Merk
Tilgang til denne siden krever autorisasjon. Du kan prøve å logge på eller endre kataloger.
Tilgang til denne siden krever autorisasjon. Du kan prøve å endre kataloger.
Microsoft Fabric tilbyr verktøy for avansert analyse, maskinlæring (ML) og operativisering av AI-modeller, alt innenfor én samlet plattform. Data Science-arbeidsbelastningen er designet for dataforskere og analytikere for å utforske, forberede og analysere data, bygge og spore ML-modeller, og operasjonalisere AI-arbeidsflyter. Fabric IQ Data Agents, Operations Agents og Copilot i Power BI forbedrer interaksjonen med data gjennom naturlig språk, automatisering og innsiktsdrevne handlinger.
I denne artikkelen lærer du om:
- AI-agenter for samtaleanalyse og operasjonell automatisering
- Data science-arbeidsflyter for modelltrening, sporing og distribusjon
- Utvikler- og brukertilgangsalternativer med GraphQL og Copilot
KI-agenter
AI-agenter i Microsoft Fabric hjelper team med å gå fra passiv rapportering til aktiv beslutningsstøtte. Dataagenter gjør styrte data enklere å utforske gjennom spørsmål på naturlig språk, mens driftsagenter overvåker forretningsforhold og utløser handlinger når reglene er oppfylt. Sammen kobler de sammen innsikt og automatisering slik at teamene kan reagere raskere, redusere manuell innsats og ta beslutninger med mer kontekst.
Dataagent
Fabric Data Agents muliggjør konversasjonsspørsmål og svar over bedriftsdata ved bruk av generativ AI. Brukere kan stille enkle engelske spørsmål og få strukturerte, sikre, skrivebeskyttede svar uten å trenge SQL, DAX eller KQL. Dataagenter bruker Azure OpenAI Assistant API-er for å identifisere relevante OneLake-datakilder, inkludert Lakehouses, Warehouses, Power BI semantiske modeller, KQL-databaser og ontologier. Du kan konfigurere agenter med tilpassede instruksjoner, eksempler og domenespesifikke retningslinjer for å forbedre responsens relevans.
Dataagenter integreres med Microsoft Foundry, Copilot Studio og Microsoft 365 Copilot for å utvide funksjonaliteten fra samtaleanalyse til AI-arbeidsflyter:
Foundry IQ gir et delt kontekstlag hvor Data Agents bidrar med strukturerte forretningsinnsikter sammen med andre agenter, noe som muliggjør flertrinns resonnering og orkestrering på tvers av bedriftssystemer.
Copilot Studio lar deg integrere disse agentene som tilpassede ferdigheter i Teams, webapper eller forretningsapplikasjoner, ved å tilføre sanntidskontekst til Copilot-promptene og kombinere spørsmål og svar med arbeidsflytautomatisering.
Integrasjonen med Microsoft 365 Copilot lar disse agentene få frem styrte, ontologidrevne innsikter direkte i produktivitetsverktøy som Outlook, Excel og Teams, ved å kombinere samtaleanalyse med arbeidsflytautomatisering.
Operasjonsagent
Driftsagenter er autonome, ontologidrevne AI-komponenter som overvåker sanntids datastrømmer, tolker hendelser og utfører eller anbefaler handlinger. De bruker ontologien til å anvende regler og mål, noe som muliggjør proaktiv beslutningstaking i stedet for reaktive svar. De integreres med Activator og Power Automate for å utløse arbeidsflyter i ERP, CRM og andre systemer, mens Teams gir varsler og godkjenninger fra mennesker. I motsetning til Data Agents, som fokuserer på å svare på spørsmål, handler Operations Agents kontinuerlig ut fra aktuelle forhold, lærer av resultater for å forbedre fremtidige beslutninger og omdanne driften til adaptiv, kontekstbevisst automatisering.
Følgende diagram viser hvordan Data Agents og Operations Agents i Fabric IQ bruker styrte bedriftsdata og automatiseringstjenester for å levere innsikt og utløse handlinger.
Velg mellom dataagenter og driftsagenter
Dataagenter og driftsagenter i Microsoft Fabric IQ har ulike roller. Dataagenter tilbyr samtaleanalyse ved å svare på brukerspørsmål på naturlig språk, bruke ontologi for semantisk forankring og sende spørringer til flere kilder som Lakehouses, Warehouses og Power BI-modeller. De integreres eksternt gjennom Teams, Copilot Studio og tilpassede apper for innsiktslevering.
I motsetning til dette fokuserer Operations Agents på autonom beslutningstaking. De overvåker sanntids datastrømmer mot ontologibaserte regler for å utløse eller anbefale handlinger. De integreres med Power Automate (gjennom Activator), Teams for varsler og godkjenninger, og eksterne driftssystemer som ERP eller CRM. Dataagenter demokratiserer datatilgangen for innsikt, mens driftsagenter driver proaktiv, styrt automatisering for operasjonell optimalisering.
Datavitenskapelige arbeidsflyter
Fabric Data Science dekker hele ML-livssyklusen: datautforskning, forberedelse, modelleksperimentering, sporing, utrulling og forbruk. Verktøyene du trenger inkluderer notatbøker, Apache Spark, MLflow og AutoML, alt innenfor en samlet plattform. Data scientists kan utvikle og operasjonalisere ML-modeller sammen med dataingeniører og analytikere på ett sted.
Spor-eksperimenter med MLflow
Eksperimenter i Microsoft Fabric organiserer og sporer modelltreningskjøringer. Et eksperiment i Fabric fungerer som et MLflow-eksperiment, det inneholder en samling kjøringer, hvor hver kjøring er én kjøring av modelltreningskode. Fordi Fabric integreres med MLflow, kan hver kjøring automatisk logge relevant informasjon som hyperparametere, metrikker, tagger, kodeversjon og utdataelementer uten å kreve egendefinert logging. MLflow-sporing er innebygd i Fabrics notatbøker og Spark-jobber, slik at dataforskere kan bruke MLflow-API-er eller Fabrics brukergrensesnitt for å lage eksperimenter og registrere kjøringer.
Registrer og distribuer ML-modeller
ML-modeller i Fabric er registrerte maskinlæringsmodeller. Fabrics modellstyring bruker MLflow-drevne registre for å lagre, versjonere og spore modeller. Etter å ha valgt det beste eksperimentet, registrer modellen i Fabric for å lagre metadata som hyperparametere, metrikker og miljødetaljer. Modellene lagres i et standardisert MLflow-format, som muliggjør interoperabilitet på tvers av Spark- og Python-miljøer.
Modeller kan distribueres for batch-scoring i Spark eller gjennom sanntidsendepunkter for lav-latens-prediksjoner.
Følgende diagram viser den komplette Data Science-arbeidsflyten i Fabric, fra dataforberedelse og eksperimentering til modellregistrering og distribusjon.
Utviklerdatatilgang med GraphQL
API-et for GraphQL gir et enkelt, fleksibelt endepunkt for å spørre flere Fabric-datakilder, inkludert varehus, SQL-databaser, Lakehouses og speilede databaser. Den støtter skjemaoppdagelse, genererte spørringer, relasjonsmodellering og interaktiv spørringstesting. Det gjør det enklere å eksponere spesifikke tabeller, visninger og felt, samtidig som det muliggjør rask, klientdrevet datatilgang på tvers av Fabric-miljøer.
Copilot i Power BI
Copilot i Power BI muliggjør datainteraksjon på naturlig språk. Brukere kan utforske data, generere innsikt, lage visuelle elementer og generere DAX-uttrykk.
Den frittstående Copilot-opplevelsen støtter samtaleanalyse på tvers av emner, og velger automatisk en relevant datakilde som en rapport, semantisk modell eller Fabric-dataagent som brukerne kan få tilgang til. Den stiller oppklarende spørsmål når det trengs, og kan umiddelbart levere innsikt når den velger riktig rapport eller modell. Å forberede data for AI og godkjenne semantiske modeller forbedrer nøyaktigheten og sikrer svar av høy kvalitet.