다음을 통해 공유


AI 기술을 만드세요 (미리 보기)

Microsoft Fabric AI 기술을 사용하면 Lakehouses, 웨어하우스, Power BI 의미 체계 모델 및 Fabric의 KQL 데이터베이스에 저장된 데이터에 대한 질문에 대답하는 대화형 AI 환경을 만들 수 있습니다. 데이터 인사이트에 액세스할 수 있게 됩니다. 동료는 AI 전문가가 아니거나 데이터에 깊이 익숙하지 않더라도 일반 영어로 질문을 하고 데이터 기반 답변을 받을 수 있습니다.

Important

이 기능은 프리뷰로 제공됩니다.

필수 조건

패브릭에서 AI 기술을 만들고 소비하기 위한 엔드 투 엔드 흐름

이 섹션에서는 패브릭에서 AI 기술을 만들고, 유효성을 검사하고, 공유하는 주요 단계를 간략하게 설명하여 사용할 수 있도록 합니다.

이 프로세스는 간단하며 몇 분 안에 AI 기술 리소스 테스트를 시작할 수 있습니다.

새 AI 기술 만들기

새 AI 기술을 만들려면 먼저 작업 영역으로 이동한 다음 + 새 항목 단추를 선택합니다. 이 스크린샷과 같이 모든 항목 탭에서 AI 기술 검색하여 적절한 옵션을 찾습니다.

AI 기술 만들기를 보여 주는 스크린샷.

선택하면 다음 스크린샷과 같이 AI 기술의 이름을 입력하라는 메시지가 표시됩니다.

AI 기술의 이름을 제공하는 방법을 보여 주는 스크린샷

AI 기술 이름 지정에 대한 시각적 가이드는 제공된 스크린샷을 참조하세요. 이름을 입력한 후 구성을 진행하여 AI 기술을 특정 요구 사항에 맞춥니다.

데이터 선택

AI 기술을 만든 후에는 레이크하우스, 웨어하우스, Power BI 의미 체계 모델 및 KQL 데이터베이스를 포함하여 최대 5개의 데이터 원본을 조합하여 추가할 수 있습니다. 예를 들어 Power BI 의미 체계 모델 5개 또는 Power BI 의미 체계 모델 2개, 레이크하우스 1개, KQL 데이터베이스 1개를 추가할 수 있습니다.

처음으로 AI 기술을 만들고 이름을 입력하면 OneLake 카탈로그가 자동으로 표시되어 데이터 원본을 추가할 수 있습니다. 데이터 원본을 추가하려면 다음 화면에 표시된 대로 카탈로그에서 데이터 원본을 선택한 다음 추가를 선택합니다. 각 데이터 원본은 개별적으로 추가해야 합니다. 예를 들어, lakehouse를 추가한 후 을 선택하고을 추가한 다음, 다른 데이터 원본을 계속 추가할 수 있습니다. 데이터 원본 형식을 필터링하려면 필터 아이콘을 선택한 다음 원하는 형식을 선택합니다. 선택한 형식의 데이터 원본만 볼 수 있으므로 AI 기술에 적합한 원본을 더 쉽게 찾고 연결할 수 있습니다.

데이터 원본을 추가하면 AI 기술 페이지의 왼쪽 창에 있는 탐색기 선택한 각 데이터 원본에서 사용 가능한 테이블로 채워집니다. 여기에서 확인란을 사용하여 다음 스크린샷과 같이 AI에서 테이블을 사용하거나 사용할 수 없게 만들 수 있습니다.

데이터 원본을 추가하는 방법을 보여 주는 스크린샷

참고 항목

POWER BI 의미 체계 모델을 AI 기술에 데이터 원본으로 추가하려면 읽기/쓰기 권한이 필요합니다.

이후에 데이터 원본을 추가하려면 AI 기술 페이지의 왼쪽 창에 있는 탐색기 이동하여 다음 스크린샷에 표시된 대로 + 데이터 원본선택합니다.

데이터 원본을 추가하는 방법을 보여 주는 스크린샷

OneLake 카탈로그가 다시 열리고 필요에 따라 더 많은 데이터 원본을 원활하게 추가할 수 있습니다.

테이블과 열 모두에 설명이 포함된 이름을 사용해야 합니다. SalesData 테이블은 TableA것보다 더 의미가 있으며 ActiveCustomer 또는 IsCustomerActive 같은 열 이름은 C1 또는 ActCu보다 명확합니다. 설명이 포함된 이름은 AI가 보다 정확하고 신뢰할 수 있는 쿼리를 생성하는 데 도움이 됩니다.

질문하기

데이터 원본을 추가하고 각 데이터 원본에 대한 관련 테이블을 선택하면 질문을 시작할 수 있습니다. 시스템은 다음 스크린샷에 표시된 대로 질문을 처리합니다.

AI 기술에 대한 질문을 보여 주는 스크린샷.

이러한 예제와 유사한 질문도 작동해야 합니다.

  • "2023년 캘리포니아에서의 총 매출은 어땠나요?"
  • "가장 높은 정가를 가진 상위 5개 제품은 무엇이며 해당 범주는 무엇인가요?"
  • "판매된 적이 없는 가장 비싼 품목은 무엇인가요?"

이러한 형식에 대한 질문은 시스템에서 구조화된 쿼리(T-SQL, DAX 또는 KQL)로 변환하고 데이터베이스에 대해 실행한 다음 저장된 데이터를 기반으로 구체적인 답변을 반환할 수 있기 때문에 적합합니다.

그러나 다음 항목들은 범위에 포함되지 않습니다.

  • "2024년 2분기 공장 생산성이 낮은 이유는 무엇인가요?"
  • "판매 급증의 근본 원인은 무엇인가요?"

이러한 질문은 복잡한 추론, 상관 관계 분석 또는 데이터베이스에서 직접 사용할 수 없는 외부 요소가 필요하기 때문에 현재 범위를 벗어났습니다. AI 기술은 현재 고급 분석, 기계 학습 또는 인과 관계 유추를 수행하지 않습니다. 단순히 사용자의 쿼리에 따라 구조화된 데이터를 검색하고 처리합니다.

질문할 때 AI 기술은 Azure OpenAI Assistant API를 사용하여 요청을 처리합니다. 흐름은 다음과 같이 작동합니다.

사용자 자격 증명을 사용하여 스키마 액세스

시스템은 먼저 사용자의 자격 증명을 사용하여 데이터 원본의 스키마(예: lakehouse, warehouse, PBI 의미 체계 모델 또는 KQL 데이터베이스)에 액세스합니다. 이렇게 하면 시스템에서 사용자가 볼 수 있는 권한이 있는 데이터 구조 정보를 가져옵니다.

프롬프트 생성

사용자의 질문을 해석하기 위해 시스템은 다음을 결합합니다.

  1. 사용자 쿼리: 사용자가 제공하는 자연어 질문입니다.
  2. 스키마 정보: 이전 단계에서 검색된 데이터 원본의 메타데이터 및 구조적 세부 정보입니다.
  3. 예제 및 지침: 미리 정의된 예제(예: 샘플 질문 및 답변) 또는 AI 기술을 설정할 때 제공되는 특정 지침입니다. 이러한 예제와 지침은 질문에 대한 AI의 이해를 구체화하고 AI가 데이터와 상호 작용하는 방법을 안내하는 데 도움이 됩니다.

이 모든 정보는 프롬프트를 생성하는 데 사용됩니다. 이 프롬프트는 AI 기술의 기본 에이전트로 작동하는 Azure OpenAI Assistant API에 대한 입력 역할을 합니다. 이는 기본적으로 쿼리를 처리하는 방법과 생성할 답변 유형에 대한 AI 기술을 지시합니다.

쿼리 요구 사항에 따라 도구 호출

에이전트는 생성된 프롬프트를 분석하고 응답을 검색하기 위해 호출할 도구를 결정합니다.

  • NL2SQL(자연어- SQL): 데이터가 레이크하우스 또는 웨어하우스에 있을 때 SQL 쿼리를 생성하는 데 사용됩니다.
  • NL2DAX(Natural Language to DAX): Power BI 데이터 원본에서 의미 체계 모델과 상호 작용하는 DAX 쿼리를 만드는 데 사용됩니다.
  • NL2KQL(Natural Language to KQL): KQL 데이터베이스에서 데이터를 쿼리하는 KQL 쿼리를 생성하는 데 사용됩니다.

선택한 도구는 AI 기술의 기반이 되는 에이전트가 제공하는 스키마, 메타데이터 및 컨텍스트를 사용하여 쿼리를 생성합니다. 그런 다음 도구는 쿼리의 유효성을 검사하여 적절한 형식 지정 및 보안 프로토콜 및 자체 RAI(책임 있는 AI) 정책을 준수합니다.

응답 생성

AI 기술의 기본 에이전트는 쿼리를 실행하고 응답이 적절하게 구조화되고 형식이 지정되도록 합니다. 에이전트는 종종 사용자에게 친숙한 답변을 만들기 위한 추가 컨텍스트를 포함합니다. 마지막으로 다음 스크린샷과 같이 대화형 인터페이스에서 사용자에게 답변이 표시됩니다.

AI 기술로 질문에 대한 답변을 보여 주는 스크린샷

에이전트는 AI 기술이 최종 답변을 검색하기 위해 수행한 결과와 중간 단계를 모두 제공합니다. 이 방법은 투명성을 향상시키고 필요한 경우 해당 단계의 유효성을 검사할 수 있도록 합니다. 사용자는 다음 스크린샷과 같이 AI 기술이 답변을 검색하는 데 걸린 모든 단계를 보기 위한 단계에 대한 드롭다운을 확장할 수 있습니다.

AI 기술에서 수행한 단계를 보여 주는 스크린샷

또한 AI 기술은 해당 데이터 원본을 쿼리하는 데 사용되는 생성된 코드를 제공하여 응답이 생성된 방법에 대한 추가 인사이트를 제공합니다.

이러한 쿼리는 데이터 쿼리 전용으로 설계되었습니다. 관련된 작업

  • 데이터 만들기
  • 데이터 업데이트
  • 데이터 삭제
  • 모든 유형의 데이터 변경

데이터의 무결성을 보호하기 위해 허용되지 않는 것이 있습니다.

언제든지 다음 스크린샷과 같이 채팅 지우기 단추를 선택하여 채팅을 지울 수 있습니다.

스크린샷으로 채팅 지우기 기능 강조 표시

채팅 지우기 기능은 모든 채팅 기록을 지우고 새 세션을 시작합니다. 채팅 기록을 삭제한 후에는 검색할 수 없습니다.

데이터 원본 변경

데이터 원본을 제거하려면 세 개의 점 메뉴가 나타날 때까지 AI 기술 페이지의 왼쪽 창에 있는 탐색기 데이터 원본 이름을 마우스로 가리킵니다. 세 개의 점을 선택하여 옵션을 표시한 다음, 제거 선택하여 다음 스크린샷과 같이 데이터 원본을 삭제합니다.

데이터 원본을 삭제하거나 새로 고치는 방법을 보여 주는 스크린샷

또는 데이터 원본이 변경된 경우 다음 스크린샷과 같이 동일한 메뉴 내에서 새로 고침 선택할 수 있습니다.

데이터 원본을 새로 고치는 방법을 보여 주는 스크린샷

이렇게 하면 AI 기술을 최신 데이터와 동기화하기 위해 모든 데이터 원본 업데이트가 탐색기에 반영되고 올바르게 채워집니다.

AI 기술 구성

AI 기술은 사용자가 조직의 요구 사항에 더 잘 맞게 AI 기술 동작을 사용자 지정할 수 있는 몇 가지 구성 옵션을 제공합니다. AI 기술이 데이터를 처리하고 제공함에 따라 이러한 구성은 결과를 보다 세부적으로 제어할 수 있는 유연성을 제공합니다.

지침 제공

AI의 동작을 안내하는 구체적인 지침을 제공할 수 있습니다. 추가하려면 다음 스크린샷과 같이 "AI 지침"을 선택합니다.

AI 지침 단추를 선택하는 스크린샷

다음 스크린샷과 같이 AI 지침 창이 열립니다.

AI에 제공하는 지침을 편집할 수 있는 위치를 보여 주는 스크린샷

여기서는 일반 영어 텍스트로 최대 15,000자를 작성하여 AI에 쿼리를 처리하는 방법을 지시할 수 있습니다.

예를 들어 특정 유형의 질문에 사용할 정확한 데이터 원본을 지정할 수 있습니다. 데이터 원본 선택 예에는 AI가 사용하도록 지시하는 작업이 포함될 수 있습니다.

  • 재무 쿼리에 대한 Power BI 의미 체계 모델
  • 판매 데이터를 위한 레이크하우스
  • 운영 메트릭에 대한 KQL 데이터베이스

이러한 지침은 AI가 지침 및 질문의 컨텍스트에 따라 SQL, DAX 또는 KQL에 관계없이 적절한 쿼리를 생성하도록 합니다.

AI 리소스가 특정 단어, 약어 또는 용어를 일관되게 잘못 해석하는 경우 이 섹션에서 명확한 정의를 제공하여 AI가 이를 올바르게 이해하고 처리하도록 할 수 있습니다. 이는 도메인별 용어 또는 고유한 비즈니스 전문 용어에 특히 유용합니다.

이러한 지침을 조정하고 용어를 정의하면 데이터 전략 및 비즈니스 요구 사항에 완전히 부합하여 정확하고 관련 있는 인사이트를 제공하는 AI의 기능을 향상시킵니다.

예제 쿼리 제공

레이크하우스, 웨어하우스 및 KQL 데이터베이스와 같은 각 데이터 원본에 맞게 조정된 예제 쿼리를 제공할 때 AI 기술 응답의 정확도를 향상시킬 수 있습니다. 생성 AI에서 Few-Shot 학습로 알려진 이 접근 방식은 AI 기술을 안내하여 예상에 더 잘 부합하는 응답을 생성하는 데 도움이 됩니다.

AI에 샘플 쿼리/질문 쌍을 제공하는 경우 향후 질문에 대답할 때 이러한 예제를 참조합니다. 가장 관련성이 큰 예제에 새 쿼리를 일치시키는 것은 AI가 비즈니스별 논리를 통합하고 일반적으로 묻는 질문에 효과적으로 응답하는 데 도움이 됩니다. 이 기능을 사용하면 개별 데이터 원본을 미세 조정할 수 있으며 보다 정확한 SQL 또는 KQL 쿼리를 생성할 수 있습니다.

Power BI 의미 체계 모델 데이터는 현재 샘플 쿼리/질문 쌍 추가를 지원하지 않습니다. 그러나 Lakehouse, Warehouse 및 KQL 데이터베이스와 같은 지원되는 데이터 원본의 경우 더 많은 예제를 제공하면 기본 성능을 조정해야 할 때 AI가 정확한 쿼리를 생성하는 기능을 크게 향상시킬 수 있습니다.

다양한 예제 쿼리 집합은 정확하고 관련 있는 SQL/KQL 쿼리를 생성하는 AI 기술의 기능을 향상시킵니다. 예제 쿼리를 추가하거나 편집하려면 다음 스크린샷과 같이 예제 쿼리 단추를 선택하여 예제 쿼리 창을 엽니다.

AI에 제공하는 예제를 편집할 수 있는 위치를 보여 주는 스크린샷

이 창에서는 Power BI 의미 체계 모델을 제외한 지원되는 모든 데이터 원본에 대한 예제 쿼리를 추가하거나 편집하는 옵션을 제공합니다. 각 데이터 원본에 대해 다음 스크린샷과 같이 추가 또는 편집 예제 쿼리 선택하여 관련 예제를 입력할 수 있습니다.

AI에 제공하는 SQL 예제를 보여 주는 스크린샷

참고 항목

AI 기술은 유효한 SQL/KQL 구문을 포함하고 선택한 테이블의 스키마와 일치하는 쿼리만 참조합니다. AI 기술은 유효성 검사를 완료하지 않은 쿼리를 사용하지 않습니다. 모든 예제 쿼리가 유효하고 스키마와 올바르게 정렬되어 있는지 확인하여 AI 기술이 이를 효과적으로 활용하도록 합니다.

AI 기술 게시 및 공유

다양한 질문에서 AI 기술의 성능을 테스트하고 정확한 SQL, DAX 또는 KQL 쿼리를 생성하는지 확인한 후 동료와 공유할 수 있습니다. 이때 다음 스크린샷과 같이 게시을 선택합니다.

AI 기술 공개를 보여 주는 스크린샷

이 단계에서는 AI 기술에 대한 설명을 요청하는 창을 엽니다. 여기서는 AI 기술이 수행하는 일에 대한 자세한 설명을 제공합니다. 이러한 세부 정보는 동료에게 AI 기술의 기능에 대해 안내하고 다른 AI 시스템/오케스트레이터가 해당 AI 기술을 효과적으로 호출할 수 있도록 지원합니다.

AI 기술을 게시하면 두 가지 버전이 제공됩니다. 한 가지 버전은 현재 초안 버전으로, 계속 구체화하고 개선할 수 있습니다. 두 번째 버전은 게시된 버전으로, AI 기술을 쿼리하여 질문에 대한 답변을 얻고자 하는 동료와 공유할 수 있습니다. 개발하면서 동료의 피드백을 현재 초안 버전에 통합하여 AI 기술의 성능을 더욱 향상시킬 수 있습니다.