.
Publicación y uso compartido de una aptitud de inteligencia artificial
Después de probar el rendimiento de la aptitud de inteligencia artificial en varias preguntas y confirmar que genera consultas SQL, DAX o KQL precisas, puede compartirla con sus compañeros. En ese momento, seleccione Publicar, como se muestra en la captura de pantalla siguiente:
Este paso abre una ventana que solicita una descripción de la aptitud de inteligencia artificial. Aquí, proporcione una descripción detallada de lo que hace la aptitud de inteligencia artificial. Estos detalles guían a sus compañeros sobre la funcionalidad de la aptitud de inteligencia artificial y ayudan a otros sistemas o orquestadores de inteligencia artificial a invocar eficazmente esa aptitud de inteligencia artificial.
Después de publicar la habilidad de IA, tendrá dos versiones de ella. Una es el borrador actual, que puede seguir refinando y mejorando. La segunda versión es la versión publicada, que puede compartir con sus compañeros que desean consultar la aptitud de inteligencia artificial para obtener respuestas a sus preguntas. Puede incorporar comentarios de sus compañeros a la versión actual del borrador a medida que lo desarrolle, para mejorar aún más el rendimiento de la aptitud de inteligencia artificial.