Veelgestelde vragen over het voorbereiden van gegevens voor AI

Tegenwoordig biedt Power BI vier hoofdhulpprogramma's voor het configureren van uw model voor verwerking van natuurlijke taal:

• AI-gegevensschema's: hiermee kunt u een subset van een schema selecteren dat Copilot moet gebruiken.
• Gecontroleerde antwoorden: een antwoord dat een modelauteur configureert en valideert op nauwkeurigheid en betrouwbaarheid. Auteurs kunnen specifieke visuals instellen voor Copilot voor gebruik in een geverifieerd antwoord wanneer een gebruiker een vraag stelt die in de toegewezen categorie valt.
• AI-instructies: instructies die u op uw model kunt instellen om meer context te bieden over de gegevens in het model. Ze helpen Copilot te begrijpen op welke gegevens het zich wanneer moet richten, en helpen Copilot bepaalde verbanden te begrijpen die gebruikers kunnen gebruiken wanneer ze met Copilot communiceren.
• Beschrijvingen: Beschrijvingen die zijn ingesteld op tabellen en kolommen om meer context over de gegevens te bieden. Copilot gebruikt alleen beschrijvingen in DAX-query's (Data Analysis Expressions) en zoekmogelijkheden.

Als u de meeste waarde wilt ophalen uit Copilot in Power BI, implementeert u de hulpprogrammafuncties in de volgende volgorde:

1. Definieer het AI-gegevensschema.

   Selecteer eerst de specifieke tabellen, velden en metingen waarnaar Copilot moet verwijzen wanneer er gegevensvragen worden beantwoord.

   Tijdens het ontwikkelen van modellen kunt u elementen opnemen die niet relevant zijn voor query's van eindgebruikers. Wanneer u het schema beperkt, kunt u Copilot zich richten op de meest betekenisvolle onderdelen van uw model, waardoor dubbelzinnigheid wordt verminderd. Deze procedure is belangrijk voor grote gegevenssets met overlappende of vergelijkbare benoemde velden.

   Hier volgt een voorbeeld van hoe AI-gegevensschema's u kunnen helpen Copilot zich richten op de juiste gegevens:

   Wanneer u het hele schema gebruikt, weet Copilot niet altijd wat de gebruiker betekent als ze zeggen verkoop. In dit geval retourneert Copilot de brutowinstmarge (GPM), een legitieme interpretatie van de verkoop, maar niet de metrische gegevens die dit team doorgaans gebruikt om de verkoop te analyseren.

   De auteur van het model maakt gebruik van de prep-gegevens voor ai-functie en verwijdert de totale GPM-meting uit het schema dat Copilot ontvangt.

   Wanneer de gebruiker dezelfde vraag stelt, heeft Copilot nu meer duidelijkheid over waar het antwoord vandaan komt en de verkoop correct interpreteert door de definitie en meting van het team.

   

2. Gecontroleerde antwoorden maken.

   Stel geverifieerde antwoorden in voor veelvoorkomende of genuanceerde vragen die gebruikers kunnen stellen.

   Selecteer een visual en selecteer vervolgens Geverifieerd antwoord maken. Voeg vervolgens triggertermen toe die weerspiegelen hoe gebruikers hun vragen waarschijnlijk zullen formuleren. Wanneer gebruikers een overeenkomende of vergelijkbare zin invoeren in Copilot, wordt de vertrouwde visuele weergave geretourneerd. Dit proces helpt bij het garanderen van consistente, hoogwaardige antwoorden in rapporten.

   In het volgende voorbeeld ziet u het voordeel van een geverifieerd antwoord. De gebruiker vraagt om verkoop per gebied. Copilot interpreteert area als productgebied en retourneert een lijst met producten en hun verkoop. De gebruiker zocht echter verkoop per regio of locatie.

   De auteur van het model stelt een geverifieerd antwoord in met behulp van een visual die verkoop per regio bevat. Vervolgens bevat de auteur triggertermen die, wanneer een gebruiker hen vraagt, dit specifieke visuele antwoord moet retourneren.

   Wanneer de gebruiker nu om verkoop per gebied vraagt, retourneert Copilot het geverifieerde antwoord dat de auteur van het model goedkeurt.

   

3. Voeg AI-instructies toe.

   Nadat u het schema en geverifieerde antwoorden hebt gedefinieerd, kunt u AI-instructies gebruiken om het gedrag van Copilot op modelniveau te begeleiden.

   Instructies helpen bedrijfslogica te verduidelijken, gebruikersterminologie toe te wijzen aan modelvelden en Copilot te vertellen hoe specifieke typen gegevens moeten worden geïnterpreteerd of geanalyseerd. Ze zijn handig omdat ze context bieden die Copilot niet zelf zou afleiden.

   In het volgende voorbeeld ziet u hoe u AI-instructies gebruikt om meer context te bieden voor Copilot. De gebruiker vraagt naar verkopen tijdens het drukke seizoen van 2012. Druk seizoen is een goed gedefinieerde, veelgebruikte woordgroep binnen deze organisatie. Het semantische model heeft echter nergens een indicatie van deze term. De auteur van het model stelt een instructie in die het drukke seizoen definieert als juni tot augustus.

   Wanneer de gebruiker nu de vraag stelt over de verkoop tijdens het drukke seizoen, begrijpt Copilot deze gedefinieerde term en geeft het antwoord.

   

4. Beschrijvingen toevoegen aan tabellen en kolommen.

   Beschrijvingen bieden extra metagegevens die Copilot kunnen gebruiken om uw model te begrijpen.

   Hoewel beschrijvingen momenteel slechts invloed hebben op sommige Copilot gedrag, spelen ze een grotere rol in toekomstige mogelijkheden. Door ze toe te voegen, kunt u nu een sterke basis vormen voor succes op lange termijn met interacties in natuurlijke taal in Power BI.

Tegenwoordig zijn hulpprogramma's en configuratiefuncties alleen beschikbaar in het model. U kunt nog geen verschillende rapporten configureren die zijn gebouwd op basis van hetzelfde model. U stelt het schema, geverifieerde antwoorden, instructies en beschrijvingen in op het semantische model, niet in het rapport.

Raadpleeg de volgende tabel:

1. Definieer uw AI-gegevensschema.

   Verwijder tabellen, kolommen of velden die niet relevant zijn voor de behoeften van uw gebruikers. Deze actie helpt Copilot zich te richten op de meest relevante onderdelen van uw model en zorgt ervoor dat de juiste velden worden geselecteerd wanneer deze reageert op query's.

2. Gebruik geverifieerde antwoorden voor visuals in rapporten.

   Als Copilot een visual in uw rapport kunt gebruiken om een antwoord op een vraag af te leiden, maakt u een geverifieerd antwoord. Deze procedure helpt ervoor te zorgen dat Copilot consistent de juiste visual retourneert wanneer gebruikers vragen stellen met specifieke triggertermen.

3. Instructies voor specifieke velden aanpassen.

   Nadat u het schema en geverifieerde antwoorden hebt ingesteld, kunt u AI-instructies gebruiken om Copilot te begeleiden bij het selecteren van bepaalde velden. Gebruik instructies voor het afstemmen en voor geavanceerde scenario's nadat u andere voorbereidingsgegevens voor AI-functies hebt ingesteld. Deze reeks stappen zorgt ervoor dat Copilot de meest nauwkeurige en contextuele relevante resultaten retourneert voor gebruikers, geleid door de structuur van uw model en uw gedefinieerde instructies.

Als Copilot moeite heeft om een term te begrijpen die altijd hetzelfde juiste item heeft waarnaar moet worden verwezen in uw model, kunt u een alternatieve naam opgeven via AI-instructies.

Als uw team bijvoorbeeld de mensen die uw producten verkopen closers noemt, neem dat dan op als referentie in uw AI-instructies. Stel verkopers zo in dat ze ook bekendstaan als afsluiters.

Als uw team bepaalde termen gebruikt die niet exact 1:1 overeenkomen met tabellen of velden in uw model, kunt u AI-instructies gebruiken om verschillende items met bepaalde voorwaarden of groeperingen te verduidelijken.

Een verkoopteam kan bijvoorbeeld iedereen classificeren die meer dan 100% van hun doelen verkoopt in een bepaalde maand als hoog presterende gebruikers. Zij moeten de volgende instructies aanleveren voor Copilot:

High performer betekent een verkoper die 100% of meer van hun maandelijkse doel ontmoet.

Wanneer een gebruiker nu vraagt: 'Wie waren de high performers vorige maand?' Copilot precies weet wat high performer betekent in uw team en organisatie.

In een ander voorbeeld kan een organisatie seizoenen classificeren. Uw team zou januari tot mei het rustige seizoen kunnen noemen. Juni tot september kan het drukke seizoen zijn. Oktober tot december kan standaardseizoen zijn.

In AI-instructies kunt u de volgende definities instellen:

• Langzaam seizoen betekent januari tot mei.
• Druk seizoen betekent juni tot september.
• Standaardseizoen betekent oktober tot december.

Wanneer een gebruiker nu vraagt: 'Wat was de totale verkoop voor het drukke seizoen vorig jaar?' begrijpt Copilot welk tijdsbestek de gebruiker bedoelt met drukke periode.

Consumenten van uw rapport en gegevens stellen waarschijnlijk vaker vragen. U kunt dit probleem oplossen door gecontroleerde antwoorden op uw model toe te passen. Pas een geverifieerd antwoord toe door een visual te selecteren en triggertermen in te stellen. Wanneer een gebruiker om het onderwerp vraagt, retourneert Copilot informatie met behulp van de toegewezen visual.

Consumenten van het rapport en model kunnen bijvoorbeeld vaak vragen: 'Welk product had de hoogste verkoop vorige week?' U kunt een geverifieerd antwoord instellen om Copilot inzicht te geven in waar de juiste informatie kan worden gevonden. Deze methode helpt auteurs en consumenten te vertrouwen dat het antwoord juist is.

De mogelijkheden zoals deze momenteel bestaan, zijn beperkt tot breed verbruik. U kunt momenteel geen woordenlijst maken op basis van verschillende groepen of een term op twee verschillende manieren definiëren. Technici kunnen bijvoorbeeld het gebruik definiëren als het aantal keren waarop wordt geklikt, maar productmanagers kunnen het gebruik definiëren als betalende klanten in een bepaalde maand. U kunt momenteel geen verschillende definities voor gebruik in hetzelfde model geven.

In scenario's waarin uw semantische modelschema te groot is voor Copilot om een antwoord weer te geven, vermindert Copilot het modelschema zodat het schema kan worden begrepen en een antwoord kan genereren. U kunt zien wanneer deze vermindering plaatsvindt door de Copilot-diagnosegegevens te downloaden en te kijken of "AgentSchemaReduced" in de waarschuwingen staat.

Om Copilot optimaal te kunnen presteren, moet deze inzicht hebben in de onderliggende gegevens in het semantische model. Als u de onderliggende gegevens wilt begrijpen, indexeert Copilot in Power BI het semantische model, zodat er nauwkeurig naar relevante waarden kan worden gezocht. Dit proces helpt Copilot vragen effectief te beantwoorden op basis van uw prompt.

Overweeg een gegevensset met betrekking tot Hawaii-toerisme. Om vragen te beantwoorden, zoals "Hoe heeft het weer invloed op toeristenbezoeken op Maui?" moet Copilot begrijpen dat Maui een instantiewaarde is in het semantische model in de Island name kolom van de Island tabel.

Als Copilot deze exemplaarwaarden effectief wilt doorzoeken, indexeert Power BI het semantische model wanneer u Power BI Q&A inschakelt. Power BI het model opnieuw indexeert wanneer wijzigingen worden gedetecteerd.

Indexeringsfrequentie van het model

Power BI indexeert alle modellen waarvoor de instelling Q&A is ingeschakeld.

Opnieuw indexeren vindt plaats wanneer een van de volgende acties plaatsvindt:

• Voor importmodellen :
  • U publiceert of publiceert het model opnieuw in de service.
  • Er wordt een handmatige of geplande verversing van het model uitgevoerd, en u gebruikt Copilot en Q&A in de afgelopen 14 dagen.
• Voor DirectQuery - en Direct Lake-modellen :
  • U publiceert of publiceert het model opnieuw in de service.
  • De index is ouder dan 24 uur en u hebt Copilot en V&A in de afgelopen 14 dagen gebruikt.

Het volgende bericht in Copilot geeft aan dat het model momenteel indexeert. Het bericht verdwijnt automatisch zodra het indexeren is voltooid.

Indexeringsmethodologie

Power BI alleen tekstkolommen indexeert in het semantische model. Power BI indexeer geen kolommen die u in het AI-schema verbergt via de functie Gegevens voorbereiden voor AI.

Power BI indexeert maximaal vijf miljoen exemplaarwaarden met kolommen en indexeert eerst de kleinste kardinaliteit. DISTINCTCOUNT bepaalt de kardinaliteit van de kolom voor importmodellen en COLUMNSTATISTICS bepaalt de kardinaliteit van de kolom voor DirectQuery-modellen. Voor DirectQuery-bronnen gebruikt de COLUMNSTATISTICS functie de APPROXIMATEDISTINCTCOUNT functie om efficiënt kolomkardinaliteiten te bepalen voor onderliggende gegevensbronnen die deze ondersteunen.

Om verder te voorkomen dat het onderliggende systeem voor DirectQuery-modellen overbelast raakt door een toestroom van query's als gevolg van indexering, slaat Power BI de resultaten van COLUMNSTATISTICS op in de cache en berekent het de statistieken elke zeven dagen opnieuw. Tijdens het indexeringsproces, als het indexeren van de volgende kolom de bovengrens van de vijf miljoen exemplaren overschrijdt, slaat Power BI die kolom volledig over.

Als het indexeren de limiet bereikt, antwoordt Copilot nog steeds op basis van de index die het heeft opgebouwd, en die bevat niet alle exemplaarwaarden. U ziet de volgende waarschuwing wanneer het semantische model de indexeringslimiet bereikt.

Bekende beperkingen

• Indexering heeft een bovengrens van vijf miljoen exemplaarwaarden of 1000 modelentiteiten (tabellen/kolommen) voor grote semantische modellen.
• Power BI indexeer geen tekstwaarden van meer dan 100 tekens.
• DirectQuery-modellen indexeren alleen kolommen voor gegevensbronnen die ondersteuning bieden APPROXIMATEDISTINCTCOUNT.
• Indexering voor DirectQuery- en Direct Lake-modellen vindt eenmaal plaats gedurende een periode van 24 uur, tenzij u het model opnieuw publiceert.
• Als het vernieuwen van het onderliggende semantische model mislukt, is de gegevensindex mogelijk verlopen totdat het volgende geslaagde semantische model wordt vernieuwd.
• Het genereren van de eerste gegevensindex voor het semantische model kan nog 15 minuten duren voordat back-endactiviteiten de index genereren.