Co nowego i planowanego dla usługi Fabric Nauka o danych w usłudze Microsoft Fabric
Ważne
Plany wydania opisują funkcje, które mogą lub nie zostały jeszcze wydane. Harmonogramy dostarczania i przewidywane funkcje mogą ulec zmianie lub nie mogą być dostarczane. Aby uzyskać więcej informacji, zapoznaj się z zasadami firmy Microsoft.
Usługa Fabric Nauka o danych udostępnia analitykom danych pełny przepływ pracy do tworzenia modeli uczenia maszynowego— od eksploracji po ocenianie modeli. Z perspektywy eksploracji danych analitycy danych mogą używać języków R i Python w notesach oraz wbudowanych narzędzi, takich jak Data Wrangler, w celu łatwej analizy. Użytkownicy mogą śledzić i porównywać eksperymenty i przebiegi modelu z platformą MLFlow. Mogą one zapisywać najlepszy model w obszarze roboczym jako nowy element modelu i łatwo używać funkcji Przewidywanie na potrzeby oceniania wsadowego na dużą skalę. Nauka o danych w usłudze Fabric jest głęboko zintegrowana z resztą stosu, co oznacza, że bezproblemowo ocenia dane w usłudze Lakehouse, zapisuj przewidywania w usłudze OneLake i wizualizuj dane w raportach przy użyciu trybu Direct Lake.
Obszary inwestycyjne
Funkcje sztucznej inteligencji dla wzbogacania i przekształcania tekstu opartego na usłudze LLM [publiczna wersja zapoznawcza]
Szacowana oś czasu wydania: Q4 2024
Typ wydania: publiczna wersja zapoznawcza
Funkcje sztucznej inteligencji w usłudze Fabric umożliwiają użytkownikom notesów bezproblemowe wykonywanie zadań, takich jak podsumowywanie tekstu, tłumaczenie, klasyfikacja, analiza tonacji, korekta gramatyki i nie tylko, zapewniając uproszczony interfejs API dla wspólnych wzbogacenia i ułatwiając użytkownikom stosowanie ich z mniejszą liczbą wierszy kodu. Funkcje będą początkowo dostępne na podstawie ramek danych biblioteki pandas i ostatecznie dostępne za pośrednictwem platform Spark, SQL i innych powierzchni programistycznych w sieci Szkieletowej.
AutoML z małą ilością kodu
Szacowana oś czasu wydania: Q4 2024
Typ wydania: publiczna wersja zapoznawcza
Nasze narzędzie automatycznego uczenia maszynowego o niskim kodzie umożliwia analitykom danych i analitykom łatwe tworzenie modeli uczenia maszynowego bez konieczności rozbudowanego kodowania. Dzięki intuicyjnemu kreatorowi krok po kroku użytkownicy mogą konfigurować i uruchamiać wersje próbne rozwiązania AutoML bezpośrednio z poziomu interfejsu użytkownika.
Integracja umiejętności sztucznej inteligencji z usługą Azure AI Foundry
Szacowana oś czasu wydania: Q1 2025
Typ wydania: publiczna wersja zapoznawcza
Dzięki integracji umiejętności sztucznej inteligencji sieci szkieletowej w narzędziu Azure AI Foundry umiejętności sztucznej inteligencji sieci szkieletowej będą służyć jako źródło wiedzy dla usługi agenta w narzędziu Microsoft Azure AI Foundry. Dzięki temu agent może używać sieci szkieletowej jako centrum danych, wykorzystując szczegółowe informacje dostępne w usłudze Fabric w celu dokładnego i wydajnego odpowiadania na zapytania użytkowników. Łącząc się z umiejętnościami sztucznej inteligencji sieci szkieletowej, agent może pobierać szczegółowe informacje o danych bezpośrednio z sieci szkieletowej, umożliwiając użytkownikom bezproblemową interakcję z danymi sieci szkieletowej i analizowanie ich za pośrednictwem aplikacji sztucznej inteligencji w usłudze Azure AI Foundry.
Semantyczne modele jako nowe źródło danych dla umiejętności sztucznej inteligencji
Szacowana oś czasu wydania: Q1 2025
Typ wydania: publiczna wersja zapoznawcza
Ta funkcja umożliwia użytkownikom wykonywanie zapytań dotyczących modeli semantycznych usługi Power BI w sieci szkieletowej przy użyciu języka naturalnego, odbieranie zarówno zwięzłej odpowiedzi, jak i odpowiedniego zapytania języka DAX. Użytkownicy mogą zadawać pytania, takie jak "Jaka była łączna sprzedaż w ciągu ostatnich 12 miesięcy?" i uzyskać nie tylko wynik, ale także bazowe zapytanie języka DAX w celu przejrzystości i ponownego użycia. W przyszłości użytkownik powinien być również w stanie udostępnić kilka przykładów — przykładowe pytania — aby kierować umiejętnościami sztucznej inteligencji, które model semantyczny jest najlepszym narzędziem do odpowiadania na te pytania. Takie podejście sprawia, że szczegółowe informacje o danych są bardziej dostępne dla wszystkich użytkowników, zapewniając użytkownikom zaawansowanym większą kontrolę i przejrzystość analizy.
Baza danych KQL jako nowe źródło danych w umiejętności sztucznej inteligencji
Szacowana oś czasu wydania: Q1 2025
Typ wydania: publiczna wersja zapoznawcza
Ta funkcja umożliwia użytkownikom wykonywanie zapytań dotyczących baz danych Kusto w usłudze Fabric przy użyciu języka naturalnego, odbieranie zarówno zwięzłej odpowiedzi, jak i odpowiedniego zapytania KQL (język zapytań Kusto). Użytkownicy mogą zadawać pytania takie jak "Jaka była łączna liczba logowań w zeszłym tygodniu?" i uzyskać nie tylko wynik, ale także bazowe zapytanie KQL w celu przejrzystości i ponownego użycia. Aby zwiększyć dokładność, użytkownicy mogą podać kilka przykładów — przykładowe pytania z oczekiwanymi odpowiedziami. System obsługuje zapytania iteracyjne, umożliwiając użytkownikom uściślinie pytań lub aktualizacji notatek w celu uzyskania bardziej precyzyjnych danych wyjściowych, dzięki czemu analiza danych będzie bardziej dostępna, jednocześnie zapewniając użytkownikom zaawansowanym większą kontrolę.
Umiejętności sztucznej inteligencji stają się agentem konwersacyjnej sztucznej inteligencji
Szacowana oś czasu wydania: Q1 2025
Typ wydania: publiczna wersja zapoznawcza
Umiejętność sztucznej inteligencji jest teraz konwersacyjna, umożliwiając użytkownikom zaangażowanie się w naturalny dialog z powrotem i z powrotem, aby łatwo eksplorować i interpretować swoje dane. To ulepszenie umożliwia użytkownikom zadawanie pytań, uściślinie zapytań i otrzymywanie dynamicznych szczegółowych informacji, dzięki czemu eksploracja danych będzie bardziej intuicyjna i interaktywna.
Operacje oparte na sztucznej inteligencji z małą ilością kodu w usłudze Data Wrangler [publiczna wersja zapoznawcza]
Szacowana oś czasu wydania: Q1 2025
Typ wydania: publiczna wersja zapoznawcza
Nowy pakiet operacji opartych na sztucznej inteligencji w usłudze Data Wrangler umożliwi użytkownikom opisywanie przekształceń kodu przy użyciu języka naturalnego i generowanie odpowiedniego języka Python; tłumaczenie niestandardowego kodu w języku Python na kod PySpark; i zastosuj przekształcenia synapseML, takie jak tłumaczenie tekstu i analiza tonacji w ciągu kilku kliknięć.
Copilot for Nauka o danych/inżynierowie danych references Fabric Documentation (Dokumentacja narzędzia Copilot do Nauka o danych/inżynierowie danych)
Szacowana oś czasu wydania: Q1 2025
Typ wydania: publiczna wersja zapoznawcza
Z przyjemnością ogłaszamy nową funkcję w Fabric Copilot dla Nauka o danych i inżynierowie danych ing. Rozwiązanie Copilot może teraz uzyskać dostęp do dokumentacji usługi Fabric i odwoływać się do niej w odpowiedziach, zapewniając użytkownikom odpowiednie informacje bezpośrednio w ramach przepływu pracy.
Najważniejsze najważniejsze elementy:
- Bezproblemowa integracja: copilot w ds/DE integruje się teraz z dokumentacją sieci Szkieletowej, oferując pomoc kontekstową i szczegółowe informacje bez opuszczania obszaru roboczego.
- Zwiększona produktywność: odwołując się do dokumentacji sieci Szkieletowej, Copilot w ds/DE pomaga użytkownikom szybko znaleźć odpowiedzi, skracając czas wyszukiwania i zwiększając produktywność.
- Pomoc kontekstowa: Copilot w DS/DE zawiera dokładne odwołania do dokumentacji umożliwiające obsługę zadań związanych z analizą danych, wizualizacją i inżynierią.
Nowa funkcja w aplikacji Fabric Copilot na potrzeby Nauka o danych i inżynierowie danych umożliwia użytkownikom uzyskiwanie potrzebnych informacji, właściwych w razie potrzeby.
Punkty końcowe w czasie rzeczywistym dla modeli uczenia maszynowego [publiczna wersja zapoznawcza]
Szacowana oś czasu wydania: Q2 2025
Typ wydania: publiczna wersja zapoznawcza
Oprócz istniejących funkcji oceniania wsadowego przy użyciu funkcji PREDICT sieć Szkieletowa umożliwia analitykom danych udostępnianie przewidywań w czasie rzeczywistym z dowolnego zarejestrowanego modelu uczenia maszynowego przy użyciu bezpiecznych, skalowalnych punktów końcowych online, które są konfigurowane automatycznie. Te punkty końcowe mogą być wywoływane z innych aparatów sieci szkieletowej lub z aplikacji zewnętrznych, co umożliwia użytkownikom wdrażanie modeli w celu zapewnienia szerokiego, niezawodnego użycia.