Qu’est-ce que la compétence de création de modèle sémantique Power BI ?

Important

Cette fonctionnalité est en version préliminaire.

La compétence Power BI semantic-model-authoring permet aux agents IA de créer, de modifier, de déployer et de gérer des modèles sémantiques Power BI sur Power BI Desktop, les projets PBIP et le service Fabric. La compétence est proposée sur la place de marché Skills for Fabric, intégrée au plug-in powerbi-authoring.

La compétence couvre un large éventail de tâches de modèle sémantique, par exemple :

  • Création de modèles sémantiques en mode Import, DirectQuery ou Direct Lake.
  • Modification de modèles existants : tables, colonnes, relations, mesures et DAX.
  • Optimisation des performances DAX et analyse des modèles par rapport aux meilleures pratiques.
  • Préparer des modèles sémantiques pour une utilisation par l’IA avec Fabric Copilot et les agents de données Power BI.
  • Déploiement de modèles sur des espaces de travail Fabric, les actualisez et gérez les sources de données, les paramètres et les autorisations.

Prerequisites

Avant de commencer, assurez-vous d’avoir :

  • Le plug-in powerbi-authoring installé - Suivez les instructions de Power BI Vue d’ensemble agentique pour installer le plug-in. L’installation du plug-in rend la compétence semantic-model-authoring disponible et enregistre le serveur MCP de modélisation Power BI.
  • Un modèle sémantique - Power BI Desktop avec un modèle ouvert, un projet PBIP sur disque ou un modèle sémantique dans un espace de travail Fabric.

Get started

  1. Ouvrez Power BI Desktop avec un modèle sémantique chargé.

  2. Dans GitHub Copilot, exécutez un prompt de test rapide pour confirmer que le skill et le serveur MCP sont correctement configurés et connectés :

    /semantic-model-authoring Connect to Power BI Desktop and analyze the semantic model against best practices

    L’agent doit charger la compétence semantic-model-authoring, se connecter à Power BI Desktop via le serveur MCP de modélisation Power BI, inventorier le modèle et présenter les conclusions regroupées par gravité. Si l’agent vous invite à inscrire le serveur MCP ou à installer le plug-in, réexécuez les étapes d’installation avant de continuer.

    Tip

    Pour vous assurer qu’une compétence spécifique est chargée, invoquez-la explicitement avec une commande slash, par exemple, /semantic-model-authoring [your prompt].

Pourquoi le serveur MCP Power BI importe

La compétence semantic-model-authoring ne dépend pas strictement du serveur MCP Power BI Modeling, mais son utilisation est vivement recommandée. La compétence Priorité de sélection de l’outil achemine d’abord les opérations de rédaction vers le serveur MCP, car c’est la voie la plus fiable et la plus complète.

Lorsque le serveur MCP n'est pas enregistré, la compétence bascule vers la modification directe des fichiers TMDL (PBIP) ou vers des allers-retours via l'API REST getDefinition / updateDefinition (espace de travail Fabric). La création dans Power BI Desktop sans PBIP ni MCP n’est pas prise en charge : l’agent s’arrête et vous demande d’enregistrer le serveur MCP ou d’enregistrer le modèle comme PBIP.

Pour une installation manuelle ou une configuration avancée, consultez la documentation Power BI Modeling MCP.

Exemple : Préparer un modèle sémantique pour l’IA

Utilisez cet exemple pour valider votre configuration de bout en bout. L'invite appelle le flux de travail Semantic Model AI Readiness de la compétence, qui charge la référence semantic-model-ai-readiness.md et parcourt la liste de contrôle de préparation afin de configurer votre modèle pour des expériences d'IA conversationnelle telles que Fabric Copilot et Power BI Data Agents.

  1. Ouvrez votre modèle. Lancez Power BI Desktop et ouvrez le fichier PBIX ou PBIP dont vous souhaitez préparer le modèle sémantique pour une utilisation par l’IA.

  2. Start GitHub Copilot dans le dossier de votre projet.

  3. Exécutez l’invite :

    /semantic-model-authoring Connect to Power BI Desktop and prepare the semantic model for AI

    La commande slash charge la compétence semantic-model-authoring. La compétence reconnaît l’intention de préparation à l’IA, charge la référence semantic-model-ai-readiness.md et exécute le flux de travail Préparation à l’IA du modèle sémantique.

  4. Passez en revue et approuvez. L’agent inventorie le modèle, l’évalue par rapport à la liste de contrôle de préparation et présente les résultats regroupés par gravité. Chaque constat est étiqueté soit « applicable par l’agent », soit « action de l’utilisateur requise ». Approuvez les correctifs que vous souhaitez appliquer.

  5. Appliquez et validez. L'agent applique des modifications approuvées via le serveur MCP (ou via les modifications TMDL si MCP n'est pas inscrit), enregistre le modèle et recommande de tester des invites de langage naturel représentatif dans Copilot ou votre Agent de données.

Exemple : Créer un modèle sémantique au-dessus d’un Fabric Lakehouse

Cet exemple montre comment utiliser le flux de travail Créer un modèle sémantique sur une source de données Lakehouse, qui produit un modèle Direct Lake.

  1. Préparez le Lakehouse. Dans le portail Fabric :

    1. Créez un espace de travail ( par exemple, SalesAnalytics.
    2. Dans cet espace de travail, créez un Lakehouse , par exemple. SalesLakehouse
    3. Chargez le Lakehouse avec des données d’exemple. Le moyen le plus rapide consiste à ouvrir le Lakehouse et à sélectionner Commencer avec des exemples de données pour charger les jeux de données intégrés Jours fériés ou NYC Taxi, ou à téléverser vos propres fichiers dans Fichiers et à les charger dans Tables.

  2. Start GitHub Copilot dans n’importe quel dossier.

  3. Exécutez le prompt avec les noms de votre espace de travail et de votre Lakehouse :

    /semantic-model-authoring Create a semantic model on top of Lakehouse SalesLakehouse in workspace SalesAnalytics

    La commande slash charge la semantic-model-authoring compétence, qui exécute le flux de travail Créer un modèle sémantique . Agent :

    1. Résout l’espace de travail et les ID Lakehouse et découvre le schéma Lakehouse (tables, colonnes, types de données).
    2. Crée un modèle sémantique Direct Lake suivant et charge les instructions de modélisation pertinentes.
    3. Déploie le modèle sur l’espace de travail cible

  4. Vérifiez dans Fabric. Ouvrez l’espace de travail et confirmez que le nouveau modèle sémantique s’affiche.

Résolution des problèmes

  • Skill n'est pas chargé : vérifiez l'installation et l'inscription du plug-in en suivant Power BI Vue d'ensemble agentique. Si la configuration est correcte et que la compétence n’est toujours pas sélectionnée, l’agent risque de ne pas détecter la compétence lors de la divulgation progressive. Testez avec une commande slash explicite, puis ajoutez davantage de précisions sur l’intention à votre invite :
  • Serveur MCP ne se charge pas - Redémarrez l'interface CLI GitHub Copilot après l'installation ou l'inscription du plug-in afin que la nouvelle configuration MCP soit récupérée. Ensuite, exécutez copilot mcp show pour confirmer que powerbi-modeling-mcp s’affiche et fonctionne.

Contenu connexe

  • Last updated on