แนวทางปฏิบัติที่ดีที่สุดของโมเดลความหมายสําหรับตัวแทนข้อมูล

ตัวแทนข้อมูล Fabric ช่วยให้องค์กรสามารถสร้างระบบการสนทนาโดยใช้ Generative AI ด้วยการเชื่อมต่อแบบจําลองความหมายของ Power BI เป็นแหล่งข้อมูล ทีมสามารถถามคําถามภาษาธรรมชาติและรับคําตอบที่ถูกต้องและหลากหลายบริบทโดยไม่ต้องเขียนคิวรี DAX หรือ SQL ที่ซับซ้อน

อย่างไรก็ตาม คุณภาพของการตอบกลับ AI ขึ้นอยู่กับว่าคุณเตรียมแหล่งข้อมูลได้ดีเพียงใด แม้ว่าตัวแทนข้อมูล Fabric จะสนับสนุนแหล่งข้อมูลหลายชนิด รวมถึงเลคเฮาส์ คลังสินค้า บ้านเหตุการณ์ และออนโทโลยี คู่มือนี้มุ่งเน้นไปที่แบบจําลองความหมายของ Power BI โดยเฉพาะ และแนะนําแนวทางปฏิบัติที่ดีที่สุดสําหรับการกําหนดค่าเพื่อเพิ่มความแม่นยําและความเกี่ยวข้องสูงสุด

วิธีการทํางานของตัวแทนข้อมูล Fabric

ตัวแทนข้อมูลใช้สถาปัตยกรรมแบบเลเยอร์ที่คําถามของผู้ใช้ไหลผ่าน Orchestrator Orchestrator กําหนดแหล่งข้อมูลที่เหมาะสมและเรียกใช้เครื่องมือพิเศษ รวมถึงเครื่องมือการสร้าง DAX สําหรับแบบจําลองความหมายของ Power BI เพื่อสร้าง ตรวจสอบความถูกต้อง และดําเนินการคิวรี

โฟลว์การประมวลผลแบบสอบถาม

1. การแยกวิเคราะห์คําถาม: ตัวแทนประมวลผลคําถามของผู้ใช้ผ่าน Azure OpenAI เพื่อให้มั่นใจว่าสอดคล้องกับโปรโตคอลและสิทธิ์ด้านความปลอดภัย และปฏิบัติตามหลักการ Microsoft Responsible AI

2. การเลือกแหล่งข้อมูล: ระบบจะประเมินคําถามกับแหล่งข้อมูลที่มีอยู่โดยใช้ข้อมูล Schema และคําแนะนํา AI ที่คุณให้ไว้

3. การสร้างแบบสอบถาม: สําหรับแบบจําลองความหมาย เครื่องมือสร้าง DAX จะสร้างคิวรี DAX ตาม Schema ข้อมูลเมตา (คําพ้องความหมาย ค่าต่ําสุดและสูงสุดของคอลัมน์ตัวเลข ข้อมูลเมตาของวิชวลรายงาน และอื่นๆ) บริบทที่กําหนดค่าใน Prep data for AI และประวัติการสนทนา

4. การจัดรูปแบบการตอบกลับ: ตัวแทนจัดรูปแบบผลลัพธ์เป็นการตอบกลับที่มนุษย์สามารถอ่านได้ด้วยตาราง สรุป หรือข้อมูลเชิงลึกตามคําแนะนําของตัวแทน

การสร้าง DAX ขั้นสูง (ตัวอย่าง)

มีเครื่องมือสร้าง DAX ขั้นสูงสําหรับเอเจนต์ข้อมูลในช่วงรันไทม์ตัวอย่าง แตกต่างจากการสร้าง DAX มาตรฐานที่สร้างคําสั่งค้นหาในรอบเดียว การสร้าง DAX ขั้นสูงใช้ขั้นตอนการให้เหตุผลหลายขั้นตอนในการตรวจสอบเมตาดาต้าของโมเดล ตีความคําถาม แก้ไขความคลุมเครือ และสร้างคําสั่งค้นหา DAX

ข้อดีของการสร้าง DAX ขั้นสูง ได้แก่:

• คําตอบที่แม่นยํามากขึ้นสําหรับคําถามที่ซับซ้อน: มันให้เหตุผลแบบวนซ้ํา ตรวจสอบผลลัพธ์ แก้ไขความกํากวม และปรับปรุงวิธีการในหลายขั้นตอน
• การจัดทําดัชนีค่าอินสแตนซ์: มันค้นหาค่าภายในคอลัมน์โมเดลเชิงความหมายเพื่อสร้างตัวกรองที่แม่นยําและเชื่อถือได้มากขึ้น
• คําตอบที่สอดคล้องกันในประสบการณ์ของ Microsoft: ใช้ความสามารถร่วมกันเพื่อปรับปรุงความสอดคล้องของการตอบสนองระหว่าง Fabric data agent, Fabric skills, Power BI, Microsoft 365 Copilot และปลั๊กอิน Fabric IQ
• ดีขึ้นของความหน่วงในบางสถานการณ์: แม้ว่าเครื่องมือนี้จะสามารถดําเนินการให้เหตุผลได้หลายขั้นตอน แต่ความสามารถในการระบุวัตถุและค่าของโมเดลที่เกี่ยวข้องได้อย่างมีประสิทธิภาพมากขึ้นสามารถลดความล่าช้าในการตอบสนองสําหรับคําถามบางข้อได้

ใช้การสร้าง DAX ขั้นสูง

เพื่อเปิดใช้งานฟีเจอร์นี้ ให้สลับ data agent ไปที่ preview runtime

การสร้าง DAX ขั้นสูงใช้ข้อมูลเมตาโมเดลเชิงความหมายและการตั้งค่า Prep for AI ที่อธิบายไว้ในบทความนี้ ปฏิบัติตามแนวทางปฏิบัติที่ดีที่สุดที่ระบุไว้ในบทความนี้เพื่อเพิ่มความแม่นยําและประสิทธิภาพในการตอบสนองสูงสุด

การจัดทําดัชนีค่าอินสแตนซ์ในปัจจุบันต้องเปิดใช้งาน การตั้งค่า Q&A ของโมเดลเชิงความหมาย การตั้งค่านี้เปิดใช้งานโดยค่าเริ่มต้นสําหรับโมเดล Import และ Direct Lake เนื่องจาก Q&A จะสิ้นสุดในเดือนธันวาคม 2026 การตั้งค่าทดแทนจะรองรับการจัดทําดัชนีค่าอินสแตนซ์หลังการเลิกใช้งาน และบทความนี้จะได้รับการอัปเดตด้วยขั้นตอนการกําหนดค่าใหม่

เตรียมพร้อมสําหรับ AI: เตรียม AI แบบจําลองความหมายให้พร้อม

คุณลักษณะ การเตรียมการสําหรับ AI ของ Power BI มีส่วนประกอบการกําหนดค่าสามส่วนที่ส่งผลกระทบโดยตรงต่อวิธีที่ตัวแทนข้อมูล Fabric ตีความแบบจําลองความหมายของคุณ คุณสามารถเข้าถึงส่วนประกอบเหล่านี้ได้ทั้งใน Power BI Desktop และบริการของ Power BI Power BI Copilot ยังใช้การกําหนดค่า Prep for AI ดังนั้นการลงทุนเวลาในการตั้งค่าเหล่านี้จึงเป็นประโยชน์ต่อทั้งการตอบสนองของ Copilot และตัวแทนข้อมูล

สคีมาข้อมูล AI

สคีมาข้อมูล AI ช่วยให้คุณกําหนดชุดย่อยที่โฟกัสของโมเดลของคุณสําหรับการจัดลําดับความสําคัญของ AI ในขณะที่ตัวแทนข้อมูลยังมีการเลือกตารางของตัวเองเมื่อเพิ่มแบบจําลองความหมายเป็นแหล่งข้อมูล ให้กําหนดค่า Schema ของคุณใน Prep for AI ก่อน เครื่องมือสร้าง DAX ใช้ Schema นี้สําหรับการสร้างคิวรี DAX

คุณสามารถกําหนดค่า Schema นี้ใน Power BI Desktop หรือบริการของ Power BI โดยเลือก เตรียมข้อมูลสําหรับ AI จาก Ribbon หน้าแรก จากนั้นไปที่แท็บ ลด ความซับซ้อนของสคีมาข้อมูล เลือกตาราง คอลัมน์ และหน่วยวัดที่ AI ควรใช้เมื่อสร้างการตอบกลับ สําหรับคําแนะนําในการตั้งค่าโดยละเอียด โปรดดู ตั้งค่า Schema ข้อมูล AI

เมื่อคุณเพิ่มแบบจําลองความหมายไปยังตัวแทนข้อมูล ให้เลือกตารางเดียวกับที่คุณกําหนดไว้ใน เตรียมสําหรับ AI เพื่อให้แน่ใจว่ามีลักษณะการทํางานที่สอดคล้องกัน ขั้นแรก ให้กําหนดขอบเขตของตัวแทนข้อมูลของคุณ (ประเภทของคําถามที่ควรตอบ) จากนั้นเลือกเฉพาะวัตถุที่เกี่ยวข้อง วิธีนี้ช่วยลดความคลุมเครือ ปรับปรุงความแม่นยํา และลดเวลาแฝงในการตอบสนอง

เครื่องมือสร้าง DAX อาศัยข้อมูลเมตาของแบบจําลองของคุณเพื่อตีความคําถาม ใช้ชื่อที่ชัดเจนและเป็นมิตรกับธุรกิจสําหรับตาราง คอลัมน์ และหน่วยวัดที่สะท้อนถึงวิธีที่ผู้ใช้อ้างถึงข้อมูลอย่างเป็นธรรมชาติ ตัวอย่างเช่น ใช้ "รายได้รวม" แทน "TR_AMT" หรือ "ภูมิภาคการขาย" แทน "DIM_GEO_01" คําแนะนํานี้มีความสําคัญอย่างยิ่งสําหรับแบบจําลองขนาดใหญ่ที่มีฟิลด์ที่ทับซ้อนกันหรือมีชื่อคล้ายกัน ซึ่งชื่อที่คลุมเครืออาจนําไปสู่การสร้างคิวรีที่ไม่ถูกต้อง

ตัวอย่าง: การแก้ไขความคลุมเครือของฟิลด์

เคล็ดลับสําหรับสคีมาข้อมูล AI

• ตรวจสอบให้แน่ใจว่าคุณเลือกตารางเดียวกันในตัวแทนข้อมูล Fabric ที่กําหนดผ่าน AI Data Schemas ใน Prep for AI

• เมื่อเลือก Schema ให้รวมวัตถุที่ขึ้นต่อกันด้วย ตัวอย่างเช่น หากการวัดผลรายได้รวมอ้างอิงการวัดผลอีกสองรายการที่ขึ้นอยู่กับคอลัมน์เพิ่มเติม ให้รวมออบเจ็กต์ที่ขึ้นต่อกันทั้งหมดในสคีมาของคุณ หากต้องการระบุการพึ่งพา ให้ใช้ฟังก์ชัน get_measure_dependencies จากไลบรารี Semantic Link Labs

• หากคุณมีโมเดลความหมายขนาดใหญ่การเปลี่ยนชื่อวัตถุทั้งหมดด้วยตนเองอาจเป็นเรื่องที่น่าเบื่อ ใช้ เซิร์ฟเวอร์ MCP การสร้างแบบจําลอง Power BI เพื่อให้ LLM สร้างชื่อที่เป็นมิตรกับธุรกิจสําหรับตาราง คอลัมน์ และหน่วยวัดของคุณ ตรวจทานและตรวจสอบความถูกต้องของการเปลี่ยนแปลงก่อนบันทึกเพื่อให้แน่ใจว่าการเปลี่ยนแปลงเหล่านั้นจะไม่ทําลายนิพจน์ DAX ความสัมพันธ์ หรือวัตถุที่ขึ้นต่อกันอื่นๆ

คําตอบที่ได้รับการยืนยันแล้ว

คําตอบที่ยืนยันแล้วคือการตอบกลับด้วยภาพที่ผู้ใช้อนุมัติซึ่งคําถามเฉพาะจะทริกเกอร์ พวกเขาให้คําตอบที่สม่ําเสมอและเชื่อถือได้สําหรับคําถามทั่วไปหรือคําถามที่ซับซ้อนซึ่งอาจถูกตีความผิด เนื่องจากคุณจัดเก็บคําตอบที่ตรวจสอบแล้วในระดับแบบจําลองความหมาย (ไม่ใช่ระดับรายงาน) คําตอบเหล่านี้จะทํางานกับตัวแทนข้อมูลใดๆ ที่ใช้แบบจําลองเดียวกัน สําหรับข้อมูลเพิ่มเติม โปรดดู เตรียมข้อมูลของคุณสําหรับ AI – คําตอบที่ยืนยันแล้ว

เมื่อคุณใช้คําตอบที่ตรวจสอบแล้วกับตัวแทนข้อมูล ระบบจะไม่ส่งคืนวิชวล Power BI เอง แต่จะใช้คําถามของผู้ใช้และคุณสมบัติของวิชวล (คอลัมน์ หน่วยวัด ตัวกรอง) เพื่อมีอิทธิพลต่อการสร้างคิวรี DAX แทน วิธีการนี้หมายความว่าคําตอบที่ได้รับการยืนยันจะปรับปรุงความแม่นยําในการตอบกลับโดยแนะนําเครื่องมือสร้าง DAX ไปสู่โครงสร้างคิวรีที่ถูกต้อง เมื่อผู้ใช้ถามคําถามกับตัวแทนข้อมูล ก่อนอื่นระบบจะตรวจสอบการจับคู่ที่ตรงกันทุกประการหรือคล้ายคลึงกันในความหมายกับข้อความแจ้งของคุณที่กําหนดไว้ในคําตอบที่ยืนยันแล้วก่อนที่จะสร้างการตอบกลับใหม่

ตัวอย่าง: การจัดการคําศัพท์ระดับภูมิภาค

เคล็ดลับการกําหนดค่าสําหรับคําตอบที่ยืนยันแล้ว

• ใช้คําถามทริกเกอร์ห้าถึงเจ็ดข้อต่อคําตอบที่ได้รับการยืนยันเพื่อให้ครอบคลุมการเปลี่ยนแปลงตามธรรมชาติ
• รวมทั้งการใช้ถ้อยคําที่เป็นทางการและการสนทนาที่ผู้ใช้อาจลองใช้
• กําหนดค่าตัวกรองได้สูงสุดสามตัวเพื่อการแบ่งส่วนที่ยืดหยุ่นโดยไม่ต้องสร้างคําตอบที่ตรวจสอบแล้วหลายข้อ
• หากคุณเปลี่ยนชื่อตาราง คอลัมน์ หรือหน่วยวัดที่อ้างอิงในคําตอบที่ยืนยันแล้ว ให้อัปเดตคําตอบที่ยืนยันแล้วและบันทึกอีกครั้งเพื่อให้การเปลี่ยนแปลงมีผล

คําแนะนําของ AI

คําแนะนํา AI ใน Prep for AI ให้บริบท ตรรกะทางธุรกิจ และคําแนะนําโดยตรงบนแบบจําลองความหมาย พวกเขาช่วยชี้แจงคําศัพท์ เป็นแนวทางในการวิเคราะห์ และให้บริบททางธุรกิจและความหมายที่สําคัญที่ AI จะไม่เข้าใจ

คุณสามารถกําหนดค่าคําแนะนําเหล่านี้ใน Power BI Desktop หรือบริการของ Power BI โดยเลือก เตรียมข้อมูลสําหรับ AI จาก Ribbon หน้าแรก แล้วนําทางไปยังแท็บ เพิ่มคําแนะนํา AI สําหรับคําแนะนําในการตั้งค่าโดยละเอียด โปรดดู เอกสารประกอบคําแนะนํา AI

คําสั่ง AI เป็นคําแนะนําที่ไม่มีโครงสร้างที่ LLM ตีความ แต่ไม่มีการรับประกันว่าจะเป็นไปตามคําสั่งเหล่านั้นทุกประการ คําแนะนําที่ชัดเจนและเฉพาะเจาะจงมีประสิทธิภาพมากกว่าคําแนะนําที่ซับซ้อนหรือขัดแย้งกัน

ดังที่ได้กล่าวไว้ก่อนหน้านี้ เครื่องมือสร้าง DAX หมายถึงคําสั่ง AI ที่กําหนดค่าไว้ใน Prep for AI ของโมเดลความหมายเท่านั้น คําแนะนําของตัวแทนข้อมูลจะไม่ถูกส่งผ่านไปยังเครื่องมือและจะถูกละเว้นเมื่อสอบถามแบบจําลองความหมาย ด้วยเหตุนี้ อย่าเพิ่มคําแนะนําเฉพาะแบบจําลองความหมายที่ระดับตัวแทนข้อมูล ให้เก็บคําแนะนําแบบจําลองความหมายทั้งหมดใน Prep for AI ซึ่งเครื่องมือสร้าง DAX สามารถใช้ได้ คําแนะนําของตัวแทนข้อมูลควรมีเฉพาะคําแนะนําที่ใช้กับแหล่งข้อมูลทั้งหมดที่กําหนดค่าไว้ในตัวแทน เช่น การกําหนดลักษณะการจัดรูปแบบการตอบกลับทั่วไป กฎการกําหนดเส้นทางข้ามแหล่งที่มา นอกจากนี้ โปรดทราบว่าตัวแทนข้อมูลไม่สนับสนุนคําแนะนําหรือคําอธิบายแหล่งข้อมูลสําหรับแบบจําลองความหมาย ซึ่งแตกต่างจากแหล่งข้อมูลอื่นๆ

ตัวอย่าง: การกําหนดคําศัพท์ทางธุรกิจ

รูปแบบการเรียนการสอนที่มีประสิทธิภาพ

• คําจํากัดความของช่วงเวลา: "ฤดูท่องเที่ยวเริ่มตั้งแต่เดือนพฤศจิกายนถึงมกราคม นอกฤดูกาลคือเดือนกุมภาพันธ์ถึงเมษายน"
• การตั้งค่าเมตริก: "เมื่อผู้ใช้ถามเกี่ยวกับความสามารถในการทํากําไร ให้ใช้มาตรการ Contribution_Margin ไม่ใช่ Gross_Profit"
• การกําหนดเส้นทางแหล่งข้อมูล: "สําหรับคําถามเกี่ยวกับสินค้าคงคลัง ให้จัดลําดับความสําคัญของตาราง Warehouse_Inventory มากกว่า Sales_Orders"
• การจัดกลุ่มเริ่มต้น: "เว้นแต่จะระบุไว้เป็นอย่างอื่น ให้วิเคราะห์รายได้ตามไตรมาสบัญชีแทนที่จะเป็นเดือนปฏิทิน"

นอกเหนือจากการเตรียมสําหรับ AI แล้ว เครื่องมือสร้างคิวรี DAX ยังใช้ข้อมูลเมตาจากวิชวลรายงาน เช่น ชื่อวิชวล คอลัมน์ หน่วยวัด ตัวกรอง และอื่นๆ เพื่อปรับปรุงความถูกต้องของคิวรี

เวิร์กโฟลว์การใช้งานที่แนะนํา

1. เพิ่มประสิทธิภาพโมเดลความหมาย: เริ่มต้นด้วยการเพิ่มประสิทธิภาพโมเดลความหมายของคุณเพื่อประสิทธิภาพ ประสิทธิภาพของตัวแทนข้อมูลที่ไม่ดีมักมาจากโมเดลความหมายที่ออกแบบมาไม่ดี หน่วยวัด DAX ที่ไม่มีประสิทธิภาพ หรือการผสมผสานของทั้งสองอย่าง เมื่อผู้ใช้ถามคําถาม ตัวแทนข้อมูลจะสร้างคิวรี DAX และเรียกใช้กับแบบจําลองของคุณ โมเดลที่ปรับให้เหมาะสมจะใช้ทรัพยากรน้อยลงและดําเนินการคิวรีได้เร็วขึ้น ในอินเทอร์เฟซการสนทนา ผู้ใช้คาดหวังการตอบสนองที่รวดเร็ว ดังนั้นประสิทธิภาพที่ช้าจึงส่งผลโดยตรงต่อประสบการณ์ของผู้ใช้และการนําไปใช้

   นอกจากนี้ แบบจําลองที่บวมพร้อมคอลัมน์ ตาราง และหน่วยวัดที่ไม่จําเป็นจะสร้างสัญญาณรบกวนมากขึ้นสําหรับเครื่องมือสร้าง DAX ในการแยกวิเคราะห์ ซึ่งสามารถลดความแม่นยําในการตอบสนองได้ การเพิ่มประสิทธิภาพแบบจําลองของคุณตั้งแต่เนิ่นๆ จะช่วยป้องกันปัญหาด้านประสิทธิภาพเมื่อข้อมูลของคุณเติบโตขึ้นและแบบจําลองมีความซับซ้อนมากขึ้น คุณสามารถเรียนรู้เพิ่มเติมได้ในหลักสูตร ปรับแบบจําลองให้เหมาะสมสําหรับประสิทธิภาพใน Power BI

   ใช้ Best Practice Analyzer และ Semantic Model Memory Analyzer ในสมุดบันทึก Fabric เพื่อระบุปัญหา เช่น ชนิดข้อมูลที่ไม่ถูกต้อง คอลัมน์ที่ไม่จําเป็น คอลัมน์คาร์ดินาลลิตี้สูง และรูปแบบ DAX ที่ไม่มีประสิทธิภาพ เพิ่มคําอธิบายลงในตาราง คอลัมน์ และหน่วยวัดเพื่อช่วยให้ LLM เข้าใจวัตถุประสงค์ของแต่ละออบเจ็กต์ที่รวมอยู่ใน Schema ข้อมูล AI

   

2. กําหนดการเตรียมสําหรับ AI > สคีมาข้อมูล AI: ตามขอบเขตของตัวแทนข้อมูลของคุณ ให้กําหนดค่า Schema ข้อมูล AI ใน Prep for AI โดยเลือกเฉพาะตาราง คอลัมน์ และการวัดผลที่เกี่ยวข้องกับคําถามที่ตัวแทนของคุณควรตอบ

3. สร้างการเตรียมการสําหรับ AI > คําตอบที่ตรวจสอบแล้ว: ระบุคําถามที่พบบ่อยที่สุดของคุณและกําหนดค่าคําตอบที่ได้รับการยืนยันใน Prep for AI โดยใช้วิชวลที่เหมาะสม ใช้คําถามที่สมบูรณ์และมีประสิทธิภาพเป็นตัวกระตุ้น (ไม่ใช่วลีบางส่วน) เพื่อปรับปรุงความแม่นยําในการจับคู่

4. เพิ่มแบบจําลองความหมายให้กับตัวแทนข้อมูล: ก่อนเพิ่มคําสั่ง AI ใน Prep for AI ให้ทดสอบและตรวจสอบการตอบสนองจากตัวแทนข้อมูล ขั้นตอนนี้ช่วยให้คุณเข้าใจว่าจําเป็นต้องใช้คําสั่ง AI เพื่อปรับปรุงการสร้างคิวรี DAX

5. เพิ่มการเตรียมสําหรับ AI > คําแนะนํา AI: ตามผลการตรวจสอบของคุณ ให้กําหนดคําศัพท์ทางธุรกิจ การกําหนดลักษณะการวิเคราะห์ และลําดับความสําคัญของแหล่งข้อมูลในคําสั่ง Prep for AI (ไม่ใช่ในคําแนะนําของตัวแทนข้อมูล)

6. เตรียมวิชวลรายงาน: ตรวจสอบรายงานที่เชื่อมต่อกับแบบจําลองความหมาย รวมถึงวิชวลและหน้าที่ซ่อนอยู่ เพื่อให้แน่ใจว่าวิชวลมีชื่อเรื่องที่สื่อความหมาย วิชวลที่มีโครงสร้างที่ดีช่วยให้ AI สามารถตอบสนองโดยใช้ข้อมูลเมตาของวิชวล เช่น ชื่อวิชวล ตาราง คอลัมน์ หน่วยวัดที่ใช้ ตัวกรองที่ใช้ และอื่นๆ

7. ตรวจสอบและทดสอบ DAX: ความแม่นยําในการตอบสนองขึ้นอยู่กับคิวรี DAX ที่สร้างขึ้น เมื่อทดสอบตัวแทนข้อมูลของคุณ ให้ตรวจสอบคิวรี DAX ในการตอบกลับแต่ละครั้งเพื่อยืนยันว่าถูกต้องและตอบคําถามได้อย่างถูกต้อง หากผลลัพธ์ไม่ถูกต้อง ให้วิเคราะห์ DAX เพื่อระบุว่าการกําหนดค่าใด (แบบจําลองความหมาย สคีมาข้อมูล AI คําตอบที่ตรวจสอบแล้ว หรือคําสั่ง AI) ที่ต้องปรับเปลี่ยน

   

8. กําหนดค่าคําแนะนําของตัวแทนข้อมูล: เพิ่มคําแนะนําที่ระดับตัวแทนข้อมูลสําหรับคําแนะนําที่ใช้กับแหล่งข้อมูลทั้งหมดที่กําหนดค่าไว้ในตัวแทนเท่านั้น คําแนะนํานี้รวมถึงการกําหนดลักษณะการจัดรูปแบบการตอบกลับทั่วไป กฎการกําหนดเส้นทางข้ามแหล่งที่มา ตัวย่อทั่วไป และน้ําเสียง อย่าเพิ่มคําแนะนําเฉพาะแบบจําลองความหมายที่นี่ เนื่องจากจะไม่ส่งผ่านไปยังเครื่องมือสร้าง DAX สําหรับคําแนะนําเกี่ยวกับการกําหนดค่าคําแนะนําของเอเจนต์ โปรดดูแนวทางการกําหนดค่า

9. ตรวจสอบและทําซ้ํา: LLM สามารถสร้างผลลัพธ์ที่ไม่ถูกต้องโดยไม่มีบริบทที่เหมาะสม ทําซ้ําการกําหนดค่าของคุณอย่างต่อเนื่องและตรวจสอบการตอบสนองเพื่อสร้างความไว้วางใจในตัวตัวแทนข้อมูลของคุณ ในการประเมินคําตอบโดยทางโปรแกรม คุณสามารถใช้ Python SDK ตัวแทนข้อมูล Fabric เพื่อเรียกใช้การประเมินอัตโนมัติกับคู่คําถาม-คําตอบที่เป็นความจริงพื้นฐาน และวิเคราะห์เมตริกความแม่นยํา โปรดทราบว่า SDK มีไว้สําหรับการประเมินเฉพาะในกรณีนี้ และไม่สามารถปรับเปลี่ยนการตั้งค่าคอนฟิก การเตรียมการ AI ของแบบจําลองความหมายได้ โปรดดูรายละเอียดที่หัวข้อประเมินตัวแทนข้อมูล นอกจากนี้ ให้ผู้มีส่วนได้ส่วนเสียและผู้ใช้ปลายทางมีส่วนร่วมในกระบวนการประเมินผล ความคิดเห็นของพวกเขาช่วยให้มั่นใจได้ว่าการตอบกลับสอดคล้องกับความคาดหวังและการใช้งานในโลกแห่งความเป็นจริง ซึ่งจะช่วยให้คุณระบุช่องว่างที่การตรวจสอบอัตโนมัติอาจพลาดไป

10. ใช้การควบคุมแหล่งที่มาและไปป์ไลน์การปรับใช้: ใช้ไปป์ไลน์การรวมและการปรับใช้ Git เพื่อจัดการการกําหนดค่าตัวแทนข้อมูลของคุณในพื้นที่ทํางานการพัฒนา ทดสอบ และการผลิต แนวทางปฏิบัตินี้ช่วยให้แน่ใจว่าการเปลี่ยนแปลงการกําหนดค่าจะได้รับการทดสอบและตรวจสอบความถูกต้องก่อนที่จะเลื่อนระดับเป็นการผลิตที่ผู้ใช้ปลายทางสามารถเข้าถึงได้ สําหรับรายละเอียด โปรดดู การควบคุมแหล่งที่มา, CI/CD และ ALM สําหรับตัวแทนข้อมูล Fabric

ข้อผิดพลาดทั่วไปที่ควรหลีกเลี่ยง

• ไม่ใช้สคีมารูปดาว: แบบจําลองความหมายที่ใช้ตารางแบบแบน denormalized หรือโครงสร้างข้อมูลแบบ Pivot ทําให้ DAX มีประสิทธิภาพน้อยลงและยากต่อการเขียนอย่างถูกต้อง DAX ได้รับการปรับให้เหมาะสมสําหรับ Schema ดาวที่มีตารางข้อเท็จจริงและมิติที่ชัดเจน คลายการหมุนตารางกว้างเป็นโครงสร้างมาตรฐานโดยที่แต่ละแถวแสดงถึงการสังเกตเพียงครั้งเดียว

• พึ่งพาฟิลด์ที่ซ่อนอยู่: คําตอบที่ตรวจสอบแล้วจะไม่ทํางานหากอ้างอิงคอลัมน์ที่ซ่อนอยู่ในแบบจําลอง

• รวมถึงมาตรการที่ไม่จําเป็น: แบบจําลองความหมายมักมีหน่วยวัดตัวช่วยและวัตถุระดับกลางที่ใช้เพื่อปรับปรุงการโต้ตอบของรายงาน เมื่อกําหนดค่า Schema ข้อมูล AI ของคุณ ให้รวมเฉพาะการวัดที่คํานวณเมตริกทางธุรกิจจริงเท่านั้น การยกเว้นหน่วยวัดตัวช่วยจะช่วยลดสัญญาณรบกวนและช่วยให้เครื่องมือสร้าง DAX สร้างคิวรีที่แม่นยํายิ่งขึ้น

• การวัดที่ซ้ํากันหรือทับซ้อนกัน: การวัดผลหลายรายการที่คํานวณเมตริกที่คล้ายกัน (ตัวอย่างเช่น ยอดขายรวม ยอดขาย รายได้) จะสร้างความคลุมเครือ รวมหรือแยกความแตกต่างของหน่วยวัดอย่างชัดเจน และแยกรายการที่ซ้ํากันออกจากสคีมาข้อมูล AI ของคุณ

• การตั้งชื่อที่ไม่สื่อความหมาย: ชื่อออบเจ็กต์ เช่น TR_AMT, F_SLS หรือ DIM_GEO_01 ไม่มีบริบทสําหรับเครื่องมือการสร้าง DAX ใช้ชื่อที่ชัดเจนและเป็นมิตรกับธุรกิจ เช่น รายได้รวม ยอดขาย หรือภูมิศาสตร์ของลูกค้า หากคุณไม่สามารถเปลี่ยนชื่อออบเจ็กต์ได้ ให้ตรวจสอบให้แน่ใจว่าคําอธิบายและคําพ้องความหมายมีบริบทที่จําเป็นสําหรับ AI ในการทําความเข้าใจวัตถุประสงค์ของวัตถุ

• อาศัยมาตรการโดยนัย: มาตรการโดยนัยอาจนําไปสู่ผลลัพธ์ที่คาดเดาไม่ได้ สร้างหน่วยวัด DAX ที่ชัดเจนสําหรับการคํานวณที่คุณต้องการให้ผู้ใช้คิวรี และตั้งค่าการสรุปเริ่มต้นที่ถูกต้อง (ผลรวม ค่าเฉลี่ย ไม่มี และอื่นๆ) บนคอลัมน์ตัวเลขเพื่อป้องกันการรวมโดยไม่ได้ตั้งใจ

• ช่องวันที่ที่คลุมเครือ: คอลัมน์วันที่หลายคอลัมน์ (วันที่สั่งซื้อ วันที่จัดส่ง วันครบกําหนด ไตรมาสปฏิทิน/ไตรมาสปีงบประมาณ และอื่นๆ) โดยไม่มีคําแนะนําที่ชัดเจนจะทําให้ AI สับสน ใช้คําตอบที่ยืนยันแล้วและคําแนะนํา AI ใน เตรียมสําหรับ AI เพื่อระบุฟิลด์วันที่ที่จะใช้ตามค่าเริ่มต้นหรือสําหรับชนิดคําถามเฉพาะ

• คําแนะนําที่ขัดแย้งกัน: คําสั่ง AI ที่ขัดแย้งกับการกําหนดค่าคําตอบที่ยืนยันแล้วจะสร้างพฤติกรรมที่คาดเดาไม่ได้

• การข้ามการปรับแต่งสคีมา: โมเดลขนาดใหญ่ที่มีฟิลด์ที่มีชื่อคล้ายกันจํานวนมากจําเป็นต้องมีสคีมาข้อมูล AI ที่มุ่งเน้น

• คําแนะนําที่ซับซ้อนเกินไป: ให้คําแนะนํามุ่งเน้นและเฉพาะเจาะจง AI ตีความแต่ไม่รับประกันว่าจะปฏิบัติตามคําแนะนําที่ซับซ้อนและขัดแย้งกัน คําแนะนําที่ซับซ้อนยังสามารถเพิ่มเวลาในการตอบสนองได้อีกด้วย

เครื่องมือ

หากต้องการปฏิบัติตามหลักเกณฑ์เหล่านี้ คุณสามารถใช้เครื่องมือด้านล่างจาก ที่เก็บ GitHub ของ fabric-toolbox:

• รายการตรวจสอบพร้อมคําแนะนํา นี่เป็นแนวทางและไม่ใช่ทุกรายการในรายการตรวจสอบที่อาจใช้ได้กับสถานการณ์ของคุณ
• โน้ตบุ๊คพร้อมคอลเลกชันยูทิลิตี้ ในที่เดียว
• Power BI MCP Server เพื่อเร่งการพัฒนาและการทดสอบใน VS Code
• ไลบรารีห้องปฏิบัติการลิงก์ความหมายเพื่ออัปเดตโมเดลความหมายในสมุดบันทึก Fabric โดยทางโปรแกรม

แหล่งข้อมูลเพิ่มเติม

• เอกสารประกอบแนวคิดของตัวแทนข้อมูล Fabric
• กล่องเครื่องมือผ้าพร้อมรายการตรวจสอบและสมุดบันทึก
• การเพิ่มแบบจําลองความหมายเป็นแหล่งข้อมูลไปยังตัวแทนข้อมูล
• เตรียมข้อมูลของคุณสําหรับ AI ใน Power BI
• เพิ่มประสิทธิภาพโมเดลความหมายของคุณสําหรับ Copilot
• ปรับแบบจําลองให้เหมาะสมสําหรับประสิทธิภาพใน Power BI - การฝึกอบรม
• คําถามที่พบบ่อยสําหรับ Prep for AI