Vanlige spørsmål om hvordan du forbereder data for kunstig intelligens

I dag tilbyr Power BI fire hovedverktøyfunksjoner for å konfigurere modellen for behandling av naturlig språk:

• AI-dataskjemaer: Lar deg velge et delsett av et skjema som Copilot kan bruke.
• Bekreftede svar: Et svar som en modellforfatter konfigurerer og validerer for nøyaktighet og pålitelighet. Forfattere kan sette spesifikke visuelle elementer for Copilot å bruke i et verifisert svar når en bruker stiller et spørsmål som faller inn under den tildelte kategorien.
• Instruksjoner for kunstig intelligens: Instruksjoner du kan angi på modellen for å gi mer kontekst på dataene i modellen. De hjelper Copilot å forstå når de skal fokusere på hvilke data, og hjelpe Copilot å forstå visse tilordninger som språkbrukere kan bruke når de samhandler med Copilot.
• Beskrivelser: Beskrivelser angitt i tabeller og kolonner for å gi mer kontekst om dataene. Copilot bruker beskrivelser bare i DAX-spørringer (Data Analysis Expressions) og søkefunksjoner.

For å få mest mulig ut av Copilot i Power BI, implementerer du verktøyfunksjonene i følgende sekvens:

1. Definer AI-dataskjemaet.

   Start med å velge de spesifikke tabellene, feltene og målene som Copilot bør referere til når den svarer på dataspørsmål.

   Under modellutvikling kan du inkludere elementer som ikke er relevante for sluttbrukerspørringer. Når du snevrer inn skjemaet, hjelper du Copilot med å fokusere på de mest meningsfulle delene av modellen din, noe som reduserer tvetydighet. Denne praksisen er viktig for store datasett som har overlappende eller lignende navngitte felt.

   Her er et eksempel på hvordan AI-dataskjemaer kan hjelpe Copilot med å fokusere på riktige data:

   Når du bruker hele skjemaet, vet Copilot ikke alltid hva brukeren mener når de sier sales. I dette tilfellet returnerer Copilot bruttofortjenestemargin (GPM), som er en legitim tolkning av salg, men ikke måleverdien som dette teamet vanligvis bruker til å analysere salg.

   Modellforfatteren bruker Prep-data for AI-funksjonen og fjerner total GPM-målet fra skjemaet som Copilot mottar.

   Nå, når brukeren stiller det samme spørsmålet, har Copilot mer klarhet i hvor svaret skal hentes og tolker salg korrekt ut fra teamets definisjon og måling.

   

2. Opprett bekreftede svar.

   Sett opp verifiserte svar på vanlige eller nyanserte spørsmål som brukere måtte stille.

   Velg et visualobjekt, og velg deretter Opprett bekreftet svar. Legg deretter til triggerfraser som reflekterer hvordan brukerne sannsynligvis formulerer spørsmålene sine. Når brukere taster inn en matchende eller lignende frase i Copilot, returnerer den det pålitelige visuelle uttrykket. Denne prosessen bidrar til å sikre konsistente, høykvalitets svar på tvers av rapportene.

   Eksemplet nedenfor viser fordelen av et bekreftet svar. Brukeren ber om salg etter område. Copilot tolker area som product area og returnerer en liste over produkter og deres salg. Brukeren var imidlertid på utkikk etter salg etter område eller sted.

   Modellforfatteren setter et verifisert svar ved å bruke en visuell løsning som inkluderer salg etter region. Deretter inkluderer forfatteren triggerfraser som, når en bruker spør dem, skal gi dette spesifikke visuelle svaret.

   Nå, når brukeren spør etter salg etter område, returnerer Copilot det verifiserte svaret som modellforfatteren godkjenner.

   

3. Legg til ai-instruksjoner.

   Når du har definert skjemaet og bekreftede svar, kan du bruke ai-instruksjoner til å veilede Copilot virkemåte på modellnivå.

   Instruksjoner hjelper til med å klargjøre forretningslogikk, kartlegge brukerterminologi til modellfelt, og fortelle Copilot hvordan de skal tolke eller analysere spesifikke typer data. De er nyttige fordi de gir kontekst som Copilot ikke ville sluttet seg til alene.

   Følgende eksempel viser hvordan du bruker ai-instruksjoner for å gi mer kontekst til Copilot. Brukeren spør om salg i en travel sesong i 2012. Opptatt sesong er et veldefinert, ofte brukt uttrykk i denne organisasjonen. Den semantiske modellen har imidlertid ingen indikasjon på dette begrepet hvor som helst. Modellforfatteren setter en instruksjon som definerer den travle sesongen som juni til august.

   Nå, når brukeren stiller spørsmålet om salg i travle sesonger, forstår Copilot denne definerte termen og gir svaret.

   

4. Legg til beskrivelser i tabeller og kolonner.

   Beskrivelser gir ekstra metadata som Copilot kan bruke for å forstå modellen din.

   Selv om beskrivelser for øyeblikket bare påvirker noen Copilot-atferder, vil de spille en større rolle i fremtidige kapasiteter. Å legge dem til nå bidrar til å bygge et sterkt fundament for langsiktig suksess med naturlige språkinteraksjoner i Power BI.

I dag er verktøy- og konfigurasjonsfunksjoner kun tilgjengelige på modellen. Du kan ennå ikke konfigurere ulike rapporter som er bygd fra samme modell. Du angir skjemaet, bekreftede svar, instruksjoner og beskrivelser på den semantiske modellen, ikke i rapporten.

Se følgende tabell:

1. Definer AI-dataskjemaet ditt.

   Fjern tabeller, kolonner eller felt som er irrelevante for brukernes behov. Denne handlingen bidrar til å Copilot fokusere på de mest relevante delene av modellen, og bidrar til å sikre at den velger de riktige feltene når den svarer på spørringer.

2. Bruk verifiserte svar for visuelle innslag i rapporter.

   Hvis Copilot kan bruke et visuelt svar i rapporten din for å finne svar på et spørsmål, lag et verifisert svar. Denne praksisen bidrar til å sikre at Copilot konsekvent returnerer riktig visualobjekt når brukere stiller spørsmål med bestemte utløseruttrykk.

3. Tilpass instruksjoner for spesifikke felt.

   Etter at du har satt skjemaet og verifisert svarene, kan du bruke AI-instruksjoner for å veilede Copilot når du velger bestemte felt. Bruk instruksjoner for finjustering og avanserte scenarioer etter at du har angitt andre Prep-data for AI-funksjoner . Denne fremgangsmåten bidrar til å sikre at Copilot returnerer de mest nøyaktige og kontekstavhengig relevante resultatene til brukere, veiledet av modellens struktur og dine definerte instruksjoner.

Hvis Copilot sliter med å forstå et begrep som alltid har samme riktige element å referere til i modellen, kan du oppgi et alternativt navn gjennom instruksjoner for kunstig intelligens.

Hvis teamet for eksempel ringer personene som selger produktene nærmere, kan du oppgi en referanse i ai-instruksjonene. Angi at selgere også skal være kjent som nærmere.

Hvis laget ditt bruker visse termer som ikke er en eksakt 1:1-samsvar med tabeller eller felt i modellen, kan du bruke AI-instruksjoner for å klargjøre ulike elementer med visse betingelser eller grupperinger.

Et salgsteam kan for eksempel klassifisere alle som selger mer enn 100% av målene sine i en gitt måned som høytytende. De skal gi følgende instruksjoner til Copilot:

Høy utøver betyr en selger som oppfyller 100% eller mer av sitt månedlige mål.

Nå, når en bruker spør: «Hvem var de best presterende forrige måned?» vet Copilot nøyaktig hva high performer betyr i teamet og organisasjonen din.

I et annet eksempel kan en organisasjon klassifisere sesonger. Teamet ditt kan ringe januar til mai slow season. Juni til september kan være travel sesong. Oktober til desember kan være standard sesong.

I ai-instruksjoner kan du angi følgende definisjoner:

• Langsom sesong betyr januar til mai.
• Travel sesong betyr juni til september.
• Standardsesong betyr oktober til desember.

Nå, når en bruker spør: «Hva var det totale salget i travlsesongen i fjor?» forstår Copilot hvilken tidsramme brukeren mener med travelsesong.

Brukere av rapporten og dataene dine stiller sannsynligvis noen spørsmål oftere. Du kan håndtere dette ved å bruke verifiserte svar på modellen din. Bruk et verifisert svar ved å velge et visuelt svar og sette triggerfraser. Når en bruker spør om emnet, returnerer Copilot informasjon ved hjelp av det tilordnede visualobjektet.

Forbrukere av rapporten og modellen kan for eksempel ofte spørre «Hvilket produkt hadde det høyeste salget i forrige uke?» Du kan angi et bekreftet svar for å hjelpe Copilot å forstå hvor det kan finne riktig informasjon. Denne metoden hjelper forfattere og forbrukere til å stole på at svaret er riktig.

Funksjonene slik de finnes i dag, er begrenset til bredt forbruk. Du kan for øyeblikket ikke lage en ordliste basert på ulike grupper, eller definere et begrep på to forskjellige måter. Ingeniører kan for eksempel definere bruk som antall ganger klikket, men produktledere kan definere bruk som betalende kunder i en gitt måned. Du kan for øyeblikket ikke gi bruk forskjellige definisjoner i samme modell.

I scenarioer der det semantiske modellskjemaet er for stort for Copilot til å gjengi et svar, reduserer Copilot modellskjemaet slik at det kan forstå skjemaet og generere et svar. Du kan se når denne reduksjonen skjer ved å laste ned Copilot Diagnostics og se etter «AgentSchemaReduced» i advarslene.

For at Copilot skal fungere på sitt beste, må den forstå de underliggende dataene i den semantiske modellen. Hvis du vil forstå de underliggende dataene, Copilot i Power BI indekserer den semantiske modellen slik at den kan søke nøyaktig etter relevante verdier som samsvarer. Denne prosessen bidrar til å Copilot effektivt svare på spørsmål basert på ledeteksten.

Vurder et datasett relatert til turisme på Hawaii. For å svare på spørsmål som «Hvordan påvirket været turistbesøk på Maui?» må Copilot forstå at Maui er en instansverdi i den semantiske modellen i kolonnen Island name i tabellen Island.

Hvis Copilot skal søke i disse forekomstverdiene effektivt, indekserer Power BI den semantiske modellen når du aktiverer Power BI spørsmål og svar. Power BI reindexes modellen når den oppdager endringer.

Frekvens for modellindeksering

Power BI indekserer alle modeller som har spørsmål og svar En innstilling aktivert.

Ny utheving skjer når én av følgende handlinger finner sted:

• For importmodeller :
  • Du publiserer eller publiserer modellen på nytt til tjenesten.
  • En manuell eller planlagt oppdatering kjører på modellen, og du bruker Copilot og Q& A i løpet av de siste 14 dagene.
• For DirectQuery - og Direct Lake-modeller :
  • Du publiserer eller publiserer modellen på nytt til tjenesten.
  • Indeksen er eldre enn 24 timer, og du bruker Copilot og Q& A i løpet av de siste 14 dagene.

Følgende melding i Copilot indikerer at modellen for øyeblikket indekserer. Meldingen løses automatisk når indekseringen er fullført.

Indekseringsmetodikk

Power BI indekserer bare tekstkolonner i den semantiske modellen. Power BI indekserer ikke kolonner som du skjuler i AI-skjemaet gjennom funksjonen Forbered dataene for kunstig intelligens.

Power BI indekserer opptil fem millioner forekomstverdier med kolonner og indekserer den minste kardinaliteten først. DISTINCTCOUNT bestemmer kolonnens kardinalitet for importmodeller, og COLUMNSTATISTICS bestemmer kolonnens kardinalitet for DirectQuery-modeller. For DirectQuery-kilder COLUMNSTATISTICS bruker APPROXIMATEDISTINCTCOUNT funksjonen funksjonen til effektivt å bestemme omtrentlige kolonnekardinaliteter for underliggende datakilder som støtter den.

For ytterligere å hindre overbelastning av det underliggende systemet for DirectQuery-modeller med en tilstrømning av spørringer på grunn av indeksering, bufrer Power BI resultatene av COLUMNSTATISTICS og kompilerer statistikken hver sjuende dag. Hvis indeksering av den neste kolonnen i løpet av indekseringsprosessen vil krysse den øvre grenseverdien for fem millioner forekomster, hopper Power BI helt over denne kolonnen.

Hvis indeksering når grensen, Copilot fortsatt svar basert på indeksen den bygget, som ikke inneholder alle forekomstverdier. Du ser følgende advarsel når den semantiske modellen når indekseringsgrensen.

Kjente begrensninger

• Indeksering har en øvre grense på fem millioner forekomstverdier eller 1000 modellenheter (tabeller/kolonner) for store semantiske modeller.
• Power BI indekserer ikke tekstverdier med 100 tegn.
• DirectQuery-modeller indekserer bare kolonner for datakilder som støtter APPROXIMATEDISTINCTCOUNT.
• Indeksering for DirectQuery- og Direct Lake-modeller forekommer én gang i løpet av en 24-timers tidsperiode, med mindre du publiserer modellen på nytt.
• Hvis den underliggende semantiske modelloppdateringen feiler, kan dataindeksen bli utdatert inntil neste vellykkede semantiske modelloppdatering.
• Den første genereringen av dataindeks for den semantiske modellen kan ta 15 minutter ekstra før serverdelaktiviteter kan generere indeksen.