Semanttisen mallin parhaat käytännöt dataagentille

Fabric-dataagentti mahdollistaa organisaatioille keskustelujärjestelmien rakentamisen generatiivisen tekoälyn avulla. Yhdistämällä Power BI:n semanttiset mallit tietolähteiksi tiimit voivat esittää luonnollisen kielen kysymyksiä ja saada tarkkoja, kontekstirikkaita vastauksia ilman monimutkaisia DAX- tai SQL-kyselyitä.

Tekoälyvastausten laatu riippuu kuitenkin vahvasti siitä, kuinka hyvin valmistelet tietolähteesi. Vaikka Fabric Data Agent tukee useita tietolähdetyyppejä, kuten järvitaloja, varastoja, tapahtumataloja ja ontologioita, tämä opas keskittyy erityisesti Power BI:n semanttisiin malleihin ja käy läpi parhaat käytännöt niiden konfigurointiin tarkkuuden ja relevanssin maksimoimiseksi.

Fabric-tietoagentin toiminta

Dataagentti käyttää kerroksellista arkkitehtuuria, jossa käyttäjän kysymykset kulkevat Orchestratorin läpi. Orkestraattori määrittää sopivan tietolähteen ja käyttää erikoistyökaluja, mukaan lukien DAX-generointityökalun Power BI:n semanttisille malleille, luodakseen, validoidakseen ja suorittaakseen kyselyitä.

Kyselyjen käsittelyprosessi

1. Kysymysten jäsentäminen: Agentti käsittelee käyttäjien kysymyksiä Azure OpenAI:n kautta, varmistaen turvallisuusprotokollien ja käyttöoikeuksien noudattamisen sekä noudattaen Microsoftin vastuullisen tekoälyn periaatteita.

2. Tietolähteiden valinta: Järjestelmä arvioi kysymyksen saatavilla olevien lähteiden perusteella käyttäen skeematietoja ja antamiasi tekoälyohjeita.

3. Kyselyjen generointi: Semanttisissa malleissa DAX-generointityökalu generoi DAX-kyselyt skeeman, metatietojen (synonyymit, numeeristen sarakkeiden minimi- ja maksimiarvot, raportin visuaaliset metatiedot ja muuta), Prep data for AI:ssa konfiguroituun kontekstiin sekä keskusteluhistoriaan perustuen.

4. Vastauksen muotoilu: Agentti muotoilee tulokset ihmisen luettaviksi vastauksiksi, joissa on taulukoita, yhteenvetoja tai oivalluksia agentin ohjeiden pohjalta.

Edistynyt DAX-sukupolvi (esikatselu)

Edistynyt DAX-generointityökalu on saatavilla dataagenteille esikatseluajonaikalla. Toisin kuin tavallinen DAX-generointi, joka generoi kyselyn yhdellä kierroksella, edistynyt DAX-generointi käyttää useita päättelyvaiheita mallin metatietojen tarkasteluun, kysymyksen tulkintaan, epäselvyyden ratkaisemiseen ja DAX-kyselyn tuottamiseen.

Edistyneen DAX-tuotannon etuja ovat:

• Tarkempia vastauksia monimutkaisiin kysymyksiin: Se perustelee iteratiivisesti, tarkastelee tuloksia, ratkaisee epäselvyydet ja hioi lähestymistapaansa useissa vaiheissa.
• Instanssiarvojen indeksointi: Se hakee arvoja semanttisten mallien sarakkeista tuottaakseen tarkempia ja luotettavampia suodattimia.
• Johdonmukaisia vastauksia Microsoft-kokemuksissa: Se käyttää jaettuja ominaisuuksia parantaakseen vastausjohdonmukaisuutta Fabric-dataagentin, Fabric-taidot, Power BI:n, Microsoft 365 Copilot- ja Fabric IQ -lisäosan välillä.
• Parannettu viive joissain tilanteissa: Vaikka työkalu pystyy suorittamaan useita päättelyvaiheita, sen kyky tunnistaa relevantit mallin objektit ja arvot tehokkaammin voi vähentää vastausviivettä joissakin kysymyksissä.

Käytä edistynyttä DAX-sukupolvea

Ominaisuuden aktivoimiseksi vaihda dataagentti esikatseluajonaikaan.

Edistynyt DAX-generointi hyödyntää semanttista mallin metatietoja ja Prep for AI-konfiguraatioita, jotka on kuvattu tässä artikkelissa. Noudata tässä artikkelissa kuvattuja parhaita käytäntöjä maksimoidaksesi vastauksen tarkkuuden ja suorituskyvyn.

Instanssiarvojen indeksointi vaatii tällä hetkellä semanttisen mallin Q&A-asetuksen käyttöönottoa. Tämä asetus on oletuksena käytössä Import- ja Direct Lake -malleissa. Koska Q&A:t poistuvat käytöstä joulukuussa 2026, korvaava asetus tukee instanssiarvojen indeksointia eläkkeelle siirtymisen jälkeen, ja tätä artikkelia päivitetään uusilla konfigurointivaiheilla.

Valmistautuminen tekoälyyn: Tee semanttinen mallitekoäly valmiiksi

Power BI:n Prep for AI -ominaisuus tarjoaa kolme konfiguraatiokomponenttia, jotka vaikuttavat suoraan siihen, miten Fabric-dataagentti tulkitsee semanttista malliasi. Voit käyttää näitä komponentteja sekä Power BI Desktopissa että Power BI -palvelussa. Power BI Copilot käyttää myös Prep:tä tekoälykonfiguraatioissa, joten ajan käyttäminen näiden käyttöönottoon hyödyttää sekä Copilotin että dataagenttien vasteita.

AI-dataskeemat

Tekoälydataskeemat antavat sinun määritellä mallisi kohdennetun osajoukon tekoälyn priorisointia varten. Vaikka dataagentilla on myös oma taulukkovalintansa, kun lisätään semanttinen malli tietolähteeksi, konfiguroi skeemasi ensin Prep for AI:ssa. DAX-generointityökalu käyttää tätä skeemaa DAX-kyselyiden luomiseen.

Voit konfiguroida tämän skeeman Power BI Desktopissa tai Power BI -palvelussa valitsemalla Prep data for AI Home-nauhasta. Sen jälkeen siirry Simplify data schema -välilehdelle. Sen jälkeen valitse, mitä taulukoita, sarakkeita ja mittareita tekoäly käyttää vastauksia luodessaan. Yksityiskohtaiset asennusohjeet löydät kohdasta Aseta tekoälydataskeema.

Kun lisäät semanttisen mallin dataagenttiin, valitse samat taulukot, jotka määrittelit Prep for AI:ssa varmistaaksesi johdonmukaisen käytöksen. Ensiksi määrittele dataagenttisi laajuus (millaisiin kysymyksiin sen tulisi vastata). Valitse sitten vain asiaankuuluvat objektit. Tämä lähestymistapa vähentää epäselvyyttä, parantaa tarkkuutta ja vähentää vasteviivettä.

DAX-generointityökalu perustuu mallin metatietoihin tulkitakseen kysymyksiä. Käytä selkeitä, liiketoimintaystävällisiä nimiä taulukoille, sarakkeille ja mittareille, jotka heijastavat sitä, miten käyttäjät luonnollisesti viittaavat dataan. Esimerkiksi käytä 'Total Revenue' 'TR_AMT' sijaan tai 'Sales Region' 'DIM_GEO_01' sijaan. Tämä ohjeistus on erityisen tärkeä suurille malleille, joissa kentät menevät päällekkäin tai samannimisiä, ja epämääräiset nimet voivat johtaa virheelliseen kyselyjen generointiin.

Esimerkki: Kentän epäselvyyden ratkaiseminen

Vinkkejä tekoälydataskeemoihin

• Johdonmukaisten ja tarkkojen tulosten saamiseksi varmista, että valitset samat taulukot Fabric Data Agentissa, jotka on myös määritelty tekoälyskeemien kautta Prep for AI:ssa.

• Skeemaa valitessa sisällytetään myös riippuvaiset objektit. Esimerkiksi, jos kokonaisliikevaihtomittari viittaa kahteen muuhun mittariin, jotka riippuvat lisäsarakkeista, sisällytä kaikki nämä riippuvaiset objektit skeemaasi. Riippuvuuksien tunnistamiseen käytetään Semantic Link Labs -kirjaston get_measure_dependencies-funktiota.

• Jos sinulla on suuri semanttinen malli, kaikkien objektien uudelleennimeäminen manuaalisesti voi olla työlästä. Käytä Power BI Modeling MCP -palvelinta saadaksesi LLM:n luomaan liiketoimintaystävällisiä nimiä taulukoillesi, sarakkeillesi ja mittauksillesi. Tarkista ja varmista muutokset ennen tallentamista, jotta ne eivät riko mitään DAX-lausekkeita, suhteita tai muita riippuvaisia objekteja.

Vahvistetut vastaukset

Varmennetut vastaukset ovat käyttäjän hyväksymiä visuaalisia vastauksia, jotka herättävät tietyt kysymykset. Ne tarjoavat johdonmukaisia ja luotettavia vastauksia yleisiin tai monimutkaisiin kysymyksiin, jotka muuten saattaisivat tulkita väärin. Koska tallennat varmennetut vastaukset semanttisen mallin tasolle (ei raporttitasolle), ne toimivat kaikilla dataagenteilla, jotka käyttävät samaa mallia. Lisätietoja löytyy kohdasta Valmistele tietosi tekoälylle – Vahvistettuja vastauksia.

Kun käytät varmennettuja vastauksia dataagentilla, järjestelmä ei palauta Power BI:n visuaalista versiota. Sen sijaan se käyttää käyttäjäkysymyksiä ja visuaalin ominaisuuksia (sarakit, mittaukset, suodattimet) vaikuttaakseen DAX-kyselyjen generointiin. Tämä lähestymistapa tarkoittaa, että vahvistetut vastaukset parantavat vastaustarkkuutta ohjaamalla DAX-generointityökalua kohti oikeaa kyselyrakennetta. Kun käyttäjä esittää kysymyksen dataagentille, järjestelmä tarkistaa ensin tarkan tai semanttisesti samankaltaisen vastaavuuden vahvistetussa vastauksessa määriteltyyn kehotteeseesi ennen uuden vastauksen luomista.

Esimerkki: Alueellisen terminologian käsittely

Konfigurointivinkkejä vahvistettuihin vastauksiin

• Käytä viittä–seitsemää laukaisevaa kysymystä per vahvistettu vastaus kattaaksesi luonnolliset vaihtelut.
• Sisällytä sekä muodollisia että keskustelullisia ilmaisuja, joita käyttäjät saattavat kokeilla.
• Säädä jopa kolme suodatinta joustavaa viipalointia varten ilman, että luot useita vahvistettuja vastauksia.
• Jos nimeät uudelleen tauluja, sarakkeita tai mittareita, joihin viitataan varmennetussa vastauksessa, päivitä vahvistettu vastaus ja tallenna se uudelleen, jotta muutokset astuvat voimaan.

Tekoälyohjeet

Prep for AI:n tekoälyohjeet tarjoavat kontekstia, liiketoimintalogiikkaa ja ohjausta suoraan semanttiseen malliin. Ne auttavat selkeyttämään terminologiaa, ohjaavat analyysimenetelmiä ja tarjoavat kriittistä liiketoiminta- ja semanttista kontekstia, jota tekoäly ei muuten ymmärtäisi.

Voit konfiguroida nämä ohjeet Power BI Desktopissa tai Power BI:n palvelussa valitsemalla Home-nauhasta Prep data for AI ja siirtymällä sitten Add AI - välilehdelle . Yksityiskohtaiset asennusohjeet löydät AI Instructions -dokumentaatiosta.

AI-ohjeet ovat jäsentämättömiä ohjeita, joita LLM tulkitsee, mutta ei ole takeita siitä, että se noudattaa niitä tarkasti. Selkeät, tarkat ohjeet ovat tehokkaampia kuin monimutkaiset tai ristiriitaiset.

Kuten aiemmin mainittiin, DAX-generointityökalu viittaa vain semanttisen mallin Prep-AI-käskyihin, jotka on konfiguroitu. Dataagentin käskyjä ei välitetä työkalulle ja ne jätetään huomiotta semanttisia malleja haettaessa. Tästä syystä älä lisää semanttisia mallikohtaisia käskyjä dataagentin tasolle. Sen sijaan pidä kaikki semanttisen mallin ohjeet Prep for AI -ohjelmassa, jossa DAX-generointityökalu voi käyttää niitä. Data agentin ohjeiden tulisi sisältää vain ohjeet, jotka koskevat kaikkia agentin konfiguroituja tietolähteitä, kuten yleiset vastemuotoiluasetukset, ristiinlähteiden reitityssäännöt, yleiset lyhenteet, sävy ja niin edelleen. Huomaa myös, että toisin kuin muut tietolähteet, data agentti ei tue tietolähdeohjeita tai kuvauksia semanttisille malleille.

Esimerkki: Liiketoimintaterminologian määrittely

Tehokkaat opetusmallit

• Aikakausien määritelmät: "Huippukausi kestää marraskuusta tammikuuhun. Off-season on helmikuusta huhtikuuhun."
• Metriset mieltymykset: "Kun käyttäjät kysyvät kannattavuudesta, käytä Contribution_Margin mittaria, älä Gross_Profit."
• Tietolähteen reititys: "Varastokysymyksissä priorisoi Warehouse_Inventory-taulukko Sales_Orders edelle."
• Oletusryhmitykset: "Ellei toisin mainita, analysoi liikevaihto tilikauden mukaan kalenterikuukauden sijaan."

Prep for AI:n lisäksi DAX-kyselyjen generointityökalu käyttää myös raporttien visuaaleista saatuja metatietoja, kuten visuaalista otsikkoa, sarakkeita, mittareita, suodattimia ja niin edelleen, parantaakseen kyselyjen tarkkuutta.

Suositeltu toteutusprosessi

1. Optimoi semanttinen malli: Aloita optimoimalla semanttinen mallisi suorituskyvyn kannalta. Huono dataagentin suorituskyky johtuu usein huonosti suunnitellusta semanttisesta mallista, tehottomista DAX-mittareista tai näiden kahden yhdistelmästä. Kun käyttäjä kysyy kysymyksen, dataagentti luo DAX-kyselyn ja ajaa sen malliasi vastaan. Hyvin optimoitu malli käyttää vähemmän resursseja ja saavuttaa nopeamman kyselysuorituksen. Keskustelukäyttöliittymässä käyttäjät odottavat nopeita vastauksia, joten hidas suorituskyky vaikuttaa suoraan käyttökokemukseen ja omaksumiseen.

   Lisäksi paisunut malli, jossa on tarpeettomia sarakkeita, taulukoita ja mittareita, aiheuttaa enemmän kohinaa DAX-generaattorityökalun jäsentettäväksi, mikä voi heikentää vastetarkkuutta. Optimoimalla mallisi varhaisessa vaiheessa vältät myös suorituskykyongelmia, kun datasi kasvaa ja malli monimutkaistuu. Voit oppia lisää kurssista Optimize malli suorituskykyyn Power BI :ssä.

   Käytä Best Practice Analyzeria ja Semantic Model Memory Analyzeria Fabric-muistikirjassa tunnistaaksesi ongelmia, kuten virheelliset tietotyypit, tarpeettomat sarakkeet, korkean kardinaalisuuden sarakkeet ja tehottomat DAX-kuviot. Lisää kuvauksia taulukoihin, sarakkeisiin ja mittareihin, jotta LLM ymmärtää jokaisen AI-dataskeemaan sisältyvän objektin tarkoituksen.

   

2. Määrittele tekoälyn > valmistautuminen AI-dataskeema: Perustuen dataagenttisi laajuuteen, konfiguroi tekoälydataskeema Prep for AI:ssa valitsemalla vain ne taulukot, sarakkeet ja mittarit, jotka liittyvät niihin kysymyksiin, joihin agenttisi tulisi vastata.

3. Luo valmistelu tekoälylle > Vahvistetut vastaukset: Tunnista yleisimmät kysymyksesi ja määritä vahvistetut vastaukset Prep for AI:ssa sopivilla visuaaleilla. Käytä täydellisiä, vahvoja kysymyksiä laukaisijoina (ei osittaisia lauseita) parantaaksesi täsmäavuutta.

4. Lisää semanttinen malli dataagenttiin: Ennen kuin lisäät tekoälykäskyjä Prep for AI:ssa, testaa ja validoi dataagentin vastaukset. Tämä vaihe auttaa ymmärtämään, missä tekoälykäskyjä tarvitaan DAX-kyselyjen generoinnin parantamiseksi.

5. Lisää valmistautuminen tekoälylle > AI-ohjeet: Validointitulostesi perusteella määrittele liiketoimintaterminologia, analyysipreferenssit ja tietolähteiden prioriteetit Prepissä AI-käskyihin (ei dataagentin ohjeissa).

6. Valmistele raportin visuaalit: Tarkista semanttiseen malliin liittyvät raportit, mukaan lukien piilotetut visuaalit ja sivut, varmistaaksesi, että visuaaleilla on kuvailevat otsikot. Hyvin jäsennellyt visuaalit auttavat tekoälyä perustamaan vastaukset visuaalisen metatiedon avulla, kuten visuaalisen otsikon, taulukon, sarakkeen, käytetyn mittareiden, suodattimien ja muiden avulla.

7. Varmista ja testaa DAX: Vastauksen tarkkuus riippuu generoidusta DAX-kyselystä. Kun testaat dataagenttiasi, tarkista DAX-kysely jokaisessa vastauksessa varmistaaksesi, että se on pätevä ja vastaa kysymykseen oikein. Jos tulokset ovat virheellisiä, analysoi DAX ja tunnista, mitkä kokoonpanot (semanttinen malli, tekoälydataskeema, varmennetut vastaukset tai AI-ohjeet) tarvitsevat säätöä.

   

8. Määritä dataagentin ohjeet: Lisää ohjeet vain dataagentin tasolle ohjeille, jotka koskevat kaikkia agentin konfiguroituja tietolähteitä. Tämä ohjeistus sisältää yleiset vastausmuotoilupreferenssit, ristiinlähteiden reitityssäännöt, yleiset lyhenteet ja sävyn. Älä lisää semanttisia mallikohtaisia ohjeita tähän, sillä niitä ei siirretä DAX-generaattorityökalulle. Ohjeita agenttiohjeiden konfigurointiin löytyy konfiguraatioohjeista.

9. Vahvista ja toista: LLM:t voivat tuottaa virheellisiä tuloksia ilman asianmukaista kontekstia. Kehitä jatkuvasti konfiguraatiotasi ja varmista vastaukset luottamuksen rakentamiseksi dataagenttiisi. Vastausten ohjelmalliseen arviointiin voit käyttää Fabric-dataagentti Python SDK:ta automatisoitujen arviointien suorittamiseen totuuskysymys-vastaus-pareista ja tarkkuusmittareiden analysointiin. Huomaa, että SDK on tässä tapauksessa vain arviointia varten, eikä se voi muokata semanttisen mallin valmistelua tekoälykonfiguraatioille. Lisätietoja löytyy kohdasta Arvioi dataagenttiasi. Lisäksi ota sidosryhmät ja loppukäyttäjät mukaan arviointiprosessiin. Heidän palautteensa varmistaa, että vastaukset vastaavat todellisia odotuksia ja käytettävyyttä, auttaen tunnistamaan aukot, jotka automaattiset tarkistukset saattavat jättää huomiotta.

10. Toteuta Lähdekoodin hallinta ja käyttöönottoputket: Käytä Git-integraatio- ja käyttöönottoputkia hallitaksesi dataagenttien konfiguraatioita kehitys-, testi- ja tuotantotiloissa. Tämä käytäntö varmistaa, että konfiguraatiomuutokset testataan ja validoidaan ennen tuotantoon siirtymistä, jossa loppukäyttäjät käyttävät niitä. Lisätietoja löytyy kohdasta Source Control, CI/CD ja ALM for Fabric Data Agent.

Yleisiä sudenkuoppia, joita kannattaa välttää

• Tähtikaavion käyttämättä jättäminen: Semanttiset mallit, jotka käyttävät tasaisia, denormalisoituja taulukoita tai pivotoituja tietorakenteita, tekevät DAX:sta vähemmän tehokasta ja vaikeampaa kirjoittaa oikein. DAX on optimoitu tähtiskeemalle, jossa on selkeät fakta- ja ulottuvuustaulukot. Unpivotoi leveät taulukot normalisoituihin rakenteisiin, joissa jokainen rivi edustaa yhtä havaintoa.

• Piilotettuihin kenttiin luottaminen: Varmennetut vastaukset eivät toimi, jos ne viittaavat mallin piilotettuihin sarakkeisiin.

• Mukana myös tarpeettomat toimenpiteet: Semanttiset mallit sisältävät usein apumittareita ja väliesineitä, joita käytetään raportointiinteraktiivisuuden parantamiseen. Kun konfiguroit tekoälydataskeemaa, sisällytä mukaan vain ne mittarit, jotka laskevat todelliset liiketoiminnan mittarit. Apumittareiden poissulkeminen vähentää kohinaa ja auttaa DAX-generointityökalua tuottamaan tarkempia kyselyjä.

• Kaksois- tai päällekkäiset mittarit: Useat mittarit, jotka laskevat samankaltaisia mittareita (esimerkiksi kokonaismyynti, myyntimäärä, liikevaihto), luovat epäselvyyttä. Yhdistä mittarit tai erota selkeästi ja jätä päällekkäiset tiedot pois tekoälydataskeemastasi.

• Ei-kuvaileva nimeäminen: Objektien nimet kuten TR_AMT, F_SLS tai DIM_GEO_01 eivät anna kontekstia DAX-generaattorityökalulle. Käytä selkeitä, liiketoimintaystävällisiä nimiä, kuten Total Revenue, Sales tai Customer Geography. Jos et voi nimetä objekteja uudelleen, varmista, että kuvaukset ja synonyymit tarjoavat tarvittavan kontekstin, jotta tekoäly ymmärtää niiden tarkoituksen.

• Käyttäen implisiittisiä mittareita: Implisiittiset mittarit voivat johtaa arvaamattomiin tuloksiin. Luo eksplisiittiset DAX-mittarit laskelmiin, joita haluat käyttäjien kysyvän, ja aseta oikea oletussumma (Summa, Keskiarvo, Ei mitään jne.) numeerisiin sarakkeisiin estääksesi tahattomat aggregaatiot.

• Epäselvät päivämääräkentät: Useat päivämääräsarakkeet (Tilauspäivä, Lähetyspäivä, Eräpäivä, Kalenterineljännes/Vuosineljänneksen ja niin edelleen) ilman selkeää ohjeistusta hämmentävät tekoälyä. Käytä Prep for AI:ssa vahvistettuja vastauksia ja tekoälyohjeita määrittääksesi, mitä päivämääräkenttää käytetään oletuksena tai tietyille kysymystyypeille.

• Ristiriitaiset ohjeet: Tekoälyn ohjeet, jotka ovat ristiriidassa Verified Answer -asetusten kanssa, aiheuttavat arvaamatonta käyttäytymistä.

• Skeeman tarkennuksen ohittaminen: Suuret mallit, joilla on monia samankaltaisia aloja, tarvitsevat kohdennettuja tekoälydataskeemoja.

• Liian monimutkaiset ohjeet: Pidä ohjeet keskittyneinä ja tarkkoina. Tekoäly tulkitsii, mutta ei takaa monimutkaisten, ristiriitaisten ohjeiden noudattamista. Monimutkaiset käskyt voivat myös lisätä viivettä.

Työkalut

Noudattaaksesi näitä ohjeita, voit käyttää alla olevia työkaluja fabric-toolboxin GitHub-repositoriosta:

• Tarkistuslista suosituksineen. Nämä ovat ohjeita, eikä kaikki tarkistuslistan kohdat välttämättä sovellu sinun tilanteeseesi.
• Muistikirja, jossa on kokoelma apuvälineitä yhdessä paikassa.
• Power BI MCP Server nopeuttaa kehitystä ja testausta VS Code -koodissa
• Semanttinen linkkilaboratoriokirjasto päivittääkseen semanttisen mallin ohjelmallisesti Fabric-muistikirjassa.

Lisäresurssit

• Fabric-dataagenttikonseptien dokumentaatio
• Fabric-toolbox tarkistuslistalla ja muistikirjoilla
• Semanttisen mallin lisääminen tietolähteeksi dataagenttiin
• Valmistele tietosi tekoälyyn Power BI:ssä
• Optimoi semanttinen mallisi Copilotille
• Optimoi malli suorituskykyyn Power BI:ssä – koulutus
• UKK tekoälyn valmistelusta