Questions fréquentes sur la préparation des données pour l’IA

Aujourd’hui, Power BI propose quatre fonctionnalités d’outils principales pour configurer votre modèle pour le traitement du langage naturel :

• Schémas de données IA : vous permet de sélectionner un sous-ensemble d’un schéma pour Copilot à utiliser.
• Réponses vérifiées : réponse qu’un auteur de modèle configure et valide pour la précision et la fiabilité. Les auteurs peuvent définir des visuels spécifiques pour Copilot à utiliser dans une réponse vérifiée lorsqu’un utilisateur pose une question qui tombe dans la catégorie affectée.
• Instructions d’IA : instructions que vous pouvez définir sur votre modèle pour fournir un contexte plus complet sur les données du modèle. Ils aident Copilot comprendre quand se concentrer sur les données et aider à Copilot comprendre certains mappages que les utilisateurs de langage peuvent utiliser lorsqu’ils interagissent avec Copilot.
• Descriptions : Descriptions définies sur des tables et des colonnes pour fournir plus de contexte sur les données. Copilot utilise des descriptions uniquement dans les requêtes et fonctionnalités de recherche DAX (Data Analysis Expressions).

Pour obtenir la plus grande valeur de Copilot dans Power BI, implémentez ses fonctionnalités d’outils dans la séquence suivante :

1. Définissez le schéma de données IA.

   Commencez par sélectionner les tables, les champs et les mesures spécifiques que Copilot doivent référencer lorsqu’elles répondent aux questions de données.

   Pendant le développement de modèles, vous pouvez inclure des éléments qui ne sont pas pertinents pour les requêtes de l’utilisateur final. Lorsque vous limitez le schéma, vous aidez Copilot vous concentrer sur les parties les plus significatives de votre modèle, ce qui réduit l’ambiguïté. Cette pratique est importante pour les jeux de données volumineux qui se chevauchent ou ont des champs nommés de la même façon.

   Voici un exemple de la façon dont les schémas de données IA peuvent aider Copilot se concentrer sur les données appropriées :

   Lorsque vous utilisez l'intégralité du schéma, Copilot ne sait pas toujours ce que signifie l'utilisateur lorsqu'il dit sales. Dans ce cas, Copilot retourne une marge bénéficiaire brute (GPM), qui est une interprétation légitime des ventes, mais pas la métrique utilisée par cette équipe pour analyser les ventes.

   L’auteur du modèle utilise la fonctionnalité Préparer les données pour l’IA et supprime la mesure Total GPM du schéma reçu par Copilot.

   Maintenant, lorsque l'utilisateur pose la même question, Copilot dispose de plus de clarté quant à la source de la réponse et interprète correctement les ventes selon la définition et la mesure de l'équipe.

   

2. Créez des réponses vérifiées.

   Configurez des réponses vérifiées pour les questions courantes ou nuancées que les utilisateurs sont susceptibles de poser.

   Sélectionnez un visuel, puis sélectionnez Créer une réponse vérifiée. Ajoutez ensuite des expressions de déclencheur qui reflètent la façon dont les utilisateurs sont susceptibles d’formuler leurs questions. Lorsque les utilisateurs entrent une expression correspondante ou similaire dans Copilot, il retourne le visuel approuvé. Ce processus permet de garantir des réponses cohérentes et de haute qualité dans les rapports.

   L’exemple suivant montre l’avantage d’une réponse vérifiée. L’utilisateur demande des ventes par zone. Copilot interprète area comme product area et retourne une liste de produits et de leurs ventes. Toutefois, l’utilisateur recherchait des ventes par région ou emplacement.

   L’auteur du modèle définit une réponse vérifiée à l’aide d’un visuel qui inclut les ventes par région. Ensuite, l’auteur inclut des expressions déclencheuses qui, lorsqu’un utilisateur les demande, sont censées renvoyer cette réponse visuelle spécifique.

   À présent, lorsque l’utilisateur demande sales par zone, Copilot retourne la réponse vérifiée approuvée par l’auteur du modèle.

   

3. Ajoutez des instructions d’IA.

   Après avoir défini le schéma et les réponses vérifiées, vous pouvez utiliser des instructions d'IA pour guider le comportement de Copilot au niveau du modèle.

   Les instructions permettent de clarifier la logique métier, de mapper la terminologie utilisateur aux champs de modèle et d'indiquer à Copilot comment interpréter ou analyser des types de données spécifiques. Ils sont utiles parce qu'ils fournissent un contexte que Copilot ne déduireait pas de lui-même.

   L’exemple suivant montre comment utiliser des instructions d’IA pour fournir plus de contexte à Copilot. L’utilisateur pose une question sur les ventes pendant la période de forte activité de 2012. La haute saison est une expression bien définie et couramment utilisée dans cette organisation. Toutefois, le modèle sémantique n’a aucune indication de ce terme n’importe où. L’auteur du modèle définit une instruction qui définit la saison occupée comme juin à août.

   Maintenant, lorsque l’utilisateur pose la question des ventes pendant la saison occupée, Copilot comprend ce terme défini et fournit la réponse.

   

4. Ajoutez des descriptions aux tables et aux colonnes.

   Les descriptions fournissent des métadonnées supplémentaires que Copilot pouvez utiliser pour comprendre votre modèle.

   Bien que les descriptions n'influencent actuellement que certains comportements Copilot, ils jouent un rôle plus important dans les fonctionnalités futures. L’ajout de ces éléments permet désormais de créer une base solide pour la réussite à long terme des interactions en langage naturel dans Power BI.

Aujourd’hui, les fonctionnalités d’outils et de configuration ne sont disponibles que sur le modèle. Vous ne pouvez pas encore configurer différents rapports générés à partir du même modèle. Vous définissez le schéma, les réponses vérifiées, les instructions et les descriptions sur le modèle sémantique, et non sur le rapport.

Reportez-vous au tableau suivant :

1. Définissez votre schéma de données IA.

   Supprimez les tables, colonnes ou champs qui ne sont pas pertinents pour les besoins de vos utilisateurs. Cette action permet de Copilot se concentrer sur les parties les plus pertinentes de votre modèle et de s’assurer qu’elle sélectionne les champs appropriés lorsqu’il répond aux requêtes.

2. Utilisez des réponses vérifiées pour les visuels dans les rapports.

   Si Copilot pouvez utiliser un visuel dans votre rapport pour dériver une réponse à une question, créez une réponse vérifiée. Cette pratique permet de garantir que Copilot affiche systématiquement le visuel approprié lorsque les utilisateurs posent des questions contenant des expressions déclencheuses précises.

3. Personnalisez les instructions pour des champs spécifiques.

   Après avoir défini le schéma et les réponses vérifiées, vous pouvez utiliser des instructions IA pour guider Copilot lors de la sélection de champs particuliers. Utilisez des instructions pour affiner le réglage et pour les scénarios avancés, après avoir défini d’autres données de préparation pour les fonctionnalités d’IA . Cette séquence d'étapes permet de s'assurer que Copilot retourne les résultats les plus précis et contextuelment pertinents aux utilisateurs, guidés par la structure de votre modèle et vos instructions définies.

Si Copilot a du mal à comprendre un terme qui renvoie toujours à un seul et même élément correct dans votre modèle, vous pouvez fournir un nom alternatif via des instructions d’IA.

Par exemple, si votre équipe appelle les personnes qui vendent vos produits plus près, fournissez une référence dans vos instructions IA. Définir les vendeurs pour qu’ils soient également appelés closers.

Si votre équipe utilise certains termes qui ne correspondent pas exactement à 1:1 avec des tables ou des champs dans votre modèle, vous pouvez utiliser des instructions d’IA pour clarifier différents éléments avec certaines conditions ou regroupements.

Par exemple, une équipe commerciale peut classer toute personne qui dépasse 100 % de ses objectifs au cours d’un mois donné parmi les éléments très performants. Ils doivent fournir les instructions suivantes pour Copilot :

High performer désigne un vendeur qui atteint 100 % ou plus de son objectif mensuel.

Maintenant, lorsqu’un utilisateur demande : « Qui étaient les meilleurs performeurs du mois dernier ? » Copilot sait exactement ce que performeur performant signifie dans votre équipe et votre organisation.

Dans un autre exemple, une organisation peut classer les saisons. Votre équipe pourrait appeler de janvier à mai la basse saison. La saison de juin à septembre pourrait être occupée. Octobre à décembre peut être la saison standard.

Dans les instructions d’IA, vous pouvez définir les définitions suivantes :

• La saison lente signifie janvier à mai.
• La saison occupée signifie juin à septembre.
• La saison standard signifie octobre à décembre.

Maintenant, lorsqu’un utilisateur demande : « Quelles étaient les ventes totales de la haute saison l’année dernière ? » Copilot comprend quelle période l’utilisateur entend par haute saison.

Les consommateurs de votre rapport et de vos données posent probablement des questions plus fréquemment. Vous pouvez résoudre cette occurrence en appliquant des réponses vérifiées à votre modèle. Appliquez une réponse vérifiée en sélectionnant un visuel et en définissant des phrases de déclenchement. Lorsqu’un utilisateur pose une question sur le sujet, Copilot renvoie des informations à l’aide du visuel attribué.

Par exemple, les consommateurs du rapport et du modèle peuvent souvent demander : « Quel produit a eu les ventes les plus élevées la semaine dernière ? » Vous pouvez définir une réponse vérifiée pour aider Copilot comprendre où il peut trouver les informations appropriées. Cette méthode aide les auteurs et les utilisateurs à avoir confiance que la réponse est correcte.

Les capacités telles qu’elles existent aujourd’hui sont limitées à une grande consommation. Vous ne pouvez pas créer de glossaire basé sur différents groupes ou définir un terme de deux façons différentes. Par exemple, les ingénieurs peuvent définir l’usage comme le nombre de clics, tandis que les chefs de produit peuvent définir l’usage comme le nombre de clients payants sur un mois donné. Vous ne pouvez pas donner actuellement de définitions différentes à l’utilisation dans le même modèle.

Dans les scénarios où votre schéma de modèle sémantique est trop volumineux pour Copilot pour afficher une réponse, Copilot réduit le schéma du modèle afin qu’il puisse comprendre le schéma et générer une réponse. Vous pouvez savoir quand cette réduction se produit en téléchargeant Copilot Diagnostics et en recherchant « AgentSchemaReduced » parmi les avertissements.

Pour que Copilot fonctionne au mieux, il doit comprendre les données sous-jacentes du modèle sémantique. Pour comprendre les données sous-jacentes, Copilot dans Power BI indexe le modèle sémantique afin qu’il puisse rechercher avec précision les valeurs pertinentes à mettre en correspondance. Ce processus permet de Copilot répondre efficacement aux questions en fonction de votre invite.

Considérez un jeu de données lié au tourisme hawaïen. Pour répondre à des questions telles que « Comment le temps a-t-il affecté les visites touristiques sur Maui ? » Copilot doit comprendre que Maui est une valeur d’instance dans le modèle sémantique dans le nom Island colonne de la table Island.

Pour Copilot rechercher efficacement ces valeurs d’instance, Power BI indexe le modèle sémantique lorsque vous activez Power BI Q&A. Power BI réindexe le modèle lorsqu’il détecte les modifications.

Fréquence d’indexation du modèle

Power BI indexe tous les modèles dont le paramètre Q&A est activé.

La réindexation se produit lorsque l’une des actions suivantes a lieu :

• Pour les modèles d’importation :
  • Vous publiez ou republiez le modèle sur le service.
  • Une actualisation manuelle ou planifiée est effectuée sur le modèle, et vous utilisez Copilot et Q&A au cours des 14 derniers jours.
• Pour les modèles DirectQuery et Direct Lake :
  • Vous publiez ou republiez le modèle sur le service.
  • L’index date de plus de 24 heures et vous avez utilisé Copilot et Q&A au cours des 14 derniers jours.

Le message suivant dans Copilot indique que le modèle est actuellement indexé. Le message se résout automatiquement une fois l’indexation terminée.

Méthodologie d’indexation

Power BI indexe uniquement les colonnes de texte dans le modèle sémantique. Power BI n'indexe pas les colonnes que vous masquez dans le schéma IA via la préparation de vos données pour la fonctionnalité IA.

Power BI indexe jusqu’à cinq millions de valeurs d’instance avec des colonnes et indexe d’abord la plus petite cardinalité. DISTINCTCOUNT détermine la cardinalité de la colonne pour les modèles d’importation et COLUMNSTATISTICS détermine la cardinalité de la colonne pour les modèles DirectQuery. Pour les sources DirectQuery, la COLUMNSTATISTICS fonction utilise la APPROXIMATEDISTINCTCOUNT fonction pour déterminer efficacement les cardinalités de colonne approximatives pour les sources de données sous-jacentes qui le prennent en charge.

Pour éviter davantage de surcharger le système sous-jacent dans le cas des modèles DirectQuery en raison d’un afflux de requêtes lié à l’indexation, Power BI met en cache les résultats de COLUMNSTATISTICS et recalcule les statistiques tous les sept jours. Pendant le processus d’indexation, si l’indexation de la colonne suivante traverserait la limite supérieure de la valeur d’instance de cinq millions, Power BI ignore entièrement cette colonne.

Si l'indexation atteint la limite, Copilot répond toujours en fonction de l'index qu'il a généré, ce qui n'inclut pas toutes les valeurs d'instance. Vous voyez l’avertissement suivant lorsque le modèle sémantique atteint la limite d’indexation.

Limitations connues

• L’indexation a une limite supérieure de cinq millions de valeurs d’instance ou 1 000 entités de modèle (tables/colonnes) pour les modèles sémantiques volumineux.
• Power BI n'indexe pas les valeurs de texte de 100 caractères.
• DirectQuery modélise uniquement les colonnes d’index pour les sources de données qui prennent en charge APPROXIMATEDISTINCTCOUNT.
• L’indexation pour les modèles DirectQuery et Direct Lake se produit une fois pendant une période de 24 heures, sauf si vous republiez le modèle.
• Si l’actualisation du modèle sémantique sous-jacent échoue, l’index de données peut être obsolète jusqu’à la prochaine actualisation du modèle sémantique réussie.
• La première génération d’index de données pour le modèle sémantique peut prendre plus de 15 minutes pour permettre aux activités principales de générer l’index.