Dela via

AI-kunskapsbegrepp (förhandsversion)

  • Artikel

AI-funktionen är en ny Microsoft Fabric-funktion som låter dig skapa egna konversations-Q-&A-system med generativ AI. AI-kunskaper gör datainsikter mer tillgängliga och användbara för alla i din organisation. Med AI-kunskaper kan ditt team ha konversationer, med vanliga engelskspråkiga frågor, om de data som din organisation lagrade i Fabric OneLake och sedan få relevanta svar. På så sätt kan även personer utan teknisk expertis inom AI eller en djup förståelse av datastrukturen få exakta och sammanhangsrika svar.

Du kan också lägga till organisationsspecifika instruktioner, exempel och vägledning för att finjustera AI-skickligheten. Detta säkerställer att svaren överensstämmer med organisationens behov och mål, så att alla kan interagera mer effektivt med data. AI-kunskaper främjar en kultur av datadrivet beslutsfattande eftersom det minskar hinder för insiktstillgänglighet, underlättar samarbete och hjälper din organisation att extrahera mer värde från sina data.

Viktigt!

Den här funktionen är i förhandsversion.

Förutsättningar

Så här fungerar AI-kompetensen

AI-kunskaper använder stora språkmodeller (LLM) för att hjälpa användare att interagera med sina data naturligt. AI-färdigheter använder API:er för Azure OpenAI Assistant och agerar som en agent. Den bearbetar användarfrågor, avgör den mest relevanta datakällan (Lakehouse, Warehouse, Power BI-datauppsättning, KQL-databaser) och anropar lämpligt verktyg för att generera, validera och köra frågor. Användarna kan sedan ställa frågor på vanligt språk och få strukturerade svar som kan läsas av människor– vilket eliminerar behovet av att skriva komplexa frågor och säkerställa korrekt och säker dataåtkomst.

Så här fungerar det i detalj:

Frågeparsning & Validering: AI-färdigheten tillämpar API:er för Azure OpenAI Assistant som den underliggande agenten för att bearbeta användarfrågor. Den här metoden säkerställer att frågan uppfyller säkerhetsprotokoll, ansvarsfulla AI-principer (RAI) och användarbehörigheter. AI-färdigheten tillämpar strikt skrivskyddad åtkomst och bibehåller skrivskyddade dataanslutningar till alla datakällor.

Data Source Identification: AI-färdigheten använder användarens autentiseringsuppgifter för att komma åt datakällans schema. Detta säkerställer att systemet hämtar datastrukturinformation som användaren har behörighet att visa. Sedan utvärderas användarens fråga mot alla tillgängliga datakällor, inklusive relationsdatabaser (Lakehouse och Warehouse), Power BI-datauppsättningar (semantiska modeller) och KQL-databaser. Den kan också referera till AI-instruktioner som tillhandahålls av användaren för att fastställa den mest relevanta datakällan.

Tool Invocation & Query Generation: När rätt datakälla eller källor har identifierats omformulerar AI-färdigheten frågan för tydlighet och struktur och anropar sedan motsvarande verktyg för att generera en strukturerad fråga:

  • Naturligt språk till SQL (NL2SQL) för relationsdatabaser (Lakehouse/Warehouse).
  • Naturligt språk till DAX (NL2DAX) för Power BI-datamängder (semantiska modeller).
  • Naturligt språk till KQL (NL2KQL) för KQL-databaser.

Det valda verktyget genererar en fråga baserat på det angivna schemat, metadata och kontexten som skickas av agenten som ligger bakom AI-färdigheten.

Frågeverifiering: Verktyget utför validering för att säkerställa att frågan är korrekt utformad och följer sina egna säkerhetsprotokoll och RAI-principer.

Frågekörning & Svar:: När AI-färdigheten har verifierats kör den frågan mot den valda datakällan. Resultaten formateras till ett mänskligt läsbart svar, som kan innehålla strukturerade data som tabeller, sammanfattningar eller viktiga insikter.

Den här metoden säkerställer att användarna kan interagera med sina data med naturligt språk, medan AI-färdigheten hanterar komplexiteten i frågegenerering, validering och körning – allt utan att användarna själva behöver skriva SQL, DAX eller KQL.

AI-kompetenskonfiguration

Att konfigurera en AI-färdighet liknar att skapa en Power BI-rapport – du börjar med att utforma och förfina den för att säkerställa att den uppfyller dina behov och sedan publicera och dela den med kollegor så att de kan interagera med data. Att ställa in en AI-färdighet innebär:

Att välja datakällor: En AI-färdighet stöder upp till fem datakällor i valfri kombination, inklusive sjöhus, lager, KQL-databaser och Power BI-semantiska modeller. En konfigurerad AI-färdighet kan till exempel innehålla fem Power BI-semantiska modeller. Den kan innehålla en blandning av två Power BI-semantiska modeller, en lakehouse och en KQL-databas. Du har många tillgängliga alternativ.

Välja relevanta tabeller: När du har valt datakällorna måste du lägga till dem en i taget och definiera de specifika tabellerna från varje källa som AI-färdigheten ska använda. Det här steget säkerställer att AI-färdigheten hämtar korrekta resultat genom att endast fokusera på relevanta data.

Lägga till kontext: För att förbättra AI-kompetensens noggrannhet kan du ge mer kontext via AI-instruktioner och exempelfrågor. Som underliggande agent för AI-kompetensen hjälper kontexten Azure OpenAI Assistant-API:et att fatta mer välgrundade beslut om hur du bearbetar användarfrågor och avgör vilken datakälla som passar bäst för att besvara dem.

  • AI-instruktioner: Du kan lägga till instruktioner som vägleder agenten som ligger till grund för AI-kompetensen när du ska fastställa den bästa datakällan för att besvara specifika typer av frågor. Du kan också ange anpassade regler eller definitioner som förtydligar organisationens terminologi eller specifika krav. Dessa instruktioner kan ge mer kontext eller inställningar som påverkar hur agenten väljer och frågar datakällor.

    • Ställ direkta frågor om finansiella mått till en semantisk Power BI-modell.
    • Tilldela frågor som handlar om utforskning av rådata till lakehouse.
    • Vidarebefordra frågor som kräver logganalys till KQL-databasen.

  • Exempelfrågor: Du kan lägga till exempel på frågepar för att illustrera hur AI-kompetensen ska svara på vanliga frågor. De här exemplen fungerar som en guide för agenten, som hjälper den att förstå hur man tolkar liknande frågor och genererar korrekta svar.

Anmärkning

Det går för närvarande inte att lägga till exempel på fråge-/frågepar för datakällor för Power BI-semantikmodeller.

Genom att kombinera tydliga AI-instruktioner och relevanta exempelfrågor kan du bättre anpassa AI-kompetensen till organisationens databehov, vilket säkerställer mer exakta och sammanhangsmedvetna svar.

Skillnad mellan en AI-färdighet och en andrepilot

Både AI-färdigheter och Fabric Copilots använder generativ AI för att bearbeta och resonera över data, men det finns viktiga skillnader i deras funktionalitet och användningsområden.

Konfigurationsflexibilitet: AI-kunskaper är mycket konfigurerbara. Du kan ange anpassade instruktioner och exempel för att anpassa deras beteende till specifika scenarier. Fabric-kopiloter, å andra sidan, är förkonfigurerade och erbjuder inte denna nivå av anpassning.

Omfång och användningsfall: Fabric copilots är utformade för att hjälpa till med uppgifter i Microsoft Fabric, till exempel skapandet av anteckningsbokskod eller lagerfrågor. AI-färdigheter är däremot fristående artefakter. För att göra AI-kompetensen mer mångsidig för bredare användningsfall kan de integreras med externa system som Microsoft Copilot Studio, Azure AI Foundry, Microsoft Teams eller andra verktyg utanför Fabric.

Utvärdering av AI-kompetensen

Kvaliteten och säkerheten för AI-kompetenssvaren gick igenom en rigorös utvärdering:

Benchmark Testing: Produktteamet testade AI-kunskaper i en rad offentliga och privata datauppsättningar för att säkerställa högkvalitativa och korrekta svar.

Enhanced Harm Mitigations: Fler skyddsåtgärder finns för att säkerställa att AI-kunskapsutdata förblir fokuserade på kontexten för valda datakällor, för att minska risken för irrelevanta eller vilseledande svar.

Begränsningar

AI-kompetensen finns för närvarande i offentlig förhandsversion och har begränsningar. Uppdateringar förbättrar AI-kompetensen över tid.

  • AI-kunskapen kan hämta data genom att generera strukturerade frågor (SQL, DAX eller KQL) för frågor som rör fakta, summor, ranking eller filter. Den kan dock inte tolka trender, ge förklaringar eller analysera underliggande orsaker.
  • AI-färdigheten genererar endast SQL/DAX/KQL-"läsfrågor". Den genererar inte SQL/DAX/KQL-frågor som skapar, uppdaterar eller tar bort data.
  • AI-färdigheten kan bara komma åt data som du tillhandahåller. Den använder bara de dataresurskonfigurationer som du anger.
  • AI-färdigheten har dataåtkomstbehörigheter som matchar de behörigheter som beviljas användaren som interagerar med AI-färdigheten. Detta gäller när AI-färdigheten publiceras till andra platser, till exempel Microsoft Copilot Studio, Azure AI Foundry och Microsoft Teams.
  • Du kan inte lägga till fler än fem datakällor till AI-kompetensen.
  • Du kan inte använda AI-kompetensen för att komma åt ostrukturerade dataresurser. Dessa resurser omfattar till exempel .pdf, .docx eller .txt filer.
  • AI-färdigheten blockerar frågor eller instruktioner som inte är engelska.
  • Du kan inte ändra den LLM som AI-färdigheten använder.
  • Du kan inte lägga till en KQL-databas som datakälla om den har fler än 1 000 tabeller eller en tabell med över 100 kolumner.
  • Du kan inte lägga till en Power BI-semantisk modell som datakälla om den innehåller mer än totalt 100 kolumner och mått.
  • AI-färdigheten fungerar bäst med 25 eller färre tabeller som valts i alla datakällor.
  • Icke-beskrivande dataresurskolumner och tabellnamn har en betydande, negativ inverkan på genererad SQL/DAX/KQL-frågekvalitet. Vi rekommenderar att du använder beskrivande namn.
  • Användning av för många kolumner och tabeller kan sänka AI-kompetensprestanda.
  • AI-kunskapen är för närvarande utformad för att hantera enkla frågor. Komplexa frågor som kräver många kopplingar eller avancerad logik tenderar att ha lägre tillförlitlighet.
  • Om du lägger till en Power BI-semantisk modell som datakälla använder AI-färdigheten inte några dolda tabeller, kolumner eller mått.
  • Om du tidigare har skapat en AI-funktion som använde ett datalager, och datalagret fanns på en arbetsyta som inte är värd för AI-funktionen, kan det uppstå ett fel. Lös problemet genom att ta bort den befintliga datakällan och lägga till den igen.
  • Om du vill lägga till en Power BI-semantisk modell som datakälla för AI-kunskaper behöver du läs- och skrivbehörigheter för power BI-semantikmodellen. Att fråga efter en AI-färdighet som använder en Power BI-semantisk modell kräver också att du har läs-/skrivbehörighet för den underliggande Power BI-semantikmodellen.
  • AI-färdigheten kan returnera felaktiga svar. Du bör testa AI-skickligheten med dina kollegor för att kontrollera att den svarar på frågor som förväntat. Om den gör misstag kan du ge den fler exempel och instruktioner.
  • Om du tidigare har skapat och publicerat en AI-färdighet, och du har använt dess URL programmatiskt, kommer URL:en inte längre att fungera om du öppnar AI-färdigheten på sidan för det nya användargränssnittet för AI-kunskaper. För att lösa detta måste du publicera om AI-färdigheten och använda den nya URL:en baserat på ASSISTENT-API:et.

Relaterat innehåll