Opprett en Fabric-dataagent

Med en dataagent i Microsoft Fabric kan du lage samtalebaserte AI-opplevelser som svarer på spørsmål om data lagret i lakehouses, lagre, Power BI-semantiske modeller, KQL-databaser, ontologier og Microsoft Graph in Fabric. Kollegene dine kan stille spørsmål på vanlig engelsk og motta datadrevne svar, selv om de ikke er AI-eksperter eller dypt kjent med dataene.

Prerequisites

• A betalt F2 eller høyere Fabric kapasitet, eller en Power BI Premium per kapasitet (P1 eller høyere) kapasitet med Microsoft Fabric aktivert.
• Fabric dataagent-leietakerinnstillinger er aktivert, inkludert innstillingen Kapasiteter kan angis som Fabric Copilot kapasiteter.
• kryss-geo-behandling for AI- er aktivert.
• kryss-geo lagring for AI- er aktivert.
• Minst én av disse, med data: Et lager, et innsjøhus, en eller flere Power BI-semantiske modeller, en KQL-database eller en ontologi.
• Power BI semantiske modeller via XMLA endpoints tenant switch er aktivert for Power BI semantiske modelldatakilder.
• For Power BI-semantiske modeller brukt med en dataagent, sørg for at brukere som interagerer via agenten har lesetillatelse på den semantiske modellen. Workspace Member- eller Build-tillatelse kreves ikke for interaksjon.

Autentisering og tokens

Du trenger ikke å opprette eller levere en Azure OpenAI-nøkkel eller en tilgangstoken for å bruke en Fabric-dataagent. Fabric bruker en Microsoft-administrert Azure OpenAI Assistant og håndterer autentisering for deg.

• Datatilgang kjører under din Microsoft Entra ID-brukeridentitet og dine arbeidsplass-/datatillatelser. Agenten leser skjemaer og kjører SQL/DAX/KQL bare hvis du har tilgang. Mens de fleste datakilder respekterer arbeidsområdetillatelser, styres Power BI semantiske modellinteraksjoner via dataagenter av modellnivå lesetillatelse og krever ikke medlemskap i arbeidsområdet.
• For å legge til en Power BI-semantisk modell som datakilde, trenger du lesetillatelse på den modellen (skriv er ikke nødvendig). Lesetilgang er også tilstrekkelig for å stille spørsmål mot kilder du har tilgang til. Hvis du vil ha mer informasjon om tillatelser for semantiske modeller, kan du se Sikkerhet for datasett og semantiske modeller. I bruk av dataagenter er lesetillatelse tilstrekkelig for spørring; Skriving kreves kun for å endre den semantiske modellen eller aktivere funksjoner som Prep for AI.
• Hvis organisasjonen din bruker en Power BI Premium per kapasitet (P1 eller høyere) kapasitet i stedet for en F-SKU, sørg for at Microsoft Fabric er aktivert på den kapasiteten.
• Tjenestekontohavere og API-tokener kreves ikke for chatopplevelsen i produktet. Automatisering med tjenestekontohavere er et eget scenario og dekkes ikke her.

Sikkerhet og styring

Fabric-dataagenter respekterer Microsoft Purview sine styringsretningslinjer. Når Purview-policyer begrenser tilgangen til en datakilde (for eksempel gjennom tilgangskontroller eller sensitivitetsetiketter), respekterer agenten disse begrensningene når brukerhenvendelser behandles.

Utvidet utgående tilgangsbeskyttelse gjelder for agentoperasjoner. Utgående tilkoblinger fra agenter er underlagt leietakerens nettverk og tilgangsregler konfigurert i Fabric-administrasjonsportalen. Administratorer kan kontrollere hvilke eksterne endepunkter agentene har tillatelse til å nå.

Tillatelser for semantiske modeller via dataagenter

Å samhandle med Power BI-semantiske modeller gjennom en Fabric-dataagent krever kun lesetillatelse på den semantiske modellen. Workspace-tilgang (medlems- eller bidragsyterroller) og byggetillatelse er ikke nødvendig for å legge modellen til agenten eller stille spørsmål gjennom agenten. Dette unntaket gjelder kun for dataagentinteraksjoner; andre inngangspunkter (for eksempel Analyser i Excel eller direkte rapportforfatterskap) kan fortsatt kreve byggetillatelse.

Skrivetillatelse trengs kun for å endre den semantiske modellen eller bruke funksjoner som Prep for AI.

Kryss-leietaker-datatilgang

Når arbeidsområdet ditt inneholder data delt fra en annen leietaker via OneLake ekstern datadeling, kan den Fabric dataagenten spørre disse dataene via OneLake-snarveien som opprettes under delingsaksept. Ingen ekstra autentiseringskonfigurasjon er nødvendig; tilgang kjører under din eksisterende Entra ID-identitet og arbeidsplasstillatelser. Forbrukerleietakerens styringsretningslinjer gjelder for alle delte data.

Ende-til-ende-flyt for å lage og konsumere Fabric-dataagenter

Denne delen beskriver de viktigste stegene for å opprette, validere og dele en Fabric-dataagent i Fabric, slik at den blir tilgjengelig for bruk. Agenten opererer på styrte, levende data i OneLake, inkludert tabeller støttet av OneLake-snarveier og kryss-leietaker-shares.

Prosessen er enkel, og du kan begynne å teste ressursene til Fabric-dataagenten på få minutter.

Opprett en ny Fabric-dataagent

For å opprette en ny Fabric dataagent, naviger først til arbeidsområdet ditt, og velg deretter knappen + Nytt element. I fanen Alle elementer, søk etter Fabric data agent for å finne det riktige alternativet, som vist i dette skjermbildet:

Når du er valgt, blir du bedt om å oppgi et navn til din Fabric-dataagent, som vist i dette skjermbildet:

Se det medfølgende skjermbildet for en visuell veiledning om navngivning av Fabric-dataagenten. Etter at du har skrevet inn navnet, fortsett med konfigurasjonen for å tilpasse Fabric-dataagenten til dine spesifikke krav.

Velg dataene dine

Etter at du har opprettet en Fabric-dataagent, kan du legge til opptil fem datakilder, inkludert lakehouses, warehouses, Power BI semantiske modeller, KQL-databaser, ontologier og Microsoft Graph, i hvilken som helst kombinasjon (opptil fem totalt). For eksempel kan du legge til fem Power BI-semantiske modeller, eller to Power BI-semantiske modeller, én lakehouse og én KQL-database.

Når du oppretter en Fabric-dataagent for første gang og oppgir et navn, dukker OneLake-katalogen automatisk opp, slik at du kan legge til datakilder. Hvis du vil legge til en datakilde, velger du den fra katalogen som vist på neste skjermbilde, og deretter velger du Legg til. Hver datakilde må legges til enkeltvis. Du kan for eksempel legge til et innsjøhus, velge Legg til og deretter fortsette å legge til en annen datakilde. Hvis du vil filtrere datakildetypene, velger du filterikonet og velger ønsket type. Du kan filtrere etter datakildetype for å finne kilder enklere, inkludert elementer delt på tvers av organisasjonsgrenser gjennom deling av data på tvers av leietakere.

Når du legger til datakilden, fylles Explorer i venstre panel på Fabric dataagent-siden med tilgjengelige tabeller i hver valgt datakilde, hvor du kan bruke avkrysningsboksene for å gjøre tabeller tilgjengelige eller utilgjengelige for AI-en, som vist i følgende skjermbilde:

For påfølgende tillegg av datakilder, naviger til Explorer i venstre panel på Fabric dataagent-siden, og velg + Data source, som vist i dette skjermbildet:

OneLake-katalogen åpnes på nytt, og du kan sømløst legge til flere datakilder etter behov.

Still spørsmål

Når du har lagt til datakildene og valgt de relevante tabellene for hver datakilde, kan du begynne å stille spørsmål. Systemet håndterer spørsmål som vist i dette skjermbildet:

Spørsmål som ligner på disse eksemplene, bør også fungere:

• "Hva var vårt totale salg i California i 2023?"
• «Hva er de fem beste produktene med de høyeste listeprisene, og hva er kategoriene deres?»
• "Hva er de dyreste varene som aldri har blitt solgt?"

Spørsmål som dette er egnet fordi systemet kan oversette dem til strukturerte spørringer (T-SQL, DAX eller KQL), kjøre dem mot databaser og deretter returnere konkrete svar basert på lagrede data.

Spørsmål som disse er imidlertid utenfor omfanget:

• "Hvorfor er fabrikkproduktiviteten lavere i 2. kvartal 2024?"
• "Hva er årsaken til salgsøkningen?"

Disse spørsmålene er for øyeblikket utenfor omfanget fordi de krever komplisert resonnement, korrelasjonsanalyse eller eksterne faktorer som ikke er direkte tilgjengelige i databasen. Fabric-dataagenten utfører for øyeblikket ikke avansert analyse, maskinlæring eller kausal slutning. Den henter og behandler ganske enkelt strukturerte data basert på brukerens spørring.

Når du stiller et spørsmål, bruker Fabric-dataagenten Azure OpenAI Assistant API for å behandle forespørselen. Flyten fungerer på denne måten:

Skjematilgang med brukerlegitimasjon

Systemet bruker først brukerens legitimasjon for å få tilgang til skjemaet til datakilden (for eksempel lakehouse, lager, PBI semantisk modell, KQL-databaser eller ontologi). Dette sikrer at systemet henter datastrukturinformasjon som brukeren har tillatelse til å vise.

Konstruere ledeteksten

Hvis du vil tolke brukerens spørsmål, kombinerer systemet:

1. Brukerspørring: Det naturlige språkspørsmålet fra brukeren.
2. Skjemainformasjon: Metadata og strukturelle detaljer for datakilden som ble hentet i forrige trinn.
3. Eksempler og instruksjoner: Alle forhåndsdefinerte eksempler (for eksempel eksempler på spørsmål og svar) eller spesifikke instruksjoner gitt ved oppsett av Fabric-dataagenten. Disse eksemplene og instruksjonene bidrar til å begrense AI-ens forståelse av spørsmålet, og veilede hvordan KUNSTIG INTELLIGENS samhandler med dataene.

All denne informasjonen brukes til å konstruere en ledetekst. Denne prompten fungerer som input til Azure OpenAI Assistant API, som fungerer som en agent under Fabric-dataagenten. Dette instruerer i hovedsak Fabric-dataagenten om hvordan spørringen skal behandles, og hvilken type svar som skal produseres.

Verktøyaktivering basert på spørringsbehov

Agenten analyserer den konstruerte ledeteksten, og bestemmer hvilket verktøy som skal aktiveres for å hente svaret:

• Naturlig språk for SQL (NL2SQL): Brukes til å generere SQL-spørringer når dataene befinner seg i et lakehouse eller lager
• Naturlig språk til DAX (NL2DAX): Brukes til å lage DAX-spørringer for å samhandle med semantiske modeller i Power BI-datakilder
• Naturlig språk til KQL (NL2KQL): Brukes til å konstruere KQL-spørringer for å spørre data i KQL-databaser. NL2KQL kan bruke KQL brukerdefinerte funksjoner (UDF) når de er tilgjengelige i de valgte databasene.
• Microsoft Graph: Brukes til å spørre organisasjonsdata tilgjengelig via Microsoft Graph

Det valgte verktøyet genererer en spørring ved å bruke skjemaet, metadataene og konteksten som agenten som ligger til grunn for Fabric-dataagenten, gir. Deretter validerer verktøyet spørringen, for å sikre riktig formatering og samsvar med sikkerhetsprotokollene og sine egne policyer for ansvarlig kunstig intelligens (RAI).

Respons konstruksjon

Agenten som ligger til grunn for Fabric-dataagenten utfører spørringen og sørger for at svaret er strukturert og formatert hensiktsmessig. Agenten inkluderer ofte ekstra kontekst for å gjøre svaret brukervennlig. Til slutt vises svaret til brukeren i et samtalegrensesnitt, som vist i følgende skjermbilde:

Agenten presenterer både resultatet og de mellomliggende trinnene som det tok for å hente det endelige svaret. Denne tilnærmingen forbedrer gjennomsiktighet og tillater validering av disse trinnene, om nødvendig. Brukere kan utvide nedtrekksmenyen for trinnene for å se alle stegene Fabric-dataagenten tok for å hente svaret, som vist i følgende skjermbilde:

I tillegg leverer Fabric-dataagenten den genererte koden som brukes til å spørre den tilsvarende datakilden, noe som gir ytterligere innsikt i hvordan svaret ble konstruert.

Disse spørringene er utformet utelukkende for spørring av data. Operasjoner som involverer dataoppretting, dataoppdateringer, dataslettinger, alle typer dataendringer, er ikke tillatt, for å beskytte integriteten til dataene.

Du kan når som helst velge Fjern chat-knappen for å tømme chatten, som vist i følgende skjermbilde:

Funksjonen Fjern chat sletter all chatlogg og starter en ny økt. Når du sletter chatteloggen, kan du ikke hente den.

Endre datakilden

For å fjerne en datakilde, hold musepekeren over datakildenavnet i Explorer i venstre panel på Fabric dataagent-siden til menyen med tre prikker vises. Velg de tre prikkene for å vise alternativene, og velg deretter Fjern for å slette datakilden som vist i følgende skjermbilde:

Hvis datakilden er endret, kan du også velge Oppdater i samme meny, som vist i følgende skjermbilde:

Dette sikrer at eventuelle oppdateringer av datakilden både reflekteres og er korrekt fylt ut i utforskeren, for å holde Fabric-dataagenten din synkronisert med de nyeste dataene.

Fabric dataagent-konfigurasjon

Fabric-dataagenten tilbyr flere konfigurasjonsalternativer som lar brukere tilpasse Fabric-dataagentens oppførsel for bedre å matche organisasjonens behov. Når Fabric-dataagenten behandler og presenterer data, gir disse konfigurasjonene fleksibilitet som gir mer kontroll over resultatene.

Gi instruksjoner

Du kan gi spesifikke instruksjoner for å veilede AIs virkemåte. For å legge dem til i instruksjonspanelet for Fabric dataagent, velg Data agent instructions som vist i følgende skjermbilde:

Her kan du skrive opptil 15 000 tegn i vanlig engelskspråklig tekst for å lære AI-en om hvordan du håndterer spørringer.

Du kan for eksempel angi den nøyaktige datakilden som skal brukes for bestemte typer spørsmål. Eksempler på datakildevalg kan innebære å lede AI-en til bruk

• Power BI semantiske modeller for finansielle forespørsler
• et lakehouse for salgsdata
• en KQL-database for operasjonelle måledata

Disse instruksjonene sikrer at AI genererer riktige spørringer, enten SQL, DAX eller KQL, basert på veiledningen din og konteksten til spørsmålene.

Hvis AI-ressursen konsekvent feiltolker bestemte ord, akronymer eller termer, kan du prøve å gi klare definisjoner i denne delen for å sikre at AI forstår og behandler dem riktig. Dette blir spesielt nyttig for domenespesifikk terminologi eller unik forretningssjargong.

Ved å skreddersy disse instruksjonene og definere termer, forbedrer du AI-ens evne til å levere nøyaktig og relevant innsikt, i full samsvar med datastrategien og forretningskravene dine.

Gi eksempelspørringer

Du kan forbedre svarnøyaktigheten ved å gi eksempelspørringer som er skreddersydd for hver støttede datakilde (lakehouse, lager, KQL-database). Denne tilnærmingen, kjent som few-shot learning i generativ AI, hjelper den Fabric dataagenten til å generere svar som bedre samsvarer med dine forventninger.

Når du gir AI-en eksempelspørring/spørsmålspar, refererer den til disse eksemplene når den svarer på fremtidige spørsmål. Samsvarende nye spørringer med de mest relevante eksemplene hjelper AI med å innlemme forretningsspesifikk logikk og svare effektivt på vanlige spørsmål. Denne funksjonaliteten muliggjør finjustering for individuelle datakilder, og sikrer generering av mer nøyaktige SQL- eller KQL-spørringer.

Power BI semantiske modelldata støtter ikke å legge til eksempler på spørrings-/spørsmålspar for øyeblikket. Men for støttede datakilder som lakehouse, warehouse og KQL-databaser, kan det å gi flere eksempler forbedre AI-ens evne til å generere nøyaktige spørringer betydelig når standard ytelse må justeres.

Hvis du vil legge til eller redigere eksempelspørringer, velger du Eksempelspørringer-knappen for å åpne eksempelspørringsruten, som vist i følgende skjermbilde:

Dette panelet gir muligheter for å legge til eller redigere eksempelforespørsler for alle støttede datakilder unntatt Power BI semantiske modeller og ontologier. For hver datakilde kan du velge Legg til eller rediger eksempelspørringer for å legge inn de relevante eksemplene, som vist i følgende skjermbilde:

Publiser og del en Fabric-dataagent

Etter at du har testet ytelsen til Fabric-dataagenten din på ulike spørsmål, og bekreftet at den genererer nøyaktige SQL-, DAX- eller KQL-spørringer, kan du dele den med kollegene dine. På dette tidspunktet velger du Publiser, som vist i følgende skjermbilde:

Dette steget åpner et vindu som ber om en beskrivelse av Fabric-dataagenten. Her kan du gi en detaljert beskrivelse av hva Fabric-dataagenten gjør. Disse detaljene veileder kollegene dine om funksjonaliteten til Fabric-dataagenten, og hjelper andre AI-systemer/orkestratorer med å effektivt påkalle Fabric-dataagenten.

Etter at du har publisert Fabric-dataagenten, vil du ha to versjoner av den. Én versjon er den gjeldende kladdeversjonen, som du kan fortsette å finjustere og forbedre. Den andre versjonen er den publiserte versjonen, som du kan dele med kollegene dine som ønsker å spørre Fabric-dataagenten for å få svar på sine spørsmål. Du kan inkludere tilbakemeldinger fra kolleger i ditt nåværende utkast mens du utvikler det, for å ytterligere forbedre ytelsen til Fabric-dataagenten.

ALM og utplassering

Fabric-dataagenter støtter livssyklusstyringsfunksjoner som hjelper deg å administrere agenter på tvers av miljøer.

• Diagnostikk: Bruk innebygde diagnostikk for å feilsøke agentatferd og identifisere problemer med spørringsgenerering.
• Git-integrasjon: Koble arbeidsområdet ditt til Fabric til et Git-repositori for konfigurasjoner av versjonskontrollagenter, inkludert instruksjoner, eksempelforespørsler og valg av datakilder.
• Distribusjonspipelines: Bruk Fabric distribusjonspipelines for å promotere dataagenter fra utvikling til test- og produksjonsarbeidsområder.

Relatert innhold

• dataagentkonsept
• Ende-til-ende-opplæring for dataagent
• Livssyklusstyring i Fabric