Kommentar
Åtkomst till den här sidan kräver auktorisering. Du kan prova att logga in eller ändra kataloger.
Åtkomst till den här sidan kräver auktorisering. Du kan prova att ändra kataloger.
Microsoft Fabric tillhandahåller verktyg för avancerad analys, maskininlärning (ML) och AI-modelldriftalisering, allt inom en enda enhetlig plattform. Data Science-arbetsbelastningen är utformad för att dataforskare och analytiker ska kunna utforska, förbereda och analysera data, bygga och spåra ML-modeller och operationalisera AI-arbetsflöden. Fabric IQ Data Agents, Operations Agents och Copilot i Power BI förbättrar interaktionen med data via naturligt språk, automatisering och insiktsdrivna åtgärder.
I den här artikel får du lära dig om:
- AI-agenter för konversationsanalys och driftsautomatisering
- Data science-arbetsflöden för modellträning, spårning och distribution
- Alternativ för utvecklar- och användaråtkomst med GraphQL och Copilot
AI-agenter
AI-agenter i Microsoft Fabric hjälper team att gå från passiv rapportering till aktiv beslutssupport. Dataagenter gör reglerade data enklare att utforska med hjälp av frågor på naturligt språk, medan operationsagenter övervakar affärsvillkor och utlöser åtgärder när regler uppfylls. Tillsammans kopplar de samman insikter och automatisering så att teamen kan svara snabbare, minska manuellt arbete och fatta beslut med mer kontext.
Dataagent
Dataagenter integreras med Microsoft Foundry, Copilot Studio och Microsoft 365 Copilot för att utöka funktioner från konversationsanalys till AI-arbetsflöden:
Foundry IQ tillhandahåller ett delat kontextlager där dataagenter bidrar med strukturerade affärsinsikter tillsammans med andra agenter, vilket möjliggör resonemang och orkestrering i flera steg mellan företagssystem.
Med Copilot Studio kan du bädda in dessa agenter som anpassade färdigheter i Teams, webbappar eller verksamhetsspecifika program, infoga live-affärskontext i Copilot-frågor och kombinera Q&A med arbetsflödesautomatisering.
Integreringen med Microsoft 365 Copilot gör att dessa agenter kan visa styrda, ontologidrivna insikter direkt i produktivitetsverktyg som Outlook, Excel och Teams, och kombinera konversationsanalys med arbetsflödesautomation.
Driftagent
Operations Agents är autonoma, ontologidrivna AI-komponenter som övervakar dataströmmar i realtid, tolkar händelser och utför eller rekommenderar åtgärder. De använder ontologin för att tillämpa regler och mål, vilket möjliggör proaktivt beslutsfattande snarare än reaktiva svar. De integreras med Activator och Power Automate för att utlösa arbetsflöden i ERP, CRM och andra system, medan Teams tillhandahåller aviseringar och mänskliga godkännanden. Till skillnad från dataagenter, som fokuserar på att besvara frågor, agerar operationsagenter kontinuerligt på livevillkor, lär sig av resultat för att förbättra framtida beslut och omvandla åtgärder till anpassningsbar, kontextmedveten automatisering.
Följande diagram visar hur dataagenter och driftsagenter i Infrastruktur-IQ använder reglerade företagsdata- och automatiseringstjänster för att leverera insikter och utlösaråtgärder.
Välj mellan dataagenter och operationsagenter
Dataagenter och driftagenter i Microsoft Fabric IQ har olika roller. Dataagenter tillhandahåller konversationsanalyser genom att svara på användarfrågor på naturligt språk, använda ontologi för semantisk grund och köra frågor mot flera källor som Lakehouses, Warehouses och Power BI-modeller. De integreras externt via Teams, Copilot Studio och anpassade appar för insiktsleverans.
Operations Agents fokuserar däremot på autonomt beslutsfattande. De övervakar dataströmmar i realtid mot ontologibaserade regler för att utlösa eller rekommendera åtgärder. De integreras med Power Automate (via Activator), Teams för aviseringar och godkännanden samt externa driftsystem som ERP eller CRM. Dataagenter demokratiserar dataåtkomst för insikter, medan operationsagenter driver proaktiv, styrd automatisering för driftoptimering.
Arbetsflöden för datavetenskap
Fabric Data Science omfattar hela ML-livscykeln: datautforskning, förberedelse, modellexperiment, spårning, distribution och förbrukning. Verktyg du behöver inkluderar notebooks, Apache Spark, MLflow och AutoML, alla inom en enhetlig plattform. Dataforskare kan utveckla och operationalisera ML-modeller tillsammans med datatekniker och analytiker på ett och samma ställe.
Spåra experiment med MLflow
Experiment i Microsoft Fabric organiserar och spårar modellträningskörningar. Ett experiment i Fabric fungerar som ett MLflow-experiment och innehåller en samling körningar, där varje körning utförs som en exekvering av modellträningskoden. Eftersom Fabric integreras med MLflow kan varje körning automatiskt logga relevant information , till exempel hyperparametrar, mått, taggar, kodversion och utdataobjekt utan att kräva anpassad loggningskod. MLflow-spårning är inbyggt i Fabrics notebook-filer och Spark-jobb, så dataforskare kan använda MLflow-API:er eller Fabric-användargränssnittet för att skapa experiment och registrera körningar.
Registrera och distribuera ML-modeller
ML-modeller i Fabric är registrerade maskininlärningsmodeller. Fabrics modellhantering använder MLflow-baserade register för att lagra, version och spåra modeller. När du har valt den bästa experimentkörningen registrerar du modellen i Infrastruktur för att lagra metadata som hyperparametrar, mått och miljöinformation. Modeller sparas i ett standardiserat MLflow-format, vilket möjliggör samverkan mellan Spark- och Python-miljöer.
Modeller kan distribueras för batchbedömning i Spark eller via realtidsslutpunkter för förutsägelser med låg latens.
Följande diagram visar arbetsflödet för datavetenskap från början till slut i Fabric, från förberedelse av data och experimentering till modellregistrering och implementering.
Dataåtkomst för utvecklare med GraphQL
API:et för GraphQL tillhandahåller en enda, flexibel slutpunkt för att köra frågor mot flera infrastrukturdatakällor, inklusive lager, SQL-databaser, Lakehouses och speglade databaser. Den stöder schemaidentifiering, genererade frågor, relationsmodellering och interaktiv frågetestning. Det gör det enklare att exponera specifika tabeller, vyer och fält samtidigt som snabb, klientdriven dataåtkomst aktiveras i Fabric-miljöer.
Copilot i Power BI
Copilot i Power BI möjliggör datainteraktion på naturligt språk. Användare kan utforska data, generera insikter, skapa visuella objekt och generera DAX-uttryck.
Den fristående Copilot-upplevelsen stöder konversationsanalys mellan objekt och väljer automatiskt en relevant datakälla, till exempel en rapport, semantisk modell eller infrastrukturdataagent som användarna kan komma åt. Den ställer klargörande frågor när det behövs och kan omedelbart leverera insikter när den väljer rätt rapport eller modell. Att förbereda data för AI och godkänna semantiska modeller förbättrar noggrannheten och säkerställer högkvalitativa svar.