Notatka
Dostęp do tej strony wymaga autoryzacji. Może spróbować zalogować się lub zmienić katalogi.
Dostęp do tej strony wymaga autoryzacji. Możesz spróbować zmienić katalogi.
Usługa Microsoft Fabric udostępnia narzędzia do zaawansowanej analizy, uczenia maszynowego (ML) i operacjonalizacji modelu sztucznej inteligencji w ramach jednej ujednoliconej platformy. Obciążenie Data Science zostało zaprojektowane dla analityków danych i analityków w celu eksplorowania, przygotowywania i analizowania danych, tworzenia i śledzenia modeli uczenia maszynowego oraz operacjonalizacji przepływów pracy sztucznej inteligencji. Agenci danych Fabric IQ, agenci operacyjni i copilot w usłudze Power BI zwiększają interakcję z danymi poprzez język naturalny, automatyzację i działania oparte na spostrzeżeniach.
Z tego artykułu dowiesz się więcej o:
- Agenci sztucznej inteligencji na potrzeby analizy konwersacyjnej i automatyzacji operacyjnej
- Przepływy pracy nauki o danych na potrzeby trenowania, śledzenia i wdrażania modeli
- Opcje dostępu dla deweloperów i użytkowników za pomocą narzędzi GraphQL i Copilot
Agenci sztucznej inteligencji
Agenci sztucznej inteligencji w usłudze Microsoft Fabric pomagają zespołom przejść od pasywnego raportowania do aktywnej pomocy technicznej dotyczącej podejmowania decyzji. Agenci danych ułatwiają analizowanie danych za pomocą pytań w języku naturalnym, podczas gdy agenci operacji monitorują warunki biznesowe i wyzwalają akcje po spełnieniu reguł. Razem łączą szczegółowe informacje i automatyzację, dzięki czemu zespoły mogą reagować szybciej, zmniejszyć nakład pracy ręcznej i podejmować decyzje w większym kontekście.
Agent danych
Agenci danych Fabric umożliwiają konwersacyjną formę pytań i odpowiedzi dotyczących danych przedsiębiorstwa przy użyciu generatywnej sztucznej inteligencji. Użytkownicy mogą zadawać pytania w języku angielskim i uzyskiwać ustrukturyzowane, bezpieczne, tylko do odczytu odpowiedzi bez konieczności używania języka SQL, języka DAX lub języka KQL. Agenci danych używają interfejsów API Asystenta Azure OpenAI do identyfikowania odpowiednich źródeł danych usługi OneLake, w tym Lakehouses, Warehouses, modeli semantycznych Power BI, baz danych KQL i ontologii. Agentów można skonfigurować za pomocą niestandardowych instrukcji, przykładów i wskazówek specyficznych dla domeny, aby poprawić istotność odpowiedzi.
Agenci danych integrują się z usługami Microsoft Foundry, Copilot Studio i Microsoft 365 Copilot, aby rozszerzyć możliwości analizy konwersacyjnej na przepływy pracy sztucznej inteligencji:
Usługa Foundry IQ udostępnia udostępnioną warstwę kontekstową, w której agenci danych współtworzyją ustrukturyzowane analizy biznesowe wraz z innymi agentami, umożliwiając wieloetapowe rozumowanie i organizowanie w systemach przedsiębiorstwa.
Copilot Studio pozwala na osadzanie tych agentów jako niestandardowe funkcje w usłudze Teams, aplikacjach internetowych lub aplikacjach biznesowych, co umożliwia wstrzykiwanie bieżącego kontekstu biznesowego do monitów Copilot oraz łączenie pytań i odpowiedzi z automatyzacją przepływu pracy.
Integracja z rozwiązaniem Microsoft 365 Copilot umożliwia tym agentom zarządzanie analizami opartymi na ontologii bezpośrednio w narzędziach zwiększających produktywność, takich jak Outlook, Excel i Teams, łącząc analizy konwersacyjne z automatyzacją przepływu pracy.
Agent operacji
Agenci operacji to autonomiczne, oparte na ontologii składniki sztucznej inteligencji, które monitorują strumienie danych w czasie rzeczywistym, interpretują zdarzenia i wykonują lub polecają akcje. Używają ontologii do stosowania reguł i celów, umożliwiając proaktywne podejmowanie decyzji, a nie reaktywne odpowiedzi. Integrują się z platformą Activator i Power Automate, aby wyzwalać przepływy pracy w systemach ERP, CRM i innych, podczas gdy platforma Teams zapewnia alerty i zatwierdzenia przez człowieka. W przeciwieństwie do agentów danych, które koncentrują się na odpowiadaniu na pytania, agenci operacji stale działają na warunkach na żywo, ucząc się od wyników, aby poprawić przyszłe decyzje i przekształcić operacje w adaptacyjną automatyzację z uwzględnieniem kontekstu.
Na poniższym diagramie pokazano, jak Agenci Danych i Agenci Operacji w Fabric IQ używają zarządzanych danych przedsiębiorstwa i usług automatyzacji, aby dostarczać wgląd i wyzwalać działania.
Wybieranie agentów danych i agentów operacyjnych
Agenci danych i agenci operacji w usłudze Microsoft Fabric IQ pełnią różne role. Agenci danych zapewniają analizę konwersacyjną, odpowiadając na pytania użytkowników w języku naturalnym, korzystając z ontologii na potrzeby semantycznego uziemienia i wykonywania zapytań dotyczących wielu źródeł, takich jak Lakehouses, Warehouses i Power BI. Integrują się zewnętrznie za pośrednictwem usługi Teams, Copilot Studio i niestandardowych aplikacji na potrzeby dostarczania szczegółowych informacji.
Z kolei agenci operacji koncentrują się na autonomicznym podejmowaniu decyzji. Monitorują strumienie danych w czasie rzeczywistym względem reguł opartych na ontologii w celu wyzwalania lub rekomendowania akcji. Integrują się z usługą Power Automate (za pośrednictwem aktywatora), Teams do powiadomień i zatwierdzeń oraz zewnętrznymi systemami operacyjnymi, takimi jak ERP lub CRM. Agenci danych demokratyzują dostęp do danych w celu uzyskania szczegółowych informacji, podczas gdy agenci operacji napędzają proaktywną, zarządzaną automatyzację w celu optymalizacji operacyjnej.
Przepływy pracy nauki o danych
Analiza danych sieci szkieletowej obejmuje pełny cykl życia uczenia maszynowego: eksplorację danych, przygotowanie, eksperymentowanie z modelem, śledzenie, wdrażanie i zużycie. Potrzebne narzędzia obejmują notatniki, Apache Spark, MLflow i AutoML, a wszystko to w ramach ujednoliconej platformy. Analitycy danych mogą opracowywać i operacjonalizować modele uczenia maszynowego wraz z inżynierami danych i analitykami w jednym miejscu.
Śledzenie eksperymentów za pomocą platformy MLflow
Eksperymenty w usłudze Microsoft Fabric organizują i śledzą przebiegi trenowania modeli. Eksperyment za pomocą Fabric działa jak eksperyment MLflow, zawiera kolekcję wykonań, gdzie każde uruchomienie to jedno wykonanie kodu trenowania modelu. Ponieważ Fabric integruje się z platformą MLflow, każde uruchomienie może automatycznie rejestrować odpowiednie informacje, takie jak hiperparametry, metryki, tagi, wersja kodu i elementy wyjściowe, bez potrzeby stosowania niestandardowego kodu do logowania. Śledzenie MLflow jest natywnie wbudowane w notesy Fabric i zadania Spark, dzięki czemu naukowcy danych mogą używać interfejsów API MLflow lub interfejsu użytkownika Fabric do tworzenia eksperymentów i rejestrowania przebiegów.
Rejestrowanie i wdrażanie modeli uczenia maszynowego
Modele uczenia maszynowego w Fabric to zarejestrowane modele uczenia maszynowego. Zarządzanie modelami Fabric używa rejestrów opartych na MLflow do przechowywania, wersjonowania i śledzenia modeli. Po wybraniu najlepszego przebiegu eksperymentu zarejestruj model w usłudze Fabric, aby przechowywać metadane, takie jak hiperparametry, metryki i szczegóły środowiska. Modele są zapisywane w ustandaryzowanym formacie MLflow, co umożliwia współdziałanie w środowiskach Spark i Python.
Modele można wdrażać na potrzeby oceniania wsadowego na platformie Spark lub za pośrednictwem punktów końcowych czasu rzeczywistego na potrzeby przewidywań o małych opóźnieniach.
Na poniższym diagramie przedstawiono pełny przepływ pracy analizy danych w usłudze Fabric — od przygotowywania i eksperymentowania danych po rejestrację i wdrażanie modelu.
Dostęp do danych deweloperów za pomocą języka GraphQL
Interfejs API GraphQL udostępnia pojedynczy, elastyczny punkt końcowy do wykonywania zapytań dotyczących wielu źródeł danych Fabric, w tym magazynów, baz danych SQL, Lakehouse i dublowanych baz danych. Obsługuje odnajdywanie schematów, generowane zapytania, modelowanie relacji i interakcyjne testowanie zapytań. Ułatwia uwidacznianie określonych tabel, widoków i pól, umożliwiając jednocześnie szybki dostęp do danych sterowanego przez klienta w środowiskach Fabric.
Copilot w usłudze Power BI
Funkcja Copilot w usłudze Power BI umożliwia interakcję z danymi w języku naturalnym. Użytkownicy mogą eksplorować dane, generować szczegółowe informacje, tworzyć wizualizacje i generować wyrażenia języka DAX.
Autonomiczne środowisko Copilot obsługuje analizę konwersacyjną między różnymi elementami, automatycznie wybierając odpowiednie źródło danych, takie jak raport, model semantyczny lub agent danych Fabric, do którego użytkownicy mogą uzyskiwać dostęp. W razie potrzeby zadaje on wyjaśnienie pytań i może natychmiast dostarczać szczegółowe informacje po wybraniu odpowiedniego raportu lub modelu. Przygotowywanie danych dla sztucznej inteligencji i zatwierdzanie modeli semantycznych zwiększa dokładność i zapewnia wysokiej jakości odpowiedzi.