Copilot för Real-Time Intelligence

Copilot i arbetsflödet Fabric Real-Time Intelligence är en AI-assistent som hjälper dig att söka, analysera och utforska dina realtidsdata. Copilot översätter naturligt språk till KQL-frågor (Kusto Query Language) och möjliggör interaktiv datautforskning, utan KQL-expertis.

Copilot i KQL-frågeuppsättningar

Copilot i KQL-frågeuppsättningar omvandlar frågor på naturligt språk till KQL-frågor. Beskriv dina dataanalysbehov på vanligt språk och Copilot genererar motsvarande fråga. Copilot stöder konversationsinteraktioner, så att du kan förfina frågor och ställa uppföljningsfrågor utan att börja om.

Mer information om hur du använder Copilot i KQL-frågeuppsättningar finns i Copilot för att skriva KQL-frågor.

Copilot i realtidsinstrumentpaneler

Copilot i Real-Time Instrumentpaneler förenklar panelredigeringar på instrumentpanelen och datautforskning:

• Edit-panelfrågor: Använd Copilot för att skapa eller ändra KQL-frågan bakom en instrumentpanelspanel direkt i redigeringsfönstret, med naturligt språk i stället för att skriva KQL manuellt. Mer information finns i Använd Copilot för att lägga till/redigera en panel
• Utforska data interaktivt: Använd Copilot i visningsläge för att ställa frågor om dina instrumentpanelens data, filtrera resultat och spara insikter som nya rutor. Mer information finns i Copilot-assisterad realtidsdata-utforskning.

Copilot för data i Azure Data Explorer

Copilot stöder även ADX-kluster (Azure Data Explorer). När du är ansluten till ett ADX-kluster genererar Copilot KQL-frågor och utforskar data på samma sätt som för ett Eventhouse. En Fabric-aktiverad kapacitet krävs.

Mer information om hur du ansluter till ADX från Fabric finns i Förbruka ADX-data i Fabric.

Metodtips för Copilot KQL-frågor

Följande tips gäller för Copilot i både KQL-frågeuppsättningar och Real-Time instrumentpaneler:

• Börja med enkla frågor om naturligt språk för att lära dig aktuella funktioner och begränsningar. Gå gradvis vidare till mer komplexa frågor.

• Ange uppgiften exakt och undvik tvetydighet. Tänk dig att dela prompten med en KQL-expert utan att lägga till muntliga instruktioner. Skulle de generera rätt fråga?

• Ange relevant information för att hjälpa modellen. Ange tabeller, operatorer eller funktioner som är viktiga för frågan när det är möjligt.

• Förbered databasen:

  • Lägg till dokumentsträngsegenskaper för att beskriva vanliga tabeller och kolumner. Det här steget är viktigt för tabeller eller kolumner med betydelselösa namn.
  • Du behöver inte lägga till dokumentsträngar i tabeller eller kolumner som sällan används.
  • Mer information finns i kommandot alter table column-docstrings.

• Om du vill förbättra Copilot resultat väljer du ikonen like eller dislike för att skicka feedback.

  Anmärkning

  Formuläret Skicka feedback skickar namnet på databasen, dess URL, KQL-frågan som genereras av Copilot, samt alla fritextsvar du inkluderar. Resultatet av den körda KQL-frågan skickas inte.

Förbättra den Copilot-noggrannhet med Private Shots

Copilot förbättrar prompterna med hjälp av de mest relevanta exemplen (kallas för naturligt språk och KQL-par eller "skott") från en offentlig Shots-databas. Den här databasen kureras av Real-Time Intelligence-teamet, härledd från KQL-dokumentationen och tillgänglig för alla Copilot användare. Databasen Public Shots har en solid grund men är allmän och saknar domänspecifik kunskap om din KQL-databas.

Skapa en Private Shots-databas för att förbättra Copilot möjlighet att generera korrekta och komplexa KQL-frågor för dina specifika scenarier.

Med den här metoden kan du inkludera avancerade KQL-frågor som uppfyller teamets unika krav. Till exempel frågor som använder: - grafsemantik, - tidsserieanalys, - avvikelseidentifiering eller lagrade funktioner som definierats i din KQL-databas.

Privata bilder publiceras automatiskt från både KQL-frågeuppsättningar och Real-Time instrumentpaneler. När du sparar dessa artefakter publiceras de KQL-frågor som de innehåller till Databasen Private Shots, vilket förbättrar Copilot möjlighet att generera frågor som överensstämmer med dina data och användningsfall.

Limitations

Följande begränsningar gäller för Copilot i Real-Time Intelligence:

• Copilot kan inte ändra befintliga KQL-frågor i frågeredigeraren. Om du ber Copilot chattfönstret att redigera en viss del av en befintlig fråga fungerar den inte. Men Copilot förstår tidigare indata i chattfönstret, så att du kan iterera på frågor som Copilot genererade innan infogning.
• Copilot kan ge felaktiga resultat när avsikten är att utvärdera data. Copilot har bara åtkomst till databasschemat och har inte åtkomst till själva data.
• Copilot svar kan innehålla felaktigt innehåll eller innehåll av låg kvalitet. Granska utdata innan du använder dem i ditt arbete.
• Personer som på ett meningsfullt sätt kan utvärdera innehållets noggrannhet och lämplighet bör granska utdata.
• Det Copilot chattfönstret i KQL-databaser är inte tillgängligt när Private Link är aktiverat och offentlig åtkomst är inaktiverad i klientinställningen.

Ansvarsfull AI

För att visa Microsofts riktlinjer för ansvarsfull AI i Real-Time Intelligence, se Sekretess, säkerhet och ansvarsfull användning av Copilot för Real-Time Intelligence.

Microsoft strävar efter att säkerställa att AI-principerna och Responsible AI Standard vägleder AI-systemen. Dessa principer omfattar att ge kunderna möjlighet att använda dessa system effektivt och i linje med deras avsedda användning.

Relaterat innehåll

• Copilot för att skriva KQL-frågor
• Copilot-assisterad datautforskning i realtid
• Översikt över Copilot i Fabric