Поделиться через

Основные понятия агента данных Fabric (предварительная версия)

Агент данных в Microsoft Fabric — это новая функция, которая позволяет создавать собственные системы вопросов и ответов с использованием генеративного ИИ. Агент данных Fabric делает аналитику данных более доступной и доступной для всех пользователей в организации. С помощью агента данных Fabric ваша команда может беседовать с простыми вопросами на английском языке, о данных, хранящихся в Fabric OneLake, а затем получать соответствующие ответы. Таким образом, даже люди без технического опыта в ИИ или глубокое понимание структуры данных могут получать точные и контекстные ответы.

Вы также можете добавить инструкции для конкретной организации, примеры и рекомендации по настройке агента данных Fabric. Это гарантирует, что ответы соответствуют потребностям и целям вашей организации, что позволяет всем эффективно взаимодействовать с данными. Агент данных Fabric содействует формированию культуры принятия решений на основе данных, поскольку снижает барьеры для доступа к аналитической информации, упрощает совместную работу и помогает вашей организации извлечь больше ценности из ваших данных.

Это важно

Эта функция доступна в предварительной версии.

Предпосылки

Как работает агент данных Fabric

Агент данных Fabric использует большие языковые модели (LLM), чтобы помочь пользователям взаимодействовать с данными естественным образом. Агент данных Fabric применяет API Помощника по Azure OpenAI, и он ведет себя как агент. Он обрабатывает вопросы пользователей, определяет наиболее релевантный источник данных (Lakehouse, Warehouse, Набор данных Power BI, базы данных KQL) и вызывает соответствующее средство для создания, проверки и выполнения запросов. Затем пользователи могут задавать вопросы на простом языке и получать структурированные, доступные для чтения ответы, устраняя необходимость писать сложные запросы и обеспечивать точный и безопасный доступ к данным.

Вот как это работает подробно:

Анализ вопросов и проверка. Агент данных Fabric применяет API-интерфейсы Помощника Azure OpenAI в качестве базового агента для обработки вопросов пользователей. Этот подход гарантирует, что вопрос соответствует протоколам безопасности, политикам ответственного ИИ (RAI) и разрешениям пользователей. Агент данных Fabric строго применяет доступ только для чтения, поддерживая подключения только для чтения к всем источникам данных.

Идентификация источника данных: агент данных Fabric использует учетные данные пользователя для доступа к схеме источника данных. Это гарантирует, что система получает сведения о структуре данных, если у пользователя есть разрешение на просмотр. Затем он оценивает вопрос пользователя по всем доступным источникам данных, включая реляционные базы данных (Lakehouse и Warehouse), наборы данных Power BI (семантические модели) и базы данных KQL. Он также может ссылаться на инструкции агента данных, предоставленные пользователем, чтобы определить наиболее релевантный источник данных.

Создание и вызов инструментов для генерации запросов: после определения правильного источника данных или источников агент данных Fabric переформулирует вопрос для ясности и структуры, а затем вызывает соответствующий инструмент для создания структурированного запроса.

  • Естественный язык для SQL (NL2SQL) для реляционных баз данных (Lakehouse/Warehouse).
  • Естественный язык в DAX (NL2DAX) для наборов данных Power BI (Семантические Модели).
  • Преобразование естественного языка в KQL (NL2KQL) для баз данных KQL.

Выбранное средство создает запрос на основе предоставленной схемы, метаданных и контекста, которые затем передает агент, лежащий в основе агента данных Fabric.

Валидация запросов: инструмент выполняет проверку, чтобы убедиться, что запрос правильно сформирован и соответствует собственным протоколам безопасности и политикам RAI.

Выполнение запросов и ответ. После проверки агент данных Fabric выполняет запрос к выбранному источнику данных. Результаты форматируются в удобочитаемый пользователем ответ, который может включать структурированные данные, такие как таблицы, сводки или ключевые аналитические сведения.

Этот подход гарантирует, что пользователи могут взаимодействовать с данными с помощью естественного языка, а агент данных Fabric обрабатывает сложности создания запросов, проверки и выполнения— все без необходимости писать SQL, DAX или KQL самостоятельно.

Конфигурация агента данных Fabric

Настройка агента данных Fabric аналогична созданию отчета Power BI. Сначала необходимо разработать и уточнить его, чтобы обеспечить соответствие вашим потребностям, а затем опубликовать и поделиться ими с коллегами, чтобы они могли взаимодействовать с данными. Настройка агента данных Fabric включает:

Выбор источников данных: агент данных Fabric поддерживает до пяти источников данных в любом сочетании, включая озерохранилища, хранилища, базы данных KQL и семантические модели Power BI. Например, настроенный агент данных Fabric может включать пять семантических моделей Power BI. Она может включать в себя сочетание двух семантических моделей Power BI, одного lakehouse и одной базы данных KQL. У вас есть множество доступных вариантов.

Выбор соответствующих таблиц: После выбора источников данных необходимо добавить их по одному и указать конкретные таблицы из каждого источника, которые будет использовать агент сбора данных Fabric. Этот шаг гарантирует, что агент данных Fabric получает точные результаты, фокусируясь только на соответствующих данных.

Добавление контекста. Чтобы повысить точность агента данных Fabric, можно предоставить дополнительный контекст с помощью инструкций агента данных Fabric и примеров запросов. В качестве базового агента данных Fabric контекст помогает API Помощника Azure OpenAI принимать более обоснованные решения об обработке вопросов пользователей и определить, какой источник данных лучше всего подходит для их ответа.

  • Инструкции агента данных: Вы можете добавить инструкции, чтобы направить агента, лежащего в основе агента данных Fabric, для определения наилучшего источника данных для ответа на определенные типы вопросов. Вы также можете указать пользовательские правила или определения, которые уточняют терминологию организации или конкретные требования. Эти инструкции могут предоставлять больше контекста или предпочтений, влияющих на выбор и запросы источников данных агентом.

    • Направляйте вопросы о финансовых метриках к семантической модели Power BI.
    • Назначьте запросы, связанные с исследованием необработанных данных, на озеро данных.
    • Направлять вопросы, требующие анализа журналов, в базу данных KQL.

  • Примеры запросов: Вы можете добавить примеры пар вопрос-запрос, чтобы показать, как агент данных Fabric должен реагировать на наиболее распространенные запросы. Эти примеры служат руководством для агента, который помогает понять, как интерпретировать аналогичные вопросы и создавать точные ответы.

Примечание.

Добавление примеров пар запросов и вопросов в настоящее время не поддерживается для источников данных семантической модели Power BI.

Объединяя четкие инструкции ИИ и соответствующие примеры запросов, вы можете лучше выровнять агент данных Fabric с потребностями данных вашей организации, обеспечивая более точные и контекстные ответы.

Разница между агентом данных Fabric и копилотом

Хотя агенты данных Fabric и копилоты Fabric используют генеративный ИИ для обработки и анализа данных, существуют ключевые различия в их функциональных возможностях и вариантах использования.

Гибкость конфигурации: агенты данных Fabric обладают высокой степенью настраиваемости. Вы можете предоставить пользовательские инструкции и примеры, чтобы адаптировать их поведение к определенным сценариям. С другой стороны, копилоты Fabric преднастроенные и не предлагают такой уровень настройки.

Область и Вариант Использования: копилоты Fabric разработаны для поддержки задач в Microsoft Fabric, таких как создание кода блокнота или запросов к хранилищу. Агенты данных системы, напротив, являются автономными объектами. Чтобы сделать агенты данных Fabric более универсальными для более широких вариантов использования, они могут интегрироваться с внешними системами, такими как Microsoft Copilot Studio, Azure AI Foundry, Microsoft Teams или другие средства за пределами Fabric.

Оценка агента данных Fabric

Качество и безопасность ответов агента данных Fabric прошли тщательную оценку:

Сравнительное тестирование: команда по продукту тестировала агентов данных Fabric в различных общедоступных и частных наборах данных, чтобы обеспечить высокое качество и точные ответы.

Расширенные способы устранения вреда: существуют более надежные средства защиты, чтобы выходные данные агента данных Fabric оставались сосредоточены на контексте выбранных источников данных, чтобы снизить риск неуместных или вводящих в заблуждение ответов.

Ограничения

Агент данных Fabric в настоящее время находится в общедоступной предварительной версии и имеет ограничения. Обновления помогут с течением времени улучшить агент данных Fabric.

  • Агент данных Fabric создает только запросы SQL/DAX/KQL "read". Он не создает запросы SQL/DAX/KQL, которые создают, обновляют или удаляют данные.
  • Агент данных Fabric не поддерживает неструктурированные данные (.pdf, .docxили .txt). Агент данных Fabric нельзя использовать для доступа к неструктурированным ресурсам данных. К этим ресурсам относятся .pdf, .docx или файлы .txt, например.
  • Агент данных Fabric в настоящее время не поддерживает языки, отличные от английского языка. Для оптимальной производительности укажите вопросы, инструкции и примеры запросов на английском языке.
  • Вы не можете изменить LLM, который использует агент данных Fabric.

Связанный контент