Häufig gestellte Fragen zum Vorbereiten von Daten für KI

Heute bietet Power BI vier Hauptfunktionen zum Konfigurieren Ihres Modells für die Verarbeitung natürlicher Sprachen:

• KI-Datenschemata: Hiermit können Sie eine Teilmenge eines Schemas auswählen, die Copilot verwenden soll.
• Überprüfte Antworten: Eine Antwort, die ein Modellautor konfiguriert und auf Genauigkeit und Zuverlässigkeit überprüft. Autoren können bestimmte visuelle Elemente für Copilot festlegen, die in einer überprüften Antwort verwendet werden sollen, wenn ein Benutzer eine Frage stellt, die in die zugewiesene Kategorie fällt.
• KI-Anweisungen: Anweisungen, die Sie für Ihr Modell festlegen können, um mehr Kontext zu den Daten im Modell bereitzustellen. Sie helfen Copilot zu verstehen, wann sie sich auf welche Daten konzentrieren müssen, und helfen Copilot, bestimmte Zuordnungen zu verstehen, die Benutzer der Sprache verwenden können, wenn sie mit Copilot interagieren.
• Beschreibungen: Beschreibungen, die für Tabellen und Spalten festgelegt sind, um mehr Kontext zu den Daten bereitzustellen. Copilot verwendet Beschreibungen nur in DAX-Abfragen (Data Analysis Expressions) und Suchfunktionen.

Um den größten Wert von Copilot in Power BI zu erhalten, implementieren Sie ihre Toolfunktionen in der folgenden Reihenfolge:

1. Definieren Sie das KI-Datenschema.

   Wählen Sie zunächst die spezifischen Tabellen, Felder und Measures aus, auf die Copilot verweisen sollten, wenn sie Datenfragen beantwortet.

   Während der Modellentwicklung können Sie Elemente einschließen, die für Endbenutzerabfragen nicht relevant sind. Wenn Sie das Schema eingrenzen, helfen Sie Copilot, sich auf die aussagekräftigsten Teile Ihres Modells zu konzentrieren, wodurch die Mehrdeutigkeit reduziert wird. Diese Vorgehensweise ist für große Datasets mit überlappenden oder ähnlich benannten Feldern wichtig.

   Hier ist ein Beispiel dafür, wie KI-Datenschemas helfen können, Copilot den Fokus auf die richtigen Daten zu legen:

   Wenn Sie das gesamte Schema verwenden, weiß Copilot nicht immer, was der Benutzer bedeutet, wenn er verkaufs sagt. In diesem Fall gibt Copilot die Bruttogewinnmarge (GPM) zurück, bei der es sich um eine legitime Interpretation des Umsatzes handelt, aber nicht um die Metrik, die dieses Team in der Regel zum Analysieren des Umsatzes verwendet.

   Der Modellautor nutzt das Feature Daten für KI vorbereiten und entfernt die Kennzahl „Total GPM“ aus dem Schema, das Copilot erhält.

   Wenn der Benutzer nun die gleiche Frage stellt, weiß Copilot genauer, woher er die Antwort bekommen kann, und interpretiert die Umsätze korrekt nach der Definition und Messung des Teams.

   

2. Erstellen Sie überprüfte Antworten.

   Richten Sie überprüfte Antworten für häufig gestellte oder differenzierte Fragen ein, die Benutzer möglicherweise stellen.

   Wählen Sie ein visuelles Element aus, und wählen Sie dann "Überprüfte Antwort erstellen" aus. Fügen Sie dann Triggerausdrücke hinzu, die widerspiegeln, wie Benutzer ihre Fragen wahrscheinlich ausdrücken. Wenn Benutzer einen übereinstimmenden oder ähnlichen Ausdruck in Copilot eingeben, wird die vertrauenswürdige visuelle Darstellung zurückgegeben. Dieser Prozess trägt dazu bei, konsistente, qualitativ hochwertige Antworten über Berichte hinweg sicherzustellen.

   Das folgende Beispiel zeigt den Vorteil einer überprüften Antwort. Der Benutzer fragt nach Vertrieb nach Bereich. Copilot interpretiert area als produktbereich und gibt eine Liste der Produkte und deren Umsätze zurück. Der Benutzer suchte jedoch nach Umsätzen nach Region oder Standort.

   Der Modellautor legt eine überprüfte Antwort mithilfe eines visuellen Elements fest, das Umsätze nach Region enthält. Anschließend enthält der Autor Triggerausdrücke, die, wenn ein Benutzer sie fragt, diese spezifische visuelle Antwort zurückgeben sollte.

   Wenn der Benutzer jetzt nach Verkäufen nach Bereich fragt, gibt Copilot die überprüfte Antwort zurück, die der Modellautor genehmigt.

   

3. Fügen Sie KI-Anweisungen hinzu.

   Nachdem Sie das Schema und verifizierte Antworten definiert haben, können Sie KI-Anweisungen verwenden, um das Verhalten von Copilot auf Modellebene zu steuern.

   Anweisungen helfen dabei, Geschäftslogik zu verdeutlichen, Benutzerterminologien auf Modellfelder abzubilden und Copilot mitzuteilen, wie spezifische Datentypen interpretiert oder analysiert werden sollten. Sie sind hilfreich, da sie Kontext bereitstellen, den Copilot von sich aus nicht ableiten würde.

   Das folgende Beispiel zeigt, wie KI-Anweisungen verwendet werden, um Copilot mehr Kontext bereitzustellen. Der Benutzer fragt nach Verkäufen während der Hochsaison 2012. Die Hochsaison ist ein gut definierter, häufig verwendeter Ausdruck in diesem Unternehmen. Das Semantikmodell weist jedoch keinen Hinweis auf diesen Begriff an. Der Modellautor legt eine Anweisung fest, die die Hauptsaison als Juni bis August definiert.

   Wenn der Benutzer nun die Frage nach Verkäufen während der Hochsaison stellt, versteht Copilot diesen definierten Begriff und liefert die Antwort.

   

4. Fügen Sie Tabellen- und Spaltenbeschreibungen hinzu.

   Beschreibungen stellen zusätzliche Metadaten bereit, die Copilot verwenden können, um Ihr Modell zu verstehen.

   Obwohl Beschreibungen derzeit nur einige Copilot Verhaltensweisen beeinflussen, spielen sie in zukünftigen Funktionen eine größere Rolle. Durch das Hinzufügen dieser Elemente können Sie nun eine starke Grundlage für den langfristigen Erfolg mit Interaktionen in natürlicher Sprache in Power BI schaffen.

Heute sind Tools und Konfigurationsfeatures nur für das Modell verfügbar. Sie können noch keine verschiedenen Berichte konfigurieren, die aus demselben Modell erstellt wurden. Sie legen das Schema, überprüfte Antworten, Anweisungen und Beschreibungen für das semantische Modell und nicht für den Bericht fest.

Beachten Sie hierzu die folgende Tabelle:

1. Definieren Sie Ihr KI-Datenschema.

   Entfernen Sie alle Tabellen, Spalten oder Felder, die für die Anforderungen Ihrer Benutzer irrelevant sind. Diese Aktion hilft Copilot den Fokus auf die relevantesten Teile Ihres Modells zu legen und sicherzustellen, dass sie die richtigen Felder auswählt, wenn sie auf Abfragen antwortet.

2. Verwenden Sie überprüfte Antworten für visuelle Elemente in Berichten.

   Wenn Copilot ein visuelles Element in Ihrem Bericht verwenden kann, um eine Antwort auf eine Frage abzuleiten, erstellen Sie eine überprüfte Antwort. Mit dieser Übung wird sichergestellt, dass Copilot konsistent das richtige visuelle Element zurückgibt, wenn Benutzer Fragen mit bestimmten Triggerausdrücken stellen.

3. Passen Sie Anweisungen für bestimmte Felder an.

   Nachdem Sie das Schema festgelegt und überprüfte Antworten festgelegt haben, können Sie KI-Anweisungen verwenden, um Copilot beim Auswählen bestimmter Felder zu führen. Verwenden Sie Anweisungen zur Feinabstimmung und für erweiterte Szenarien, nachdem Sie andere Daten für KI vorbereiten-Funktionen eingerichtet haben. Diese Schrittabfolge trägt dazu bei, sicherzustellen, dass Copilot die genauesten und kontextrelevanten Ergebnisse an Benutzer zurückgibt, die von der Struktur Ihres Modells und ihren definierten Anweisungen geleitet werden.

Wenn Copilot Schwierigkeiten hat, einen Begriff zu verstehen, für den es in Ihrem Modell immer genau ein einziges korrektes Element gibt, auf das verwiesen werden kann, können Sie mithilfe von KI-Anweisungen einen alternativen Namen angeben.

Wenn Ihr Team beispielsweise die Personen, die Ihre Produkte verkaufen, als closers bezeichnet, geben Sie dies in Ihren KI-Anweisungen an. Legen Sie fest, dass Verkäufer auch als Näherer bezeichnet werden.

Wenn Ihr Team bestimmte Begriffe verwendet, die nicht exakt mit Tabellen oder Feldern in Ihrem Modell übereinstimmen, können Sie KI-Anweisungen verwenden, um verschiedene Elemente mit bestimmten Bedingungen oder Gruppierungen zu klären.

Beispielsweise kann ein Vertriebsteam jeden, der mehr als 100% seiner Ziele verkauft, in einem bestimmten Monat als High-Performer klassifizieren. Sie sollten die folgenden Anweisungen für Copilot bereitstellen.

High Performer bedeutet, dass ein Verkäufer, der 100% oder mehr seines monatlichen Ziels erfüllt.

Wenn ein Benutzer nun fragt: "Wer waren die High performer im letzten Monat?" Copilot weiß genau, was high performer in Ihrem Team und Ihrer Organisation bedeutet.

In einem anderen Beispiel kann eine Organisation Jahreszeiten klassifizieren. Ihr Team könnte die Zeit von Januar bis Mai als Nebensaison bezeichnen. Juni bis September kann die Saison überlastet sein. Oktober bis Dezember kann eine Standardsaison sein.

In KI-Anweisungen können Sie die folgenden Definitionen festlegen:

• Langsame Saison bedeutet Januar bis Mai.
• Gebuchte Saison bedeutet Juni bis September.
• Die Standardsaison bedeutet Oktober bis Dezember.

Copilot versteht, welchen Zeitrahmen der Benutzer mit busy season meint, wenn ein Benutzer nun fragt: "Was waren die Gesamtumsätze für die Hochsaison im letzten Jahr?"

Verbraucher Ihres Berichts und Ihrer Daten stellen wahrscheinlich häufiger Fragen. Sie können dieses Vorkommen beheben, indem Sie überprüfte Antworten auf Ihr Modell anwenden. Wenden Sie eine überprüfte Antwort an, indem Sie visuelle Elemente auswählen und Trigger-Phrasen festlegen. Wenn ein Benutzer nach dem Thema fragt, gibt Copilot Informationen mithilfe des zugewiesenen visuellen Elements zurück.

Beispielsweise könnten Verbraucher des Berichts und Modells häufig fragen: "Welches Produkt hatte die höchste Verkaufsmenge letzte Woche?" Sie können eine überprüfte Antwort festlegen, um Copilot zu verstehen, wo sie die richtigen Informationen finden kann. Diese Methode hilft Autoren und Verbrauchern zu vertrauen, dass die Antwort richtig ist.

Die heute vorhandenen Funktionen sind auf den breiten Verbrauch beschränkt. Sie können derzeit kein Glossar basierend auf verschiedenen Gruppen erstellen oder einen Begriff auf zwei verschiedene Arten definieren. Beispielsweise könnten Ingenieure Nutzung als Anzahl der Klicks definieren, aber Produktmanager könnten Nutzung als zahlende Kunden in einem bestimmten Monat definieren. Sie können zurzeit für usage im selben Modell keine unterschiedlichen Definitionen festlegen.

In Szenarien, in denen Ihr Semantikmodellschema zu groß ist, damit Copilot eine Antwort rendern können, reduziert Copilot das Modellschema, sodass es das Schema verstehen und eine Antwort generieren kann. Sie können feststellen, wann diese Reduzierung erfolgt, indem Sie die Copilot Diagnose herunterladen und in den Warnungen nach "AgentSchemaReduced" suchen.

Damit Copilot optimal funktioniert, muss es die zugrunde liegenden Daten im semantischen Modell verstehen. Um die zugrunde liegenden Daten zu verstehen, Copilot in Power BI das semantische Modell indiziert, damit es exakt nach relevanten Werten suchen kann, die übereinstimmen. Dieser Prozess hilft Copilot, Fragen basierend auf Ihrer Eingabeaufforderung effektiv zu beantworten.

Betrachten Sie ein Dataset im Zusammenhang mit Hawaii Tourismus. Um Fragen wie "Wie wirkte sich das Wetter auf Touristenbesuche auf Maui aus?" zu beantworten, muss Copilot verstehen, dass Maui ein Instanzwert im semantischen Modell in der Spalte Islandname der Tabelle Island ist.

Damit Copilot diese Instanzwerte effektiv durchsuchen kann, indiziert Power BI das semantische Modell, wenn Sie Power BI F&A aktivieren. Power BI das Modell neu indiziert, wenn Änderungen erkannt werden.

Modellindizierungshäufigkeit

Power BI indiziert alle Modelle, für die die Q&A-Einstellung aktiviert ist.

Erneute Indizierung tritt auf, wenn eine der folgenden Aktionen ausgeführt wird:

• Für Importmodelle :
  • Sie veröffentlichen das Modell im Dienst oder veröffentlichen es erneut.
  • Eine manuelle oder geplante Aktualisierung wird auf dem Modell ausgeführt, und Sie verwenden Copilot und Q& A innerhalb der letzten 14 Tage.
• Für DirectQuery - und Direct Lake-Modelle :
  • Sie veröffentlichen oder veröffentlichen das Modell erneut im Dienst.
  • Der Index ist älter als 24 Stunden und Sie haben Copilot und Q&A in den letzten 14 Tagen verwendet.

Die folgende Meldung in Copilot gibt an, dass das Modell derzeit indiziert wird. Die Nachricht wird nach Abschluss der Indizierung automatisch aufgelöst.

Indizierungsmethode

Power BI indiziert nur Textspalten im semantischen Modell. Power BI indiziert keine Spalten, die Sie im KI-Schema über die Funktion Bereiten Sie Ihre Daten für KI vor ausblenden.

Power BI indiziert bis zu fünf Millionen Instanzenwerte mit Spalten und indiziert zuerst die kleinste Kardinalität. DISTINCTCOUNT bestimmt die Kardinalität der Spalte für Importmodelle und COLUMNSTATISTICS bestimmt die Kardinalität der Spalte für DirectQuery-Modelle. Bei DirectQuery-Quellen verwendet die COLUMNSTATISTICS Funktion die APPROXIMATEDISTINCTCOUNT Funktion, um ungefähre Spaltenkardinalitäten für zugrunde liegende Datenquellen, die sie unterstützen, effizient zu ermitteln.

Um eine Überlastung des zugrunde liegenden Systems bei DirectQuery-Modellen durch einen Anstieg der Abfragen infolge der Indizierung weiter zu verhindern, speichert Power BI die Ergebnisse von COLUMNSTATISTICS zwischen und berechnet die Statistiken alle sieben Tage neu. Wenn während der Indexierung das Indizieren der nächsten Spalte die Obergrenze von fünf Millionen Instanzwerten überschreiten würde, wird diese Spalte von Power BI vollständig übersprungen.

Wenn die Indizierung das Limit erreicht, antwortet Copilot weiterhin auf Grundlage des von ihm erstellten Index, der nicht alle Instanzwerte enthält. Die folgende Warnung wird angezeigt, wenn das Semantikmodell auf den Indizierungsgrenzwert trifft.

Bekannte Einschränkungen

• Die Indizierung hat eine obergrenze von fünf Millionen Instanzenwerten oder 1.000 Modellentitäten (Tabellen/Spalten) für große semantische Modelle.
• Power BI indiziert keine Textwerte mit 100 oder mehr Zeichen.
• DirectQuery-Modelle indizieren nur Spalten für Datenquellen, die APPROXIMATEDISTINCTCOUNT unterstützen.
• Die Indizierung für DirectQuery- und Direct Lake-Modelle erfolgt einmal während eines 24-Stunden-Zeitraums, es sei denn, Sie veröffentlichen das Modell erneut.
• Wenn die zugrunde liegende Semantikmodellaktualisierung fehlschlägt, ist der Datenindex möglicherweise veraltet, bis die nächste erfolgreiche Semantikmodellaktualisierung ausgeführt wird.
• Die erste Datenindexgenerierung für das semantische Modell kann zusätzliche 15 Minuten dauern, damit Back-End-Aktivitäten den Index generieren können.