Aanbevolen procedures voor semantisch model voor data agent

Met de Fabric-gegevensagent kunnen organisaties gesprekssystemen bouwen met behulp van generatieve AI. Door semantische Power BI-modellen als gegevensbronnen te verbinden, kunnen teams vragen stellen in natuurlijke taal en nauwkeurige, contextrijke antwoorden ontvangen zonder complexe DAX- of SQL-query's te schrijven.

De kwaliteit van AI-antwoorden is echter sterk afhankelijk van hoe goed u uw gegevensbronnen voorbereidt. Hoewel de Fabric-gegevensagent ondersteuning biedt voor meerdere typen gegevensbronnen, waaronder lakehouses, magazijnen, eventhouses en ontologieën, richt deze handleiding zich specifiek op semantische Power BI-modellen en worden aanbevolen procedures beschreven voor het configureren ervan om de nauwkeurigheid en relevantie te maximaliseren.

Hoe de Fabric-gegevensagent werkt

De gegevensagent maakt gebruik van een gelaagde architectuur waarbij gebruikersvragen door een Orchestrator stromen. Orchestrator bepaalt de juiste gegevensbron en roept gespecialiseerde hulpprogramma's aan, waaronder het hulpprogramma voor het genereren van DAX voor semantische Power BI-modellen voor het genereren, valideren en uitvoeren van query's.

De verwerkingsstroom voor query's

1. Parseren van vragen: De agent verwerkt vragen van gebruikers via Azure OpenAI, waardoor naleving van beveiligingsprotocollen en -machtigingen wordt gegarandeerd en wordt voldaan aan de principes van Microsoft Responsible AI.

2. Selectie van gegevensbron: Het systeem evalueert de vraag op basis van beschikbare bronnen met behulp van schemagegevens en AI-instructies die u opgeeft.

3. Query genereren: Voor semantische modellen genereert het hulpprogramma DAX-generatie DAX-query's op basis van schema, metagegevens (synoniemen, min- en maximumwaarden van numerieke kolommen, metagegevens van rapportvisuals en meer), context die is geconfigureerd in Prep-gegevens voor AI en de gespreksgeschiedenis.

4. Antwoordopmaak: De agent formatteert resultaten in door mensen leesbare antwoorden met tabellen, samenvattingen of inzichten op basis van de instructies van de agent.

Geavanceerde DAX-generatie (preview)

Een geavanceerde DAX-generatietool is beschikbaar voor data-agents tijdens de preview-runtime. In tegenstelling tot standaard DAX-generatie, die een query in één keer genereert, gebruikt geavanceerde DAX-generatie meerdere redeneerstappen om modelmetadata te inspecteren, de vraag te interpreteren, ambiguïteit op te lossen en de DAX-query te genereren.

Voordelen van geavanceerde DAX-generatie zijn onder andere:

• Nauwkeurigere antwoorden op complexe vragen: Het redeneert iteratief, inspecteert resultaten, lost ambiguïteit op en verfijnt zijn aanpak over meerdere stappen.
• Indexering van instantiewaardes: Het zoekt waarden in kolommen van het semantische model om nauwkeurigere en betrouwbaardere filters te genereren.
• Consistente antwoorden over Microsoft-ervaringen heen: Het gebruikt gedeelde mogelijkheden om de responsconsistentie te verbeteren tussen Fabric data agent, Fabric skills, Power BI, Microsoft 365 Copilot en de Fabric IQ plugin.
• Verbeterde latentie in sommige scenario's: Hoewel de tool meerdere redeneerstappen kan uitvoeren, kan het vermogen om de relevante modelobjecten en waarden efficiënter te identificeren de responslatentie voor sommige vragen verminderen.

Gebruik geavanceerde DAX-generatie

Om de functie in te schakelen, schakel je de data-agent over naar de preview-runtime.

Geavanceerde DAX-generatie gebruikt de metadata van het semantische model en Prep for AI-configuraties zoals beschreven in dit artikel. Volg de best practices die in dit artikel worden beschreven om de nauwkeurigheid en prestaties van de respons te maximaliseren.

Indexering van instantiewaarden vereist momenteel dat de Q&A-instelling van het semantische model is ingeschakeld. Deze instelling is standaard ingeschakeld voor Import- en Direct Lake-modellen. Aangezien Q&A in december 2026 met pensioen gaat, zal een vervangende instelling na pensionering de indexering van instantiewaarden ondersteunen, en dit artikel wordt bijgewerkt met de nieuwe configuratiestappen.

Voorbereiden voor AI: semantisch model AI gereed maken

De prep voor AI-functie van Power BI biedt drie configuratieonderdelen die rechtstreeks van invloed zijn op de manier waarop de Fabric-gegevensagent uw semantische model interpreteert. U hebt toegang tot deze onderdelen in zowel Power BI Desktop als de Power BI-service. Power BI Copilot maakt ook gebruik van voorbereidingen voor AI-configuraties, dus tijd investeren in het opzetten hiervan levert voordelen op voor zowel Copilot als de reacties van gegevensagenten.

AI-gegevensschema's

Met AI-gegevensschema's kunt u een gerichte subset van uw model definiëren voor AI-prioriteitstelling. Hoewel de gegevensagent ook een eigen tabelselectie heeft bij het toevoegen van een semantisch model als gegevensbron, configureert u eerst uw schema in Voorbereiding voor AI. Het hulpprogramma voor het genereren van DAX maakt gebruik van dit schema voor het maken van DAX-query's.

U kunt dit schema configureren in Power BI Desktop of de Power BI-service door Prep-gegevens voor AI te selecteren op het startlint. Navigeer vervolgens naar het tabblad Gegevensschema vereenvoudigen . Selecteer vervolgens welke tabellen, kolommen en metingen de AI moet gebruiken bij het genereren van antwoorden. Zie Een AI-gegevensschema instellen voor gedetailleerde installatie-instructies.

Wanneer u het semantische model aan de gegevensagent toevoegt, selecteert u dezelfde tabellen die u hebt gedefinieerd in Prep voor AI om consistent gedrag te garanderen. Definieer eerst het bereik van uw gegevensagent (de typen vragen die moeten worden beantwoord). Selecteer vervolgens alleen de relevante objecten. Deze aanpak vermindert dubbelzinnigheid, verbetert de nauwkeurigheid en vermindert de reactielatentie.

Het hulpprogramma voor het genereren van DAX is afhankelijk van de metagegevens van uw model om vragen te interpreteren. Gebruik duidelijke, bedrijfsvriendelijke namen voor tabellen, kolommen en metingen die aangeven hoe gebruikers op natuurlijke wijze naar de gegevens verwijzen. Gebruik bijvoorbeeld 'Totale omzet' in plaats van 'TR_AMT' of 'Verkoopregio' in plaats van 'DIM_GEO_01'. Deze richtlijnen zijn met name belangrijk voor grote modellen met overlappende of vergelijkbare benoemde velden, waarbij dubbelzinnige namen kunnen leiden tot onjuiste querygeneratie.

Voorbeeld: dubbelzinnigheid van velden oplossen

Tips voor AI-gegevensschema's

• Voor consistente en nauwkeurige resultaten moet u ervoor zorgen dat u dezelfde tabellen in de Fabric-gegevensagent selecteert die ook zijn gedefinieerd via AI-gegevensschema's in Voorbereiding voor AI.

• Wanneer u een schema selecteert, moet u ook afhankelijke objecten opnemen. Als een meting Totale omzet bijvoorbeeld verwijst naar twee andere metingen die afhankelijk zijn van extra kolommen, neemt u al deze afhankelijke objecten in uw schema op. Gebruik de functie get_measure_dependencies uit de Semantic Link Labs-bibliotheek om afhankelijkheden te identificeren.

• Als u een groot semantisch model hebt, kan het handmatig hernoemen van alle objecten tijdrovend zijn. Gebruik de MCP-server voor Power BI-modellering om bedrijfsvriendelijke namen te genereren voor uw tabellen, kolommen en metingen. Controleer en valideer de wijzigingen voordat u opslaat om ervoor te zorgen dat er geen DAX-expressies, relaties of andere afhankelijke objecten worden verbroken.

Gecontroleerde antwoorden

Geverifieerde antwoorden zijn door de gebruiker goedgekeurde visuele antwoorden die specifieke vragen activeren. Ze bieden consistente, betrouwbare antwoorden op veelvoorkomende of complexe vragen die anders onjuist kunnen worden geïnterpreteerd. Omdat u geverifieerde antwoorden op semantisch modelniveau (niet het rapportniveau) opslaat, werken ze voor alle gegevensagenten die hetzelfde model gebruiken. Zie Uw gegevens voorbereiden voor AI- gecontroleerde antwoorden voor meer informatie.

Wanneer u geverifieerde antwoorden met gegevensagent gebruikt, retourneert het systeem de Power BI-visual zelf niet. In plaats daarvan worden de gebruikersvragen en de eigenschappen van de visual (kolommen, metingen, filters) gebruikt om het genereren van DAX-query's te beïnvloeden. Deze aanpak houdt in dat geverifieerde antwoorden de nauwkeurigheid van de respons verbeteren door het DAX-generatietool naar de juiste querystructuur te leiden. Wanneer een gebruiker een vraag stelt aan de gegevensagent, controleert het systeem eerst op een exacte of semantisch vergelijkbare overeenkomst met uw prompt die is gedefinieerd in het geverifieerde antwoord voordat een nieuw antwoord wordt gegenereerd.

Voorbeeld: Regionale terminologie verwerken

Configuratietips voor geverifieerde antwoorden

• Gebruik vijf tot zeven triggervragen per geverifieerd antwoord om natuurlijke variaties te behandelen.
• Neem zowel formele als gespreksformulering op die gebruikers kunnen proberen.
• Configureer maximaal drie filters voor flexibele segmentering zonder meerdere geverifieerde antwoorden te maken.
• Als u de naam van tabellen, kolommen of metingen waarnaar wordt verwezen in een geverifieerd antwoord wijzigt, werkt u het geverifieerde antwoord bij en slaat u het opnieuw op zodat de wijzigingen van kracht worden.

AI-instructies

AI-instructies in Voorbereiding voor AI bieden context, bedrijfslogica en richtlijnen rechtstreeks op het semantische model. Ze helpen terminologie te verduidelijken, analysemethoden te begeleiden en essentiële bedrijfs- en semantische context te bieden die de AI anders niet zou begrijpen.

U kunt deze instructies configureren in Power BI Desktop of de Power BI-service door prepgegevens voor AI te selecteren op het lint Start en vervolgens naar het tabblad AI-instructies toevoegen te gaan. Zie de documentatie over AI-instructies voor gedetailleerde installatie-instructies.

AI-instructies zijn ongestructureerde richtlijnen die door de LLM worden geïnterpreteerd, maar er is geen garantie dat deze exact worden gevolgd. Duidelijke, specifieke instructies zijn effectiever dan complexe of conflicterende instructies.

Zoals eerder vermeld, verwijst het HULPPROGRAMMA voor het genereren van DAX alleen naar de AI-instructies die zijn geconfigureerd in Prep voor AI van het semantische model. Instructies voor de gegevensagent worden niet doorgegeven aan het hulpprogramma en worden genegeerd bij het uitvoeren van query's op semantische modellen. Voeg daarom geen specifieke instructies voor het semantische model toe op het niveau van de gegevensagent. Bewaar in plaats daarvan alle semantische modelinstructies in Prep voor AI, waar het hulpprogramma voor het genereren van DAX deze kan gebruiken. Instructies voor gegevensagenten mogen alleen richtlijnen bevatten die van toepassing zijn op alle gegevensbronnen die zijn geconfigureerd in de agent, zoals algemene voorkeuren voor antwoordopmaak, regels voor routering tussen bronnen, algemene afkortingen, toon enzovoort. In tegenstelling tot andere gegevensbronnen biedt de gegevensagent geen ondersteuning voor instructies of beschrijvingen van gegevensbronnen voor semantische modellen.

Voorbeeld: Bedrijfsterminologie definiëren

Effectieve instructiepatronen

• Definities van tijdsperioden: "Piekseizoen loopt van november tot en met januari. Het laagseizoen is van februari tot en met april.
• Voorkeuren voor metrische gegevens: "Wanneer gebruikers vragen stellen over winstgevendheid, gebruikt u de meting Contribution_Margin, niet Gross_Profit."
• Routering van gegevensbron: "Voor inventarisvragen geeft u prioriteit aan de tabel Warehouse_Inventory boven Sales_Orders."
• Standaardgroeperingen: "Tenzij anders opgegeven, analyseert u de omzet per fiscaal kwartaal in plaats van kalendermaand."

Naast voorbereiding voor AI gebruikt het DAX-hulpprogramma voor het genereren van query's ook metagegevens van rapportvisuals, zoals visuele titel, kolommen, metingen, filters, enzovoort om de nauwkeurigheid van query's te verbeteren.

Aanbevolen implementatiewerkstroom

1. Het Semantische model optimaliseren: Begin met het optimaliseren van uw semantische model voor prestaties. Slechte prestaties van gegevensagenten zijn vaak afkomstig van een slecht ontworpen semantisch model, inefficiënte DAX-metingen of een combinatie van de twee. Wanneer een gebruiker een vraag stelt, genereert de gegevensagent een DAX-query en voert deze uit op uw model. Een goed geoptimaliseerd model maakt gebruik van minder resources en zorgt voor een snellere uitvoering van query's. In een gespreksinterface verwachten gebruikers snelle reacties, waardoor trage prestaties rechtstreeks van invloed zijn op de gebruikerservaring en acceptatie.

   Daarnaast zorgt een uitgebreid model met onnodige kolommen, tabellen en metrieken voor meer ruis, wat het hulpprogramma voor het genereren van DAX lastiger maakt om te verwerken, waardoor de nauwkeurigheid van de antwoorden kan afnemen. Door uw model vroeg te optimaliseren, voorkomt u ook prestatieproblemen wanneer uw gegevens groeien en wordt het model complexer. Meer informatie vindt u in de cursus Een model optimaliseren voor prestaties in Power BI .

   Gebruik Best Practice Analyzer en Semantic Model Memory Analyzer in een Fabric-notebook om problemen te identificeren, zoals onjuiste gegevenstypen, onnodige kolommen, kolommen met hoge kardinaliteit en inefficiënte DAX-patronen. Voeg beschrijvingen toe aan tabellen, kolommen en metingen om de LLM inzicht te geven in het doel van elk object dat is opgenomen in het AI-gegevensschema.

   

2. Voorbereiding voor AI > definiëren AI-gegevensschema: configureer op basis van het bereik van uw gegevensagent het AI-gegevensschema in Voorbereiding voor AI door alleen de tabellen, kolommen en metingen te selecteren die relevant zijn voor de vragen die uw agent moet beantwoorden.

3. Voorbereiding voor AI > maken Gecontroleerde antwoorden: identificeer uw meest voorkomende vragen en configureer geverifieerde antwoorden in Voorbereiding voor AI met behulp van de juiste visuals. Gebruik volledige, robuuste vragen als triggers (geen gedeeltelijke woordgroepen) om de nauwkeurigheid van overeenkomsten te verbeteren.

4. Semantisch model toevoegen aan gegevensagent: Voordat u AI-instructies toevoegt in Voorbereiding voor AI, test en valideert u antwoorden van de gegevensagent. Deze stap helpt u te begrijpen waar AI-instructies nodig zijn voor het verbeteren van het genereren van DAX-query's.

5. Voorbereiding voor AI > toevoegen AI-instructies: definieer op basis van uw validatieresultaten bedrijfsterminologie, analysevoorkeuren en prioriteiten voor gegevensbronnen in Voorbereiding voor AI-instructies (niet in de instructies van de gegevensagent).

6. Visuele elementen van rapporten voorbereiden: Bekijk rapporten die zijn verbonden met het semantische model, inclusief verborgen visuele elementen en pagina's, om ervoor te zorgen dat deze elementen beschrijvende titels hebben. Goed gestructureerde visuals helpen de AI de reacties te gronden met behulp van de metagegevens van de visual, zoals de titel van de visual, tabel, kolom, gebruikte metingen, toegepaste filters en meer.

7. DAX controleren en testen: De nauwkeurigheid van de reactie is afhankelijk van de gegenereerde DAX-query. Wanneer u uw gegevensagent test, controleert u de DAX-query in elk antwoord om te controleren of deze geldig is en de vraag correct beantwoordt. Als de resultaten onjuist zijn, analyseert u de DAX om te bepalen welke configuraties (semantisch model, AI-gegevensschema, geverifieerde antwoorden of AI-instructies) aanpassing nodig hebben.

   

8. Instructies voor gegevensagent configureren: Voeg alleen instructies toe op het niveau van de gegevensagent voor richtlijnen die van toepassing zijn op alle gegevensbronnen die in de agent zijn geconfigureerd. Deze richtlijnen omvatten algemene voorkeuren voor antwoordopmaak, regels voor routering tussen bronnen, algemene afkortingen en toon. Voeg hier geen semantische modelspecifieke instructies toe, omdat ze niet worden doorgegeven aan het hulpprogramma voor het genereren van DAX. Raadpleeg de configuratierichtlijnen voor hulp bij het configureren van agentinstructies.

9. Valideren en herhalen: LLM's kunnen onjuiste resultaten produceren zonder de juiste context. Continu itereren op uw configuratie en de antwoorden valideren om vertrouwen in uw gegevensagent op te bouwen. Als u antwoorden programmatisch wilt evalueren, kunt u de Python SDK van de Fabric-gegevensagent gebruiken om geautomatiseerde evaluaties uit te voeren op basis van vraag-antwoordparen en nauwkeurigheidsgegevens te analyseren. De SDK is alleen bedoeld voor evaluatie in dit geval en kan de voorbereiding van het semantische model voor AI-configuraties niet wijzigen. Zie Uw gegevensagent evalueren voor meer informatie. Betrek ook belanghebbenden en eindgebruikers bij het evaluatieproces. Hun feedback zorgt ervoor dat reacties in overeenstemming zijn met de werkelijke verwachtingen en bruikbaarheid, zodat u hiaten kunt identificeren die geautomatiseerde controles kunnen missen.

10. Broncodebeheer en implementatiepijplijnen implementeren: Gebruik Git-integratie- en implementatiepijplijnen om de configuraties van uw gegevensagent te beheren in ontwikkel-, test- en productiewerkruimten. Deze procedure zorgt ervoor dat configuratiewijzigingen worden getest en gevalideerd voordat ze worden gepromoveerd naar productie waar eindgebruikers deze openen. Zie Broncodebeheer, CI/CD en ALM voor Fabric-gegevensagent voor meer informatie.

Veelvoorkomende valkuilen om te voorkomen

• Niet-stervormig schema gebruiken: Semantische modellen die gebruikmaken van platte of niet-genormaliseerde tabellen of gedraaide gegevensstructuren maken DAX minder efficiënt en moeilijker correct te schrijven. DAX is geoptimaliseerd voor stervormig schema met duidelijke feiten- en dimensietabellen. Brede tabellen omzetten naar genormaliseerde structuren zodat elke rij een enkele observatie vertegenwoordigt.

• Afhankelijk van verborgen velden: Geverifieerde antwoorden werken niet als ze verwijzen naar verborgen kolommen in het model.

• Inclusief onnodige maatregelen: Semantische modellen bevatten vaak helpermetingen en tussenliggende objecten die worden gebruikt om de interactiviteit van rapporten te verbeteren. Wanneer u uw AI-gegevensschema configureert, neemt u alleen de metingen op waarmee werkelijke metrische zakelijke gegevens worden berekend. Het uitsluiten van helpermetingen vermindert ruis en helpt het hulpprogramma voor het genereren van DAX nauwkeurigere query's te genereren.

• Dubbele of overlappende metingen: Meerdere metingen waarmee vergelijkbare metrische gegevens worden berekend (bijvoorbeeld Totale verkoop, Verkoopbedrag, Omzet) maken dubbelzinnigheid. Metingen samenvoegen of duidelijk onderscheiden en duplicaten uitsluiten van uw AI-gegevensschema.

• Niet-beschrijvende naamgeving: Objectnamen zoals TR_AMT, F_SLS of DIM_GEO_01 bieden geen context voor het hulpprogramma voor het genereren van DAX. Gebruik duidelijke, bedrijfsvriendelijke namen, zoals Totale omzet, Verkoop of Geografie van klanten. Als u de naam van objecten niet kunt wijzigen, zorg er dan voor dat beschrijvingen en synoniemen de benodigde context bieden voor de AI om hun doel te begrijpen.

• Afhankelijk van impliciete metingen: Impliciete metingen kunnen leiden tot onvoorspelbare resultaten. Maak expliciete DAX-metingen voor berekeningen waarop gebruikers query's moeten uitvoeren en stel de juiste standaardsamenvatting (Som, Gemiddelde, Geen, enzovoort) in op numerieke kolommen om onbedoelde aggregaties te voorkomen.

• Niet-eenduidige datumvelden: Meerdere datumkolommen (Orderdatum, Verzenddatum, Einddatum, Kalenderkwartaal/FY-kwartaal, enzovoort) zonder duidelijke richtlijnen verwarren de AI. Gebruik gecontroleerde antwoorden en AI-instructies in Voorbereiding voor AI om op te geven welk datumveld standaard of voor specifieke vraagtypen moet worden gebruikt.

• Conflicterende instructies: AI-instructies die in strijd zijn met geverifieerde antwoordconfiguraties, zorgen voor onvoorspelbaar gedrag.

• Verfijning van schema's overslaan: Grote modellen met veel vergelijkbare benoemde velden hebben gerichte AI-gegevensschema's nodig.

• Overmatig complexe instructies: Houd instructies gericht en specifiek. De AI interpreteert, maar biedt geen garantie voor het volgen van complexe, conflicterende richtlijnen. Complexe instructies kunnen ook worden toegevoegd aan latentie.

Tools

Als u deze richtlijnen wilt volgen, kunt u de onderstaande hulpprogramma's gebruiken vanuit de GitHub-opslagplaats voor fabric-toolbox:

• Controlelijst met aanbevelingen. Dit zijn richtlijnen en niet alle items in de controlelijst zijn mogelijk van toepassing op uw scenario.
• Notebook met verzameling hulpprogramma's op één plaats.
• Power BI MCP Server om de ontwikkeling en tests in VS Code te versnellen
• Semantic link labs-bibliotheek om het semantisch model in Fabric Notebook programmatig bij te werken.

Aanvullende bronnen

• Documentatie over concepten voor Fabric-gegevensagents
• Fabric-werkset met controlelijst en notebooks
• Semantisch model toevoegen als gegevensbron aan gegevensagent
• Uw gegevens voorbereiden voor AI in Power BI
• Uw semantische model optimaliseren voor Copilot
• Een model optimaliseren voor prestaties in Power BI - Training
• Veelgestelde vragen over voorbereiding voor AI