Bewährte Methoden und Einschränkungen des Operations-Agents

In diesem Artikel werden die bewährten Methoden und Einschränkungen beschrieben, wenn Sie Operations-Agents in Real-Time Intelligence verwenden.

Bewährte Methoden

Operations-Agents helfen Organisationen, klare Geschäftsziele zu operationalisieren, indem sie kontinuierlich Echtzeitdaten überwachen, explizite Schwellenwerte auswerten und Aktionen empfehlen, wenn definierte Bedingungen erfüllt werden. Beispielsweise helfen Operations-Agents Ihnen proaktiv zu reagieren, wenn die Bestandsverfügbarkeit auf ein kritisches Niveau fällt. Wir empfehlen die folgenden bewährten Methoden für Operations-Agents.

• Eventhouse-Tabellen: Wenn Ereignishaustabellen geschachtelte Spalten wie JSON enthalten, können Sie die Tabellen abgleichen, bevor Sie den Agent konfigurieren. Flache Tabellen mit beschreibenden Spaltennamen verbessern die Fähigkeit des Agents, Daten zu analysieren und auszuwerten.

• Spaltenbeschreibungen: Wenn der Zweck einer Spalte anhand ihres Namens unklar ist, fügen Sie eine Nur-Sprache-Beschreibung hinzu, indem Sie das Beschreibungsfeld in Ihrem KQL-Tabellenschema verwenden. Dies hilft dem Agent, Datenwerte richtig zu interpretieren.

• Identifikation von Geschäftsobjekten: Wenn der Agent ein bestimmtes Geschäftsobjekt wie eine Station, einen Sensor oder einen Personaldatensatz überwachen muss, identifizieren Sie die Spalte, die das Objekt eindeutig identifiziert (z. B. "StationID" oder "SensorID"). Geben Sie an, zu welcher Tabelle sie gehört.

• Feldname-Zitat: Wenn eine Regel auf Spaltennamen verweist, die Sonderzeichen enthalten, z. B. Unterstriche oder Bindestriche, schließen Sie den Spaltennamen in Anführungszeichen ein (""). Mit dieser Übung wird sichergestellt, dass der Agent ihn richtig identifiziert.

• Quantifizierbare Bedingungen: Wenn eine Regel qualitative Sprache wie "niedrige Verfügbarkeit" oder "Hohe Temperatur" verwendet, ersetzen Sie sie durch einen bestimmten numerischen Schwellenwert. Verwenden Sie beispielsweise einen Ausdruck wie "weniger als 3 verfügbare Fahrräder" oder "Temperatur überschreitet 80".

• Regeltrennung: Wenn Sie mehrere Regeln definieren, beschreiben Sie jede Regel in einer separaten Linie oder einem separaten Aufzählungspunkt. Kombinieren Sie keine Bedingungen aus unterschiedlichen Regeln im selben Satz.

• Regelreihenfolge: Wenn der Agent bestimmte Regeln priorisieren muss, listen Sie zuerst Regeln mit höherer Priorität auf. Große Sprachmodelle (LLMs) können Informationen je nach Position in der Eingabeaufforderung unterschiedlich interpretieren.

Beispielanweisungen

Hier sehen Sie ein Beispiel dafür, wie Sie Ihre Anweisungen für den Agenten so gestalten können, dass die betrieblichen Regeln und die semantischen Informationen zu den Feldern in Ihren Daten klar werden.

*** Operational Instructions ***
1. Alert me when a trip has high occupancy level.
2. Alert me when a trip has high departure delay.

*** Semantic Instructions ***
1. Information about a trip can be found in 'TripUpdateFlattened' table, each identified by the 'trip_id' column.
2. Information about a vehicle can be found in 'VehiclePositionsFlat' table, each identified the 'vehicle_id' column.
3. A trip is a associated with multiple vehicles via shared trip ID.
4. Occupancy status of a trip is calculated as the latest occupancy status from the vehicle the trip is associated with. The value 'HIGH' means high occupancy level.
5. The departure delay is measured in number of seconds. Higher than 300 seconds of delay is considered significant.

Einschränkungen

• Operations Agents verlassen sich auf ein LLM, um das Playbook und die Regeln zu erstellen, denen der Agent folgt, und um Nachrichten für Aktionen und Empfehlungen zu generieren. Da LLM-basierte KI-Dienste probabilistisch sind und fehlerhaft sein können, ist es wichtig, die von ihnen bereitgestellten Ergebnisse und Empfehlungen sorgfältig zu überprüfen. Weitere Informationen finden Sie unter Datenschutz, Sicherheit und verantwortungsvolle Nutzung von Copilot für Real-Time Intelligence.

  Um nachzuverfolgen, auf welche Abfragen und Daten der Agent zugreift, können Sie sich die überwachte Eventhouse- und KQL-Datenbank ansehen. Auf der Registerkarte Abfrageerkenntnisse sehen Sie die ausgeführten Abfragen und können die verwendete KQL validieren.

  

• Während Systemschutzschienen vorhanden sind, kann eine starke Nutzung zu Drosselung führen, wodurch die Anzahl der Nachrichten begrenzt wird, die der Agent senden kann. In solchen Fällen erhalten Sie möglicherweise vereinfachte, nicht LLM-generierte Nachrichten über Microsoft Teams.

• Derzeit unterstützen der Agent und die LLM nur englische Anweisungen und Ziele.

• Der Agent arbeitet mit der delegierten Identität und den Berechtigungen seines Erstellers. Dies bedeutet:

  • Abfragen, Datenzugriff und Aktionen werden basierend auf den Anmeldeinformationen des Erstellers ausgeführt.

  • Standardmäßig empfängt der Ersteller Empfehlungsnachrichten. Durch das Ändern des Empfängers werden die Anmeldeinformationen, die für Abfragen und Aktionen verwendet werden, nicht geändert.

• Der Agent führt Datenabfragen alle fünf Minuten aus, wenn er aktiv ist.

• Wenn der Agent Daten erkennt, die seinen Regeln entsprechen, verfolgt er die empfohlenen Aktionen und die Antwort des Benutzers als Vorgang. Wenn der Benutzer innerhalb von drei Tagen nicht antwortet (genehmigen oder ablehnen), wird der Vorgang automatisch abgebrochen. Nach diesem Zeitraum können Sie nicht mit der Aktion interagieren oder die Aktion genehmigen.

• Der Operations-Agent ist in Microsoft Fabric-Regionen verfügbar, mit Ausnahme von "Süd-Zentral-USA" und "Ost-USA".

• Wenn sich Ihr Fabric-Mandant und Ihre Kapazität in verschiedenen Regionen befinden, können möglicherweise Fehler auftreten, wenn Sie Power Automate-Aktionen konfigurieren. Bis ein Fix verfügbar ist, stellen Sie für die Verwendung des Operations-Agents sicher, dass sich die Arbeitsbereichskapazität in derselben Region wie Ihr Fabric-Mandant befindet.