AI 用のデータの準備に関してよく寄せられる質問

現在、Power BIには、自然言語処理用にモデルを構成するための 4 つの主要なツール機能が用意されています。

• AI データ スキーマ: 使用するCopilotのスキーマのサブセットを選択できます。
• 検証済みの回答: モデル作成者が、精度と信頼性を構成して検証する応答。 作成者は、ユーザーが割り当てられたカテゴリに該当する質問をしたときに、検証済みの回答で使用するCopilotの特定のビジュアルを設定できます。
• AI の手順: モデル内のデータに関するより多くのコンテキストを提供するようにモデルに設定できる手順。 これにより、Copilot はどのデータにいつ注目すべきかを理解し、ユーザーが Copilot とやり取りする際に使用する可能性のある特定のマッピングを理解できるようになります。
• 説明: データに関するより多くのコンテキストを提供するために、テーブルと列に設定された説明。 Copilotでは、Data Analysis Expressions (DAX) クエリと検索機能でのみ説明が使用されます。

Power BIのCopilotから最大限の価値を得るには、そのツール機能を次の順序で実装します。

1. AI データ スキーマを定義します。

   データに関する質問に答える際に、Copilot が参照する特定のテーブル、フィールド、およびメジャーを選択してください。

   モデルの開発時に、エンドユーザーのクエリに関連しない要素を含めることができます。 スキーマを限定することで、Copilotがモデルの最も意味のある部分に集中し、あいまいさが軽減されます。 この方法は、重複するフィールドまたは同様の名前のフィールドを持つ大規模なデータセットにとって重要です。

   AI データ スキーマが適切なデータに焦点を当てるCopilotに役立つ方法の例を次に示します。

   スキーマ全体を使用する場合、Copilotは、ユーザーが sales と言うときにユーザーが何を意味するかを常に認識するとは限りません。 この場合、Copilotは売上の正当な解釈である粗利益率 (GPM) を返しますが、このチームが通常売上の分析に使用するメトリックではありません。

   モデル作成者は AI 用のデータ準備 機能を使用し、Copilot が受け取るスキーマから Total GPM メジャーを削除します。

   ユーザーが同じ質問をすると、Copilotは、チームの定義と測定によって、回答を取得する場所をより明確にし、売上を正しく解釈します。

   

2. 検証済みの回答を作成します。

   ユーザーが質問する可能性がある一般的な質問や微妙な質問に対して、検証済みの回答を設定します。

   ビジュアルを選択し、[ 確認済みの回答の作成] を選択します。 次に、ユーザーが質問を表現する可能性を反映するトリガー フレーズを追加します。 ユーザーがCopilotで一致する語句または類似の語句を入力すると、信頼できるビジュアルが返されます。 このプロセスは、レポート全体で一貫した高品質の応答を確保するのに役立ちます。

   次の例は、検証済みの回答の利点を示しています。 ユーザーが エリア別の売上を要求します。 Copilotは、area を product area として解釈し、製品とその販売の一覧を返します。 ただし、ユーザーは 地域または場所別の売上を探していました。

   モデル作成者は、地域別の売上を含むビジュアルを使用して、検証済みの回答を設定します。 次に、作成者は、ユーザーが要求したときに、この特定の視覚的応答を返すトリガー フレーズを含めます。

   ここで、ユーザーがエリア別の売上を要求すると、モデル作成者が承認した検証済みの回答がCopilotから返されます。

   

3. AI 命令を追加します。

   スキーマと検証済みの回答を定義したら、AI 命令を使用して、モデル レベルでCopilotの動作をガイドできます。

   手順は、ビジネス ロジックを明確にし、ユーザー用語をモデル フィールドにマップし、特定の種類のデータを解釈または分析する方法をCopilotに伝えるのに役立ちます。 これらは、Copilotが単独では推論しないコンテキストを提供するため、役に立ちます。

   次の例は、AI 命令を使用して、Copilotにより多くのコンテキストを提供する方法を示しています。 ユーザーは、 2012 年の繁忙期の売上について質問します。 繁忙期は、この組織内でよく使用される明確に定義されたフレーズです。 ただし、セマンティック モデルでは、この用語はどこにも示されません。 モデル作成者は、繁忙期を 6 月から 8 月に定義する命令を設定します。

   ここで、ユーザーが繁忙期の売上に関する質問をすると、Copilotはこの定義された用語を理解し、応答を提供します。

   

4. テーブルと列に説明を追加します。

   説明では、Copilotモデルを理解するために使用できる追加のメタデータが提供されます。

   現在、説明は一部のCopilot動作にのみ影響しますが、今後の機能で大きな役割を果たします。 それらを追加することで、Power BIでの自然言語の相互作用による長期的な成功のための強力な基盤を構築できます。

現在、ツール機能と構成機能はモデルでのみ使用できます。 同じモデルから作成された異なるレポートをまだ構成することはできません。 レポートではなく、セマンティック モデルに対してスキーマ、検証済みの回答、手順、説明を設定します。

次の表を参照してください。

1. AI データ スキーマを定義します。

   ユーザーのニーズに関係のないテーブル、列、またはフィールドを削除します。 このアクションはCopilotモデルの最も関連性の高い部分に焦点を当て、クエリに応答するときに適切なフィールドを確実に選択するのに役立ちます。

2. レポート内のビジュアルに対して検証済みの回答を使用します。

   レポートCopilotビジュアルを使用して質問に対する回答を導き出すことができる場合は、検証済みの回答を作成します。 この方法は、ユーザーが特定のトリガー フレーズで質問したときに、Copilotが正しいビジュアルを一貫して返すようにするのに役立ちます。

3. 特定のフィールドの手順をカスタマイズします。

   スキーマと検証済みの回答を設定したら、AI 命令を使用して、特定のフィールドを選択するときにCopilotをガイドできます。 AI 機能の他の準備データを設定した後、微調整や高度なシナリオ に関する手順を 使用します。 この一連の手順は、モデルの構造と定義された命令に従って、Copilotが最も正確でコンテキストに関連する結果をユーザーに確実に返すのに役立ちます。

Copilot が、モデル内で常に同じ 1 つの正しい項目を参照する用語をうまく理解できない場合は、AI の指示を使って別名を指定できます。

たとえば、チームで製品を販売する人たちを成約担当者と呼んでいる場合は、その呼称を AI への指示に明記します。 販売者をクローザーとも呼ばれるように設定します。

チームで、モデル内のテーブルまたはフィールドと完全に 1 対 1 の一致ではない特定の用語を使用している場合は、AI 命令を使用して、特定の条件またはグループ化で異なる項目を明確にすることができます。

たとえば、営業チームは、特定の月に 100% を超える目標を販売するユーザーを 高いパフォーマーとして分類できます。 Copilotに次の指示を提供する必要があります。

高いパフォーマー とは、月間目標の 100% 以上を満たす販売者を意味します。

次に、ユーザーが 「先月のハイ パフォーマーは誰でしたか」と尋ねると、Copilotはチームと組織の高いパフォーマーの意味を正確に把握しています。

別の例では、組織が季節を分類する場合があります。 あなたのチームは、1月から5月を閑散期と呼ぶことがあります。 6 月から 9 月は 繁忙期になる場合があります。 10 月から 12 月は 標準シーズンになる場合があります。

AI の手順では、次の定義を設定できます。

• スローシーズン は1月から5月を意味します。
• 繁忙期 は 6 月から 9 月を意味します。
• 標準シーズン は 10 月から 12 月を意味します。

次に、ユーザーが 「昨年の繁忙期の総売上は何でしたか」と尋ねると、Copilotユーザーが busy season によってどのような期間を意味するかを理解します。

レポートとデータのコンシューマーは、いくつかの質問を頻繁に行う可能性があります。 この問題に対処するには、モデルに検証済みの回答を適用します。 ビジュアルを選択し、トリガー フレーズを設定して、検証済みの回答を適用します。 ユーザーがトピックについて尋ねると、Copilotは割り当てられたビジュアルを使用して情報を返します。

たとえば、レポートやモデルの利用者は、「先週最も売上が高かった製品は何ですか?」とよく尋ねることがあります。Copilot が適切な情報をどこで見つけられるかを理解できるように、検証済みの回答を設定できます。 この方法は、作成者とコンシューマーが回答が正しいことを信頼するのに役立ちます。

現在存在する機能は、広範な消費に限定されています。 現在、異なるグループに基づいて用語集を作成したり、2 つの異なる方法で用語を定義したりすることはできません。 たとえば、エンジニアは利用をクリック回数として定義するかもしれませんが、プロダクトマネージャーは利用を特定の月の有料顧客数として定義するかもしれません。 現在、同じモデルで 使用状況 に異なる定義を指定することはできません。

セマンティック モデル スキーマが大きすぎてCopilotが応答をレンダリングできないシナリオでは、Copilotは、スキーマを理解して応答を生成できるようにモデル スキーマを減らします。 この削減が発生したかどうかは、Copilot Diagnostics をダウンロードし、警告内で "AgentSchemaReduced" を確認することでわかります。

Copilotが最高のパフォーマンスを発揮するには、セマンティック モデルの基になるデータを理解する必要があります。 基になるデータを理解するために、Power BIのCopilotはセマンティック モデルにインデックスを付け、一致する関連する値を正確に検索できるようにします。 このプロセスは、Copilot が入力したプロンプトに基づいて質問に効果的に回答するのに役立ちます。

ハワイの観光に関連するデータセットについて考えてみましょう。 「マウイ島の観光に天気がどのように影響したか」のような質問に答えるために、Copilotは、マウイ島が Island nameIsland テーブルのセマンティック モデルのインスタンス値であることを理解する必要があります。

Copilot がこれらのインスタンス値を効果的に検索できるようにするために、Power BI Q&A を有効にすると、Power BI はセマンティック モデルにインデックスを作成します。 Power BIは、変更を検出したときにモデルのインデックスを再作成します。

モデルのインデックス作成の頻度

Power BI は、Q&A 設定が有効になっているすべてのモデルにインデックスを付けます。

インデックスの再作成は、次のいずれかのアクションが実行されるときに発生します。

• インポート モデルの場合:
  • モデルをサービスに発行または再発行します。
  • 過去14日以内に、モデルで手動更新またはスケジュールされた更新が実行され、Copilot と Q&A が使用されている。
• DirectQuery モデルと Direct Lake モデルの場合:
  • モデルをサービスに発行または再発行します。
  • インデックスが24時間以上経過しており、過去14日以内に Copilot と Q&A を使用した場合。

Copilotの次のメッセージは、モデルが現在インデックス作成中であることを示しています。 インデックス作成が完了すると、メッセージは自動的に解決されます。

モデルが現在インデックス作成中であることを示すCopilotメッセージを表示したスクリーンショット

インデックス作成手法

Power BIセマンティック モデル内のテキスト列にのみインデックスを付けます。 Power BIでは、AI スキーマで非表示にした列のインデックスは、AI 用のデータの準備機能によって行われません。

Power BI、最大 500 万個のインスタンス値に列をインデックスし、最初にカーディナリティが最も小さいインデックスを作成します。 DISTINCTCOUNT はインポート モデルの列のカーディナリティを決定し、 COLUMNSTATISTICS は DirectQuery モデルの列のカーディナリティを決定します。 DirectQuery ソースの場合、 COLUMNSTATISTICS 関数は APPROXIMATEDISTINCTCOUNT 関数を使用して、それをサポートする基になるデータ ソースのおおよその列カーディナリティを効率的に判断します。

インデックス作成によってクエリが急増する DirectQuery モデルの基になるシステムのオーバーロードをさらに防ぐために、Power BIはCOLUMNSTATISTICSの結果をキャッシュし、7 日ごとに統計を再計算します。 インデックス作成プロセス中に、次の列のインデックスが 500 万インスタンス値の上限を超える場合、Power BIはその列全体をスキップします。

インデックス作成が制限に達した場合でも、Copilotは作成したインデックスに基づいて回答しますが、すべてのインスタンス値が含まれるわけではありません。 セマンティック モデルがインデックス作成の制限に達すると、次の警告が表示されます。

既知の制限事項

• インデックス作成の上限は、500 万インスタンス値か、大規模なセマンティック モデルの場合は 1,000 個のモデル エンティティ (テーブル/列) です。
• Power BIでは、100 文字以上のテキスト値のインデックスは作成されません。
• DirectQuery では、 APPROXIMATEDISTINCTCOUNTをサポートするデータ ソースのインデックス列のみがモデル化されます。
• DirectQuery モデルと Direct Lake モデルのインデックス作成は、モデルを再発行しない限り、24 時間の間に 1 回行われます。
• 基になるセマンティック モデルの更新が失敗した場合、次にセマンティック モデルの更新が成功するまで、データ インデックスが古くなる可能性があります。
• セマンティック モデルの最初のデータ インデックス生成には、バックエンド アクティビティがインデックスを生成できるようになるまで、さらに 15 分かかる場合があります。