Implementieren eines End-to-End-Microsoft Fabric-Daten-Agents

Dieser Abschnitt führt Sie durch das Erstellen, Konfigurieren und Verwenden eines Fabric-Daten-Agents, um unterhaltungsfähige KI zum Abfragen von Unternehmensdaten zu ermöglichen.

Es gibt mehrere Schritte zum Erstellen, Überprüfen und Freigeben eines Fabric-Daten-Agents. Nach dem anfänglichen Setup können Sie mit dem testen des Fabric-Daten-Agents sofort beginnen.

Voraussetzungen

Stellen Sie Folgendes sicher, bevor Sie beginnen:

• Sie verfügen über eine kostenpflichtige F2- oder höhere Fabric-Kapazität.
• Sie verfügen über die Einstellungen für den Fabric-Daten-Agent-Mandanten und den Copilot-Mandantenwechsel aktiviert
• Sie haben mindestens eine der folgenden: Ein Lagerhaus, ein Lakehouse, ein oder mehrere Power BI-Semantikmodelle oder eine KQL-Datenbank mit Daten.

1. Erstellen eines Fabric-Daten-Agents

Navigieren Sie zunächst zu Ihrem Arbeitsbereich in Microsoft Fabric:

• Wählen Sie die Schaltfläche "+ Neues Element" aus.
• Wählen Sie in der Liste der Optionen "Fabric Data Agent" aus.
• Geben Sie einen aussagekräftigen Namen für Ihren Fabric-Daten-Agent an, und fahren Sie mit der Konfiguration fort.

2. Datenquellen auswählen

Nachdem Sie einen Fabric-Daten-Agent erstellt haben, können Sie bis zu fünf Datenquellen in beliebiger Kombination verbinden. Dazu gehören Seehäuser, Lagerhäuser, Power BI-Semantikmodelle und KQL-Datenbanken. Sie können beispielsweise fünf Power BI-Semantikmodelle oder Mixquellen hinzufügen, z. B. zwei semantische Modelle, ein Lakehouse und eine KQL-Datenbank.

Jede Datenquelle muss einzeln hinzugefügt werden. Verwenden Sie den OneLake-Katalog , um die entsprechenden Datenquellen zu suchen und zu verbinden. Verwenden Sie Filter, um die Datenquellentypen für eine einfachere Auswahl einzugrenzen.

Nach dem Hinzufügen einer Datenquelle zeigt der Explorer im linken Bereich der Fabric-Daten-Agent-Seite die verfügbaren Tabellen aus jeder Quelle an. Sie können die Kontrollkästchen verwenden, um zu steuern, auf welche Tabellen für die KI zugegriffen werden kann, wie im folgenden Screenshot gezeigt.

Fragen

Nachdem Sie die Datenquellen hinzugefügt und die relevanten Tabellen für jede Datenquelle ausgewählt haben, können Sie mit der Frage beginnen. Der Agent analysiert die konstruierte Eingabeaufforderung und entscheidet, welches Tool aufgerufen werden soll, um die Antwort abzurufen. Sie verwendet natürliche Sprache für SQL, DAX oder KQL, um die Daten abzufragen.

Der Fabric-Daten-Agent führt derzeit keine erweiterte Analyse, maschinelles Lernen oder kausale Ableitung durch. Sie ruft strukturierte Daten einfach basierend auf der Abfrage des Benutzers ab und verarbeitet sie.

Der Agent zeigt sowohl das Endergebnis als auch die Zwischenschritte an, die er befolgt hat, um zur Antwort zu gelangen. Dies verbessert die Transparenz und ermöglicht es Ihnen, jeden Schritt bei Bedarf zu überprüfen und zu überprüfen. Durch Erweitern des Dropdowns können Sie die vollständige Abfolge der Schritte anzeigen, die der Fabric-Daten-Agent zum Generieren der Antwort benötigt hat, wie im folgenden Screenshot gezeigt.

3. Konfigurieren des Fabric-Daten-Agents

Der Fabric-Daten-Agent bietet verschiedene Konfigurationsoptionen, mit denen Sie sein Verhalten an die Anforderungen Ihrer Organisation anpassen können. Diese Einstellungen bieten Flexibilität und eine bessere Kontrolle darüber, wie Daten verarbeitet und präsentiert werden.

Hinzufügen von Anweisungen

Sie können spezifische Anweisungen bereitstellen, um das Verhalten der KI zu unterstützen, damit sie besser verstehen kann, wie Abfragen interpretiert und beantwortet werden. Alle vordefinierten Beispiele (z. B. Beispielfragen und -antworten) oder bestimmte Anweisungen helfen, das Verständnis der KI zur Frage zu verfeinern und zu leiten, wie die KI mit den Daten interagiert. Sie können bis zu 15.000 Zeichen in Nur-Englisch-Text schreiben.

Um sie im Fabric-Daten-Agent-Anweisungenbereich hinzuzufügen, wählen Sie KI-Anweisungen aus, wie im folgenden Screenshot gezeigt:

Sie können z. B. die genaue Datenquelle angeben, die für bestimmte Fragentypen verwendet werden soll. Oder geben Sie Beschreibungen für bestimmte Tabellen oder Spalten an.

Bereitstellen von Beispielabfragen

Sie können die Genauigkeit der Fabric-Daten-Agent-Antworten verbessern, indem Sie Beispielabfragen bereitstellen, die für jede Datenquelle spezifisch sind, z. B. Lakehouses, Warehouses oder KQL-Datenbanken. Diese Technik, die alsFew-Shot Learning in generative KI bezeichnet wird, hilft dem Agenten, Antworten zu erzeugen, die Ihren Erwartungen genauer entsprechen.

Wenn Sie Beispielabfragen hinzufügen oder bearbeiten möchten, wählen Sie die Schaltfläche " Beispielabfragen " aus, um den Beispielabfragebereich zu öffnen, wie im folgenden Screenshot gezeigt:

Für jede Datenquelle können Sie Beispielabfragen hinzufügen oder bearbeiten , um die relevanten Beispiele einzugeben, wie im folgenden Screenshot gezeigt:

4. Veröffentlichen des Fabric-Daten-Agents

Wenn Sie mit der Funktionalität des Daten-Agents zufrieden sind, wählen Sie "Veröffentlichen " aus, um sie barrierefrei zu machen. Geben Sie eine detaillierte Beschreibung des Fabric-Daten-Agents an, um anderen zu helfen, seinen Zweck und seine Funktionalität zu verstehen. Andere KI-Systeme/Orchestratoren verwenden dieselbe Beschreibung, um den Fabric-Daten-Agent auf automatisierte Weise aufzurufen.

Nachdem Sie den Fabric-Daten-Agent veröffentlicht haben, verfügen Sie über zwei Versionen davon. Eine Version ist die aktuelle Entwurfsversion, die Sie weiter verfeinern und verbessern können. Die zweite Version ist die veröffentlichte Version, die Sie für Ihre Kollegen freigeben können, die den Fabric-Daten-Agent abfragen möchten, um Antworten auf ihre Fragen zu erhalten.

5. Verwenden des Fabric-Daten-Agents

Der veröffentlichte Fabric-Daten-Agent kann auf verschiedenen Plattformen genutzt werden, darunter:

• Microsoft Fabric
• Copilot Studio
• Microsoft Teams
• Power BI Copilot
• Microsoft Foundry
• Benutzerdefinierte Anwendungen über API

Diese Integrationen ermöglichen unterhaltungsfähige KI, sodass Benutzer Daten in natürlicher Sprache abfragen und Einblicke abrufen können.

Bewährte Methoden

Verwenden Sie klare Anweisungen: Stellen Sie sicher, dass die anweisungen für die KI klar und präzise sind. Dies hilft beim Generieren präziser Antworten. Wenn Ihre KI-Ressource bestimmte Wörter, Akronyme oder Begriffe konsistent falsch interpretiert, können Sie versuchen, klare Definitionen in diesem Abschnitt bereitzustellen, um sicherzustellen, dass die KI sie richtig versteht und verarbeitet. Dies ist besonders nützlich für domänenspezifische Terminologie oder einzigartige Geschäftssprache.

Der Fabric-Daten-Agent ist derzeit für die Verarbeitung einfacher Abfragen konzipiert. Komplexe Abfragen, die viele Verknüpfungen oder komplexe Logik erfordern, weisen tendenziell eine geringere Zuverlässigkeit auf.

Schließen Sie nicht zu viele Spalten und Tabellen in einem Fabric-Daten-Agent ein, da dies die Leistung des Fabric-Daten-Agents verringern kann.

Mit dem Fabric-Daten-Agent-Freigabefeature können Sie Ihre Fabric-Daten-Agents für andere Personen mit einer Reihe von Berechtigungsmodellen freigeben. Wenn Sie den Fabric-Daten-Agent freigeben, müssen Sie auch den Zugriff auf die zugrunde liegenden Daten freigeben, die er verwendet. Der Fabric-Daten-Agent berücksichtigt alle Benutzerberechtigungen für die Daten, einschließlich Row-Level Security (RLS) und Column-Level Security (CLS).