Preguntas más frecuentes sobre la preparación de datos para la inteligencia artificial

En la actualidad, Power BI ofrece cuatro características principales de herramientas para configurar el modelo para el procesamiento de lenguaje natural:

• Esquemas de datos de IA: permite seleccionar un subconjunto de un esquema para Copilot usar.
• Respuestas comprobadas: respuesta que un autor de modelos configura y valida para obtener precisión y confiabilidad. Los autores pueden establecer objetos visuales específicos para Copilot usar en una respuesta comprobada cuando un usuario realiza una pregunta que se encuentra en la categoría asignada.
• Instrucciones de IA: las instrucciones que puede establecer en el modelo para proporcionar más contexto sobre los datos del modelo. Ayudan a Copilot comprender cuándo centrarse en qué datos y ayudan a Copilot comprender determinadas asignaciones que los usuarios del lenguaje pueden usar cuando interactúan con Copilot.
• Descripciones: descripciones establecidas en tablas y columnas para proporcionar más contexto sobre los datos. Copilot utiliza descripciones únicamente en consultas de Data Analysis Expressions (DAX) y funcionalidades de búsqueda.

Para obtener el máximo valor de Copilot en Power BI, implemente sus características de herramientas en la siguiente secuencia:

1. Defina el esquema de datos de IA.

   Para empezar, seleccione las tablas, campos y medidas específicos a las que Copilot debe hacer referencia cuando responda preguntas sobre datos.

   Durante el desarrollo del modelo, puede incluir elementos que no son relevantes para las consultas del usuario final. Al restringir el esquema, ayuda a Copilot centrarse en las partes más significativas del modelo, lo que reduce la ambigüedad. Esta práctica es importante para grandes conjuntos de datos que tienen campos superpuestos o con nombre similar.

   Este es un ejemplo de cómo los esquemas de datos de IA pueden ayudar a Copilot centrarse en los datos correctos:

   Cuando se usa todo el esquema, Copilot no siempre sabe lo que significa el usuario cuando dice sales. En este caso, Copilot devuelve el margen de beneficio bruto (GPM), que es una interpretación legítima de las ventas, pero no la métrica que este equipo usa normalmente para analizar las ventas.

   El autor del modelo usa la característica Prep data for AI y quita la medida Total de GPM del esquema que Copilot recibe.

   Ahora, cuando el usuario hace la misma pregunta, Copilot tiene más claridad sobre dónde obtener la respuesta y interpreta con precisión las ventas según la definición y medición del equipo.

   

2. Cree respuestas comprobadas.

   Configure respuestas comprobadas para preguntas comunes o matizadas que los usuarios puedan formular.

   Seleccione un objeto visual y, a continuación, seleccione Crear respuesta comprobada. A continuación, agregue frases de desencadenador que reflejen cómo es probable que los usuarios expresen sus preguntas. Cuando los usuarios introducen una frase que coincide o es similar en Copilot, devuelve el visual de confianza. Este proceso ayuda a garantizar respuestas coherentes y de alta calidad en todos los informes.

   En el ejemplo siguiente se muestra la ventaja de una respuesta comprobada. El usuario solicita ventas por área. Copilot interpreta area como área de productos y devuelve una lista de productos y sus ventas. Sin embargo, el usuario estaba buscando ventas por región o ubicación.

   El autor del modelo establece una respuesta verificada mediante una representación visual que incluye las ventas por cada región. A continuación, el autor incluye frases de desencadenador que, cuando un usuario las pide, debe devolver esta respuesta visual específica.

   Ahora, cuando el usuario solicita sales por área, Copilot devuelve la respuesta comprobada que aprueba el autor del modelo.

   

3. Agregue instrucciones de IA.

   Después de definir el esquema y las respuestas comprobadas, puede usar instrucciones de IA para guiar el comportamiento de Copilot en el nivel de modelo.

   Las instrucciones ayudan a aclarar la lógica de negocios, asignar la terminología del usuario a los campos del modelo e indicar a Copilot cómo interpretar o analizar tipos específicos de datos. Son útiles porque proporcionan contexto que Copilot no deduciría por sí solo.

   En el ejemplo siguiente se muestra cómo usar instrucciones de IA para proporcionar más contexto a Copilot. El usuario pregunta sobre las ventas durante la temporada ocupada de 2012. La temporada alta es una expresión bien definida y comúnmente utilizada en esta organización. Sin embargo, el modelo semántico no tiene ninguna indicación de este término en ningún lugar. El autor del modelo establece una instrucción que define la temporada ocupada como junio a agosto.

   Ahora, cuando el usuario formula la pregunta sobre las ventas durante la temporada ocupada, Copilot entiende este término definido y proporciona la respuesta.

   

4. Agregue descripciones a tablas y columnas.

   Las descripciones proporcionan metadatos adicionales que Copilot pueden usar para comprender el modelo.

   Aunque las descripciones influyen actualmente solo en algunos comportamientos de Copilot, desempeñarán un papel mayor en las funcionalidades futuras. Agregarlos ahora ayuda a crear una base sólida para el éxito a largo plazo con interacciones de lenguaje natural en Power BI.

Actualmente, las herramientas y las características de configuración solo están disponibles en el modelo. Todavía no puede configurar informes diferentes creados a partir del mismo modelo. Establezca el esquema, las respuestas comprobadas, las instrucciones y las descripciones en el modelo semántico, no en el informe.

Consulte la tabla siguiente:

1. Defina el esquema de datos de IA.

   Quite las tablas, columnas o campos que sean irrelevantes para las necesidades de los usuarios. Esta acción ayuda a Copilot centrarse en las partes más relevantes del modelo y ayuda a garantizar que selecciona los campos correctos cuando responde a las consultas.

2. Utiliza respuestas verificadas para visuales en informes.

   Si Copilot puede usar un objeto visual en el informe para derivar una respuesta a una pregunta, cree una respuesta comprobada. Esta práctica ayuda a garantizar que Copilot muestre de manera sistemática el elemento visual correcto cuando los usuarios plantean preguntas con frases desencadenantes específicas.

3. Personalice las instrucciones para campos específicos.

   Después de establecer el esquema y las respuestas comprobadas, puede usar instrucciones de IA para guiar Copilot al seleccionar campos concretos. Utilice las instrucciones para el ajuste preciso y para escenarios avanzados después de configurar otras funciones de Preparar datos para la IA. Esta secuencia de pasos ayuda a garantizar que Copilot devuelva los resultados más precisos y contextualmente relevantes a los usuarios, guiados por la estructura del modelo y las instrucciones definidas.

Si a Copilot le cuesta entender un término que siempre tiene un único elemento correcto al que hacer referencia en su modelo, puede proporcionar un nombre alternativo mediante instrucciones de IA.

Por ejemplo, si el equipo llama a las personas que venden sus productos más cerca, proporcione una referencia en las instrucciones de inteligencia artificial. Configure vendedores para que también se conozcan como closers.

Si el equipo usa determinados términos que no son una coincidencia exacta de 1:1 con tablas o campos del modelo, puede usar instrucciones de IA para ayudar a aclarar distintos elementos con determinadas condiciones o agrupaciones.

Por ejemplo, un equipo de ventas podría clasificar a cualquier persona que venda más de 100% de sus objetivos en cualquier mes determinado como artistas de alto rendimiento. Deben proporcionar las siguientes instrucciones para Copilot:

Alto rendimiento significa un vendedor que cumple 100% o más de su objetivo mensual.

Ahora, cuando un usuario pregunta, "¿Quiénes fueron los colaboradores de alto rendimiento el mes pasado?" Copilot sabe exactamente qué colaborador de alto rendimiento significa en su equipo y organización.

En otro ejemplo, una organización podría clasificar temporadas. Tu equipo podría llamar temporada baja al periodo de enero a mayo. De junio a septiembre podría ser temporada alta. Octubre a diciembre podría ser temporada estándar.

En las instrucciones de IA, puede establecer las siguientes definiciones:

• La temporada lenta significa enero a mayo.
• La temporada ocupada significa junio a septiembre.
• Temporada estándar significa octubre a diciembre.

Ahora, cuando un usuario pregunta, "¿Cuáles fueron las ventas totales de la temporada alta el año pasado?" Copilot comprende a qué periodo de tiempo se refiere el usuario por busy season.

Los consumidores del informe y los datos probablemente hagan algunas preguntas más frecuentes. Puede solucionar esta situación aplicando respuestas comprobadas a su modelo. Aplique una respuesta verificada seleccionando un elemento visual y estableciendo frases desencadenantes. Cuando un usuario hace una pregunta sobre el tema, Copilot devuelve información usando el visual asignado.

Por ejemplo, los consumidores del informe y el modelo a menudo pueden preguntar: "¿Qué producto tenía las ventas más altas la semana pasada?", puede establecer una respuesta comprobada para ayudar a Copilot comprender dónde puede encontrar la información correcta. Este método ayuda a los autores y consumidores a confiar en que la respuesta es correcta.

Las funcionalidades que existen actualmente están limitadas a un amplio consumo. Actualmente no se puede crear un glosario basado en grupos diferentes ni definir un término de dos maneras diferentes. Por ejemplo, los ingenieros pueden definir el uso como número de veces en los que se hace clic, pero los administradores de productos pueden definir el uso como clientes de pago en un mes determinado. Actualmente no se pueden proporcionar definiciones de uso diferentes en el mismo modelo.

En escenarios en los que el esquema de modelo semántico es demasiado grande para Copilot representar una respuesta, Copilot reduce el esquema del modelo para que pueda comprender el esquema y generar una respuesta. Puede saber cuándo se produce esta reducción descargando los diagnósticos de Copilot y buscando "AgentSchemaReduced" en las advertencias.

Para que Copilot funcionen mejor, debe comprender los datos subyacentes en el modelo semántico. Para comprender los datos subyacentes, Copilot en Power BI indexa el modelo semántico para que pueda buscar con precisión los valores pertinentes que coincidan. Este proceso ayuda a Copilot responder de forma eficaz a las preguntas en función de la solicitud.

Considere un conjunto de datos relacionado con el turismo de Hawaii. Para responder a preguntas como "¿Cómo afectó el tiempo a las visitas turísticas en Maui?" Copilot debe comprender que Maui es un valor de instancia en el modelo semántico en la columna Nombre de la Isla de la Island.

Para Copilot buscar eficazmente estos valores de instancia, Power BI indexa el modelo semántico al habilitar Power BI Q&A. Power BI vuelve a indexar el modelo cuando detecta cambios.

Frecuencia de indexación de modelos

Power BI indiza todos los modelos que tienen habilitada la configuración de Q&A.

La reindexación se produce cuando se realiza una de las siguientes acciones:

• Para los modelos de importación :
  • Publicas o vuelves a publicar el modelo en el servicio.
  • Se realiza una actualización manual o programada en el modelo, y se usan Copilot y las Preguntas y respuestas en los últimos 14 días.
• Para los modelos de DirectQuery y Direct Lake :
  • Publicas o vuelves a publicar el modelo en el servicio.
  • El índice tiene más de 24 horas y ha usado Copilot y Q&A en los últimos 14 días.

El siguiente mensaje de Copilot indica que el modelo está indexando actualmente. El mensaje se resuelve automáticamente después de que finalice la indexación.

Metodología de indexación

Power BI solo indexa columnas de texto en el modelo semántico. Power BI no indexa las columnas ocultas en el esquema de IA mediante la función Preparar los datos para IA.

Power BI indexa hasta cinco millones de valores de instancia con columnas e indexa primero la cardinalidad más pequeña. DISTINCTCOUNT determina la cardinalidad de la columna para los modelos de importación y COLUMNSTATISTICS determina la cardinalidad de la columna para los modelos de DirectQuery. Para los orígenes de DirectQuery, la función COLUMNSTATISTICS usa la función APPROXIMATEDISTINCTCOUNT para determinar eficazmente las cardinalidades aproximadas de las columnas de los orígenes de datos subyacentes que lo admiten.

Para evitar aún más la sobrecarga del sistema subyacente para los modelos de DirectQuery con una entrada de consultas debido a la indexación, Power BI almacena en caché los resultados de COLUMNSTATISTICS y vuelve a calcular las estadísticas cada siete días. Durante el proceso de indexación, si la indexación de la siguiente columna cruzaría el límite superior de cinco millones de instancias, Power BI omite esa columna por completo.

Si la indexación alcanza el límite, Copilot sigue respondiendo basándose en el índice que ha creado, que no incluye todos los valores de la instancia. Verá la siguiente advertencia cuando el modelo semántico alcanza el límite de indexación.

Limitaciones conocidas

• La indexación tiene un límite superior de cinco millones de valores de instancia o 1000 entidades de modelo (tablas o columnas) para modelos semánticos grandes.
• Power BI no indexa valores de texto de más de 100 caracteres.
• Los modelos directQuery solo indexan columnas para orígenes de datos que admiten APPROXIMATEDISTINCTCOUNT.
• La indexación de los modelos de DirectQuery y Direct Lake se produce una vez durante un período de 24 horas a menos que vuelva a publicar el modelo.
• Si se produce un error en la actualización del modelo semántico subyacente, el índice de datos podría estar obsoleto hasta la siguiente actualización correcta del modelo semántico.
• La primera generación de índices de datos para el modelo semántico puede tardar 15 minutos adicionales en permitir que las actividades de back-end generen el índice.