Korzystanie ze szczegółowych informacji o sztucznej inteligencji w programie Power BI Desktop
W usłudze Power BI możesz użyć usługi AI Insights, aby uzyskać dostęp do kolekcji wstępnie wytrenowanych modeli uczenia maszynowego, które zwiększają nakłady pracy związane z przygotowywaniem danych. Dostęp do usługi AI Insights można uzyskać w edytorze Power Query. Skojarzone cechy i funkcje można znaleźć na kartach Home i Add Column w Edytorze Power Query.
W tym artykule opisano funkcje funkcji analizy tekstu i przetwarzania obrazów, zarówno z usług Azure Cognitive Services. W tym artykule znajduje się również sekcja opisująca funkcje niestandardowe wchodzące w skład usługi Power BI z usługi Azure Machine Learning.
Korzystanie z analizy tekstu i przetwarzania obrazów
Analiza tekstu i przetwarzanie obrazów w usłudze Power BI umożliwiają stosowanie różnych algorytmów z azure Cognitive Services w celu wzbogacania danych w dodatku Power Query.
Obecnie obsługiwane są następujące usługi:
Przekształcenia są wykonywane w usłudze Power BI i nie wymagają subskrypcji usług Azure Cognitive Services.
Ważny
Korzystanie z funkcji analizy tekstu lub przetwarzania obrazów wymaga usługi Power BI Premium.
Włączanie analizy tekstu i rozpoznawania obrazu w pojemnościach Premium
Usługi Cognitive Services są obsługiwane w przypadku węzłów pojemności Premium EM2, A2 lub P1 i innych węzłów z większą ilością zasobów. Oddzielna praca obliczeniowa sztucznej inteligencji w ramach pojemności jest używana do uruchamiania usług Cognitive Services. Przed rozpoczęciem korzystania z usług Cognitive Services w usłudze Power BI należy włączyć obciążenie sztucznej inteligencji w ustawieniach pojemności portalu administracyjnego. Obciążenie sztucznej inteligencji można włączyć w sekcji obciążeń i zdefiniować maksymalną ilość pamięci, która ma być zużywana przez to obciążenie. Zalecany limit pamięci wynosi 20%. Przekroczenie tego limitu powoduje spowolnienie zapytania.
Dostępne funkcje
W tej sekcji opisano dostępne funkcje w usługach Cognitive Services w usłudze Power BI.
Wykrywanie języka
Funkcja Detect language ocenia wprowadzanie tekstu, a dla każdego pola zwraca nazwę języka i identyfikator ISO. Ta funkcja jest przydatna w przypadku kolumn danych, które zbierają dowolny tekst, gdzie język jest nieznany. Funkcja oczekuje danych w formacie tekstowym jako danych wejściowych.
Analiza tekstu rozpoznaje do 120 języków. Aby uzyskać więcej informacji, zobacz obsługiwane języki.
Wyodrębnianie kluczowych fraz
Funkcja Wyodrębnianie fraz kluczowych oblicza tekst bez struktury, a dla każdego pola tekstowego zwraca listę kluczowych fraz. Funkcja wymaga pola tekstowego jako wejścia i akceptuje opcjonalnie podany kod języka ISO .
Wyodrębnianie kluczowych fraz działa najlepiej, gdy przekażesz większe fragmenty tekstu do analizy, w przeciwieństwie do analizy tonacji. Analiza sentymentu działa lepiej na mniejszych blokach tekstu. Aby uzyskać najlepsze wyniki z obu operacji, rozważ odpowiednio restrukturyzację danych wejściowych.
Ocenianie nastroju
Funkcja Ocenianie tonacji ocenia wprowadzanie tekstu i zwraca wynik tonacji dla każdego dokumentu, od 0 (ujemny) do 1 (dodatni). Ocena tonacji akceptuje również opcjonalne dane wejściowe kodu ISO języka . Ta funkcja jest przydatna do wykrywania pozytywnych i negatywnych tonacji w mediach społecznościowych, recenzjach klientów i forach dyskusyjnych.
Analiza tekstu używa algorytmu klasyfikacji uczenia maszynowego do generowania oceny nastroju w zakresie od 0 do 1. Wyniki zbliżone do 1 wskazują pozytywną tonację. Wyniki zbliżone do 0 wskazują negatywną tonację. Model jest wstępnie wytrenowany za pomocą rozległego zbioru tekstów z asocjacjami sentymentów. Obecnie nie można podać własnych danych szkoleniowych. Model używa kombinacji technik podczas analizy tekstu, w tym przetwarzania tekstu, analizy części mowy, umieszczania wyrazów i skojarzeń wyrazów. Aby uzyskać więcej informacji na temat algorytmu, zobacz Introducing Text Analytics.
Analiza sentymentu jest wykonywana na całym polu wejściowym, zamiast wyodrębniania sentymentu dla określonej jednostki w tekście. W praktyce istnieje tendencja do poprawiania dokładności oceniania, gdy dokumenty zawierają jedno lub dwa zdania, a nie duży blok tekstu. W fazie oceny obiektywności model określa, czy pole wejściowe jako całość jest obiektywne, czy zawiera emocje. Pole wejściowe, które jest przeważnie obiektywne, nie przechodzi do etapu wykrywania sentymentu, co skutkuje wynikiem 0,50 bez dalszego przetwarzania. W przypadku pól wejściowych w procesie, następna faza generuje wynik większy lub mniejszy niż 0,50 w zależności od stopnia nastroju wykrytego w tych polach.
Obecnie analiza tonacji obsługuje języki angielski, niemiecki, hiszpański i francuski. Inne języki są dostępne w wersji zapoznawczej. Aby uzyskać więcej informacji, zobacz obsługiwane języki.
Tagowanie obrazów
Funkcja Tag Images zwraca tagi na podstawie ponad 2000 rozpoznawalnych obiektów, istot żywych, scenerii i akcji. Gdy tagi są niejednoznaczne lub nie są powszechnie znane, dane wyjściowe zawierają wskazówki , aby wyjaśnić znaczenie tagu w kontekście znanego ustawienia. Tagi nie są zorganizowane jako taksonomia i nie istnieją hierarchie dziedziczenia. Zbiór tagów zawartości tworzy podstawę do opisu obrazu , który jest wyświetlany w języku zrozumiałym dla człowieka i sformatowany w pełnych zdaniach.
Po przekazaniu obrazu lub określeniu adresu URL obrazu algorytmy przetwarzania obrazów wyświetlają tagi wyjściowe na podstawie obiektów, istot żywych i akcji zidentyfikowanych na obrazie. Tagowanie nie jest ograniczone do głównego tematu, takiego jak osoba na pierwszym planie, ale obejmuje również ustawienie (wewnątrz lub na zewnątrz), meble, narzędzia, rośliny, zwierzęta, akcesoria, gadżety itd.
Ta funkcja wymaga adresu URL obrazu lub pola base-64 jako danych wejściowych. Obecnie tagowanie obrazów obsługuje język angielski, hiszpański, japoński, portugalski i chiński uproszczony. Aby uzyskać więcej informacji, zobacz obsługiwane języki.
Wywoływanie funkcji analizy tekstu lub przetwarzania obrazów w Power Query
Aby wzbogacić dane za pomocą funkcji analizy tekstu lub przetwarzania obrazów, otwórz edytor Power Query. W tym przykładzie przedstawiono ocenianie sentymentu tekstu. Możesz użyć tych samych kroków, aby wyodrębnić kluczowe frazy, wykryć język i tagować obrazy.
Wybierz przycisk Analiza tekstu na wstążce Narzędzia główne lub Dodaj kolumnę. Następnie zaloguj się po wyświetleniu monitu.
Po zalogowaniu wybierz funkcję, której chcesz użyć, oraz kolumnę danych, którą chcesz przekształcić w wyskakującym oknie.
Power BI wybiera pojemność Premium do uruchomienia funkcji i przesyła wyniki z powrotem do programu Power BI Desktop. Wybrana pojemność jest używana wyłącznie do funkcji analizy tekstu i przetwarzania wizualnego podczas działania aplikacji oraz odświeżania w programie Power BI Desktop. Gdy raport zostanie opublikowany przez usługę Power BI, odświeżenia są uruchamiane w pojemności Premium obszaru roboczego, do którego raport jest publikowany. Można zmienić wykorzystanie pojemności dla wszystkich usług Cognitive Services, korzystając z listy rozwijanej w lewym dolnym rogu wyskakującego okienka.
Kod języka ISO jest opcjonalnym parametrem do określenia języka tekstu. Kolumnę można użyć jako danych wejściowych lub pola statycznego. W tym przykładzie język jest określany jako angielski (en) dla całej kolumny. Jeśli to pole pozostanie puste, usługa Power BI automatycznie wykryje język przed zastosowaniem funkcji. Następnie wybierz pozycję Zastosuj.
Przy pierwszym użyciu usługi AI Insights w nowym źródle danych program Power BI Desktop wyświetli monit o ustawienie poziomu prywatności danych.
Notatka
Odświeżenia modelu semantycznego w usłudze Power BI będą działać tylko dla źródeł danych, w których poziom prywatności jest ustawiony na publiczny lub organizacyjny.
Po wywołaniu funkcji wynik zostanie dodany jako nowa kolumna do tabeli. Przekształcenie jest również dodawane jako zastosowany krok w zapytaniu.
W przypadku tagowania obrazów i wyodrębniania kluczowych fraz wyniki mogą zwracać wiele wartości. Każdy indywidualny wynik jest zwracany w duplikacie oryginalnego wiersza.
Publikowanie raportu za pomocą funkcji analizy tekstu lub przetwarzania obrazów
Podczas edytowania w dodatku Power Query i przeprowadzania odświeżeń w programie Power BI Desktop analiza tekstu i przetwarzanie obrazów korzystają z pojemności Premium wybranej w Edytorze Power Query. Po opublikowaniu raportu przez funkcje Text Analytics lub Vision, wykorzystują one pojemność Premium obszaru roboczego, do którego został opublikowany.
Raporty z zastosowanymi funkcjami analizy tekstu i przetwarzania obrazów powinny być publikowane w obszarze roboczym, który znajduje się w pojemności Premium. W przeciwnym razie odświeżanie modelu semantycznego kończy się niepowodzeniem.
Zarządzanie wpływem na pojemność Premium
W poniższych sekcjach opisano sposób zarządzania wpływami analizy tekstu i analizy obrazu na wydajność.
Wybieranie pojemności
Autorzy raportów mogą wybrać pojemność Premium, w której ma być uruchamiana usługa AI Insights. Domyślnie usługa Power BI wybiera pierwszą utworzoną pojemność, do której użytkownik ma dostęp.
Monitor z użyciem aplikacji Capacity Metrics
Właściciele pojemności Premium mogą monitorować wpływ funkcji analizy tekstu i przetwarzania obrazów na pojemność przy użyciu aplikacji Microsoft Fabric Capacity Metrics. Aplikacja udostępnia szczegółowe metryki dotyczące stanu zdrowia obciążeń sztucznej inteligencji w obszarze wydajności. Na górnym wykresie przedstawiono zużycie pamięci przez obciążenia sztucznej inteligencji. Administratorzy pojemności Premium mogą ustawić limit pamięci dla określonego obciążenia dla sztucznej inteligencji na każdą pojemność. Gdy użycie pamięci osiągnie limit pamięci, możesz rozważyć zwiększenie limitu pamięci lub przeniesienie niektórych obszarów roboczych do innej pojemności.
Porównaj Power Query i Power Query Online
Funkcje analizy tekstu i przetwarzania obrazów używane w dodatku Power Query i dodatku Power Query Online są takie same. Istnieje tylko kilka różnic między doświadczeniami.
- Dodatek Power Query ma oddzielne przyciski do analizy tekstu, przetwarzania obrazów i usługi Azure Machine Learning. W usłudze Power Query Online te funkcje są łączone w jednym menu.
- W Power Query autor raportu może wybrać pojemność usługi Premium używaną do uruchamiania funkcji. Ten wybór nie jest wymagany w usłudze Power Query Online, ponieważ przepływ danych jest już w określonej pojemności.
Zagadnienia i ograniczenia analizy tekstu
Podczas korzystania z analizy tekstu należy wziąć pod uwagę kilka zagadnień i ograniczeń.
- Odświeżanie przyrostowe jest obsługiwane, ale może powodować problemy z wydajnością w przypadku zapytań ze szczegółowymi informacjami dotyczącymi sztucznej inteligencji.
- Zapytanie bezpośrednie nie jest obsługiwane.
Korzystanie z usługi Azure Machine Learning
Wiele organizacji używa modeli Machine Learning w celu uzyskania lepszych szczegółowych informacji i przewidywań dotyczących ich działalności. Możliwość wizualizowania i wywoływania szczegółowych informacji z tych modeli może pomóc rozpowszechnić te szczegółowe informacje użytkownikom biznesowym, którzy ich najbardziej potrzebują. Usługa Power BI ułatwia dołączanie szczegółowych informacji z modeli hostowanych w usłudze Azure Machine Learning przy użyciu prostych gestów typu point-and-click.
Aby korzystać z tej możliwości, analityk danych może udzielić dostępu do modelu usługi Azure Machine Learning analitykowi analizy biznesowej przy użyciu witryny Azure Portal. Następnie na początku każdej sesji dodatek Power Query odnajduje wszystkie modele usługi Azure Machine Learning, do których użytkownik ma dostęp i uwidacznia je jako dynamiczne funkcje dodatku Power Query. Użytkownik może następnie wywołać te funkcje, korzystając ze wstążki w Edytorze Power Query lub bezpośrednio wywołując funkcję M. Usługa Power BI automatycznie grupuje żądania dostępu podczas wywoływania modelu Azure Machine Learning dla zestawu wierszy, aby poprawić wydajność.
Ta funkcja jest obsługiwana w programach Power BI Desktop, Power BI Dataflows i Power Query Online w usłudze Power BI.
Aby dowiedzieć się więcej na temat przepływów danych, zobacz Przygotowywanie danych samoobsługi w usłudze Power BI.
Aby dowiedzieć się więcej o usłudze Azure Machine Learning, zobacz następujące artykuły:
- Omówienie: Co to jest usługa Azure Machine Learning?
- Szybkie starty i samouczki dotyczące usługi Azure Machine Learning: dokumentacja usługi Azure Machine Learning
Udzielanie dostępu do modelu usługi Azure Machine Learning
Aby uzyskać dostęp do modelu usługi Azure Machine Learning z poziomu usługi Power BI, użytkownik musi mieć dostęp Read do subskrypcji usługi Azure. Ponadto muszą również mieć dostęp do odczytu do obszaru roboczego usługi Machine Learning.
W krokach w tej sekcji opisano sposób udzielania użytkownikowi usługi Power BI dostępu do modelu hostowanego w usłudze Azure Machine Learning. Dzięki temu dostępowi mogą używać tego modelu jako funkcji Power Query. Aby uzyskać więcej informacji, zobacz Zarządzanie dostępem przy użyciu kontroli dostępu opartej na rolach w portalu Azure.
- Zaloguj się do portalu Azure.
- Przejdź do strony subskrypcji. Stronę Subskrypcje można znaleźć na liście Wszystkie usługi w menu nawigacyjnym po lewej stronie portalu Azure.
- Wybierz swoją subskrypcję.
- Wybierz pozycję Kontrola dostępu (Zarządzanie tożsamościami i dostępem - IAM), a następnie wybierz przycisk Dodaj.
- Wybierz pozycję Czytelnik jako rolę. Wybierz użytkownika usługi Power BI, któremu chcesz udzielić dostępu do modelu usługi Azure Machine Learning.
- Wybierz pozycję Zapisz.
- Powtórz kroki od trzech do sześciu, aby przyznać użytkownikowi dostęp Czytelnika do określonego obszaru roboczego uczenia maszynowego, który hostuje model.
Odnajdywanie schematów dla modeli uczenia maszynowego
Analitycy danych używają języka Python głównie do opracowywania, a nawet wdrażania modeli uczenia maszynowego na potrzeby uczenia maszynowego. Analityk danych musi jawnie wygenerować plik schematu przy użyciu języka Python.
Ten plik schematu musi być uwzględniony we wdrożonej usłudze internetowej dla modeli uczenia maszynowego. Aby automatycznie wygenerować schemat dla usługi internetowej, należy podać przykład danych wejściowych/wyjściowych w skrypcie wejściowym dla wdrożonego modelu. Aby uzyskać więcej informacji, zobacz podsekcję dotyczącą automatycznego generowania schematu programu Swagger (opcjonalnie) w dokumentacji Wdrażanie modeli przy użyciu usługi Azure Machine Learning. Link zawiera przykładowy skrypt wpisu z instrukcjami generowania schematu.
W szczególności funkcje @input_schema i @output_schema w skrycie wejściowym odwołują się do formatów przykładowych danych wejściowych i wyjściowych w zmiennych input_sample i output_sample. Funkcje używają tych przykładów do generowania specyfikacji interfejsu OpenAPI (Swagger) dla usługi internetowej podczas wdrażania.
Te instrukcje dotyczące generowania schematu przez zaktualizowanie skryptu wejścia muszą być również stosowane do modeli utworzonych przy użyciu eksperymentów zautomatyzowanego uczenia maszynowego z zestawem SDK usługi Azure Machine Learning.
Notatka
Modele utworzone przy użyciu interfejsu wizualnego usługi Azure Machine Learning nie obsługują obecnie generowania schematu, ale będą w kolejnych wersjach.
Wywoływanie modelu usługi Azure Machine Learning w dodatku Power Query
Możesz wywołać dowolny model usługi Azure Machine Learning, do którego udzielono ci dostępu, bezpośrednio z poziomu Edytora Power Query. Aby uzyskać dostęp do modeli usługi Azure Machine Learning, wybierz przycisk Azure Machine Learning na wstążce Strona główna lub Dodaj kolumnę w Edytorze Power Query.
Wszystkie modele usługi Azure Machine Learning, do których masz dostęp, są wymienione tutaj jako funkcje dodatku Power Query. Ponadto parametry wejściowe modelu Azure Machine Learning są automatycznie mapowane jako parametry odpowiedniej funkcji Power Query.
Aby wywołać model usługi Azure Machine Learning, możesz określić dowolną kolumnę wybranej jednostki jako dane wejściowe z listy rozwijanej. Możesz również określić stałą wartość, która ma być używana jako dane wejściowe, przełączając ikonę kolumny po lewej stronie okna dialogowego wprowadzania.
Wybierz pozycję OK, aby wyświetlić podgląd danych wyjściowych modelu usługi Azure Machine Learning jako nową kolumnę w tabeli jednostek. Wywołanie modelu jest wyświetlane jako zastosowany krok dla zapytania.
Jeśli model zwraca wiele parametrów wyjściowych, są grupowane razem jako rekord w kolumnie wyjściowej. Możesz rozwinąć kolumnę, aby wygenerować poszczególne parametry wyjściowe w osobnych kolumnach.
Zagadnienia i ograniczenia usługi Azure Machine Learning
Poniższe zagadnienia i ograniczenia dotyczą usługi Azure Machine Learning w programie Power BI Desktop.
- Modele utworzone przy użyciu interfejsu wizualnego usługi Azure Machine Learning nie obsługują obecnie generowania schematów. Obsługa jest przewidywana w kolejnych wersjach.
- Odświeżanie przyrostowe jest obsługiwane, ale może powodować problemy z wydajnością w przypadku zapytań ze szczegółowymi informacjami dotyczącymi sztucznej inteligencji.
- Zapytanie bezpośrednie nie jest obsługiwane.
- Użytkownicy z licencją Premium na użytkownika (PPU) nie mogą używać usługi AI Insights z programu Power BI Desktop; Musisz użyć licencji innej niż PPU Premium z odpowiednią pojemnością Premium. Nadal możesz używać AI Insights na licencji PPU w usłudze Power BI.
Powiązana zawartość
Ten artykuł zawiera omówienie integracji usługi Machine Learning z aplikacją Power BI Desktop. Poniższe artykuły mogą być również interesujące i przydatne.