다음을 통해 공유


Power BI Desktop에서 AI Insights 사용

Power BI에서 AI Insights를 사용하여 데이터 준비 노력을 향상시키는 미리 학습된 기계 학습 모델 컬렉션에 액세스할 수 있습니다. 파워 쿼리 편집기에서 AI Insights에 액세스할 수 있습니다. 열 추가 탭을 통해 파워 쿼리 편집기에서 관련 기능과 함수를 찾을 수 있습니다.

열 추가 탭의 AI Insights 스크린샷.

이 문서에서는 Azure Cognitive Services의 Text Analytics 및 Vision 함수에 대한 함수를 설명합니다. 또한 이 문서에는 Azure Machine Learning에서 Power BI에서 사용할 수 있는 사용자 지정 함수를 설명하는 섹션이 있습니다.

Text Analytics 및 Vision 사용

Power BI의 Text Analytics 및 Vision을 사용하면 Azure Cognitive Services 다양한 알고리즘을 적용하여 파워 쿼리에서 데이터를 보강할 수 있습니다.

현재 지원되는 서비스는 다음과 같습니다.

변환은 Power BI 서비스에서 실행되며 Azure Cognitive Services 구독이 필요하지 않습니다.

중요하다

Text Analytics 또는 Vision 기능을 사용하려면 Power BI Premium이 필요합니다.

프리미엄 용량에서 Text Analytics 및 Vision 사용

Cognitive Services는 더 많은 리소스가 있는 프리미엄 용량 노드 EM2, A2 또는 P1 및 기타 노드에 대해 지원됩니다. 용량에 대한 별도의 AI 워크로드는 Cognitive Services를 실행하는 데 사용됩니다. Power BI에서 Cognitive Services를 사용하려면 먼저 관리 포털의 용량 설정에서 AI 워크로드를 사용하도록 설정해야 합니다. 워크로드 섹션에서 AI 워크로드 켜고 이 워크로드에서 사용할 최대 메모리 양을 정의할 수 있습니다. 권장되는 메모리 제한은 20%. 이 제한을 초과하면 쿼리 속도가 느려집니다.

사용 가능한 함수

이 섹션에서는 Power BI의 Cognitive Services에서 사용할 수 있는 함수에 대해 설명합니다.

언어 검색

Detect 언어 함수는 텍스트 입력을 평가하고 각 필드에 대해 언어 이름과 ISO 식별자를 반환합니다. 이 함수는 언어를 알 수 없는 임의의 텍스트를 수집하는 데이터 열에 유용합니다. 함수는 입력으로 텍스트 형식의 데이터를 예상합니다.

Text Analytics는 최대 120개 언어를 인식합니다. 자세한 내용은 지원되는 언어 참조하세요.

핵심 구문 추출

핵심 구 추출 함수는 구조화되지 않은 텍스트를 평가하고 각 텍스트 필드에 대해 핵심 구 목록을 반환합니다. 이 함수는 입력으로 텍스트 필드가 필요하며 Language ISO 코드대한 선택적 입력을 허용합니다.

핵심 구 추출은 감정 분석과 반대로, 더 큰 텍스트 조각들을 제공할 때 가장 효과적입니다. 감정 분석은 작은 텍스트 블록에서 더 잘 수행됩니다. 두 작업에서 최상의 결과를 얻으려면 입력을 적절하게 재구성하는 것이 좋습니다.

감정 점수 매기기

감정 점수 매기기 함수는 텍스트 입력을 평가하고 0(음수)에서 1(양수)에 이르는 각 문서에 대한 감정 점수를 반환합니다. 감정 점수 매기기Language ISO 코드대한 선택적 입력도 허용합니다. 이 함수는 소셜 미디어, 고객 리뷰 및 토론 포럼에서 긍정적이고 부정적인 감정을 감지하는 데 유용합니다.

Text Analytics는 기계 학습 분류 알고리즘을 사용하여 0에서 1 사이의 감정 점수를 생성합니다. 점수가 1에 가까울수록 긍정적인 감정을 나타냅니다. 점수가 0에 가까울수록 부정적인 감정을 나타냅니다. 모델은 감정 연결이 있는 광범위한 텍스트 본문으로 미리 학습됩니다. 현재는 사용자 고유의 학습 데이터를 제공할 수 없습니다. 이 모델은 텍스트 처리, 음성 부분 분석, 단어 배치 및 단어 연결을 포함하여 텍스트 분석 중에 기술의 조합을 사용합니다. 알고리즘에 대한 자세한 내용은 Text Analytics소개를 참조하세요.

감정 분석은 텍스트의 특정 엔터티에 대한 감정을 추출하는 것이 아니라 전체 입력 필드에서 수행됩니다. 실제로 문서에 큰 텍스트 블록이 아닌 하나 또는 두 개의 문장이 포함된 경우 점수 매기기 정확도가 향상되는 경향이 있습니다. 객관성 평가 단계에서 모델은 입력 필드 전체가 객관적인지 아니면 감정을 포함하는지를 결정합니다. 대부분 객관적인 입력 필드는 감정 감지 구로 진행되지 않으므로 추가 처리 없이 0.50점의 점수가 발생합니다. 파이프라인에서 계속되는 입력 필드의 경우 다음 단계에서는 입력 필드에서 감지된 감정의 정도에 따라 점수가 0.50보다 크거나 작은 점수를 생성합니다.

현재 감정 분석은 영어, 독일어, 스페인어 및 프랑스어를 지원합니다. 다른 언어는 미리 보기로 제공됩니다. 자세한 내용은 지원되는 언어 참조하세요.

이미지 태그하기

태그 이미지 함수는 2,000개 이상의 인식 가능한 개체, 살아있는 존재, 풍경 및 작업을 기반으로 태그를 반환합니다. 태그가 모호하거나 일반 지식이 아닌 경우 출력은 알려진 설정의 컨텍스트에서 태그의 의미를 명확히 하기 위해 힌트를 제공합니다. 태그는 분류로 구성되지 않으며 상속 계층이 없습니다. 콘텐츠 태그 컬렉션은 전체 문장으로 서식이 지정된 사람이 읽을 수 있는 언어로 표시되는 이미지 설명 기초를 형성합니다.

이미지를 업로드하거나 이미지 URL을 지정한 후 Computer Vision 알고리즘은 이미지에서 식별된 개체, 살아있는 존재 및 작업을 기반으로 태그를 출력합니다. 태그 지정은 전경에 있는 사람과 같은 주요 주제에 국한되지 않고 설정(실내 또는 실외), 가구, 도구, 식물, 동물, 액세서리, 가젯 등을 포함합니다.

이 함수에는 입력으로 이미지 URL 또는 base-64 필드가 필요합니다. 현재 이미지 태그 지정은 영어, 스페인어, 일본어, 포르투갈어 및 중국어 간체를 지원합니다. 자세한 내용은 지원되는 언어 참조하세요.

파워 쿼리에서 Text Analytics 또는 Vision 함수 호출

Text Analytics 또는 Vision 함수를 사용하여 데이터를 보강하려면 파워 쿼리 편집기엽니다. 이 예제에서는 텍스트의 감정 점수 매기기를 안내합니다. 동일한 단계를 사용하여 핵심 구를 추출하고, 언어를 검색하고, 이미지에 태그를 지정할 수 있습니다.

홈 리본 또는 열 추가 리본에서 텍스트 분석 단추를 선택합니다. 그런 다음 프롬프트가 표시되면 로그인합니다.

언어 검색 함수를 보여 주는 텍스트 분석 대화 상자의 스크린샷

로그인한 후 사용할 함수와 팝업 창에서 변환할 데이터 열을 선택합니다.

감정 점수 매기기 함수를 보여 주는 텍스트 분석 대화 상자의 스크린샷

Power BI는 프리미엄 용량을 선택하여 함수를 실행하고 결과를 Power BI Desktop으로 다시 보냅니다. 선택한 용량은 Power BI Desktop에서 애플리케이션 및 새로 고침 중에 Text Analytics 및 Vision 함수에만 사용됩니다. Power BI가 보고서를 게시하면 새로 고침은 보고서가 게시된 작업 영역의 프리미엄 용량에서 실행됩니다. 팝업 창의 왼쪽 아래 모서리에 있는 드롭다운에서 모든 Cognitive Services에 사용되는 용량을 변경할 수 있습니다.

AI Insights에 사용되는 프리미엄 용량을 선택하는 드롭다운 옵션의 스크린샷

언어 ISO 코드 텍스트의 언어를 지정하는 선택적 입력입니다. 열을 입력 또는 정적 필드로 사용할 수 있습니다. 이 예제에서 언어는 전체 열에 대해 영어(en)로 지정됩니다. 이 필드를 비워 두면 함수를 적용하기 전에 Power BI에서 언어를 자동으로 검색합니다. 다음으로, 적용을 선택합니다.

새 데이터 원본에서 AI Insights를 처음 사용할 때 Power BI Desktop은 데이터의 개인 정보 수준을 설정하라는 메시지를 표시합니다.

데이터 개인 정보에 대한 정보가 필요하다는 경고의 스크린샷

메모

Power BI에서 의미 체계 모델을 새로 고치면 개인 정보 수준이 공용 또는 조직으로 설정된 데이터 원본에 대해서만 작동합니다.

함수를 호출하면 결과가 테이블에 새 열로 추가됩니다. 변환은 쿼리에서 적용된 단계로도 추가됩니다.

이미지 태그 지정 및 핵심 구 추출의 경우 결과는 여러 값을 반환할 수 있습니다. 각 개별 결과는 복제된 원래 행에 반환된다.

Text Analytics 또는 Vision 함수를 사용하여 보고서 게시

파워 쿼리에서 편집하고 Power BI Desktop에서 새로 고침을 수행하는 동안 Text Analytics 및 Vision은 파워 쿼리 편집기에서 선택한 프리미엄 용량을 사용합니다. Text Analytics 또는 Vision에서 보고서를 게시한 후 게시된 작업 영역의 프리미엄 용량을 사용합니다.

적용된 Text Analytics 및 Vision 함수가 있는 보고서는 프리미엄 용량에 있는 작업 영역에 게시되어야 합니다. 그렇지 않으면 의미 체계 모델을 새로 고치는 데 실패합니다.

프리미엄 용량에 대한 영향 관리

다음 섹션에서는 Text Analytics 및 Vision이 용량에 미치는 영향을 관리하는 방법을 설명합니다.

용량 선택

보고서 작성자는 AI Insights를 실행할 프리미엄 용량을 선택할 수 있습니다. 기본적으로 Power BI는 사용자가 액세스할 수 있는 첫 번째 생성된 용량을 선택합니다.

용량 메트릭 앱을 사용하여 모니터링

프리미엄 용량 소유자는 Microsoft Fabric 용량 메트릭 앱 Text Analytics 및 Vision 함수가 용량에 미치는 영향을 모니터링할 수 있습니다. 앱은 용량 내의 AI 워크로드 상태에 대한 자세한 메트릭을 제공합니다. 위쪽 차트는 AI 워크로드의 메모리 사용량을 보여 줍니다. 프리미엄 용량 관리자는 용량당 AI 워크로드에 대한 메모리 제한을 설정할 수 있습니다. 메모리 사용량이 메모리 제한에 도달하면 메모리 제한을 늘리거나 일부 작업 영역을 다른 용량으로 이동하는 것이 좋습니다.

파워 쿼리 및 파워 쿼리 온라인 비교

파워 쿼리 및 파워 쿼리 온라인에서 사용되는 Text Analytics 및 Vision 함수는 동일합니다. 환경 간에는 몇 가지 차이점이 있습니다.

  • 파워 쿼리에는 Text Analytics, Vision 및 Azure Machine Learning에 대한 별도의 단추가 있습니다. 파워 쿼리 Online에서 이러한 기능은 한 메뉴에서 결합됩니다.
  • 파워 쿼리에서 보고서 작성자가 함수를 실행하는 데 사용되는 프리미엄 용량을 선택할 수 있습니다. 데이터 흐름이 이미 특정 용량에 있으므로 파워 쿼리 Online에서는 이 선택이 필요하지 않습니다.

Text Analytics의 고려 사항 및 제한 사항

Text Analytics를 사용할 때 유의해야 할 몇 가지 고려 사항 및 제한 사항이 있습니다.

  • 증분 새로 고침은 지원되지만 AI 인사이트가 있는 쿼리에서 사용할 때 성능 문제가 발생할 수 있습니다.
  • 직접 쿼리는 지원되지 않습니다.

Azure Machine Learning 사용

많은 조직에서 비즈니스에 대한 인사이트와 예측을 향상하기 위해 Machine Learning 모델을 사용합니다. 이러한 모델에서 인사이트를 시각화하고 호출하는 기능은 이러한 인사이트를 가장 필요로 하는 비즈니스 사용자에게 전파하는 데 도움이 될 수 있습니다. Power BI를 사용하면 간단한 지점 및 클릭 제스처를 사용하여 Azure Machine Learning에 호스트된 모델의 인사이트를 간단하게 통합할 수 있습니다.

이 기능을 사용하기 위해 데이터 과학자는 Azure Portal을 사용하여 BI 분석가에게 Azure Machine Learning 모델에 대한 액세스 권한을 부여할 수 있습니다. 그런 다음 각 세션이 시작될 때 파워 쿼리는 사용자가 액세스할 수 있는 모든 Azure Machine Learning 모델을 검색하고 동적 파워 쿼리 함수로 노출합니다. 그런 다음 사용자는 파워 쿼리 편집기에서 리본에서 액세스하거나 M 함수를 직접 호출하여 해당 함수를 호출할 수 있습니다. 또한 Power BI는 성능 향상을 위해 행 집합에 대한 Azure Machine Learning 모델을 호출할 때 액세스 요청을 자동으로 일괄 처리합니다.

이 기능은 Power BI Desktop, Power BI 데이터 흐름 및 Power BI 서비스의 파워 쿼리 Online에서 지원됩니다.

데이터 흐름에 대한 자세한 내용은 Power BI 셀프 서비스 데이터 준비를 참조하세요.

Azure Machine Learning에 대한 자세한 내용은 다음 문서를 참조하세요.

Azure Machine Learning 모델에 대한 액세스 권한 부여

Power BI에서 Azure Machine Learning 모델에 액세스하려면 사용자는 Azure 구독에 대한 읽기 권한을 보유해야 합니다. 또한 머신 러닝 작업 공간에 대한 읽기 액세스 권한이 있어야 합니다.

이 섹션의 단계에서는 Power BI 사용자에게 Azure Machine Learning 서비스에서 호스트되는 모델에 대한 액세스 권한을 부여하는 방법을 설명합니다. 이 액세스를 사용하면 이 모델을 파워 쿼리 함수로 사용할 수 있습니다. 자세한 내용은 RBAC 및 Azure Portal 사용하여 액세스 관리참조하세요.

  1. Azure 포털에로그인하세요.
  2. 구독 페이지로 이동합니다. Azure Portal의 왼쪽 탐색 메뉴에서 모든 서비스 목록을 통해 구독 페이지를 찾을 수 있습니다.
  3. 구독을 선택합니다.
  4. 액세스 제어(IAM)선택한 다음 추가 단추를 선택합니다.
  5. 리더을 역할로 선택합니다. Azure Machine Learning 모델에 대한 액세스 권한을 부여할 Power BI 사용자를 선택합니다.
  6. 저장을 선택합니다.
  7. 3~6단계를 반복하여 모델을 호스팅하는 특정 Machine Learning 작업 영역에 대한 사용자에게 읽기 권한자 액세스 권한을 부여합니다.

Machine Learning 모델에 대한 스키마 검색

데이터 과학자는 주로 Python을 사용하여 Machine Learning용 기계 학습 모델을 개발하고 배포하기도 합니다. 데이터 과학자는 Python을 사용하여 스키마 파일을 명시적으로 생성해야 합니다.

이 스키마 파일은 Machine Learning 모델에 대해 배포된 웹 서비스에 포함되어야 합니다. 웹 서비스에 대한 스키마를 자동으로 생성하려면 배포된 모델에 대한 항목 스크립트에 입력/출력 샘플을 제공해야 합니다. 자세한 내용은 Azure Machine Learning 서비스 설명서를 사용하여 배포 모델의(선택 사항) 자동 Swagger 스키마 생성에 대한 하위 섹션을 참조하세요. 링크에는 스키마 생성을 위한 문이 포함된 예제 항목 스크립트가 포함됩니다.

특히 항목 스크립트의 @input_schema@output_schema 함수는 input_sampleoutput_sample 변수의 입력 및 출력 샘플 형식을 참조합니다. 함수는 이러한 샘플을 사용하여 배포 중에 웹 서비스에 대한 OpenAPI(Swagger) 사양을 생성합니다.

항목 스크립트를 업데이트하여 스키마 생성에 대한 이러한 지침은 Azure Machine Learning SDK에서 자동화된 기계 학습 실험을 사용하여 만든 모델에도 적용되어야 합니다.

메모

Azure Machine Learning 시각적 인터페이스를 사용하여 만든 모델은 현재 스키마 생성을 지원하지 않지만 후속 릴리스에서 지원됩니다.

파워 쿼리에서 Azure Machine Learning 모델 호출

파워 쿼리 편집기에서 직접 액세스 권한이 부여된 모든 Azure Machine Learning 모델을 호출할 수 있습니다. Azure Machine Learning 모델에 액세스하려면 파워 쿼리 편집기의 리본 또는 열 추가 리본에서 Azure Machine Learning 단추를 선택합니다.

스크린샷은 파워 쿼리 편집기에서 Azure Machine Learning 단추를 보여줍니다.

액세스 권한이 있는 모든 Azure Machine Learning 모델은 여기에 파워 쿼리 함수로 나열됩니다. 또한 Azure Machine Learning 모델의 입력 매개 변수는 해당 파워 쿼리 함수의 매개 변수로 자동으로 매핑됩니다.

Azure Machine Learning 모델을 호출하려면 선택한 엔터티의 열을 드롭다운의 입력으로 지정할 수 있습니다. 열 아이콘을 입력 대화 상자의 왼쪽으로 전환하여 입력으로 사용할 상수 값을 지정할 수도 있습니다.

Azure Machine Learning 모델 대화 상자의 스크린샷

확인 선택하여 Azure Machine Learning 모델의 출력 미리 보기를 엔터티 테이블의 새 열로 봅니다. 모델 호출은 쿼리에 적용된 단계로 나타납니다.

모델이 여러 출력 매개 변수를 반환하는 경우 출력 열의 레코드로 그룹화됩니다. 열을 확장하여 개별 출력 매개 변수를 별도의 열에 생성할 수 있습니다.

Azure Machine Learning의 고려 사항 및 제한 사항

Power BI Desktop의 Azure Machine Learning에는 다음과 같은 고려 사항과 제한 사항이 적용됩니다.

  • Azure Machine Learning 시각적 인터페이스를 사용하여 만든 모델은 현재 스키마 생성을 지원하지 않습니다. 지원은 후속 릴리스에서 예상됩니다.
  • 증분 새로 고침은 지원되지만 AI 인사이트가 있는 쿼리에서 사용할 때 성능 문제가 발생할 수 있습니다.
  • 직접 쿼리는 지원되지 않습니다.
  • PPU(사용자 단위 Premium) 전용 라이선스를 가진 사용자는 Power BI Desktop의 AI Insights를 사용할 수 없습니다. PPU Premium이 아닌 라이선스를 해당 프리미엄 용량과 함께 사용해야 합니다. Power BI 서비스의 PPU 라이선스로 AI Insights를 계속 사용할 수 있습니다.

이 문서에서는 Machine Learning을 Power BI Desktop에 통합하는 개요를 제공했습니다. 다음 문서는 흥미롭고 유용할 수도 있습니다.