Creación de un agente de datos de Fabric

Con un agente de datos en Microsoft Fabric, puede crear experiencias de inteligencia artificial conversacional que respondan a preguntas sobre los datos almacenados en lakehouses, almacenes, modelos semánticos Power BI, bases de datos KQL, ontologías y Microsoft Graph en Fabric. Sus compañeros pueden formular preguntas en inglés sin formato y recibir respuestas controladas por datos, incluso si no son expertos en inteligencia artificial o están profundamente familiarizados con los datos.

Prerrequisitos

• Una capacidad de pago de Fabric F2 o superior, o una capacidad de Power BI Premium por capacidad (P1 o superior) con Microsoft Fabric habilitado.
• Habilite el procesamiento entre regiones geográficas y el almacenamiento entre regiones geográficas para la inteligencia artificial en función de los requisitos explicados en la configuración del inquilino del agente de datos de Fabric.
• Al menos uno de estos orígenes de datos, con datos: un almacenamiento, un lago, un modelo semántico de Power BI, una base de datos KQL, una base de datos reflejada o una ontología. Debe tener acceso de lectura al origen de datos.

Autenticación y tokens

No es necesario crear ni proporcionar una clave openAI de Azure ni un token de acceso para usar un agente de datos de Fabric. Fabric utiliza un asistente de Azure OpenAI administrado por Microsoft y maneja la autenticación por usted.

• El acceso a datos se ejecuta bajo la identidad de usuario de tu Microsoft Entra ID y los permisos de tu área de trabajo y datos. El agente lee esquemas y ejecuta SQL/DAX/KQL solo si tiene acceso. Aunque la mayoría de los orígenes de datos respetan los permisos del área de trabajo, las interacciones del modelo semántico de Power BI a través de agentes de datos se rigen por el permiso de lectura a nivel de modelo y no requieren pertenencia a roles del área de trabajo.
• Para agregar un modelo semántico de Power BI como origen de datos, necesita permiso de lectura en ese modelo (no es necesario escribir). El acceso de lectura también es suficiente para formular preguntas sobre fuentes a las que puede acceder. Para más información sobre los permisos de modelo semántico, consulte Seguridad del modelo semántico y del conjunto de datos. En el uso del agente de datos, el permiso de lectura es suficiente para realizar consultas; La escritura solo es necesaria para modificar el modelo semántico o habilitar características como Prep for AI.
• Si su organización usa una capacidad Power BI Premium por capacidad (P1 o superior) en lugar de una SKU F, asegúrese de que Microsoft Fabric está habilitado en esa capacidad.
• Las entidades de servicio y los tokens de API no son necesarios para la experiencia de chat en el producto. Cualquier automatización con entidades de servicio es un escenario independiente y no se trata aquí.

Seguridad y gobernanza

Los agentes de datos de Fabric respetan las directivas de gobernanza de Microsoft Purview. Cuando las directivas de Purview restringen el acceso a un origen de datos (por ejemplo, a través de controles de acceso o etiquetas de confidencialidad), el agente respeta esas restricciones al procesar consultas de usuario.

La protección de acceso saliente expandida se aplica a las operaciones del agente. Las conexiones salientes de los agentes están sujetas a las reglas de red y acceso del inquilino configuradas en el portal de administración de Fabric. Los administradores pueden controlar qué agentes de puntos de conexión externos pueden acceder.

Permisos para modelos semánticos a través de agentes de datos

La interacción con modelos semánticos de Power BI mediante un agente de datos de Fabric solo requiere permiso de solo lectura en el modelo semántico. El acceso al área de trabajo (roles de miembro o colaborador) y el permiso de compilación no son necesarios para agregar el modelo al agente ni formular preguntas a través del agente. Esta excepción solo se aplica a las interacciones del agente de datos; otros puntos de entrada (por ejemplo, Analizar en Excel o autoría directa de informes) pueden requerir el permiso de compilación.

El permiso de escritura solo es necesario para modificar el modelo semántico o usar funcionalidades como Prep for AI.

Acceso a datos entre inquilinos

Cuando el área de trabajo contiene datos compartidos desde otro cliente a través de compartición de datos externos de OneLake, el agente de datos de Fabric puede consultar esos datos utilizando el acceso directo de OneLake creado al aceptar el recurso compartido. No se requiere ninguna configuración de autenticación adicional; el acceso se ejecuta con la identidad de Entra ID y los permisos del área de trabajo existentes. Las políticas de gobernanza del inquilino del consumidor se aplican a todos los datos compartidos.

Proceso de extremo a extremo para crear y consumir agentes de datos de Fabric

En esta sección se describen los pasos clave para crear, validar y compartir un agente de datos de Fabric en Fabric, lo que hace que sea accesible para su consumo. El agente opera en datos activos gestionados en OneLake, incluidas las tablas respaldadas por accesos directos de OneLake y comparticiones entre inquilinos.

El proceso es sencillo y puede empezar a probar los recursos del agente de datos de Fabric en cuestión de minutos.

Creación de un nuevo agente de datos de Fabric

Para crear un nuevo agente de datos Fabric, vaya primero al área de trabajo y seleccione el botón + Nuevo elemento. En la pestaña Todos los elementos, busque Agente de datos de Fabric para buscar la opción adecuada, como se muestra en esta captura de pantalla:

Una vez seleccionado, se le pedirá que proporcione un nombre para el agente de datos de Fabric, como se muestra en esta captura de pantalla:

Consulte la captura de pantalla proporcionada para obtener una guía visual sobre cómo asignar un nombre al agente de datos Fabric. Después de escribir el nombre, continúe con la configuración para alinear el agente de datos de Fabric con sus requisitos específicos.

Seleccione los datos

Después de crear un agente de datos de Fabric, puede agregar hasta cinco orígenes de datos, incluidos lakehouses, almacenes, modelos semánticos de Power BI, bases de datos KQL, ontologías y Microsoft Graph, en cualquier combinación (hasta un total de cinco). Por ejemplo, podría agregar cinco Power BI modelos semánticos, o dos modelos semánticos de Power BI, un lago y una base de datos KQL.

Al crear un agente de datos de Fabric por primera vez y proporcionar un nombre, aparece automáticamente el catálogo de OneLake, lo que le permite agregar orígenes de datos. Para agregar un origen de datos, selecciónelo en el catálogo como se muestra en la pantalla siguiente y, a continuación, seleccione Agregar. Cada origen de datos debe agregarse individualmente. Por ejemplo: añada un almacén de lago, seleccione Agregar y, a continuación, proceda a agregar otro origen de datos. Para filtrar los tipos de origen de datos, seleccione el icono de filtro y, a continuación, seleccione el tipo deseado. Puede filtrar por tipo de origen de datos para buscar orígenes más fácilmente, incluidos los elementos compartidos entre límites de la organización a través del uso compartido de datos entre inquilinos.

Una vez agregado el origen de datos, el Explorer en el panel izquierdo de la página del agente de datos de Fabric se rellena con las tablas disponibles en cada origen de datos seleccionado, donde puede usar las casillas para que las tablas estén disponibles o no estén disponibles para la INTELIGENCIA artificial, como se muestra en la captura de pantalla siguiente:

Para las adiciones posteriores de orígenes de datos, vaya al Explorer en el panel izquierdo de la página del agente de datos de Fabric y seleccione + Origen de datos como se muestra en esta captura de pantalla:

El catálogo de OneLake se abre de nuevo y puede agregar sin problemas más orígenes de datos según sea necesario.

Realizar preguntas

Después de agregar los orígenes de datos y seleccionar las tablas pertinentes para cada origen de datos, puede empezar a formular preguntas. El sistema controla las preguntas como se muestra en esta captura de pantalla:

Las preguntas similares a estos ejemplos también deben funcionar:

• "¿Cuáles fueron nuestras ventas totales en California en 2023?"
• "¿Cuáles son los 5 principales productos con los precios más altos de la lista y cuáles son sus categorías?"
• "¿Cuáles son los artículos más caros que nunca se llegaron a vender?"

Las preguntas como esta son adecuadas porque el sistema puede traducirlas en consultas estructuradas (T-SQL, DAX o KQL), ejecutarlas en bases de datos y, a continuación, devolver respuestas concretas basadas en datos almacenados.

Sin embargo, las preguntas como estas están fuera del ámbito:

• "¿Por qué la productividad de fábrica es menor en el segundo trimestre de 2024?"
• "¿Cuál es la causa principal del pico de ventas?"

Estas preguntas están actualmente fuera del ámbito porque requieren razonamiento complejo, análisis de correlación o factores externos que no están disponibles directamente en la base de datos. Actualmente, el agente de datos de Fabric no realiza análisis avanzados, aprendizaje automático ni inferencia causal. Simplemente recupera y procesa datos estructurados en función de la consulta del usuario.

Al formular una pregunta, el agente de datos de Fabric usa la API del asistente de OpenAI Azure para procesar la solicitud. El flujo funciona de esta manera:

Acceso al esquema con credenciales de usuario

El sistema usa primero las credenciales del usuario para acceder al esquema del origen de datos (por ejemplo, lakehouse, warehouse, modelo semántico PBI, bases de datos KQL o ontología). Esto garantiza que el sistema captura información de la estructura de datos que el usuario tiene permiso para ver.

Construcción de la indicación

Para interpretar la pregunta del usuario, el sistema combina:

1. Consulta de usuario: la pregunta del lenguaje natural proporcionada por el usuario.
2. Información de esquema: metadatos y detalles estructurales del origen de datos recuperado en el paso anterior.
3. Ejemplos e instrucciones: cualquier ejemplo predefinido (por ejemplo, preguntas y respuestas de ejemplo) o instrucciones específicas proporcionadas al configurar el agente de datos de Fabric. Estos ejemplos e instrucciones ayudan a refinar la comprensión de la inteligencia artificial de la pregunta y a guiar cómo interactúa la inteligencia artificial con los datos.

Toda esta información se usa para construir una instrucción. Este mensaje sirve como entrada para la API del asistente de OpenAI de Azure, que se comporta como un agente subyacente al agente de datos de Fabric. Esto básicamente indica al agente de datos Fabric cómo procesar la consulta y el tipo de respuesta que se va a producir.

Invocación de herramientas en función de las necesidades de consulta

El agente analiza la indicación construida y decide qué herramienta invocar para obtener la respuesta.

• Lenguaje Natural a SQL (NL2SQL): se usa para generar consultas SQL cuando los datos residen en un almacén de lago o un almacén
• Lenguaje natural a DAX (NL2DAX): se usa para crear consultas DAX que interactúan con modelos semánticos en los orígenes de datos de Power BI.
• Lenguaje natural a KQL (NL2KQL): se usa para construir consultas KQL para consultar datos en bases de datos KQL. NL2KQL puede usar funciones definidas por el usuario (UDF) de KQL cuando estén disponibles en las bases de datos seleccionadas.
• Microsoft Graph: se usa para consultar los datos de la organización accesibles a través de Microsoft Graph

La herramienta seleccionada genera una consulta mediante el esquema, los metadatos y el contexto que proporciona el agente subyacente al agente de datos de Fabric. A continuación, la herramienta valida la consulta para garantizar el formato y el cumplimiento adecuados con sus protocolos de seguridad y sus propias directivas de IA responsable (RAI).

Elaboración de respuestas

El agente subyacente al agente de datos Fabric ejecuta la consulta y garantiza que la respuesta esté estructurada y con el formato adecuado. El agente suele incluir contexto adicional para que la respuesta sea fácil de usar. Por último, la respuesta se muestra al usuario en una interfaz conversacional, como se muestra en la captura de pantalla siguiente:

El agente presenta tanto el resultado como los pasos intermedios necesarios para recuperar la respuesta final. Este enfoque mejora la transparencia y permite la validación de esos pasos, si es necesario. Los usuarios pueden expandir la lista desplegable de los pasos para ver todos los pasos que tomó el agente de datos de Fabric para recuperar la respuesta, como se muestra en la captura de pantalla siguiente:

Además, el agente de datos de Fabric proporciona el código generado que se usa para consultar el origen de datos correspondiente, lo que ofrece más información sobre cómo se construyó la respuesta.

Estas consultas están diseñadas exclusivamente para consultar datos. No se permiten las operaciones que implican la creación de datos, las actualizaciones de datos, las eliminaciones de datos, cualquier tipo de cambio de datos, para proteger la integridad de los datos.

En cualquier momento, es posible seleccionar el botón Borrar chat para borrar el chat, tal y como se muestra en la siguiente captura de pantalla:

La característica Borrar chat borra todo el historial de chat e inicia una nueva sesión. Una vez que elimine el historial de chats, no podrá recuperarlo.

Cambiar el origen de datos

Para quitar un origen de datos, mantenga el puntero sobre el nombre del origen de datos en el Explorer en el panel izquierdo de la página del agente de datos de Fabric hasta que aparezca el menú de tres puntos. Seleccione los tres puntos para mostrar las opciones y, a continuación, seleccione Quitar para eliminar el origen de datos, como se muestra en la captura de pantalla siguiente:

Como alternativa, si el origen de datos ha cambiado, puede seleccionar Actualizar en el mismo menú, como se muestra en la captura de pantalla siguiente:

Esto garantiza que las actualizaciones de orígenes de datos se reflejen y se rellenen correctamente en el explorador para mantener el agente de datos de Fabric sincronizado con los datos más recientes.

configuración del agente de datos de Fabric

El agente de datos de Fabric ofrece varias opciones de configuración que permiten a los usuarios personalizar Fabric comportamiento del agente de datos para satisfacer mejor las necesidades de su organización. A medida que el agente de datos Fabric procesa y presenta datos, estas configuraciones ofrecen flexibilidad que permite un mayor control sobre los resultados.

Proporcionar instrucciones

Puede proporcionar instrucciones específicas para guiar el comportamiento de la inteligencia artificial. Para agregarlos en el panel de instrucciones del agente de datos de Fabric, seleccione Instrucciones del agente de datos como se muestra en la captura de pantalla siguiente:

Aquí, puede escribir hasta 15 000 caracteres en texto en inglés sin formato para indicar a la inteligencia artificial cómo controlar las consultas.

Por ejemplo, puede especificar el origen de datos exacto que se va a usar para determinados tipos de preguntas. Algunos ejemplos de opciones de origen de datos podrían implicar dirigir la inteligencia artificial a utilizar

• Power BI modelos semánticos para consultas financieras
• un almacén de lago para datos de ventas
• una base de datos KQL para métricas operativas

Estas instrucciones garantizan que la inteligencia artificial genere consultas adecuadas, ya sean SQL, DAX o KQL, en función de las instrucciones y el contexto de las preguntas.

Si el recurso de inteligencia artificial interpreta de forma incorrecta ciertas palabras, acrónimos o términos, puede intentar proporcionar definiciones claras en esta sección para asegurarse de que la inteligencia artificial las entiende y procesa correctamente. Esto resulta especialmente útil para la terminología específica del dominio o la jerga empresarial única.

Al adaptar estas instrucciones y definir términos, mejora la capacidad de la inteligencia artificial para ofrecer información precisa y relevante, en consonancia con la estrategia de datos y los requisitos empresariales.

Proporcionar consultas de ejemplo

Puede mejorar la precisión de la respuesta proporcionando consultas de ejemplo adaptadas a cada origen de datos admitido (lakehouse, warehouse, base de datos KQL). Este enfoque, conocido como aprendizaje de few-shot en inteligencia artificial generativa, ayuda a guiar al agente de datos Fabric para generar respuestas que se adapten mejor a sus expectativas.

Cuando proporcionas a la inteligencia artificial pares de consultas y preguntas de ejemplo, ésta hace referencia a estos ejemplos al responder a preguntas futuras. La coincidencia de nuevas consultas con los ejemplos más relevantes ayuda a la inteligencia artificial a incorporar lógica específica del negocio y responder eficazmente a las preguntas más frecuentes. Esta funcionalidad permite ajustar los orígenes de datos individuales y garantiza la generación de consultas SQL o KQL más precisas.

En este momento, los datos del modelo semántico de Power BI no admiten la adición de pares de consulta y pregunta de ejemplo. Sin embargo, para los orígenes de datos admitidos, como lakehouse, warehouse y KQL, proporcionar más ejemplos puede mejorar significativamente la capacidad de la inteligencia artificial para generar consultas precisas cuando su rendimiento predeterminado necesita ajuste.

Para agregar o editar consultas de ejemplo, seleccione el botón Consultas de ejemplo para abrir el panel de consultas de ejemplo, como se muestra en la captura de pantalla siguiente:

En este panel se proporcionan opciones para agregar o editar consultas de ejemplo para todos los orígenes de datos admitidos, excepto Power BI modelos y ontologías semánticas. Para cada origen de datos, puede seleccionar Agregar o editar consultas de ejemplo para introducir los ejemplos pertinentes, como se muestra en la captura de pantalla siguiente:

Publicación y uso compartido de un agente de datos de Fabric

Después de probar el rendimiento del agente de datos de Fabric en varias preguntas y confirmar que genera consultas SQL, DAX o KQL precisas, puede compartirla con sus compañeros. En ese momento, seleccione Publicar, como se muestra en la captura de pantalla siguiente:

Este paso abre una ventana que solicita una descripción del agente de datos de Fabric. Aquí, proporcione una descripción detallada de lo que hace el agente de datos Fabric. Estos detalles guían a sus compañeros sobre la funcionalidad del agente de datos de Fabric y ayudan a otros sistemas o orquestadores de inteligencia artificial a invocar eficazmente el agente de datos de Fabric.

Una vez que publique el agente de datos de Fabric, tendrá dos versiones de este. Una es el borrador actual, que puede seguir refinando y mejorando. La segunda versión es la versión publicada, que puede compartir con sus compañeros que quieran consultar el agente de datos de Fabric para obtener respuestas a sus preguntas. Puede incorporar comentarios de sus compañeros a la versión actual del borrador a medida que lo desarrolle, para mejorar aún más el rendimiento del agente de datos de Fabric.

ALM e implementación

Fabric agentes de datos admiten funcionalidades de administración del ciclo de vida que le ayudan a administrar agentes entre entornos.

• Diagnósticos: use diagnósticos integrados para solucionar problemas de comportamiento del agente e identificar problemas de generación de consultas.
• Git integration: conecte el área de trabajo de Fabric a un repositorio de Git a configuraciones del agente de control de versiones, incluidas instrucciones, consultas de ejemplo y selecciones de origen de datos.
• Canalizaciones de implementación: Utilice las canalizaciones de implementación de Fabric para promover los agentes de datos desde el entorno de desarrollo a las áreas de trabajo de prueba y producción.

Contenido relacionado

• Concepto de agente de datos
• Tutorial del agente de datos extremo a extremo
• gestión del ciclo de vida en Fabric