Использование AI Insights в Power BI Desktop
В Power BI вы можете использовать AI Insights для получения доступа к коллекции предварительно обученных моделей машинного обучения, которые повышают усилия по подготовке данных. Вы можете получить доступ к AI Insights в редакторе Power Query . Связанные функции и возможности можно найти на вкладках Home и Добавить столбец в Редакторе Power Query.
В этой статье описываются функции анализа текста и визуального распознавания, обе из Azure Cognitive Services. Кроме того, в этой статье приведен раздел, описывающий пользовательские функции, доступные в Power BI из Машинного обучения Azure.
Использование анализа текста и визуального распознавания
С помощью анализа текста и визуального распознавания в Power BI можно применять различные алгоритмы, отличные от Azure Cognitive Services для обогащения данных в Power Query.
В настоящее время поддерживаются следующие службы:
Преобразования выполняются в службе Power BI и не требуют подписки Azure Cognitive Services.
Важный
Для использования функций анализа текста или визуального распознавания требуется Power BI Premium.
Включение анализа текста и визуального распознавания в емкостях Premium
Cognitive Services поддерживается для узлов емкости Premium EM2, A2 или P1 и других узлов с дополнительными ресурсами. Отдельная рабочая нагрузка ИИ на вычислительных ресурсах используется для запуска сервисов Cognitive Services. Прежде чем использовать Cognitive Services в Power BI, необходимо включить рабочую нагрузку ИИ в параметрах емкости портала администрирования. Вы можете включить нагрузку ИИ в разделе рабочих нагрузок и определить максимальный объем памяти, который вы хотели бы использовать для этой нагрузки. Рекомендуемое ограничение памяти — 20%. Превышение этого ограничения приводит к замедлению запроса.
Доступные функции
В этом разделе описываются доступные функции в Cognitive Services в Power BI.
Определение языка
Функция обнаружения языка определяет ввод текста, а для каждого поля возвращает имя языка и идентификатор ISO. Эта функция полезна для столбцов данных, которые собирают произвольный текст, где язык неизвестен. Функция ожидает данные в текстовом формате в качестве входных данных.
Анализ текста распознает до 120 языков. Дополнительную информацию см. о поддерживаемых языках .
Извлечение ключевых фраз
Функция извлечения ключевых фраз вычисляет неструктурированный текст, а для каждого текстового поля возвращает список ключевых фраз. Функция требует текстового поля в качестве входного параметра и принимает необязательное значение в виде ISO-кода языка .
Извлечение ключевых фраз работает лучше всего, когда вы предоставляете большие объёмы текста, в отличие от анализа тональности. Анализ тональности лучше работает на небольших блоках текста. Чтобы получить наилучшие результаты обеих операций, рассмотрите возможность реструктуризации входных данных соответствующим образом.
Оценка тональности
Функция оценки тональности оценивает ввод текста и возвращает оценку тональности для каждого документа, начиная от 0 (отрицательное) до 1 (положительное). оценка тональности также принимает необязательные входные данные для кода ISO языка . Эта функция полезна для выявления положительных и отрицательных тональности в социальных сетях, отзывах клиентов и обсуждениях форумов.
Анализ текста использует алгоритм классификации машинного обучения для создания оценки тональности от 0 до 1. Оценки ближе к 1 указывают положительные настроения. Оценки ближе к 0 указывают на отрицательное настроение. Модель предварительно обучена на основе большого объёма текстов с эмоциональной окраской. В настоящее время невозможно предоставить собственные обучающие данные. Модель использует сочетание методов во время анализа текста, включая обработку текста, анализ речи, размещение слов и ассоциации слов. Дополнительные сведения об алгоритме см. в разделе Введение в анализ текста.
Анализ тональности выполняется по всему полю ввода, в отличие от извлечения тональности для определенного объекта в тексте. На практике существует тенденция к повышению точности оценки, когда документы содержат один или два предложения, а не большой блок текста. Во время этапа оценки объективности модель определяет, является ли поле ввода в целом целевым или содержит тональность. Поле ввода, которое в основном носит объективный характер, не продвигается до фазы обнаружения тональности, в результате чего получается оценка 0,50, и дальнейшая обработка не производится. Для полей ввода, продолжающихся в конвейере, следующий этап создает оценку больше или меньше 0,50 в зависимости от степени тональности, обнаруженной в поле ввода.
В настоящее время анализ тональности поддерживает английский, немецкий, испанский и французский. Другие языки доступны в предварительной версии. Дополнительные сведения см. о поддерживаемых языках.
Изображения тегов
Функция Tag Images возвращает теги на основе более чем 2000 распознаваемых объектов, живых существ, пейзажей и действий. Если теги неоднозначны или не являются общеизвестными, выходные данные предоставляют подсказки для уточнения смысла тега в контексте известного сценария. Теги не организованы как таксономия, и иерархии наследования не существуют. Коллекция тегов содержимого формирует основу для описания изображения , которое представлено на языке, читаемом человеком, в полных предложениях.
После отправки изображения или указания URL-адреса изображения выходные теги алгоритмов компьютерного зрения основаны на объектах, живых существах и действиях, определенных на изображении. Тегирование не ограничивается основным объектом, например человеком на переднем плане, но также включает обстановку (в помещении или на открытом воздухе), мебель, инструменты, растения, животных, аксессуары, гаджеты и так далее.
Для этой функции требуется URL-адрес изображения или поле base-64 в качестве входных данных. В настоящее время тег изображения поддерживает английский, испанский, японский, португальский и упрощенный китайский. Для получения дополнительной информации см. поддерживаемые языки.
Вызов функций анализа текста или визуального распознавания в Power Query
Чтобы дополнить данные функциями анализа текста или визуального распознавания, откройте редактор Power Query. В этом примере описывается оценка тональности текста. Вы можете использовать те же действия для извлечения ключевых фраз, обнаружения языка и тегов изображений.
Нажмите кнопку "Аналитика текста" на ленте "Главная" или "Добавить столбец". Затем войдите в систему, когда появится подсказка.
После входа выберите функцию, которую вы хотите использовать, и столбец данных, который вы хотите преобразовать в всплывающем окне.
Power BI выбирает емкость Premium, чтобы запустить функцию и отправить результаты обратно в Power BI Desktop. Выбранная емкость используется только для функции Анализа текста и визуального распознавания во время приложения и обновления в Power BI Desktop. После публикации отчета в Power BI обновления запускаются на Premium-емкости рабочей области, в которую опубликован отчет. Емкость, используемую для всех Cognitive Services, можно изменить в раскрывающемся списке в левом нижнем углу всплывающего окна.
код ISO языка является необязательным вводом для указания языка текста. Столбец можно использовать в качестве входных данных или статического поля. В этом примере язык указывается как английский (en) для всего столбца. Если оставить это поле пустым, Power BI автоматически обнаруживает язык перед применением функции. Затем выберите Применить.
При первом использовании AI Insights в новом источнике данных Power BI Desktop вам будет предложено задать уровень конфиденциальности данных.
Заметка
Обновления семантической модели в Power BI будут работать только для источников данных, в которых уровень конфиденциальности установлен как общедоступный или организационный.
После вызова функции результат добавляется в таблицу в виде нового столбца. Преобразование также добавляется в качестве примененного шага в запросе.
В случаях извлечения тегов изображений и ключевых фраз результаты могут возвращать несколько значений. Каждый отдельный результат возвращается на дубликате исходной строки.
Публикация отчета с помощью функций анализа текста или визуального распознавания
При редактировании в Power Query и выполнении обновлений в Power BI Desktop аналитика текста и визуальное распознавание используют емкость Premium, выбранную в редакторе Power Query. После публикации отчета отделы аналитики текста или визуального распознавания используют Premium-емкость рабочей области, в которую был опубликован отчет.
Отчеты с примененными функциями анализа текста и визуального распознавания должны быть опубликованы в рабочей области, которая находится в емкости Premium, в противном случае обновление семантической модели завершается сбоем.
Управляйте влиянием на ресурс Premium
В следующих разделах описано, как управлять воздействием анализа текста и визуального зрения на емкость.
Выбор емкости
Авторы отчетов могут выбрать емкость Premium, в которой следует запустить AI Insights. По умолчанию Power BI выбирает первую созданную емкость, к которой у пользователя есть доступ.
Мониторинг с помощью приложения метрик емкости
Владельцы емкости Premium могут отслеживать влияние функций анализа текста и компьютерного зрения на емкость с помощью приложения метрик емкости Microsoft Fabric. Приложение предоставляет подробные метрики о состоянии ИИ нагрузок в пределах ваших возможностей. Верхняя диаграмма показывает потребление памяти рабочими нагрузками ИИ. Администраторы Premium Capacity могут задать ограничение памяти для рабочей нагрузки ИИ в рамках каждой емкости. Когда использование памяти достигает предела памяти, можно рассмотреть возможность увеличения предела памяти или перемещения некоторых рабочих областей в другую емкость.
Сравнение Power Query и Power Query Online
Функции анализа текста и визуального распознавания, используемые в Power Query и Power Query Online, одинаковы. Существует только пара различий между опытом:
- Power Query имеет отдельные кнопки для анализа текста, визуального распознавания и машинного обучения Azure. В Power Query Online эти функции объединяются в одном меню.
- В Power Query автор отчета может выбрать емкость Premium, используемую для выполнения функций. Этот выбор не требуется в Power Query Online, так как поток данных уже находится в определенной емкости.
Рекомендации и ограничения анализа текста
При использовании анализа текста следует учитывать несколько соображений и ограничений.
- Добавочное обновление поддерживается, но может вызвать проблемы с производительностью при использовании запросов с аналитикой искусственного интеллекта.
- Прямой запрос не поддерживается.
Использование Машинного обучения Azure
Многочисленные организации используют модели машинного обучения для улучшения аналитических сведений и прогнозов по их бизнесу. Возможность визуализировать и вызывать аналитические сведения из этих моделей может помочь распространить эти аналитические сведения для бизнес-пользователей, которым он больше всего нужен. Power BI упрощает внедрение аналитических сведений из моделей, размещенных в Машинном обучении Azure, с помощью простых жестов мыши и указателей мыши.
Чтобы использовать эту возможность, дата-сайентист может предоставить доступ к модели машинного обучения Azure бизнес-аналитику с помощью портала Azure. Затем в начале каждого сеанса Power Query обнаруживает все модели машинного обучения Azure, к которым пользователь имеет доступ, и предоставляет их как динамические функции Power Query. Затем пользователь может вызвать эти функции, используя их из ленты в редакторе Power Query или напрямую вызвав функцию M. Power BI также автоматически пакетирует запросы доступа при вызове модели машинного обучения Azure для набора строк для повышения производительности.
Эта функция поддерживается в Power BI Desktop, потоках данных Power BI и Power Query Online в службе Power BI.
Дополнительные сведения о потоках данных см. в самостоятельной подготовке данных в Power BI.
Дополнительные сведения об машинном обучении Azure см. в следующих статьях:
- Обзор: Что такое Машинное обучение Azure?
- Быстрые старты и учебные пособия по машинному обучению Azure: Документация по машинному обучению Azure
Предоставление доступа к модели машинного обучения Azure
Чтобы получить доступ к модели машинного обучения Azure из Power BI, пользователь должен иметь доступ на чтение к подписке Azure. Кроме того, они также должны иметь право на чтение в рабочем пространстве машинного обучения.
В этом разделе описано, как предоставить пользователю Power BI доступ к модели, размещенной в службе машинного обучения Azure. С помощью этого доступа они могут использовать эту модель в качестве функции Power Query. Дополнительные сведения см. в статье Управление доступом с помощью RBAC и портала Azure.
- Войдите на портал Azure .
- Перейдите на страницу подписок. Страницу подписок можно найти в списке Все службы в меню навигации слева на портале Azure.
- Выберите подписку.
- Выберите управление доступом (IAM), а затем нажмите кнопку Добавить.
- Выберите роль Читатель. Выберите пользователя Power BI, которому вы хотите предоставить доступ к модели Машинного обучения Azure.
- Выберите Сохранить.
- Повторите шаги с третьего по шестой, чтобы предоставить пользователю доступ к Reader для конкретной рабочей области машинного обучения, в которой размещена модель.
Обнаружение схем для моделей машинного обучения
Специалисты по обработке и анализу данных в основном используют Python для разработки и даже развертывания моделей машинного обучения для машинного обучения. Специалист по обработке и анализу данных должен явно создать файл схемы с помощью Python.
Этот файл схемы должен быть включен в развернутую веб-службу для моделей машинного обучения. Чтобы автоматически создать схему для веб-службы, необходимо указать пример входных и выходных данных в скрипте записи для развернутой модели. Дополнительные сведения см. в подразделе об автоматическом создании схемы Swagger (необязательно) в модели развертывания с помощью документации по службе машинного обучения Azure. Ссылка содержит пример скрипта записи с инструкциями для создания схемы.
В частности, функции @input_schema и @output_schema в скрипте записи ссылались на форматы входных и выходных примеров в переменных input_sample и output_sample. Эти функции используют эти примеры для создания спецификации OpenAPI (Swagger) для веб-службы во время развертывания.
Эти инструкции по созданию схемы, обновляя скрипт записи, также должны применяться к моделям, созданным с помощью автоматизированных экспериментов машинного обучения с помощью пакета SDK машинного обучения Azure.
Заметка
Модели, созданные с помощью визуального интерфейса Azure для машинного обучения, в настоящее время не поддерживают создание схем, но будут поддерживать в последующих выпусках.
Вызов модели машинного обучения Azure в Power Query
Вы можете вызвать любую модель машинного обучения Azure, к которой вы получили доступ, непосредственно из редактора Power Query. Чтобы получить доступ к моделям машинного обучения Azure, нажмите кнопку Машинное обучение Azure на ленте Главная или на ленте "Добавить столбец" в редакторе Power Query.
Все модели машинного обучения Azure, к которым у вас есть доступ, перечислены здесь как функции Power Query. Кроме того, входные параметры для модели машинного обучения Azure автоматически сопоставляются как параметры соответствующей функции Power Query.
Чтобы вызвать модель машинного обучения Azure, можно указать любой из столбцов выбранной сущности в качестве входных данных из раскрывающегося списка. Можно также указать константное значение, которое будет использоваться в качестве входных данных, переключив значок столбца слева от диалогового окна ввода.
Нажмите кнопку ОК, чтобы просмотреть предварительный просмотр выходных данных модели машинного обучения Azure в виде нового столбца в таблице сущностей. Вызов модели отображается как примененный шаг для запроса.
Если модель возвращает несколько выходных параметров, они группируются в виде записи в выходном столбце. Чтобы создать отдельные выходные параметры в отдельных столбцах, можно развернуть столбец.
Рекомендации и ограничения машинного обучения Azure
Следующие рекомендации и ограничения применяются к Машинному обучению Azure в Power BI Desktop.
- Модели, созданные с помощью визуального интерфейса Машинного обучения Azure, в настоящее время не поддерживают создание схемы. Поддержка ожидается в последующих версиях.
- Добавочное обновление поддерживается, но может вызвать проблемы с производительностью при использовании запросов с аналитикой искусственного интеллекта.
- Прямой запрос не поддерживается.
- Пользователи с лицензией "Премиум на пользователя" (PPU) не могут использовать AI Insights из Power BI Desktop, необходимо использовать лицензию, не относящуюся к PPU, с соответствующей вместимостью Premium. Вы по-прежнему можете использовать AI Insights с лицензией PPU службы Power BI.
Связанное содержимое
В этой статье представлен обзор интеграции машинного обучения в Power BI Desktop. Следующие статьи также могут быть интересными и полезными.