Metodtips för semantisk modell för dataagent

Dataagenten Fabric gör det möjligt för organisationer att skapa konversationssystem med generativ AI. Genom att ansluta Power BI-semantiska modeller som datakällor kan team ställa frågor på naturligt språk och få korrekta, sammanhangsrika svar utan att skriva komplexa DAX- eller SQL-frågor.

Kvaliteten på AI-svar beror dock mycket på hur väl du förbereder dina datakällor. Fabric-dataagenten stöder flera typer av datakällor, inklusive lakehouses, lager, eventhouses och ontologier, men den här guiden fokuserar specifikt på Power BI-semantiska modeller och går igenom metodtips för att konfigurera dem för att maximera noggrannheten och relevansen.

Så här fungerar Fabric-dataagenten

Dataagenten använder en arkitektur i flera lager där användarfrågor flödar genom en Orchestrator. Orchestrator fastställer lämplig datakälla och anropar specialiserade verktyg, inklusive DAX-genereringsverktyget för Power BI-semantiska modeller för att generera, validera och köra frågor.

Frågebearbetningsflödet

1. Frågeparsning: Agenten bearbetar användarfrågor via Azure OpenAI, säkerställer efterlevnad av säkerhetsprotokoll och behörigheter och följer Principerna för Microsofts ansvarsfulla AI.

2. Val av datakälla: Systemet utvärderar frågan mot tillgängliga källor med hjälp av schemainformation och AI-instruktioner som du anger.

3. Frågegenerering: För semantiska modeller genererar DAX-genereringsverktyget DAX-frågor baserat på schema, metadata (synonymer, min- och maxvärden för numeriska kolumner, metadata för rapportvisualisering med mera), kontext som konfigurerats i Förberedelsedata för AI och konversationshistoriken.

4. Svarsformatering: Agenten formaterar resultat i svar som kan läsas av människor med tabeller, sammanfattningar eller insikter baserat på agentinstruktionerna.

Avancerad DAX-generering (förhandsgranskning)

Ett avancerat DAX-genereringsverktyg finns tillgängligt för dataagenter under förhandsvisningsruntime. Till skillnad från standard DAX-generering, som genererar en fråga i ett enda pass, använder avancerad DAX-generering flera resonemangssteg för att granska modellmetadata, tolka frågan, lösa tvetydighet och generera DAX-frågan.

Fördelar med avancerad DAX-generering inkluderar:

• Mer korrekta svar på komplexa frågor: Den resonerar iterativt, inspekterar resultat, löser tvetydigheter och förfinar sitt tillvägagångssätt över flera steg.
• Indexering av instansvärden: Den söker i värden i semantiska modellkolumner för att generera mer exakta och tillförlitliga filter.
• Konsekventa svar över Microsoft-upplevelser: Det använder delade funktioner för att förbättra svarskonsistens mellan Fabric-dataagent, Fabric-färdigheter, Power BI, Microsoft 365 Copilot och Fabric IQ-plugin.
• Förbättrad latens i vissa scenarier: Även om verktyget kan utföra flera resonemangssteg kan dess förmåga att mer effektivt identifiera relevanta modellobjekt och värden minska svarsfördröjningen för vissa frågor.

Använd avancerad DAX-generering

För att aktivera funktionen, byt dataagenten till preview-runtime.

Avancerad DAX-generering använder metadata för den semantiska modellen och Prep for AI-konfigurationer som beskrivs i denna artikel. Följ de bästa rutinerna som beskrivs i denna artikel för att maximera svarsnoggrannhet och prestanda.

Instansvärdesindexering kräver för närvarande att den semantiska modellens Q&A-inställning är aktiverad. Denna inställning är aktiverad som standard för Import- och Direct Lake-modeller. Eftersom Q&A pensioneras i december 2026 kommer en ersättningsinställning att stödja indexering av instansvärden efter pensionering, och denna artikel kommer att uppdateras med de nya konfigurationsstegen.

Förberedelse för AI: Gör semantisk modell-AI redo

Power BI:s prep for AI-funktion innehåller tre konfigurationskomponenter som direkt påverkar hur Fabric-dataagenten tolkar din semantiska modell. Du kan komma åt dessa komponenter i både Power BI Desktop och Power BI-tjänsten. Power BI Copilot använder också konfigurationer för Prep for AI, så är det fördelaktigt att investera tid i att konfigurera dessa för både Copilot och dataagentsvar.

AI-datascheman

Med AI-datascheman kan du definiera en fokuserad delmängd av din modell för AI-prioritering. Dataagenten har också ett eget tabellval när du lägger till en semantisk modell som datakälla, men konfigurerar schemat i Förberedelse för AI först. VERKTYGET DAX-generering använder det här schemat för att skapa DAX-frågor.

Du kan konfigurera det här schemat i Power BI Desktop eller Power BI-tjänsten genom att välja Förberedelsedata för AI i menyfliksområdet Start. Gå sedan till fliken Förenkla dataschema . Därifrån väljer du vilka tabeller, kolumner och mått som AI:n ska använda när svar genereras. Detaljerade installationsinstruktioner finns i Ange ett AI-dataschema.

När du lägger till den semantiska modellen i dataagenten väljer du samma tabeller som du definierade i Förberedelse för AI för att säkerställa konsekvent beteende. Definiera först omfånget för dataagenten (vilka typer av frågor den ska besvara). Välj sedan endast relevanta objekt. Den här metoden minskar tvetydigheten, förbättrar noggrannheten och minskar svarsfördröjningen.

DAX-genereringsverktyget förlitar sig på modellens metadata för att tolka frågor. Använd tydliga, företagsvänliga namn för tabeller, kolumner och mått som återspeglar hur användarna naturligt refererar till data. Använd till exempel "Totala intäkter" i stället för "TR_AMT" eller "Försäljningsregion" i stället för "DIM_GEO_01". Den här vägledningen är särskilt viktig för stora modeller med överlappande eller liknande namngivna fält, där tvetydiga namn kan leda till felaktig frågegenerering.

Exempel: Lösa fältkambiguitet

Tips för AI-datascheman

• För konsekventa och korrekta resultat bör du se till att du väljer samma tabeller i Fabric-dataagenten som också definieras via AI-datascheman i Förberedelse för AI.

• När du väljer schema ska du även inkludera beroende objekt. Om ett mått för total intäkt till exempel refererar till två andra mått som är beroende av ytterligare kolumner, inkluderar du alla dessa beroende objekt i schemat. Om du vill identifiera beroenden använder du funktionen get_measure_dependencies från biblioteket Semantic Link Labs .

• Om du har en stor semantisk modell kan det vara tråkigt att byta namn på alla objekt manuellt. Använd Power BI Modeling MCP-servern för att få en LLM att generera företagsvänliga namn för dina tabeller, kolumner och mått. Granska och verifiera ändringarna innan du sparar för att säkerställa att de inte bryter några DAX-uttryck, relationer eller andra beroende objekt.

Verifierade svar

Verifierade svar är användargodkända visuella svar som specifika frågor utlöser. De ger konsekventa, tillförlitliga svar på vanliga eller komplexa frågor som annars kan misstolkas. Eftersom du lagrar verifierade svar på semantisk modellnivå (inte rapportnivå) fungerar de i alla dataagenter som använder samma modell. Mer information finns i Förbereda dina data för AI – Verifierade svar.

När du använder verifierade svar med dataagenten returnerar systemet inte själva det visuella Power BI-objektet. I stället använder den användarfrågorna och det visuella objektets egenskaper (kolumner, mått, filter) för att påverka DAX-frågegenereringen. Den här metoden innebär att verifierade svar förbättrar svarsprecisionen genom att vägleda VERKTYGET DAX-generering mot rätt frågestruktur. När en användare ställer en fråga till dataagenten söker systemet först efter en exakt eller semantiskt liknande matchning som din fråga som definierats i det verifierade svaret innan ett nytt svar genereras.

Exempel: Hantera regional terminologi

Konfigurationstips för verifierade svar

• Använd fem till sju utlösarfrågor per verifierat svar för att täcka naturliga variationer.
• Inkludera både formella fraser och konversationsfraser som användare kan prova.
• Konfigurera upp till tre filter för flexibel segmentering utan att skapa flera verifierade svar.
• Om du byter namn på tabeller, kolumner eller mått som refereras till i ett verifierat svar uppdaterar du det verifierade svaret och sparar det igen för att ändringarna ska börja gälla.

AI-instruktioner

AI-instruktioner i Förberedelse för AI ger kontext, affärslogik och vägledning direkt om den semantiska modellen. De hjälper till att förtydliga terminologi, vägleda analysmetoder och tillhandahålla kritiska affärs- och semantiska sammanhang som AI:n annars inte skulle förstå.

Du kan konfigurera de här anvisningarna i Power BI Desktop eller Power BI-tjänsten genom att välja Förberedelsedata för AI i menyfliksområdet Start och sedan navigera till fliken Lägg till AI-instruktioner . Detaljerade installationsinstruktioner finns i dokumentationen om AI-instruktioner.

AI-instruktioner är ostrukturerade riktlinjer som LLM tolkar, men det finns ingen garanti för att den följer dem exakt. Tydliga, specifika instruktioner är effektivare än komplexa eller motstridiga instruktioner.

Som tidigare nämnts refererar VERKTYGET FÖR DAX-generering endast till AI-instruktionerna som konfigurerats i Prep for AI för semantikmodellen. Dataagentinstruktioner skickas inte till verktyget och ignoreras när du kör frågor mot semantiska modeller. Lägg därför inte till semantiska modellspecifika instruktioner på dataagentnivå. Behåll i stället alla semantiska modellinstruktioner i Förberedelse för AI där DAX-genereringsverktyget kan använda dem. Instruktioner för dataagent bör endast innehålla vägledning som gäller för alla datakällor som konfigurerats i agenten, till exempel allmänna inställningar för svarsformatering, routningsregler mellan källor, vanliga förkortningar, ton och så vidare. Observera också att till skillnad från andra datakällor stöder dataagenten inte instruktioner eller beskrivningar av datakällor för semantiska modeller.

Exempel: Definiera affärsterminologi

Effektiva instruktionsmönster

• Tidsperiodsdefinitioner: "Högsäsong pågår från november till januari. Lågsäsong är februari till april."
• Måttinställningar: "När användarna frågar om lönsamhet använder du måttet Contribution_Margin, inte Gross_Profit."
• Routning av datakälla: "För inventeringsfrågor prioriterar du tabellen Warehouse_Inventory framför Sales_Orders."
• Standardgruppering: "Om inget annat anges analyserar du intäkter efter räkenskapskvartal i stället för kalendermånad."

Förutom Förberedelse för AI använder DAX-frågegenereringsverktyget även metadata från visuella rapportobjekt som visuell rubrik, kolumner, mått, filter och så vidare för att förbättra frågenoggrannheten.

Rekommenderat arbetsflöde för implementering

1. Optimera den semantiska modellen: Börja med att optimera din semantiska modell för prestanda. Dåliga dataagentprestanda kommer ofta från en dåligt utformad semantisk modell, ineffektiva DAX-mått eller en blandning av de två. När en användare ställer en fråga genererar dataagenten en DAX-fråga och kör den mot din modell. En väloptimerad modell använder färre resurser och utför förfrågningar snabbare. I ett konversationsgränssnitt förväntar sig användarna snabba svar, så långsamma prestanda påverkar direkt användarupplevelsen och implementeringen.

   Dessutom skapar en uppsvälld modell med onödiga kolumner, tabeller och mått mer brus för DAX-genereringsverktyget att parsa, vilket kan minska svarsnoggrannheten. Genom att optimera din modell tidigt kan du också förhindra prestandaproblem när dina data växer och modellen blir mer komplex. Du kan läsa mer i kursen Optimera en modell för prestanda i Power BI .

   Använd Best Practice Analyzer och Semantic Model Memory Analyzer i en Fabric-anteckningsbok för att identifiera problem som felaktiga datatyper, onödiga kolumner, kolumner med hög kardinalitet och ineffektiva DAX-mönster. Lägg till beskrivningar i tabeller, kolumner och mått som hjälper LLM att förstå syftet med varje objekt som ingår i AI-dataschemat.

   

2. Definiera förberedelse för AI > AI-dataschema: Baserat på dataagentens omfång konfigurerar du AI-dataschemat i Förberedelse för AI genom att bara välja tabeller, kolumner och mått som är relevanta för de frågor som agenten ska besvara.

3. Skapa förberedelse för AI > Verifierade svar: Identifiera dina vanligaste frågor och konfigurera verifierade svar i Förberedelse för AI med lämpliga visuella objekt. Använd fullständiga, robusta frågor som utlösare (inte partiella fraser) för att förbättra matchningsprecisionen.

4. Lägg till semantisk modell i dataagenten: Innan du lägger till AI-instruktioner i Förberedelse för AI testar och validerar du svar från dataagenten. Det här steget hjälper dig att förstå var AI-instruktioner behövs för att förbättra DAX-frågegenereringen.

5. Lägg till förberedelse för AI > AI-instruktioner: Baserat på dina valideringsresultat definierar du affärsterminologi, analysinställningar och datakällsprioriteringar i Prep for AI-instruktioner (inte i instruktionerna för dataagenten).

6. Förbereda visuella rapportobjekt: Granska rapporter som är anslutna till den semantiska modellen, inklusive dolda visuella objekt och sidor, för att säkerställa att visuella objekt har beskrivande rubriker. Välstrukturerade visuella objekt hjälper AI:n att grunda svaren med hjälp av visuella metadata, till exempel visuell rubrik, tabell, kolumn, mått som används, filter som används med mera.

7. Verifiera och testa DAX: Svarsnoggrannhet beror på den genererade DAX-frågan. När du testar dataagenten granskar du DAX-frågan i varje svar för att kontrollera att den är giltig och svarar korrekt på frågan. Om resultatet är felaktigt analyserar du DAX för att identifiera vilka konfigurationer (semantisk modell, AI-dataschema, verifierade svar eller AI-instruktioner) som behöver justeras.

   

8. Konfigurera instruktioner för dataagenten: Lägg endast till instruktioner på dataagentnivå för vägledning som gäller för alla datakällor som konfigurerats i agenten. Den här vägledningen omfattar allmänna inställningar för svarsformatering, routningsregler mellan källor, vanliga förkortningar och ton. Lägg inte till semantiska modellspecifika instruktioner här eftersom de inte skickas till DAX-genereringsverktyget. Vägledning om hur du konfigurerar agentinstruktioner finns i konfigurationsriktlinjer.

9. Verifiera och iterera: LLM:er kan ge felaktiga resultat utan rätt kontext. Iterera kontinuerligt i konfigurationen och validera svar för att skapa förtroende för dataagenten. För att utvärdera svar programmatiskt kan du använda Fabric data-agenten Python SDK för att köra automatiserade utvärderingar mot fråga-svar-par med grunddata och analysera noggrannhetsmått. Observera att SDK endast är till för utvärdering i det här fallet och inte kan ändra semantikmodellens Förberedelse för AI-konfigurationer. Mer information finns i Utvärdera din dataagent. Involvera även intressenter och slutanvändare i utvärderingsprocessen. Deras feedback säkerställer att svaren överensstämmer med verkliga förväntningar och användbarhet, vilket hjälper dig att identifiera luckor som automatiserade kontroller kan missa.

10. Implementera källkontroll och distributionspipelines: Använd Git-integrerings- och distributionspipelines för att hantera dina dataagentkonfigurationer i arbetsytor för utveckling, testning och produktion. Den här metoden säkerställer att konfigurationsändringar testas och verifieras innan de befordras till produktion där slutanvändarna kommer åt dem. Mer information finns i Källkontroll, CI/CD och ALM för Fabric-dataagenten.

Vanliga fallgropar att undvika

• Använder inte star-schema: Semantiska modeller som använder platta, avnormaliserade tabeller eller pivoterade datastrukturer gör DAX mindre effektivt och svårare att skriva korrekt. DAX är optimerat för stjärnschema med tydliga fakta och dimensionstabeller. Ta bort breda tabeller till normaliserade strukturer där varje rad representerar en enda observation.

• Förlitar sig på dolda fält: Verifierade svar fungerar inte om de refererar till dolda kolumner i modellen.

• Inklusive onödiga åtgärder: Semantiska modeller innehåller ofta hjälpmått och mellanliggande objekt som används för att förbättra rapportens interaktivitet. När du konfigurerar ditt AI-dataschema ska du bara inkludera de mått som beräknar faktiska affärsmått. Exkludering av hjälpåtgärder minskar bruset och hjälper DAX-genereringsverktyget att generera mer exakta frågor.

• Duplicerade eller överlappande mått: Flera mått som beräknar liknande mått (till exempel Total försäljning, Försäljningsbelopp, Intäkter) skapar tvetydighet. Konsolidera eller tydligt särskilja mått och undanta dubbletter från ditt AI-dataschema.

• Icke-beskrivande namngivning: Objektnamn som TR_AMT, F_SLS eller DIM_GEO_01 ger ingen kontext för DAX-genereringsverktyget. Använd tydliga, företagsvänliga namn som Total Revenue, Sales eller Customer Geography. Om du inte kan byta namn på objekt kontrollerar du att beskrivningar och synonymer ger den kontext som ai:n behöver för att förstå syftet med dem.

• Förlitar sig på implicita mått: Implicita mått kan leda till oförutsägbara resultat. Skapa explicita DAX-mått för beräkningar som du vill att användarna ska fråga efter och ange rätt standardsammanfattning (summa, medelvärde, ingen och så vidare) för numeriska kolumner för att förhindra oavsiktliga aggregeringar.

• Tvetydiga datumfält: Flera datumkolumner (orderdatum, leveransdatum, förfallodatum, kalenderkvartal/FY-kvartal och så vidare) utan tydlig vägledning förvirrar AI:n. Använd verifierade svar och AI-instruktioner i Prep for AI för att ange vilket datumfält som ska användas som standard eller för specifika frågetyper.

• Motstridiga instruktioner: AI-instruktioner som motsäger konfigurationer av verifierade svar skapar oförutsägbart beteende.

• Hoppar över schemaförfining: Stora modeller med många liknande namngivna fält behöver fokuserade AI-datascheman.

• Alltför komplexa instruktioner: Håll instruktionerna fokuserade och specifika. AI:n tolkar men garanterar inte att du följer komplexa, motstridiga riktlinjer. Komplexa instruktioner kan också lägga till svarstid.

Tools

Om du vill följa dessa riktlinjer kan du använda verktygen nedan från fabric-toolbox GitHub-lagringsplats:

• Checklista med rekommendationer. Det här är riktlinjer och inte alla objekt i checklistan kan vara tillämpliga för ditt scenario.
• Anteckningsbok med en samling av verktyg på ett ställe.
• Power BI MCP Server för att påskynda utveckling och testning i VS Code
• Semantiska länklabbbibliotek för att programmatiskt uppdatera semantikmodellen i Fabric Notebook.

Ytterligare resurser

• Dokumentation av koncept för Fabric-dataagent
• Fabric-verktygslåda med checklista och anteckningsblock
• Lägga till semantisk modell som datakälla i dataagenten
• Förbereda dina data för AI i Power BI
• Optimera din semantiska modell för Copilot
• Optimera en modell för prestanda i Power BI – utbildning
• Vanliga frågor och svar om förberedelse för AI