Usar o AI Insights no Power BI Desktop
No Power BI, você pode usar o AI Insights para obter acesso a uma coleção de modelos de aprendizado de máquina pré-treinados que aprimoram seus esforços de preparação de dados. Pode aceder ao AI Insights no Power Query Editor. Pode encontrar as funcionalidades e funções associadas através dos separadores Início e Adicionar Coluna no Power Query Editor.
Este artigo descreve as funções para as funções de Análise de Texto e Visão, ambas dos Serviços Cognitivos do Azure. Também neste artigo há uma seção que descreve as funções personalizadas disponíveis no Power BI do Azure Machine Learning.
Usar análise de texto e visão
Com a Análise de Texto e a Visão no Power BI, pode aplicar algoritmos diferentes do dos Serviços Cognitivos do Azure para enriquecer os seus dados no Power Query.
Os seguintes serviços são atualmente suportados:
As transformações são executadas no serviço do Power BI e não exigem uma assinatura dos Serviços Cognitivos do Azure.
Importante
Usar os recursos de Análise de Texto ou Visão requer o Power BI Premium.
Habilite a Análise de Texto e a Visão em capacidades Premium
Os Serviços Cognitivos são suportados para nós de capacidade Premium como o EM2, A2 ou P1, e outros nós com mais recursos. Uma carga de trabalho de IA separada na capacidade é usada para executar os Serviços Cognitivos. Antes de usar os Serviços Cognitivos no Power BI, você deve habilitar a carga de trabalho de IA nas configurações de capacidade do portal de administração. Você pode ativar a carga de trabalho de IA na seção de cargas de trabalho e definir a quantidade máxima de memória que gostaria que essa carga de trabalho consumisse. O limite de memória recomendado é de 20%. Exceder esse limite faz com que a consulta fique mais lenta.
Funções disponíveis
Esta seção descreve as funções disponíveis nos Serviços Cognitivos no Power BI.
Detetar idioma
A função Detect de idioma avalia a entrada de texto e, para cada campo, retorna o nome do idioma e o identificador ISO. Esta função é útil para colunas de dados que coletam texto arbitrário, onde o idioma é desconhecido. A função espera dados em formato de texto como entrada.
A Análise de Texto reconhece até 120 idiomas. Para obter mais informações, consulte idiomas suportados.
Extrair frases-chave
A função Extração de frase-chave avalia texto não estruturado e, para cada campo de texto, retorna uma lista de frases-chave. A função requer um campo de texto como entrada e aceita opcionalmente um código de idioma ISO .
A extração de frases-chave funciona melhor quando você dá a ela pedaços maiores de texto para trabalhar, ao contrário da análise de sentimento. A análise de sentimento tem melhor desempenho em blocos menores de texto. Para obter os melhores resultados de ambas as operações, considere reestruturar os insumos de acordo.
Sentimento de pontuação
A função de sentimento do Score avalia a entrada de texto e retorna uma pontuação de sentimento para cada documento, variando de 0 (negativo) a 1 (positivo). Score sentiment também aceita uma entrada opcional para um código ISO da Language. Esta função é útil para detetar sentimentos positivos e negativos nas redes sociais, avaliações de clientes e fóruns de discussão.
O Text Analytics usa um algoritmo de classificação de aprendizado de máquina para gerar uma pontuação de sentimento entre 0 e 1. Pontuações mais próximas de 1 indicam sentimento positivo. Pontuações mais próximas de 0 indicam sentimento negativo. O modelo é pré-treinado com um vasto conjunto de textos com associações de sentimento. Atualmente, não é possível fornecer seus próprios dados de treinamento. O modelo usa uma combinação de técnicas durante a análise de texto, incluindo processamento de texto, análise de parte da fala, posicionamento de palavras e associações de palavras. Para obter mais informações sobre o algoritmo, consulte Introducing Text Analytics.
A análise de sentimento é realizada em todo o campo de entrada, em oposição à extração de sentimento para uma entidade específica no texto. Na prática, há uma tendência de melhorar a precisão da pontuação quando os documentos contêm uma ou duas frases, em vez de um grande bloco de texto. Durante uma fase de avaliação da objetividade, o modelo determina se um campo de entrada como um todo é objetivo ou contém sentimento. Um campo de entrada que é principalmente objetivo não progride para a frase de deteção de sentimento, resultando em uma pontuação de 0,50, sem processamento adicional. Para os campos de entrada que continuam no pipeline, a fase seguinte gera uma pontuação superior ou inferior a 0,50, dependendo do grau de sentimento detectado no campo de entrada.
Atualmente, a Análise de Sentimento suporta inglês, alemão, espanhol e francês. Outros idiomas estão em fase de teste. Para obter mais informações, consulte línguas suportadas.
Marcar imagens
A função Tag Images retorna tags baseados em mais de 2.000 objetos reconhecíveis, seres vivos, cenários e ações. Quando as etiquetas são ambíguas ou não são de conhecimento comum, o resultado fornece sugestões para esclarecer o significado da etiqueta no contexto de uma configuração conhecida. As tags não são organizadas como uma taxonomia e não existem hierarquias de herança. Uma coleção de tags de conteúdo forma a base para uma imagem descrição exibida como linguagem legível por humanos formatada em frases completas.
Depois de carregar uma imagem ou especificar um URL de imagem, os algoritmos da Visão Computacional produzem tags com base nos objetos, seres vivos e ações identificadas na imagem. A marcação não se limita ao assunto principal, como uma pessoa em primeiro plano, mas também inclui o cenário (interno ou externo), móveis, ferramentas, plantas, animais, acessórios, gadgets e assim por diante.
Esta função requer um URL de imagem ou um campo base-64 como entrada. No momento, a marcação de imagem suporta inglês, espanhol, japonês, português e chinês simplificado. Para obter mais informações, consulte idiomas suportados.
Invocar funções de Análise de Texto ou Visão no Power Query
Para enriquecer os seus dados com funções de Análise de Texto ou Visão, abra Power Query Editor. Este exemplo passa pela avaliação do sentimento de um texto. Você pode usar as mesmas etapas para extrair frases-chave, detetar idioma e marcar imagens.
Selecione o botão de análise de texto no Início ou Faixa de Opções Adicionar Coluna. Em seguida, inicie sessão quando vir a indicação.
Depois de iniciar sessão, selecione a função que pretende utilizar e a coluna de dados que pretende transformar na janela pop-up.
O Power BI seleciona uma capacidade Premium para executar a função e enviar os resultados de volta para o Power BI Desktop. A capacidade selecionada só é usada para a função Análise de Texto e Visão durante o aplicativo e atualizações no Power BI Desktop. Depois que o Power BI publica o relatório, as atualizações são executadas na capacidade Premium do espaço de trabalho no qual o relatório é publicado. Você pode alterar a capacidade usada para todos os Serviços Cognitivos no menu suspenso no canto inferior esquerdo da janela de diálogo.
O código ISO da língua é uma entrada opcional para especificar o idioma do texto. Você pode usar uma coluna como entrada ou um campo estático. Neste exemplo, o idioma é especificado como inglês (en) para toda a coluna. Se você deixar esse campo em branco, o Power BI detetará automaticamente o idioma antes de aplicar a função. Em seguida, selecione Aplicar.
Na primeira vez que você usa o AI Insights em uma nova fonte de dados, o Power BI Desktop solicita que você defina o nível de privacidade de seus dados.
Observação
As atualizações do modelo semântico no Power BI só funcionarão para fontes de dados em que o nível de privacidade esteja definido como público ou organizacional.
Depois de invocar a função, o resultado é adicionado como uma nova coluna à tabela. A transformação também é adicionada como uma etapa aplicada na consulta.
Nos casos de marcação de imagem e extração de frase-chave, os resultados podem retornar vários valores. Cada resultado individual é retornado em uma duplicata da linha original.
Publicar um relatório com funções de Análise de Texto ou Visão
Ao editar no Power Query e executar atualizações no Power BI Desktop, a Análise de Texto e a Visão utilizam a capacidade Premium selecionada no Power Query Editor. Depois que o Text Analytics ou o Vision publicam o relatório, eles usam a capacidade Premium do espaço de trabalho no qual ele foi publicado.
Os relatórios com funções aplicadas de Análise de Texto e Visão devem ser publicados em um espaço de trabalho que esteja em uma capacidade Premium, caso contrário, a atualização do modelo semântico falhará.
Gerencie o impacto em uma capacidade Premium
As seções a seguir descrevem como você pode gerenciar os impactos da Análise de Texto e da Visão na capacidade.
Selecione uma capacidade
Os autores de relatórios podem selecionar a capacidade Premium na qual executar o AI Insights. Por padrão, o Power BI seleciona a primeira capacidade criada à qual o usuário tem acesso.
Monitore com o aplicativo Métricas de Capacidade
Os proprietários de capacidade premium podem monitorar o impacto das funções de Análise de Texto e Visão Computacional em uma capacidade através da aplicação Microsoft Fabric Capacity Metrics. O aplicativo fornece métricas detalhadas sobre a integridade das cargas de trabalho de IA dentro da sua capacidade. O gráfico superior mostra o consumo de memória por cargas de trabalho de IA. Os administradores de capacidade premium podem definir o limite de memória para a carga de trabalho com IA para cada capacidade. Quando o uso de memória atinge o limite de memória, você pode considerar aumentar o limite de memória ou mover alguns espaços de trabalho para uma capacidade diferente.
Comparar o Power Query e o Power Query Online
As funções de Análise de Texto e Visão utilizadas no Power Query e no Power Query Online são as mesmas. Existem apenas algumas diferenças entre as experiências:
- O Power Query tem botões separados para Análise de Texto, Visão e Azure Machine Learning. No Power Query Online, estas funcionalidades são combinadas num menu.
- No Power Query, o autor do relatório pode selecionar a capacidade Premium utilizada para executar as funções. Esta opção não é necessária no Power Query Online, uma vez que um fluxo de dados já está numa capacidade específica.
Considerações e limitações da Análise de Texto
Há algumas considerações e limitações a ter em mente ao usar a Análise de Texto.
- A atualização incremental é suportada, mas pode causar problemas de desempenho quando usada em consultas com insights de IA.
- O Direct Query não é suportado.
Usar o Azure Machine Learning
Várias organizações usam modelos de de aprendizagem automática para obter melhores insights e previsões sobre os seus negócios. A capacidade de visualizar e invocar insights desses modelos pode ajudar a disseminar esses insights para os usuários corporativos que mais precisam. O Power BI simplifica a incorporação de informações de modelos hospedados no Aprendizado de Máquina do Azure, usando gestos simples de apontar e clicar.
Para usar esse recurso, um cientista de dados pode conceder acesso ao modelo do Azure Machine Learning ao analista de BI usando o portal do Azure. Em seguida, no início de cada sessão, o Power Query descobre todos os modelos do Azure Machine Learning aos quais o utilizador tem acesso e expõe-os como funções dinâmicas do Power Query. Em seguida, o utilizador pode invocar essas funções acedendo-as a partir do friso no Power Query Editor ou invocando diretamente a função M. O Power BI também agrupa automaticamente as solicitações de acesso ao invocar o modelo do Azure Machine Learning para um conjunto de linhas para obter um melhor desempenho.
Esta funcionalidade é suportada no Power BI Desktop, nos fluxos de dados do Power BI e no Power Query Online no serviço do Power BI.
Para saber mais sobre fluxos de dados, consulte Preparação de dados de autoatendimento no Power BI.
Para saber mais sobre o Azure Machine Learning, consulte os seguintes artigos:
- Visão geral: O que é o Azure Machine Learning?
- Início rápido e tutoriais do Azure Machine Learning: Documentação do Azure Machine Learning
Conceder acesso a um modelo do Azure Machine Learning
Para acessar um modelo do Azure Machine Learning do Power BI, o usuário deve ter acesso de leitura à assinatura do Azure. Além disso, eles também devem ter acesso Leitura ao espaço de trabalho do Aprendizado de Máquina.
As etapas nesta seção descrevem como conceder a um usuário do Power BI acesso a um modelo hospedado no serviço Azure Machine Learning. Com esse acesso, eles podem usar esse modelo como uma função do Power Query. Para obter mais informações, consulte Gerenciar acesso usando RBAC e o portal do Azure.
- Inicie sessão no portal do Azure.
- Aceda à página Subscrições. Pode encontrar a página Subscrições através da lista Todos os Serviços no menu de navegação à esquerda do portal do Azure.
- Selecione a sua subscrição.
- Selecione controlo de acesso (IAM)e, em seguida, selecione o botão Adicionar.
- Selecione Leitor como a Função. Selecione o usuário do Power BI ao qual você deseja conceder acesso ao modelo do Azure Machine Learning.
- Selecione Salvar.
- Repita as etapas de três a seis para conceder ao Reader acesso ao usuário para o espaço de trabalho específico do Machine Learning que hospeda o modelo.
Descoberta de esquema para modelos de Machine Learning
Os cientistas de dados usam principalmente Python para desenvolver, e até mesmo implantar, seus modelos de aprendizado de máquina para Machine Learning. O cientista de dados deve gerar explicitamente o arquivo de esquema usando Python.
Esse arquivo de esquema deve ser incluído no serviço Web implantado para modelos de Machine Learning. Para gerar automaticamente o esquema para o serviço Web, você deve fornecer uma amostra da entrada/saída no script de entrada para o modelo implantado. Para obter mais informações, consulte a subseção sobre a geração automática (opcional) de esquema Swagger na documentação do serviço Azure Machine Learning sobre a implantação de modelos com o. O link inclui o script de entrada de exemplo com as instruções para a geração do esquema.
Especificamente, as funções @input_schema e @output_schema no script de entrada fazem referência aos formatos de amostra de entrada e saída nas variáveis input_sample e output_sample. As funções usam esses exemplos para gerar uma especificação OpenAPI (Swagger) para o serviço Web durante a implantação.
Estas instruções para geração de esquema, atualizando o script de entrada, também devem ser aplicadas a modelos criados usando experimentos automatizados de aprendizado de máquina com o SDK do Azure Machine Learning.
Observação
Atualmente, os modelos criados usando a interface visual do Azure Machine Learning não oferecem suporte à geração de esquema, mas o farão em versões subsequentes.
Invocar um modelo do Azure Machine Learning no Power Query
Pode invocar qualquer modelo do Azure Machine Learning ao qual lhe tenha sido concedido acesso, diretamente a partir do Editor do Power Query. Para aceder aos modelos do Azure Machine Learning, selecione o botão Azure Machine Learning na barra de ferramentas Home ou Adicionar Coluna no Editor do Power Query.
Todos os modelos do Azure Machine Learning aos quais você tem acesso estão listados aqui como funções do Power Query. Além disso, os parâmetros de entrada para o modelo do Azure Machine Learning são mapeados automaticamente como parâmetros da função Power Query correspondente.
Para invocar um modelo do Azure Machine Learning, pode especificar qualquer uma das colunas da entidade selecionada como entrada no menu pendente. Pode também especificar um valor constante para ser utilizado como entrada, clicando no ícone de coluna que está à esquerda da caixa de diálogo de entrada.
Selecione OK para exibir a visualização da saída do modelo do Azure Machine Learning como uma nova coluna na tabela de entidades. A invocação do modelo aparece como uma etapa aplicada para a consulta.
Se o modelo retornar vários parâmetros de saída, eles serão agrupados como um registro na coluna de saída. Você pode expandir a coluna para produzir parâmetros de saída individuais em colunas separadas.
Considerações e limitações do Azure Machine Learning
As seguintes considerações e limitações aplicam-se ao Azure Machine Learning no Power BI Desktop.
- Atualmente, os modelos criados usando a interface visual do Azure Machine Learning não oferecem suporte à geração de esquema. O suporte está previsto em versões subsequentes.
- A atualização incremental é suportada, mas pode causar problemas de desempenho quando usada em consultas com insights de IA.
- O Direct Query não é suportado.
- Os utilizadores com uma licença Premium por Utilizador (PPU) não podem usar as Perspetivas de IA do Power BI Desktop; é necessário usar uma licença Premium não-PPU com a sua capacidade Premium correspondente. Você ainda pode usar o AI Insights com uma licença PPU do serviço Power BI.
Conteúdo relacionado
Este artigo forneceu uma visão geral da integração do Machine Learning no Power BI Desktop. Os seguintes artigos também podem ser interessantes e úteis.