Beste praksis for semantiske modeller for dataagent

Fabric-dataagenten gjør det mulig for organisasjoner å bygge samtalesystemer ved bruk av generativ AI. Ved å koble Power BI semantiske modeller som datakilder, kan team stille naturlige språkspørsmål og motta nøyaktige, kontekstrike svar uten å måtte skrive komplekse DAX- eller SQL-spørringer.

Kvaliteten på AI-svar avhenger imidlertid i stor grad av hvor godt du forbereder datakildene dine. Selv om Fabric-dataagenten støtter flere datakildetyper, inkludert lakehouses, warehouses, eventhouses og ontologier, fokuserer denne guiden spesielt på Power BIs semantiske modeller og går gjennom beste praksis for å konfigurere dem for å maksimere nøyaktighet og relevans.

Slik fungerer fabric-dataagenten

Dataagenten bruker en lagdelt arkitektur der brukerspørsmål flyter gjennom en Orchestrator. Orkestratoren bestemmer riktig datakilde og påkaller spesialiserte verktøy, inkludert DAX-genereringsverktøyet for Power BI-semantiske modeller for å generere, validere og utføre spørringer.

Spørringsbehandlingsflyten

1. Spørsmålstolkning: Agenten behandler brukerspørsmål gjennom Azure OpenAI, sikrer overholdelse av sikkerhetsprotokoller og tillatelser og følger Microsoft Responsible AI-prinsippene.

2. Valg av datakilde: Systemet vurderer spørsmålet mot tilgjengelige kilder ved hjelp av skjemainformasjon og AI-instruksjoner du gir.

3. Generering av spørringer: For semantiske modeller genererer DAX-genereringsverktøyet DAX-spørringer basert på skjema, metadata (synonymer, minimums- og maksverdier for numeriske kolonner, visuell metadata og mer), kontekst konfigurert i Prep-data for AI, og samtalehistorikken.

4. Svarformatering: Agentformatene gir menneskelesbare svar med tabeller, sammendrag eller innsikter basert på agentinstruksjonene.

Avansert DAX-generering (forhåndsvisning)

Et avansert DAX-genereringsverktøy er tilgjengelig for dataagenter på forhåndsvisningskjøringen. I motsetning til standard DAX-generering, som genererer en spørring i ett enkelt pass, bruker avansert DAX-generering flere resonnementtrinn for å inspisere modellmetadata, tolke spørsmålet, løse tvetydighet og generere DAX-spørringen.

Fordeler med avansert DAX-generering inkluderer:

• Mer presise svar på komplekse spørsmål: Den resonnerer iterativt, inspiserer resultater, løser tvetydighet og forbedrer tilnærmingen over flere trinn.
• Indeksering av instansverdier: Den søker etter verdier i semantiske modellkolonner for å generere mer nøyaktige og pålitelige filtre.
• Konsistente svar på tvers av Microsoft-opplevelser: Det bruker delte funksjoner for å forbedre responskonsistens på tvers av Fabric-dataagent, Fabric-ferdigheter, Power BI, Microsoft 365 Copilot og Fabric IQ-plugin.
• Forbedret latens i noen scenarioer: Selv om verktøyet kan utføre flere resonnementstrinn, kan dets evne til mer effektivt å identifisere relevante modellobjekter og verdier redusere responslatens for enkelte spørsmål.

Bruk avansert DAX-generering

For å aktivere funksjonen, bytt dataagenten til forhåndsvisningsruntime.

Avansert DAX-generering bruker metadata for semantiske modeller og Prep for AI-konfigurasjoner beskrevet i denne artikkelen. Følg beste praksis beskrevet i denne artikkelen for å maksimere responsnøyaktighet og ytelse.

Indeksering av instansverdier krever for øyeblikket at den semantiske modellens Q&A-innstilling er aktivert. Denne innstillingen er aktivert som standard for Import- og Direct Lake-modeller. Siden Q&A avsluttes i desember 2026, vil en erstatningsinnstilling støtte indeksering av instansverdier etter pensjonering, og denne artikkelen vil bli oppdatert med de nye konfigurasjonstrinnene.

Forberedelse til AI: Gjør semantisk modell-AI klar

Power BIs Prep for AI-funksjon gir tre konfigurasjonskomponenter som direkte påvirker hvordan Fabric-dataagenten tolker din semantiske modell. Du kan få tilgang til disse komponentene både i Power BI Desktop og Power BI-tjenesten. Power BI Copilot bruker også Prep for AI-konfigurasjoner, så å investere tid i å sette opp disse gagner både Copilot og dataagentens svar.

AI-dataskjemaer

AI-dataskjemaer lar deg definere et fokusert delsett av modellen din for AI-prioritering. Selv om dataagenten også har sitt eget tabellvalg når du legger til en semantisk modell som datakilde, må du konfigurere skjemaet ditt i Prep for AI først. DAX-genereringsverktøyet bruker dette skjemaet for å lage DAX-spørringer.

Du kan konfigurere dette skjemaet i Power BI Desktop eller Power BI-tjenesten ved å velge Prep data for AI fra Home-båndet. Deretter navigerer du til fanen Forenkle dataskjema . Derfra velger du hvilke tabeller, kolonner og målinger AI-en skal bruke når den genererer svar. For detaljerte oppsettinstruksjoner, se Sett et AI-dataskjema.

Når du legger til den semantiske modellen i dataagenten, velg de samme tabellene du definerte i Prep for AI for å sikre konsistent oppførsel. Først, definer omfanget til din dataagent (hvilke typer spørsmål den skal besvare). Deretter velger du kun de relevante objektene. Denne tilnærmingen reduserer tvetydighet, forbedrer nøyaktigheten og reduserer responslatens.

DAX-genereringsverktøyet er avhengig av modellens metadata for å tolke spørsmål. Bruk klare, forretningsvennlige navn for tabeller, kolonner og målinger som reflekterer hvordan brukerne naturlig refererer til dataene. For eksempel, bruk 'Total Revenue' i stedet for 'TR_AMT' eller 'Sales Region' i stedet for 'DIM_GEO_01'. Denne veiledningen er spesielt viktig for store modeller med overlappende eller lignende navngitte felt, hvor tvetydige navn kan føre til feil generering av spørringer.

Eksempel: Løsning av felttvetydighet

Tips for AI-dataskjemaer

• For konsistente og nøyaktige resultater, sørg for å velge de samme tabellene i Fabric-dataagenten som også er definert gjennom AI Data Schemas i Prep for AI.

• Når du velger skjema, inkluder også avhengige objekter. For eksempel, hvis et Total Revenue-mål refererer til to andre mål som avhenger av ekstra kolonner, inkluder alle disse avhengige objektene i skjemaet ditt. For å identifisere avhengigheter, bruk get_measure_dependencies-funksjonen fra Semantic Link Labs-biblioteket .

• Hvis du har en stor semantisk modell, kan det være tidkrevende å gi alle objekter navn manuelt. Bruk Power BI Modeling MCP-serveren for å få en LLM til å generere forretningsvennlige navn for tabellene, kolonnene og målene dine. Gå gjennom og godkjenn endringene før lagring for å sikre at de ikke ødelegger noen DAX-uttrykk, relasjoner eller andre avhengige objekter.

Bekreftede svar

Verifiserte svar er brukergodkjente visuelle svar som utløser spesifikke spørsmål. De gir konsistente, pålitelige svar på vanlige eller komplekse spørsmål som ellers kunne blitt feiltolket. Fordi du lagrer verifiserte svar på semantisk modellnivå (ikke rapportnivå), fungerer de på tvers av alle dataagenter som bruker samme modell. For mer informasjon, se Prepare Your Data for AI – Verifiserte svar.

Når du bruker verifiserte svar med dataagenten, returnerer ikke systemet selve Power BI-visualiseringen. I stedet bruker den brukerspørsmålene og visuelle egenskaper (kolonner, målinger, filtre) for å påvirke DAX-spørringsgenerering. Denne tilnærmingen betyr at verifiserte svar forbedrer svarnøyaktigheten ved å veilede DAX-genereringsverktøyet mot riktig spørringsstruktur. Når en bruker stiller et spørsmål til dataagenten, sjekker systemet først for en nøyaktig eller semantisk lik samsvar med prompten din definert i det verifiserte svaret før det genererer et nytt svar.

Eksempel: Håndtering av regional terminologi

Konfigurasjonstips for verifiserte svar

• Bruk fem til syv trigger-spørsmål per verifisert svar for å dekke naturlige variasjoner.
• Inkluder både formelle og samtalebaserte formuleringer som brukere kan prøve.
• Konfigurer opptil tre filtre for fleksibel slicing uten å lage flere verifiserte svar.
• Hvis du gir nytt navn til tabeller, kolonner eller målinger som refereres til i et verifisert svar, oppdater det verifiserte svaret og lagrer det på nytt for at endringene skal tre i kraft.

Ai-instruksjoner

AI-instruksjoner i Prep for AI gir kontekst, forretningslogikk og veiledning direkte om den semantiske modellen. De bidrar til å klargjøre terminologi, veilede analysetilnærminger og gi kritisk forretnings- og semantisk kontekst som AI-en ellers ikke ville forstått.

Du kan konfigurere disse instruksjonene i Power BI Desktop eller Power BI-tjenesten ved å velge Prep data for AI fra Home-båndet, og deretter navigere til fanen Legg til AI-instruksjoner . For detaljerte oppsettsinstruksjoner, se dokumentasjon for AI-instruksjoner.

AI-instruksjoner er ustrukturert veiledning som LLM-en tolker, men det er ingen garanti for at den følger dem nøyaktig. Klare, spesifikke instruksjoner er mer effektive enn komplekse eller motstridende.

Som nevnt tidligere, refererer DAX-genereringsverktøyet kun til AI-instruksjonene som er konfigurert i Prep for AI av den semantiske modellen. Instruksjoner fra dataagenten sendes ikke til verktøyet og ignoreres når man spør om semantiske modeller. Av denne grunn, ikke legg til semantiske modellspesifikke instruksjoner på dataagentnivå. I stedet, behold alle instruksjoner for semantiske modeller i Prep for AI, hvor DAX-genereringsverktøyet kan bruke dem. Instruksjoner for dataagenten bør kun inkludere veiledning som gjelder for alle datakilder som er konfigurert i agenten, som generelle innstillinger for svarformatering, kryss-kilde rutingsregler, vanlige forkortelser, tone og så videre. Merk også at i motsetning til andre datakilder, støtter ikke dataagenten instruksjoner eller beskrivelser for semantiske modeller.

Eksempel: Definering av forretningsterminologi

Effektive instruksjonsmønstre

• Definisjoner av tidsperioder: "Høysesongen varer fra november til januar. Off-season er fra februar til april.»
• Målpreferanser: "Når brukere spør om lønnsomhet, bruk det Contribution_Margin målet, ikke Gross_Profit."
• Ruting av datakilde: "For inventarspørsmål, prioriter Warehouse_Inventory-bordet over Sales_Orders."
• Standardgrupperinger: "Med mindre annet er spesifisert, analyser inntektene etter regnskapskvartal i stedet for kalendermåned."

I tillegg til Prep for AI bruker DAX-verktøyet for spørringsgenerering også metadata fra rapportvisuals som visuell tittel, kolonner, målinger, filtre og lignende for å forbedre nøyaktigheten av spørringene.

Anbefalt implementeringsarbeidsflyt

1. Optimaliser den semantiske modellen: Start med å optimalisere din semantiske modell for ytelse. Dårlig ytelse fra dataagenter skyldes ofte en dårlig designet semantisk modell, ineffektive DAX-målinger, eller en blanding av begge. Når en bruker stiller et spørsmål, genererer dataagenten en DAX-spørring og kjører den mot modellen din. En godt optimalisert modell bruker færre ressurser og oppnår raskere spørringsutførelse. I et samtalegrensesnitt forventer brukerne raske svar, så treg ytelse påvirker brukeropplevelsen og adopsjonen direkte.

   I tillegg skaper en oppblåst modell med unødvendige kolonner, tabeller og målinger mer støy for DAX-genereringsverktøyet å analysere, noe som kan redusere responsnøyaktigheten. Ved å optimalisere modellen tidlig forhindrer du også ytelsesproblemer etter hvert som dataene vokser og modellen blir mer kompleks. Du kan lære mer i kurset Optimize a model for performance in Power BI .

   Bruk Best Practice Analyzer og Semantic Model Memory Analyzer i en Fabric-notatbok for å identifisere problemer som feil datatyper, unødvendige kolonner, kolonner med høy kardinalitet og ineffektive DAX-mønstre. Legg til beskrivelser i tabeller, kolonner og mål for å hjelpe LLM-en å forstå formålet med hvert objekt som er inkludert i AI-dataskjemaet.

   

2. Definer forberedelser for AI > AI-dataskjema: Basert på omfanget til dataagenten din, konfigurer AI-dataskjemaet i Prep for AI ved å velge kun tabeller, kolonner og målinger som er relevante for spørsmålene agenten din bør svare på.

3. Create Prep for AI > Verifiserte svar: Identifiser dine vanligste spørsmål og konfigurer verifiserte svar i Prep for AI ved hjelp av passende visuelle elementer. Bruk komplette, robuste spørsmål som triggere (ikke delvise fraser) for å forbedre matchingsnøyaktigheten.

4. Legg til semantisk modell i dataagenten: Før du legger til AI-instruksjoner i Prep for AI, test og valider svarene fra dataagenten. Dette steget hjelper deg å forstå hvor AI-instruksjoner trengs for å forbedre DAX-spørringsgenerering.

5. Legg til forberedelser for AI > AI-instruksjoner: Basert på valideringsfunnene dine, definer forretningsterminologi, analysepreferanser og datakildeprioriteringer i Prep for AI-instruksjonene (ikke i instruksjonene til dataagenten).

6. Forbered rapportbilder: Gå gjennom rapporter knyttet til den semantiske modellen, inkludert skjulte visuelle elementer og sider, for å sikre at visuelle elementer har beskrivende titler. Velstrukturerte visuelle elementer hjelper AI-en med å forankre svarene ved hjelp av visuell metadata som visuell tittel, tabell, kolonne, brukte mål, brukte filtre og mer.

7. Verifiser og test DAX: Svarnøyaktigheten avhenger av den genererte DAX-spørringen. Når du tester dataagenten din, gå gjennom DAX-spørringen i hvert svar for å bekrefte at den er gyldig og svarer riktig på spørsmålet. Hvis resultatene er feil, analyser DAX for å identifisere hvilke konfigurasjoner (semantisk modell, AI-dataskjema, verifiserte svar eller AI-instruksjoner) som må justeres.

   

8. Konfigurer instruksjoner for dataagenten: Legg til instruksjoner på dataagentnivå kun for veiledning som gjelder for alle datakilder som er konfigurert i agenten. Denne veiledningen inkluderer generelle innstillinger for responsformatering, krysskilde-rutingregler, vanlige forkortelser og tone. Ikke legg til instruksjoner spesifikke for semantiske modeller her, da de ikke sendes til DAX-genereringsverktøyet. For veiledning om konfigurasjon av agentinstruksjoner, se konfigurasjonsretningslinjene.

9. Valider og Iterer: LLM-er kan gi feil resultater uten riktig kontekst. Iterer kontinuerlig på konfigurasjonen din og valider svar for å bygge tillit til dataagenten din. For å evaluere svar programmatisk kan du bruke Fabric-dataagenten Python SDK til å kjøre automatiserte evalueringer mot grunnleggende sannhetsspørsmål-svar-par og analysere nøyaktighetsmålinger. Merk at SDK-en kun er for evaluering i dette tilfellet og kan ikke endre Semantic Models Prep for AI-konfigurasjoner. For detaljer, se Evaluate your data agent. I tillegg bør du involvere interessenter og sluttbrukere i evalueringsprosessen. Deres tilbakemeldinger sikrer at svarene samsvarer med reelle forventninger og brukervennlighet, og hjelper deg å identifisere hull som automatiserte kontroller kan overse.

10. Implementer kildekontroll- og distribusjonspipelines: Bruk Git-integrasjons- og distribusjonspipelines for å administrere dataagent-konfigurasjonene dine på tvers av utviklings-, test- og produksjonsarbeidsområder. Denne praksisen sikrer at konfigurasjonsendringer testes og valideres før de blir satt i produksjon, hvor sluttbrukere får tilgang til dem. For detaljer, se Source Control, CI/CD og ALM for Fabric data agent.

Vanlige fallgruver å unngå

• Bruker ikke stjerneskjema: Semantiske modeller som bruker flate, denormaliserte tabeller eller pivoterte datastrukturer gjør DAX mindre effektivt og vanskeligere å skrive korrekt. DAX er optimalisert for stjerneskjema med klare fakta- og dimensjonstabeller. Avpivoter brede tabeller til normaliserte strukturer hvor hver rad representerer en enkelt observasjon.

• Å stole på skjulte felt: Verifiserte svar fungerer ikke hvis de refererer til skjulte kolonner i modellen.

• Inkludert unødvendige tiltak: Semantiske modeller inneholder ofte hjelpermål og mellomliggende objekter som brukes for å forbedre rapportinteraktiviteten. Når du konfigurerer AI-dataskjemaet ditt, inkluder kun de målene som beregner faktiske forretningsmålinger. Å utelate hjelpermålinger reduserer støy og hjelper DAX-genereringsverktøyet med å generere mer nøyaktige spørringer.

• Dupliserte eller overlappende mål: Flere mål som beregner lignende måleparametere (for eksempel totalsalg, salgsbeløp, inntekt) skaper uklarhet. Konsolider eller tydelig differenséier tiltak og uttak duplikater fra AI-dataskjemaet ditt.

• Ikke-beskrivende navngivning: Objektnavn som TR_AMT, F_SLS eller DIM_GEO_01 gir ingen kontekst for DAX-genereringsverktøyet. Bruk tydelige, forretningsvennlige navn som Total Revenue, Sales eller Customer Geography. Hvis du ikke kan gi objekter nye navn, sørg for at beskrivelser og synonymer gir nødvendig kontekst for at AI-en skal forstå deres formål.

• Å basere seg på implisitte tiltak: Implisitte målinger kan føre til uforutsigbare resultater. Lag eksplisitte DAX-målinger for beregninger du vil at brukerne skal spørre i, og sett korrekt standardoppsummering (Sum, Gjennomsnitt, Ingen, osv.) på numeriske kolonner for å forhindre utilsiktede aggregeringer.

• Tvetydige datofelt: Flere datokolonner (ordredato, forsendelsesdato, forfallsdato, kalenderkvartal/regnskapskvartal osv.) uten klar veiledning forvirrer AI-en. Bruk Verifiserte svar og AI-instruksjoner i Prep for AI for å spesifisere hvilket datofelt som skal brukes som standard eller for spesifikke spørsmålstyper.

• Motstridende instruksjoner: AI-instruksjoner som motsier Verified Answer-konfigurasjoner skaper uforutsigbar oppførsel.

• Hoppe over skjemaforbedring: Store modeller med mange felt med lignende navn trenger fokuserte AI-dataskjemaer.

• Altfor komplekse instruksjoner: Hold instruksjonene fokuserte og spesifikke. AI-en tolker, men garanterer ikke, at den følger komplekse, motstridende veiledninger. Komplekse instruksjoner kan også øke forsinkelsen.

Verktøy

For å følge disse retningslinjene kan du bruke verktøyene nedenfor fra fabric-toolbox GitHub-repositoriet:

• Sjekkliste med anbefalinger. Dette er retningslinjer, og ikke alle punkter i sjekklisten er relevante for din situasjon.
• Notatbok med samling av verktøy samlet på ett sted.
• Power BI MCP Server for å akselerere utvikling og testing i VS Code
• Semantic Link labs-biblioteket for å programmatisk oppdatere den semantiske modellen i Fabric-notatboken.

Flere ressurser

• Dokumentasjon av konsepter for fabric-dataagenter
• Stoff-verktøykasse med sjekkliste og notatbøker
• Legge til semantisk modell som datakilde til dataagenten
• Forbered dataene dine for AI i Power BI
• Optimaliser din semantiske modell for Copilot
• Optimaliser en modell for ytelse i Power BI – opplæring
• FAQ for forberedelse til AI