Copilot für Echtzeitintelligenz

Copilot im Fabric Real-Time Intelligence-Workload ist ein KI-Assistent, mit dem Sie Ihre Echtzeitdaten abfragen, analysieren und untersuchen können. Copilot übersetzt natürliche Sprache in KQL-Abfragen (Kusto Query Language), generiert Dashboards und ermöglicht die interaktive Datensuche, ohne dass KQL-Kenntnisse erforderlich sind.

Copilot in KQL-Abfragesets

Copilot in KQL-Abfragesets transformiert Fragen der natürlichen Sprache in KQL-Abfragen. Beschreiben Sie Ihre Datenanalyseanforderungen in einfacher Sprache, und Copilot generiert die entsprechende Abfrage. Copilot unterstützt Unterhaltungsinteraktionen, sodass Sie Abfragen verfeinern und Nachverfolgungsfragen stellen können, ohne zu beginnen.

Ausführliche Informationen zur Verwendung von Copilot in KQL-Abfragesets finden Sie unter Copilot zum Schreiben von KQL-Abfragen.

Copilot in Echtzeit-Dashboards

Copilot in Real-Time Dashboards vereinfacht die Dashboarderstellung und Datensuche:

  • Generate dashboards: Wählen Sie eine Datentabelle in Real-Time Hub oder einem KQL-Abfrageset aus, und verwenden Sie Copilot, um automatisch ein Real-Time-Dashboard mit einer Insights-Seite und einer Datenprofilseite zu generieren. Ausführliche Informationen finden Sie unter Generieren eines Real-Time Dashboards mit Copilot.
  • Edit-Kachelabfragen: Verwenden Sie Copilot, um die KQL-Abfrage hinter einer Dashboardkachel direkt im Bearbeitungsbereich zu erstellen oder zu ändern, anstatt KQL manuell zu schreiben.
  • Daten interaktiv erkunden: Verwenden Sie im Ansichtsmodus Copilot, um Fragen zu Ihren Dashboard-Daten zu stellen, Ergebnisse zu filtern und Einblicke als neue Kacheln zu speichern. Ausführliche Informationen finden Sie unter Von Copilot unterstützte Echtzeit-Datenerkundung.

Copilot für Azure Data Explorer

Copilot unterstützt auch Azure Data Explorer (ADX)-Cluster. Wenn eine Verbindung mit einem ADX-Cluster hergestellt wird, generiert Copilot KQL-Abfragen und untersucht Daten auf die gleiche Weise wie für ein Eventhouse. Es ist eine Fabric-fähige Kapazität erforderlich.

Weitere Informationen zum Herstellen einer Verbindung mit ADX von Fabric finden Sie unter Verwenden von ADX-Daten in Fabric.

Bewährte Verfahren für Copilot KQL-Abfragen

Die folgenden Tipps gelten für Copilot sowohl in KQL-Abfragesets als auch in Real-Time Dashboards:

  • Beginnen Sie mit einfachen Anweisungen in natürlicher Sprache, um aktuelle Funktionen und Einschränkungen zu erlernen. Fahren Sie schrittweise mit komplexeren Eingabeaufforderungen fort.

  • Geben Sie die Aufgabe genau an und vermeiden Sie Mehrdeutigkeit. Stellen Sie sich vor, den Prompt einem KQL-Experten zu übermitteln, ohne mündliche Anweisungen hinzuzufügen. Würden sie die richtige Abfrage generieren?

  • Stellen Sie relevante Informationen zur Unterstützung des Modells bereit. Geben Sie Tabellen, Operatoren oder Funktionen an, die für die Abfrage nach Möglichkeit kritisch sind.

  • Vorbereiten der Datenbank:

    • Fügen Sie Docstring-Eigenschaften hinzu, um allgemeine Tabellen und Spalten zu beschreiben. Dieser Schritt ist für Tabellen oder Spalten mit nicht aussagekräftigen Namen wichtig.
    • Sie müssen keine Docstrings für Tabellen oder Spalten hinzufügen, die selten verwendet werden.
    • Weitere Informationen finden Sie unter dem Befehl ALTER TABLE COLUMN-DOCSTRINGS.

  • Um Copilot Ergebnisse zu verbessern, wählen Sie das Symbol like oder dislike aus, um Feedback zu senden.

    Note

    Das formular Submit feedback sendet den Namen der Datenbank, dessen URL, die von Copilot generierte KQL-Abfrage und alle enthaltenen Freitextantworten. Die Ergebnisse der ausgeführten KQL-Abfrage werden nicht gesendet.

Note

Copilot wird von KI unterstützt. Daher sind Überraschungen und Fehler möglich.

Verbesserte Genauigkeit des Copilots durch private Schnappschüsse

Copilot verbessert Aufforderungen, indem er die relevantesten Beispiele (genannt natürliche Sprache und KQL-Paare oder "Shots") aus einer öffentlichen Shots-Datenbank verwendet. Diese Datenbank wird vom Real-Time Intelligence-Team kuratiert, ist aus der KQL-Dokumentation abgeleitet und steht allen Copilot-Benutzern zur Verfügung. Die Public Shots-Datenbank bietet eine solide Grundlage, ist aber generisch und verfügt nicht über domänenspezifische Kenntnisse Ihrer KQL-Datenbank.

Um die Fähigkeit von Copilot zu verbessern, genaue und komplexe KQL-Abfragen für Ihre spezifischen Szenarien zu generieren, erstellen Sie eine private Datenbank für Shots.

Mit diesem Ansatz können Sie erweiterte KQL-Abfragen einbeziehen, die die eindeutigen Anforderungen Ihres Teams erfüllen. Beispielsweise Abfragen, die Folgendes verwenden: - Graphsemantik, - Zeitreihenanalyse, - Anomalieerkennung, - oder gespeicherte Funktionen , die in Ihrer KQL-Datenbank definiert sind.

Private Aufnahmen werden automatisch aus KQL-Abfragesets und Real-Time Dashboards veröffentlicht. Wenn Sie diese Artefakte speichern, werden die darin enthaltenen KQL-Abfragen in der Private Shots-Datenbank veröffentlicht und verbessern die Fähigkeit von Copilot, Abfragen zu generieren, die besser auf Ihre Daten und Anwendungsfälle abgestimmt sind.

Note

  • Nachdem Sie die Artefakte für private Aufnahmen gespeichert haben, kann es einige Minuten dauern, bis sie veröffentlicht und für Copilot verfügbar sind.
  • Nur die KQL ist obligatorisch. Die LLM generiert die Beschreibung der natürlichen Sprache. Sie können eine kurze Beschreibung hinzufügen, indem Sie dem KQL einen vorangehenden Kommentar hinzufügen.
  • KQL-Abfragen werden auf gültige Syntax überprüft. Nur gültige Abfragen werden der Private Shots-Datenbank hinzugefügt.
  • Copilot verwendet nur private Aufnahmen, auf die der Benutzer zugreifen kann. Wenn Sie nicht über die Berechtigung zum Anzeigen eines bestimmten Dashboards oder Abfragesets verfügen, verwendet Copilot keine Aufnahmen aus diesen Artefakten.
  • KQL-Abfragen, die von Copilot generiert und in die Abfragemenge mit der Schaltfläche Copy to Editor eingefügt wurden, enthalten eine Kommentarzeile: // This KQL query was generated by AI:. Diese Abfragen werden nicht in der privaten Shots-Datenbank veröffentlicht. Um sie einzuschließen, entfernen Sie diesen Kommentar, während der nachfolgende Kommentar beibehalten wird, der die Eingabeaufforderung des Benutzers enthält.

Einschränkungen

Die folgenden Einschränkungen gelten für Copilot in Real-Time Intelligence:

  • Copilot können vorhandene KQL-Abfragen im Abfrage-Editor nicht ändern. Wenn Sie den Copilot Chatbereich bitten, einen bestimmten Teil einer vorhandenen Abfrage zu bearbeiten, funktioniert dies nicht. Jedoch versteht Copilot vorherige Eingaben im Chatbereich, sodass Sie auf Abfragen iterieren können, die Copilot vor dem Einfügen generiert hat.
  • Copilot kann ungenaue Ergebnisse erzeugen, wenn die Absicht besteht, Daten auszuwerten. Copilot hat nur Zugriff auf das Datenbankschema und hat keinen Zugriff auf die Daten selbst.
  • Copilot Antworten können ungenaue oder minderwertige Inhalte enthalten. Überprüfen Sie die Ergebnisse, bevor Sie sie in Ihrem Projekt verwenden.
  • Personen, die die Genauigkeit und Angemessenheit des Inhalts sinnvoll bewerten können, sollten die Ausgaben überprüfen.
  • Der Copilot Chatbereich in KQL-Datenbanken ist nicht verfügbar, wenn Private Link aktiviert ist und der öffentliche Zugriff in der Mandanteneinstellung deaktiviert ist.

Verantwortungsvolle KI

Informationen zu den Richtlinien Microsoft für die verantwortungsvolle KI in Real-Time Intelligence finden Sie unter Privacy, Security und verantwortungsvolle Verwendung von Copilot für Real-Time Intelligence.

Microsoft ist bestrebt, sicherzustellen, dass AI-Prinzipien und die Responsible AI Standard die KI-Systeme leiten. Diese Prinzipien umfassen die Möglichkeit, dass Kunden diese Systeme effektiv und entsprechend ihren beabsichtigten Anwendungen nutzen können.

Verwandte Inhalte

  • Last updated on