Criar um agente de dados Fabric

Com um agente de dados no Microsoft Fabric, pode criar experiências de IA conversacional que respondam a perguntas sobre dados armazenados em lakehouses, armazéns, modelos semânticos Power BI, bases de dados KQL, ontologias e Microsoft Graph no Fabric. Seus colegas podem fazer perguntas em inglês simples e receber respostas baseadas em dados, mesmo que não sejam especialistas em IA ou profundamente familiarizados com os dados.

Pré-requisitos

• Uma capacidade paga F2 ou superior do Fabric, ou uma capacidade do Power BI Premium (P1 ou superior) com Microsoft Fabric ativado.
• As definições do tenant do agente de dados Fabric estão ativadas, incluindo a definição Capacidades podem ser designadas como capacidades do Fabric Copilot.
• O processamento intergeográfico para IA está habilitado.
• Armazenamento geográfico cruzado para IA está habilitado.
• Pelo menos um destes, com dados: um armazém, uma casa de lago, um ou mais modelos semânticos Power BI, uma base de dados KQL ou uma ontologia.
• Modelos semânticos Power BI via troca de inquilino dos endpoints XMLA estão ativados para fontes de dados de modelos semânticos Power BI.
• Para modelos semânticos do Power BI usados com um agente de dados, certifique-se de que os utilizadores que interagem através do agente têm permissão de leitura sobre o modelo semântico. Não é necessária permissão de Membro do Espaço de Trabalho ou de Construção para interagir.

Autenticação e tokens

Não precisa de criar ou fornecer uma chave OpenAI do Azure ou um token de acesso para usar um agente de dados Fabric. O Fabric utiliza um Azure OpenAI Assistant gerido pela Microsoft e trata da autenticação por si.

• O acesso aos dados opera sob a identidade de utilizador do Microsoft Entra ID e com as permissões do seu espaço de trabalho/dados. O agente lê esquemas e executa SQL/DAX/KQL somente se você tiver acesso. Embora a maioria das fontes de dados respeite as permissões do espaço de trabalho, as interações semânticas do modelo Power BI através de agentes de dados são governadas por permissões de leitura ao nível do modelo e não requerem pertença ao papel de trabalho.
• Para adicionar um modelo semântico do Power BI como fonte de dados, precisas de permissão de leitura nesse modelo (não é necessária escrita). O acesso de leitura também é suficiente para fazer perguntas sobre fontes que você pode acessar. Para obter mais informações sobre permissões de modelo semântico, consulte Conjunto de dados e segurança de modelo semântico. No uso de agentes de dados, a permissão de leitura é suficiente para consultas; A escrita é necessária apenas para modificar o modelo semântico ou ativar funcionalidades como o Prep for AI.
• Se a sua organização usar uma capacidade Power BI Premium por capacidade (P1 ou superior) em vez de uma SKU F, certifique-se de que o Microsoft Fabric está ativado nessa capacidade.
• Entidades de serviço e tokens de API não são necessários para a experiência de chat integrada ao produto. Qualquer automação com entidades de serviço é um cenário separado e não é abordado aqui.

Segurança e governação

Os agentes de dados Fabric respeitam as políticas de governação da Microsoft Purview. Quando as políticas do Purview restringem o acesso a uma fonte de dados (por exemplo, através de controlos de acesso ou rótulos de sensibilidade), o agente respeita essas restrições ao processar consultas dos utilizadores.

A proteção alargada de acesso de saída aplica-se às operações do agente. As ligações de saída dos agentes estão sujeitas à rede do inquilino e às regras de acesso configuradas no portal de administração Fabric. Os administradores podem controlar quais os endpoints externos que os agentes podem alcançar.

Permissões para modelos semânticos via agentes de dados

Interagir com modelos semânticos do Power BI através de um agente de dados Fabric requer apenas permissão de leitura no modelo semântico. O acesso ao espaço de trabalho (funções de Membro ou Contribuidor) e a permissão de desenvolvimento não são necessários para adicionar o modelo ao agente ou fazer perguntas através do agente. Esta exceção aplica-se apenas a interações com agentes de dados; outros pontos de entrada (por exemplo, Analisar no Excel ou autoria direta de relatório) podem ainda exigir permissão de compilação.

A permissão de escrita é necessária apenas para modificar o modelo semântico ou usar capacidades como o Prep for AI.

Acesso de dados entre inquilinos

Quando o seu espaço de trabalho contém dados partilhados por outro inquilino através de OneLake partilha externa de dados, o agente de dados Fabric pode consultar esses dados através do atalho OneLake criado durante a aceitação de partilhas. Não é necessária configuração adicional de autenticação; o acesso corre sob a identidade do Entra ID e as permissões do espaço de trabalho existentes. As políticas de governação do inquilino consumidor aplicam-se a todos os dados partilhados.

Fluxo de ponta a ponta para criar e consumir agentes de dados Fabric

Esta secção descreve os passos-chave para criar, validar e partilhar um agente de dados Fabric no Fabric, tornando-o acessível para consumo. O agente opera com dados governados e em tempo real no OneLake, incluindo tabelas apoiadas por atalhos OneLake e partilhas entre inquilinos.

O processo é simples e pode começar a testar os recursos do agente de dados Fabric em minutos.

Criar um novo agente de dados Fabric

Para criar um novo agente de dados Fabric, navegue primeiro até ao seu espaço de trabalho e depois selecione o botão + Novo Item. No separador Todos os itens, pesquise por Fabric data agent para localizar a opção apropriada, como mostrado nesta captura de ecrã:

Uma vez selecionado, é solicitado que forneça um nome para o seu agente de dados Fabric, como mostrado nesta captura de ecrã:

Consulte a captura de ecrã fornecida para um guia visual sobre como nomear o agente de dados Fabric. Depois de introduzir o nome, proceda à configuração para alinhar o agente de dados Fabric com os seus requisitos específicos.

Selecione os seus dados

Depois de criar um agente de dados Fabric, pode adicionar até cinco fontes de dados, incluindo lakehouses, armazéns, modelos semânticos Power BI, bases de dados KQL, ontologias e Microsoft Graph, em qualquer combinação (até cinco no total). Por exemplo, pode adicionar cinco modelos semânticos do Power BI, ou dois modelos semânticos do Power BI, um lakehouse e uma base de dados KQL.

Quando cria um agente de dados Fabric pela primeira vez e fornece um nome, o catálogo OneLake aparece automaticamente, permitindo-lhe adicionar fontes de dados. Para adicionar uma fonte de dados, selecione-a no catálogo, conforme mostrado na próxima tela, e selecione Adicionar. Cada fonte de dados deve ser adicionada individualmente. Por exemplo, pode-se adicionar uma lakehouse, selecionar Adicionar e depois adicionar outra fonte de dados. Para filtrar os tipos de fonte de dados, selecione o ícone de filtro e, em seguida, selecione o tipo desejado. Pode filtrar por tipo de fonte de dados para localizar fontes mais facilmente, incluindo itens partilhados entre fronteiras organizacionais através da partilha de dados entre inquilinos.

Depois de adicionar a fonte de dados, o Explorer no painel esquerdo da página do agente de dados Fabric preenche com as tabelas disponíveis em cada fonte de dados selecionada, onde pode usar as caixas de seleção para tornar tabelas disponíveis ou indisponíveis para a IA, conforme mostrado na seguinte captura de ecrã:

Para adições subsequentes de fontes de dados, navegue até ao Explorer no painel esquerdo da página do agente de dados Fabric e selecione + Fonte de dados, como mostrado nesta captura de ecrã:

O catálogo do OneLake é aberto novamente e você pode adicionar mais fontes de dados conforme necessário.

Faça perguntas

Depois de adicionar as fontes de dados e selecionar as tabelas relevantes para cada fonte de dados, você pode começar a fazer perguntas. O sistema lida com perguntas como mostrado nesta captura de tela:

Perguntas semelhantes a estes exemplos também devem funcionar:

• "Quais foram nossas vendas totais na Califórnia em 2023?"
• "Quais são os 5 principais produtos com os preços de tabela mais altos e quais são suas categorias?"
• "Quais são os itens mais caros que nunca foram vendidos?"

Perguntas como esta são adequadas porque o sistema pode traduzi-las em consultas estruturadas (T-SQL, DAX ou KQL), executá-las em bancos de dados e, em seguida, retornar respostas concretas com base em dados armazenados.

No entanto, perguntas como essas estão fora do escopo:

• "Porque é que a nossa produtividade fabril é mais baixa no segundo trimestre de 2024?"
• "Qual é a causa raiz do nosso pico de vendas?"

Essas perguntas estão atualmente fora do escopo porque exigem raciocínio complexo, análise de correlação ou fatores externos não disponíveis diretamente no banco de dados. O agente de dados Fabric atualmente não realiza análises avançadas, aprendizagem automática ou inferência causal. Ele simplesmente recupera e processa dados estruturados com base na consulta do usuário.

Quando faz uma pergunta, o agente de dados Fabric usa a API do Azure OpenAI Assistant para processar o pedido. O fluxo funciona desta forma:

Acesso ao esquema com credenciais de usuário

O sistema utiliza primeiro as credenciais do utilizador para aceder ao esquema da fonte de dados (por exemplo, lakehouse, armazém, modelo semântico PBI, bases de dados KQL ou ontologia). Isso garante que o sistema busque informações de estrutura de dados que o usuário tem permissão para visualizar.

Construindo o prompt

Para interpretar a pergunta do utilizador, o sistema combina:

1. Consulta do usuário: A pergunta de linguagem natural fornecida pelo usuário.
2. Informações do esquema: metadados e detalhes estruturais da fonte de dados recuperados na etapa anterior.
3. Exemplos e Instruções: Quaisquer exemplos pré-definidos (por exemplo, perguntas e respostas de exemplo) ou instruções específicas fornecidas ao configurar o agente de dados Fabric. Esses exemplos e instruções ajudam a refinar a compreensão da IA sobre a questão e orientam como a IA interage com os dados.

Todas essas informações são usadas para construir um prompt. Este prompt serve como entrada para a API do Azure OpenAI Assistant, que se comporta como um agente subjacente ao agente de dados Fabric. Isto instrui essencialmente o agente de dados Fabric sobre como processar a consulta e o tipo de resposta a produzir.

Invocação de ferramenta com base nas necessidades de consulta

O agente analisa o prompt construído e decide qual ferramenta invocar para recuperar a resposta:

• Natural Language to SQL (NL2SQL): Usado para gerar consultas SQL quando os dados residem em um lago ou armazém
• Linguagem Natural para DAX (NL2DAX): Usado para criar consultas DAX para interagir com modelos semânticos em fontes de dados Power BI
• Linguagem Natural para KQL (NL2KQL): Usada para construir consultas KQL para consultar dados em bases de dados KQL. O NL2KQL pode usar funções definidas pelo utilizador (UDFs) do KQL quando estão disponíveis nas bases de dados selecionadas.
• Microsoft Graph: Usado para consultar dados organizacionais acessíveis através do Microsoft Graph

A ferramenta selecionada gera uma consulta usando o esquema, metadados e contexto que o agente subjacente ao agente de dados Fabric fornece. Em seguida, a ferramenta valida a consulta, para garantir a formatação adequada e a conformidade com seus protocolos de segurança e suas próprias políticas de IA Responsável (RAI).

Construção da resposta

O agente subjacente ao agente de dados Fabric executa a consulta e assegura que a resposta está estruturada e formatada adequadamente. O agente geralmente inclui contexto extra para tornar a resposta fácil de usar. Finalmente, a resposta é exibida para o usuário em uma interface de conversação, como mostrado na captura de tela a seguir:

O agente apresenta o resultado e as etapas intermediárias que tomou para recuperar a resposta final. Esta abordagem aumenta a transparência e permite validar essas etapas, se necessário. Os utilizadores podem expandir o menu suspenso dos passos para ver todos os passos que o agente de dados Fabric deu para recuperar a resposta, como mostrado na captura de ecrã seguinte:

Adicionalmente, o agente de dados Fabric fornece o código gerado usado para consultar a fonte de dados correspondente, oferecendo mais informações sobre como a resposta foi construída.

Essas consultas são projetadas exclusivamente para consultar dados. Operações que envolvam criação de dados, atualizações de dados, exclusões de dados, qualquer tipo de alteração de dados não são permitidas, para proteger a integridade de seus dados.

A qualquer momento, pode selecionar o botão Limpar bate-papo para limpar o bate-papo, como mostrado na captura de ecrã abaixo:

O recurso Limpar bate-papo apaga todo o histórico de bate-papo e inicia uma nova sessão. Depois de excluir seu histórico de bate-papo, você não poderá recuperá-lo.

Alterar a fonte de dados

Para remover uma fonte de dados, passe o rato sobre o nome da fonte de dados no Explorer no painel esquerdo da página do agente de dados Fabric até aparecer o menu de três pontos. Selecione os três pontos para revelar as opções e, em seguida, selecione Remover para excluir a fonte de dados, conforme mostrado na captura de tela a seguir:

Como alternativa, se a fonte de dados for alterada, você poderá selecionar Atualizar no mesmo menu, conforme mostrado na captura de tela a seguir:

Isto garante que quaisquer atualizações da fonte de dados sejam refletidas e corretamente preenchidas no explorador, para manter o seu agente de dados Fabric sincronizado com os dados mais recentes.

Configuração do agente de dados Fabric

O agente de dados Fabric oferece várias opções de configuração que permitem aos utilizadores personalizar o comportamento do agente de dados Fabric, para melhor corresponder às necessidades da sua organização. À medida que o agente de dados Fabric processa e apresenta os dados, estas configurações oferecem flexibilidade que permite maior controlo sobre os resultados.

Fornecer instruções

Você pode fornecer instruções específicas para orientar o comportamento da IA. Para os adicionar no painel de instruções do agente de dados Fabric, selecione instruções do agente de dados como mostrado na captura de ecrã seguinte:

Aqui, você pode escrever até 15.000 caracteres em texto simples em inglês, para instruir a IA sobre como lidar com consultas.

Por exemplo, você pode especificar a fonte de dados exata a ser usada para certos tipos de perguntas. Exemplos de escolhas de fontes de dados podem envolver direcionar a IA para uso

• Modelos semânticos do Power BI para consultas financeiras
• Uma “Lakehouse” para dados de vendas
• um banco de dados KQL para métricas operacionais

Essas instruções garantem que a IA gere consultas apropriadas, seja SQL, DAX ou KQL, com base em sua orientação e no contexto das perguntas.

Se o seu recurso de IA interpreta consistentemente mal certas palavras, acrónimos ou termos, pode tentar fornecer definições claras nesta secção, para garantir que a IA os compreende e processa corretamente. Isso se torna especialmente útil para terminologia específica de domínio ou jargão comercial exclusivo.

Ao adaptar essas instruções e definir termos, você aprimora a capacidade da IA de fornecer insights precisos e relevantes, em total alinhamento com sua estratégia de dados e requisitos de negócios.

Fornecer consultas de exemplo

Você pode melhorar a precisão da resposta fornecendo consultas de exemplo personalizadas para cada fonte de dados suportada (lakehouse, armazém, banco de dados KQL). Esta abordagem, conhecida como aprendizagem few-shot em IA generativa, ajuda a orientar o agente de dados Fabric a gerar respostas que melhor se alinham com as suas expectativas.

Quando você fornece à IA exemplos de pares de consulta/pergunta, ela faz referência a esses exemplos quando responde a perguntas futuras. A correspondência de novas consultas com os exemplos mais relevantes ajuda a IA a incorporar lógica específica do negócio e responder de forma eficaz às perguntas mais frequentes. Essa funcionalidade permite o ajuste fino para fontes de dados individuais e garante a geração de consultas SQL ou KQL mais precisas.

Os dados do modelo semântico do Power BI não suportam adicionar pares de exemplos de consulta/pergunta neste momento. No entanto, para fontes de dados suportadas, como bancos de dados lakehouse, warehouse e KQL, fornecer mais exemplos pode melhorar significativamente a capacidade da IA de gerar consultas precisas quando seu desempenho padrão precisa de ajustes.

Para adicionar ou editar consultas de exemplo, selecione o botão Consultas de exemplo para abrir o painel de consultas de exemplo, conforme mostrado na captura de tela a seguir:

Este painel fornece opções para adicionar ou editar consultas de exemplo para todas as fontes de dados suportadas, exceto modelos semânticos e ontologias do Power BI. Para cada fonte de dados, você pode selecionar Adicionar ou Editar Consultas de Exemplo para inserir os exemplos relevantes, conforme mostrado na captura de tela a seguir:

Publique e partilhe um agente de dados Fabric

Depois de testar o desempenho do seu agente de dados Fabric em várias questões, e confirmar que gera consultas SQL, DAX ou KQL precisas, pode partilhá-lo com os seus colegas. Nesse ponto, selecione Publicar, conforme mostrado na captura de tela a seguir:

Este passo abre uma janela que pede uma descrição do agente de dados Fabric. Aqui, forneça uma descrição detalhada do que o agente de dados Fabric faz. Estes detalhes orientam os seus colegas sobre a funcionalidade do agente de dados Fabric e ajudam outros sistemas/orquestradores de IA a invocar eficazmente o agente de dados Fabric.

Depois de publicar o agente de dados Fabric, terá duas versões dele. Uma das versões é o rascunho atual, que pode continuar a refinar e melhorar. A segunda versão é a versão publicada, que pode partilhar com os seus colegas que queiram consultar o agente de dados Fabric para obter respostas às suas perguntas. Pode incorporar o feedback dos seus colegas na sua versão atual à medida que a desenvolve, para melhorar ainda mais o desempenho do agente de dados Fabric.

ALM e implantação

Os agentes de dados Fabric suportam capacidades de gestão do ciclo de vida que o ajudam a gerir agentes em vários ambientes.

• Diagnóstico: Utilize diagnósticos incorporados para diagnosticar o comportamento dos agentes e identificar problemas de geração de consultas.
• Integração Git: Ligue o seu espaço de trabalho Fabric a um repositório Git para controlar versões de configurações de agentes, incluindo instruções, exemplos de consultas e seleções de fontes de dados.
• Pipelines de implementação: Utilize os pipelines de implementação do Fabric para promover agentes de dados do desenvolvimento para os espaços de trabalho de teste e produção.

Conteúdo relacionado

• Conceito de agente de dados
• Tutorial completo do agente de dados
• Gestão do ciclo de vida em Fabric