Copilot voor Real-Time Intelligence

Copilot in de Fabric Real-Time Intelligence workload is een AI-assistent waarmee u uw realtime-gegevens kunt opvragen, analyseren en verkennen. Copilot vertaalt natuurlijke taal in KQL-query's (Kusto Query Language), genereert dashboards en maakt interactieve gegevensverkenning mogelijk, allemaal zonder KQL-expertise.

Copilot in KQL-querysets.

Copilot in KQL-querysets transformeert vragen in natuurlijke taal in KQL-query's. Beschrijf uw behoeften voor gegevensanalyse in gewone taal en Copilot de bijbehorende query genereert. Copilot ondersteunt gespreksinteracties, zodat u query's kunt verfijnen en vervolgvragen kunt stellen zonder opnieuw te beginnen.

Zie Copilot voor het schrijven van KQL-query's voor meer informatie over het gebruik van Copilot in KQL-querysets.

Copilot in Realtime Dashboards

Copilot in Real-Time Dashboards vereenvoudigt het maken van dashboards en het verkennen van gegevens:

  • Dashboards genereren: Selecteer een gegevenstabel in Real-Time Hub of een KQL-queryset en gebruik Copilot om automatisch een Real-Time Dashboard te genereren met een inzichtenpagina en een gegevensprofielpagina. Zie Generate a Real-Time Dashboard using Copilot voor meer informatie.
  • Tegelqueries bewerken: Gebruik Copilot om de KQL-query achter een dashboardtegel rechtstreeks in het bewerkingsvenster te creëren of aan te passen, in plaats van handmatig KQL te schrijven.
  • Gegevens interactief verkennen: In de weergavemodus kunt u Copilot gebruiken om vragen te stellen over uw dashboardgegevens, resultaten te filteren en inzichten op te slaan als nieuwe tegels. Zie Copilot-assisted realtime gegevensverkenning voor meer informatie.

Copilot voor Azure Data Explorer

Copilot ondersteunt ook Azure Data Explorer (ADX)-clusters. Wanneer u verbinding maakt met een ADX-cluster, genereert Copilot KQL-query's en verkent u gegevens op dezelfde manier als voor een Eventhouse. Er is een Fabric-capaciteit vereist.

Zie Consume ADX-gegevens in Fabric voor meer informatie over het maken van verbinding met ADX vanuit Fabric.

Aanbevolen praktijken voor Copilot KQL-queries

De volgende tips zijn van toepassing op Copilot in zowel KQL-querysets als Real-Time Dashboards:

  • Begin met eenvoudige aanwijzingen voor natuurlijke taal om de huidige mogelijkheden en beperkingen te leren. Ga geleidelijk verder met complexere prompts.

  • De taak nauwkeurig aangeven en dubbelzinnigheid voorkomen. Stel dat u de prompt deelt met een KQL-expert zonder mondelinge instructies toe te voegen. Zouden ze de juiste query genereren?

  • Geef relevante informatie op om het model te helpen. Geef waar mogelijk tabellen, operators of functies op die essentieel zijn voor de query.

  • Uw database voorbereiden:

    • Voeg docstringeigenschappen toe om algemene tabellen en kolommen te beschrijven. Deze stap is essentieel voor tabellen of kolommen met niet-meetzame namen.
    • U hoeft geen docstrings toe te voegen aan tabellen of kolommen die zelden worden gebruikt.
    • Zie de opdracht alter table column-docstrings voor meer informatie.

  • Als u de resultaten van Copilot wilt verbeteren, selecteert u het pictogram like of dislike om feedback te verzenden.

    Note

    Het formulier Feedback verzenden verzendt de naam van de database, de URL, de KQL-query die wordt gegenereerd door Copilot en eventuele vrije tekstreacties die u opneemt. Resultaten van de uitgevoerde KQL-query worden niet verzonden.

Note

AI zorgt voor Copilot, dus verrassingen en fouten zijn mogelijk.

De nauwkeurigheid van Copilot verbeteren met privéopnamen

Copilot verbetert prompts door gebruik te maken van de meest relevante voorbeelden (die worden aangeduid als natuurlijke taal en KQL-paren, of 'shots') uit een openbare Shots-database. Deze database wordt samengesteld door het Real-Time Intelligence-team, afgeleid van KQL-documentatie en beschikbaar voor alle Copilot gebruikers. De Public Shots-database biedt een solide basis, maar is algemeen en ontbreekt domeinspecifieke kennis van uw KQL-database.

Maak een Private Shots-databank om Copilot in staat te stellen nauwkeurige en complexe KQL-query's te genereren voor jouw specifieke scenario's.

Met deze aanpak kunt u geavanceerde KQL-query's opnemen die voldoen aan de unieke vereisten van uw team. Query's die bijvoorbeeld gebruikmaken van: - graafsemantiek, - tijdreeksanalyse, - anomaliedetectie, of opgeslagen functies die zijn gedefinieerd in uw KQL-database.

Privéopnamen worden automatisch gepubliceerd vanuit zowel KQL-querysets als Real-Time Dashboards. Wanneer u deze artefacten opslaat, worden de KQL-query's die ze bevatten gepubliceerd naar de Private Shots-database, waardoor het vermogen van Copilot om query's te genereren die beter zijn afgestemd op uw gegevens en gebruikssituaties.

Note

  • Nadat u de artefacten Private Shots hebt opgeslagen, kan het enkele minuten duren voordat ze zijn gepubliceerd en beschikbaar zijn voor Copilot te gebruiken.
  • Alleen de KQL is verplicht. De LLM genereert de beschrijving van natuurlijke taal. U kunt een korte beschrijving toevoegen door een voorgaande opmerking op te geven die is gekoppeld aan de KQL.
  • KQL-query's worden gecontroleerd op geldige syntaxis. Alleen geldige query's worden toegevoegd aan de Private Shots-database.
  • Copilot gebruikt alleen privéopnamen die toegankelijk zijn voor de gebruiker. Als u geen toestemming hebt om een specifiek dashboard of queryset weer te geven, gebruikt Copilot geen opnamen van die artefacten.
  • KQL-query's die zijn gegenereerd door Copilot en ingevoegd in de queryset met de knop Copy to Editor bevatten een opmerkingsregel: // This KQL query was generated by AI:. Deze queries worden niet gepubliceerd op de Privé Shots-database. Als u ze wilt opnemen, verwijdert u deze opmerking terwijl u de volgende opmerking die de prompt van de gebruiker bevat, behouden blijft.

Limitations

De volgende beperkingen gelden voor Copilot in Real-Time Intelligence:

  • Copilot kan bestaande KQL-query's niet wijzigen in de queryeditor. Als u het Copilot chatvenster vraagt om een specifiek deel van een bestaande query te bewerken, werkt dit niet. Echter, Copilot begrijpt eerdere invoer in het chatvenster, zodat u kunt doorgaan met het bewerken van queries die Copilot eerder heeft gegenereerd voordat u deze invoegt.
  • Copilot kan onnauwkeurige resultaten opleveren wanneer de bedoeling is om gegevens te evalueren. Copilot heeft alleen toegang tot het databaseschema en heeft geen toegang tot de gegevens zelf.
  • Copilot antwoorden kunnen onnauwkeurige of lage kwaliteit inhoud bevatten. Controleer de uitvoeringen voordat je ze in je werk gebruikt.
  • Personen die de nauwkeurigheid en geschiktheid van de inhoud zinvol kunnen evalueren, moeten de uitvoer controleren.
  • Het Copilot chatvenster in KQL-databases is niet beschikbaar wanneer Private Link is ingeschakeld en Openbare toegang is uitgeschakeld in de tenantinstelling.

Verantwoorde AI

Zie Privacy, beveiliging en verantwoordelijk gebruik van Copilot voor Real-Time Intelligence om de richtlijnen van Microsoft voor verantwoorde AI in Real-Time Intelligence te bekijken.

Microsoft streeft ernaar ervoor te zorgen dat AI-principes en de Responsible AI Standard de AI-systemen begeleiden. Deze principes omvatten het in staat stellen van klanten om deze systemen effectief en in overeenstemming met hun beoogde gebruik te gebruiken.

Verwante inhoud

  • Last updated on