Vanliga frågor och svar om hur du förbereder data för AI

I dag erbjuder Power BI fyra huvudsakliga verktygsfunktioner för att konfigurera din modell för bearbetning av naturligt språk:

• AI-datascheman: Låter dig välja en delmängd av ett schema som Copilot ska använda.
• Verifierade svar: Ett svar som en modellförfattare konfigurerar och validerar för noggrannhet och tillförlitlighet. Författare kan ange specifika visuella objekt för Copilot som ska användas i ett verifierat svar när en användare ställer en fråga som hör till den tilldelade kategorin.
• AI-instruktioner: Instruktioner som du kan ange för din modell för att ge mer kontext för data i modellen. De hjälper Copilot att förstå när de ska fokusera på vilka data och hjälper Copilot förstå vissa mappningar som språkanvändare kan använda när de interagerar med Copilot.
• Beskrivningar: Beskrivningar som anges i tabeller och kolumner för att ge mer kontext om data. Copilot använder endast beskrivningar i DAX-frågor (Data Analysis Expressions) och sökfunktioner.

Om du vill få ut mesta möjliga av Copilot i Power BI implementerar du dess verktygsfunktioner i följande sekvens:

1. Definiera AI-dataschemat.

   Börja med att välja de specifika tabeller, fält och mått som Copilot ska referera till när de besvarar datafrågor.

   Under modellutvecklingen kan du inkludera element som inte är relevanta för slutanvändarfrågor. När du begränsar schemat hjälper du Copilot fokusera på de mest meningsfulla delarna i din modell, vilket minskar tvetydigheten. Den här metoden är viktig för stora datamängder som har överlappande eller liknande namngivna fält.

   Här är ett exempel på hur AI-datascheman kan hjälpa Copilot fokusera på rätt data:

   När du använder hela schemat vet Copilot inte alltid vad användaren menar när de säger sales. I det här fallet returnerar Copilot bruttovinstmarginal (GPM), vilket är en legitim tolkning av försäljningen, men inte det mått som det här teamet vanligtvis använder för att analysera försäljningen.

   Modellförfattaren använder funktionen Förberedelsedata för AI och tar bort det totala GPM-måttet från schemat som Copilot tar emot.

   Nu, när användaren ställer samma fråga, har Copilot mer klarhet om var du kan få svaret från och korrekt tolkar försäljningen genom teamets definition och mätning.

   

2. Skapa verifierade svar.

   Konfigurera verifierade svar för vanliga eller nyanserade frågor som användarna kan ställa.

   Välj ett visuellt objekt och välj sedan Skapa verifierat svar. Lägg sedan till utlösarfraser som återspeglar hur användarna sannolikt kommer att formulera sina frågor. När användarna anger en matchande eller liknande fras i Copilot returneras det betrodda visuella objektet. Den här processen hjälper till att säkerställa konsekventa och högkvalitativa svar mellan rapporter.

   I följande exempel visas fördelen med ett verifierat svar. Användaren ber om försäljning per område. Copilot tolkar area som produktområde och returnerar en lista över produkter och deras försäljning. Användaren letade dock efter försäljning efter region eller plats.

   Modellförfattaren anger ett verifierat svar med hjälp av ett visuellt objekt som inkluderar försäljning per region. Författaren innehåller sedan utlösarfraser som när en användare frågar dem ska returnera det här specifika visuella svaret.

   När användaren nu ber om försäljning per område returnerar Copilot det verifierade svar som modellförfattaren godkänner.

   

3. Lägg till AI-instruktioner.

   När du har definierat schemat och verifierat svar kan du använda AI-instruktioner för att vägleda Copilot beteende på modellnivå.

   Instruktioner hjälper till att förtydliga affärslogik, mappa användarterminologi till modellfält och berätta för Copilot hur du tolkar eller analyserar specifika typer av data. De är användbara eftersom de ger kontext som Copilot inte skulle härleda på egen hand.

   I följande exempel visas hur du använder AI-instruktioner för att ge mer kontext till Copilot. Användaren frågar om försäljning under den hektiska säsongen 2012. Högsäsong är en väldefinierad, vanligen används fras i den här organisationen. Den semantiska modellen har dock ingen indikation på den här termen någonstans. Modellförfattaren anger en instruktion som definierar upptagen säsong som juni till augusti.

   När användaren nu ställer frågan om försäljning under en hektisk säsong förstår Copilot den här definierade termen och ger svaret.

   

4. Lägg till beskrivningar i tabeller och kolumner.

   Beskrivningar ger extra metadata som Copilot kan använda för att förstå din modell.

   Även om beskrivningar för närvarande bara påverkar vissa Copilot beteenden, kommer de att spela en större roll i framtida funktioner. Genom att lägga till dem nu kan du skapa en stark grund för långsiktig framgång med interaktioner med naturligt språk i Power BI.

Idag är verktygs- och konfigurationsfunktioner endast tillgängliga i modellen. Du kan ännu inte konfigurera olika rapporter som skapats från samma modell. Du anger schemat, verifierade svar, instruktioner och beskrivningar för den semantiska modellen, inte i rapporten.

Se följande tabell:

1. Definiera ditt AI-dataschema.

   Ta bort tabeller, kolumner eller fält som inte är relevanta för användarnas behov. Den här åtgärden hjälper Copilot fokusera på de mest relevanta delarna i din modell och ser till att den väljer rätt fält när den svarar på frågor.

2. Använd verifierade svar för visuella objekt i rapporter.

   Om Copilot kan använda ett visuellt objekt i rapporten för att härleda ett svar på en fråga skapar du ett verifierat svar. Den här metoden hjälper till att säkerställa att Copilot konsekvent returnerar rätt visuella objekt när användare ställer frågor med specifika utlösarfraser.

3. Anpassa instruktioner för specifika fält.

   När du har angett schemat och verifierat svar kan du använda AI-instruktioner för att vägleda Copilot när du väljer specifika fält. Använd instruktioner för finjustering och för avancerade scenarier när du har angett andra förberedelsedata för AI-funktioner . Den här stegsekvensen hjälper till att säkerställa att Copilot returnerar de mest exakta och kontextuellt relevanta resultaten till användarna, som styrs av modellens struktur och dina definierade instruktioner.

Om Copilot kämpar för att förstå en term som alltid har samma rätta objekt att referera till i din modell kan du ange ett alternativt namn via AI-instruktioner.

Om ditt team till exempel kallar de personer som säljer dina produkter avslutare, ange det som referens i dina AI-instruktioner. Ange att säljare även ska kallas närmare.

Om ditt team använder vissa termer som inte är en exakt 1:1-matchning med tabeller eller fält i din modell kan du använda AI-instruktioner för att förtydliga olika objekt med vissa villkor eller grupperingar.

Ett säljteam kan till exempel klassificera alla som säljer mer än 100% av sina mål under en viss månad som högpresterande. De bör ge följande instruktioner till Copilot:

Högpresterande innebär en säljare som uppfyller 100% eller mer av sitt månatliga mål.

Nu när en användare frågar, "Vilka var de högpresterande förra månaden?" vet Copilot exakt vad högpresterare betyder i ditt team och din organisation.

I ett annat exempel kan en organisation klassificera säsonger. Ditt team kan kalla perioden januari till maj för lågsäsong. Juni till september kan vara hektisk säsong. Oktober till december kan vara standardsäsong.

I AI-instruktioner kan du ange följande definitioner:

• Långsam säsong innebär januari till maj.
• Hektisk säsong innebär juni till september.
• Standardsäsongen innebär oktober till december.

När en användare nu frågar, "Vad var den totala försäljningen under högsäsongen förra året?" förstår Copilot vilken tidsram användaren menar med högsäsong.

Konsumenter av din rapport och dina data ställer förmodligen några frågor oftare. Du kan åtgärda den här förekomsten genom att tillämpa verifierade svar på din modell. Använd ett verifierat svar genom att välja ett visuellt objekt och ange utlösarfraser. När en användare frågar om ämnet returnerar Copilot information med hjälp av det tilldelade visuella objektet.

Till exempel kan användare av rapporten och modellen ofta fråga" Vilken produkt hade den högsta försäljningen förra veckan?" Du kan ange ett verifierat svar för att hjälpa Copilot förstå var den kan hitta rätt information. Den här metoden hjälper författare och konsumenter att lita på att svaret är korrekt.

De funktioner som de finns i dag är begränsade till bred förbrukning. Du kan för närvarande inte skapa en ordlista baserat på olika grupper eller definiera en term på två olika sätt. Tekniker kan till exempel definiera användning som antal gånger som klickas, men produktchefer kan definiera användning som betalande kunder under en viss månad. Du kan för närvarande inte ge användning olika definitioner i samma modell.

I scenarier där ditt semantiska modellschema är för stort för att Copilot ska kunna återge ett svar, Copilot minskar modellschemat så att det kan förstå schemat och generera ett svar. Du kan se när den här minskningen sker genom att ladda ned Copilot Diagnostik och söka efter "AgentSchemaReduced" i varningarna.

För att Copilot ska fungera som bäst måste den förstå underliggande data i semantikmodellen. För att förstå underliggande data indexerar Copilot i Power BI den semantiska modellen så att den korrekt kan söka efter relevanta värden som ska matchas. Den här processen hjälper Copilot effektivt besvara frågor baserat på din fråga.

Överväg en datauppsättning som är relaterad till Hawaii-turism. För att besvara frågor som "Hur påverkade vädret turistbesök på Maui?" måste Copilot förstå att Maui är ett instansvärde i den semantiska modellen i Island-namnet kolumn i kolumnen Island tabell.

För Copilot att effektivt söka efter dessa instansvärden indexerar Power BI den semantiska modellen när du aktiverar Power BI Q&A. Power BI indexerar om modellen när den identifierar ändringar.

Modellindexeringsfrekvens

Power BI indexerar alla modeller där inställningen Q&A är aktiverad.

Omindexering sker när någon av följande åtgärder utförs:

• För importmodeller :
  • Du publicerar eller återpublicerar modellen till tjänsten.
  • En manuell eller schemalagd uppdatering körs på modellen och du använder Copilot och Q& A inom de senaste 14 dagarna.
• För DirectQuery - och Direct Lake-modeller :
  • Du publicerar eller publicerar modellen på nytt i tjänsten.
  • Indexet är äldre än 24 timmar och du använder Copilot och Q& A inom de senaste 14 dagarna.

Följande meddelande i Copilot anger att modellen för närvarande indexerar. Meddelandet försvinner automatiskt när indexeringen är klar.

Indexeringsmetodik

Power BI indexerar endast textkolumner i den semantiska modellen. Power BI indexera inte kolumner som du döljer i AI-schemat via funktionen Förbered dina data för AI.

Power BI indexerar upp till fem miljoner instansvärden med kolumner och indexerar den minsta kardinaliteten först. DISTINCTCOUNT avgör kolumnens kardinalitet för importmodeller och COLUMNSTATISTICS avgör kolumnens kardinalitet för DirectQuery-modeller. För DirectQuery-källor använder funktionen COLUMNSTATISTICS funktionen APPROXIMATEDISTINCTCOUNT för att effektivt beräkna ungefärliga kolumnkardinaliteter för underliggande datakällor som stöder detta.

För att ytterligare förhindra överlagring av det underliggande systemet för DirectQuery-modeller med en tillströmning av frågor på grund av indexering, cachelagrar Power BI resultatet av COLUMNSTATISTICS och beräknar om statistiken var sjunde dag. Om indexering av nästa kolumn under indexeringsprocessen skulle korsa det övre gränsvärdet på fem miljoner instanser hoppar Power BI över kolumnen helt.

Om indexeringen når sin gräns fortsätter Copilot ändå att svara baserat på det index som den har byggt upp, vilket inte omfattar alla instansvärden. Följande varning visas när den semantiska modellen når indexeringsgränsen.

Kända begränsningar

• Indexering har en övre gräns på fem miljoner instansvärden eller 1 000 modellentiteter (tabeller/kolumner) för stora semantiska modeller.
• Power BI indexar inte textvärden på över 100 tecken.
• DirectQuery modellerar endast indexkolumner för datakällor som stöder APPROXIMATEDISTINCTCOUNT.
• Indexering för DirectQuery- och Direct Lake-modeller sker en gång under en 24-timmarsperiod om du inte publicerar om modellen.
• Om den underliggande semantiska modelluppdateringen misslyckas kan dataindexet vara inaktuellt tills nästa lyckade uppdatering av semantikmodellen.
• Den första genereringen av dataindexet för den semantiska modellen kan ta ytterligare 15 minuter för att ge utrymme för backend-aktiviteter som genererar indexet.