ทักษะการเขียนแบบจําลองความหมายของ Power BI คืออะไร

ทักษะ Power BI semantic-model-authoring ช่วยให้ตัวแทน AI สร้าง แก้ไข ปรับใช้ และจัดการโมเดลความหมาย Power BI ทั่วทั้ง Power BI Desktop, โครงการ PBIP และ Fabric Service ทักษะนี้จัดส่งในตลาด Skills สําหรับตลาด Fabric ซึ่งรวมอยู่ในปลั๊กอิน powerbi-authoring

ทักษะนี้ครอบคลุมงานโมเดลความหมายที่หลากหลาย ตัวอย่างเช่น:

• การสร้างแบบจําลองความหมายใหม่ในโหมดนําเข้า DirectQuery หรือ Direct Lake
• การแก้ไขแบบจําลองที่มีอยู่ - ตาราง คอลัมน์ ความสัมพันธ์ หน่วยวัด และ DAX
• การเพิ่มประสิทธิภาพ DAX และการวิเคราะห์แบบจําลองเทียบกับแนวทางปฏิบัติที่ดีที่สุด
• การเตรียมโมเดลความหมายสําหรับการใช้ AI โดย Fabric Copilot และ Power BI Data Agents
• การปรับใช้แบบจําลองไปยังพื้นที่ทํางาน Fabric การรีเฟรช และการจัดการแหล่งข้อมูล พารามิเตอร์ และสิทธิ์

ข้อกําหนดเบื้องต้น

ก่อนที่คุณจะเริ่มต้น ให้แน่ใจว่าคุณมี:

• ปลั๊กอิน powerbi-authoring ที่ติดตั้ง - ทําตามคําแนะนําใน Power BI ภาพรวมของเอเจนต์ เพื่อติดตั้งปลั๊กอิน การติดตั้งปลั๊กอินทําให้semantic-model-authoringมีทักษะพร้อมใช้งานและลงทะเบียนเซิร์ฟเวอร์ Power BI Authoring MCP
• โมเดลความหมาย - เดสก์ท็อป Power BI ที่มีโมเดลเปิดอยู่ โปรเจ็กต์ PBIP บนดิสก์ หรือโมเดลความหมายในพื้นที่ทํางาน Fabric

Get started

1. เปิด Power BI Desktop ด้วยแบบจําลองความหมายที่โหลด

2. ใน GitHub Copilot ให้เรียกใช้พรอมต์ทดสอบควันเพื่อยืนยันว่าทักษะและเซิร์ฟเวอร์ MCP เชื่อมต่ออย่างถูกต้อง:

   /semantic-model-authoring Connect to Power BI Desktop and analyze the semantic model against best practices
   

เจ้าหน้าที่จะโหลดsemantic-model-authoringทักษะ เชื่อมต่อกับ Power BI Desktop ผ่านเซิร์ฟเวอร์ Power BI Authoring MCP สินค้าคงคลังแบบจําลอง และรายงานที่จัดกลุ่มตามความรุนแรง หากเอเจนต์แจ้งให้คุณลงทะเบียนเซิร์ฟเวอร์ MCP หรือติดตั้งปลั๊กอิน ให้กลับมาดูขั้นตอนการติดตั้งอีกครั้งก่อนดําเนินการต่อ

เหตุใดเซิร์ฟเวอร์ Power BI MCP จึงมีความสําคัญ

ทักษะsemantic-model-authoringนี้ไม่มีการขึ้นต่อกันอย่างหนักกับเซิร์ฟเวอร์ Power BI การเขียน MCP แต่ขอแนะนําอย่างยิ่ง ลําดับความสําคัญของการเลือกเครื่องมือทักษะจะกําหนดเส้นทางการดําเนินการเขียนไปยังเซิร์ฟเวอร์ MCP ก่อน เนื่องจากเป็นเส้นทางที่น่าเชื่อถือและมีคุณสมบัติครบถ้วนที่สุด

เมื่อไม่ได้ลงทะเบียนเซิร์ฟเวอร์ MCP ทักษะจะกลับไปแก้ไขไฟล์ TMDL โดยตรง (PBIP) หรือ REST getDefinition / updateDefinition ไป-กลับ (พื้นที่ทํางาน Fabric) การเขียนกับ Power BI Desktop ที่ไม่มี PBIP และไม่มี MCP ไม่ได้รับการสนับสนุน - ตัวแทนหยุดและขอให้คุณลงทะเบียนเซิร์ฟเวอร์ MCP หรือบันทึกแบบจําลองเป็น PBIP

สําหรับการติดตั้งด้วยตนเองหรือการกําหนดค่าขั้นสูง โปรดดูเอกสารประกอบ Power BI Authoring MCP

ตัวอย่าง: เตรียมแบบจําลองความหมายสําหรับ AI

ใช้ตัวอย่างนี้เพื่อตรวจสอบความถูกต้องของการตั้งค่าของคุณตั้งแต่ต้นจนจบ ข้อความแจ้งจะเรียกใช้เวิร์กโฟลว์ Semantic Model AI Readiness ของทักษะ ซึ่งจะโหลดการอ้างอิง semantic-model-ai-readiness.md และดําเนินการตามรายการตรวจสอบความพร้อมเพื่อกําหนดค่าโมเดลของคุณสําหรับประสบการณ์ AI การสนทนา เช่น Fabric Copilot และ Power BI Data Agents

1. เปิดโมเดลของคุณ เริ่ม Power BI Desktop และเปิด PBIX หรือ PBIP ที่มีแบบจําลองความหมายที่คุณต้องการเตรียมสําหรับการใช้ AI

2. เริ่ม GitHub Copilot ในโฟลเดอร์ของโปรเจ็กต์ของคุณ

3. เรียกใช้พรอมต์:

   /semantic-model-authoring Connect to Power BI Desktop and prepare the semantic model for AI
   

   คําสั่งทับจะโหลด semantic-model-authoring ทักษะ ทักษะจะรับรู้เจตนาความพร้อมของ AI โหลดข้อมูลsemantic-model-ai-readiness.mdอ้างอิง และเรียกใช้เวิร์กโฟลว์ความพร้อมของ AI แบบจําลองความหมาย

4. ตรวจสอบและอนุมัติ ตัวแทนจะจัดทํารายการแบบจําลอง ประเมินเทียบกับรายการตรวจสอบความพร้อม และนําเสนอผลการวิจัยที่จัดกลุ่มตามความรุนแรง การค้นพบแต่ละรายการจะติดแท็กว่าเกี่ยวข้องกับตัวแทนหรือผู้ใช้ต้องดําเนินการ อนุมัติการแก้ไขที่คุณต้องการนําไปใช้

5. นําไปใช้และตรวจสอบความถูกต้อง เอเจนต์ใช้การเปลี่ยนแปลงที่ได้รับอนุมัติผ่านเซิร์ฟเวอร์ MCP (หรือผ่านการแก้ไข TMDL หากไม่ได้ลงทะเบียน MCP) บันทึกโมเดล และแนะนําการทดสอบข้อความแจ้งภาษาธรรมชาติของตัวแทนใน Copilot หรือตัวแทนข้อมูลของคุณ

ตัวอย่าง: สร้างโมเดลความหมายที่ด้านบนของ Fabric Lakehouse

ตัวอย่างนี้ใช้เวิร์กโฟลว์ สร้างแบบจําลองความหมายใหม่ ของทักษะกับแหล่งข้อมูล Lakehouse ซึ่งสร้างแบบจําลอง Direct Lake

1. เตรียมเลคเฮาส์ ในพอร์ทัล Fabric:

   1. สร้างพื้นที่ทํางาน - ตัวอย่างเช่น SalesAnalytics
   2. ในพื้นที่ทํางานนั้น ให้สร้างเลคเฮาส์ - ตัวอย่างเช่น SalesLakehouse.
   3. โหลดเลคเฮาส์ด้วยข้อมูลตัวอย่าง เส้นทางที่เร็วที่สุดคือการเปิด Lakehouse และเลือก เริ่มต้นด้วยข้อมูลตัวอย่าง เพื่อโหลดชุดข้อมูล วันหยุดนักขัตฤกษ์หรือแท็กซี่นิวยอร์กในตัว หรืออัปโหลดไฟล์ของคุณเองไปยังไฟล์และโหลดไปยังตาราง

2. เริ่ม GitHub Copilot ในโฟลเดอร์ใดก็ได้

3. เรียกใช้พรอมต์ ด้วยชื่อพื้นที่ทํางานและเลคเฮาส์ของคุณ:

   /semantic-model-authoring Create a semantic model on top of Lakehouse SalesLakehouse in workspace SalesAnalytics
   

   คําสั่งเครื่องหมายทับจะโหลดsemantic-model-authoringทักษะ ซึ่งเรียกใช้เวิร์กโฟลว์ สร้างแบบจําลองความหมายใหม่ ตัวแทน:

   1. แก้ไขพื้นที่ทํางานและรหัส Lakehouse และค้นพบ Schema Lakehouse (ตาราง คอลัมน์ ชนิดข้อมูล)
   2. สร้างแบบจําลองความหมาย Direct Lake ต่อไปนี้ และโหลดแนวทางการสร้างแบบจําลองที่เกี่ยวข้อง
   3. ปรับใช้โมเดลไปยังพื้นที่ทํางานเป้าหมาย

4. ตรวจสอบใน Fabric เปิดพื้นที่ทํางานและยืนยันว่าแบบจําลองความหมายใหม่ปรากฏขึ้น

Troubleshooting

• ไม่ได้โหลดทักษะ - ตรวจสอบการติดตั้งและการลงทะเบียนปลั๊กอินโดยทําตาม Power BI ภาพรวมของตัวแทน ถ้าการตั้งค่าถูกต้องและยังไม่ได้เลือกทักษะ ตัวแทนอาจพลาดทักษะในระหว่างการเปิดเผยแบบก้าวหน้า ทดสอบด้วยคําสั่งเครื่องหมายทับที่ชัดเจน จากนั้นเพิ่มรายละเอียดความตั้งใจเพิ่มเติมในพรอมต์ของคุณ:
• <เซิร์ฟเวอร์ c0>MCP ไม่โหลด - รีสตาร์ท CLI GitHub Copilot หลังจากติดตั้งหรือลงทะเบียนปลั๊กอิน เพื่อให้การกําหนดค่า MCP ใหม่ถูกเลือก จากนั้นเรียกใช้/mcp showเพื่อยืนยัน Power BI MCP จะปรากฏขึ้นและทํางาน

เนื้อหาที่เกี่ยวข้อง

• Power BI ภาพรวมเซิร์ฟเวอร์ MCP
• เซิร์ฟเวอร์ MCP ใน VS Code
• เตรียมข้อมูลของคุณสําหรับ AI