Vanliga frågor och svar om hur du förbereder data för AI

Idag erbjuder Power BI fyra huvudsakliga verktygsfunktioner för att konfigurera din modell så att den är redo för bearbetning av naturligt språk:

• AI-dataschema: Gör att du kan välja en delmängd av schemat för Copilot-förbrukning.
• Verifierade svar: Ett konfigurerat svar som angetts av en modellförfattare som har verifierats för noggrannhet och tillförlitlighet. Författare kan ange specifika visuella objekt som Copilot ska använda i ett verifierat svar när en användare ställer en fråga som hör till den tilldelade kategorin.
• AI-instruktioner: Instruktioner som du kan ange för din modell för att ge mer kontext till data i modellen, hjälpa Copilot att förstå när du ska fokusera på vilka data och hjälpa till att förstå vissa mappningsspråk som användare kan använda när de interagerar med Copilot.
• Beskrivningar: Beskrivningar som angetts för tabeller och kolumner för att ge mer information om kontexten för data. Beskrivningar används endast i dataanalysuttryck (DAX) q-fråga och Copilot-sökfunktioner.

För att få ut mesta möjliga av Power BI Copilot rekommenderar vi att du implementerar dess verktygsfunktioner i följande sekvens:

1. Definiera AI-dataschemat.

   Börja med att välja de specifika tabeller, fält och mått som Copilot ska referera till när du svarar på datafrågor.

   Under modellutvecklingen kan du inkludera element som inte är relevanta för slutanvändarfrågor. Genom att begränsa schemat kan Copilot fokusera på de mest meningsfulla delarna av din modell, vilket minskar tvetydigheten – särskilt i stora datamängder med överlappande eller liknande namngivna fält.

   Här har vi ett exempel på hur AI-dataschema kan hjälpa Copilot att fokusera på rätt data.

   När hela schemat används är Copilot inte alltid tydligt för användarens avsikt när de säger försäljning. I det här fallet returnerade Copilot GPM, eller bruttovinstmarginalen, en legitim tolkning av försäljningen, men inte det mått som teamet vanligtvis använder för att analysera försäljningen.

   Modellförfattaren går in för att förbereda data för AI och tar bort det totala GPM-måttet från att ingå i schemat som skickas till Copilot.

   Nu när användaren ställer samma fråga har Copilot mer klarhet om var du kan få svaret från och tolkar försäljningen korrekt enligt teamets definition och mått.

   

2. Skapa verifierade svar.

   Konfigurera verifierade svar för vanliga eller nyanserade frågor som användarna kan ställa.

   Det gör du genom att välja ett visuellt objekt och välja "Skapa verifierat svar". Lägg sedan till utlösarfraser som återspeglar hur användarna sannolikt kommer att formulera sina frågor. När användare anger en matchande eller liknande fras i Copilot returnerar den det betrodda visuella objektet – vilket säkerställer konsekventa, högkvalitativa svar mellan rapporter.

   I följande exempel visas fördelen med ett verifierat svar. Användaren ber om försäljning per område. Copilot tolkar området som produktområde och returnerar en lista över produkter och deras försäljning. Användaren letade dock efter försäljning efter region eller plats.

   Modellförfattaren anger ett verifierat svar med hjälp av ett visuellt objekt som inkluderar försäljning per region. När du har valt att ange ett verifierat svar på det visuella objektet innehåller modellförfattaren utlösarfraser som när användaren tillfrågas ska returnera det här specifika visuella svaret.

   Nu, när användaren frågar vad som är försäljning per område, returneras det verifierade svaret, godkänt av modellförfattaren, av Copilot.

   

3. Lägg till AI-instruktioner.

   När du har definierat schemat och verifierat svaren använder du AI-instruktioner för att vägleda Copilots beteende på modellnivå.

   Instruktioner hjälper till att förtydliga affärslogik, mappa användarterminologi till modellfält och dirigera Copilot om hur du tolkar eller analyserar specifika typer av data. De är användbara när det gäller att tillhandahålla kontext som Copilot annars inte skulle dra slutsatsen på egen hand.

   I följande exempel visas hur AI-instruktioner kan användas för att ge Mer kontext till Copilot. Användaren bad om försäljning under den hektiska säsongen 2012. Upptagen säsong är en väldefinierad, vanligen använd fras i den här organisationen. Den semantiska modellen har dock ingen indikation på den här termen någonstans. Modellförfattaren anger en instruktion om att upptagen säsong definieras som juni-aug.

   Nu när användaren ställer frågan igen om försäljning under en hektisk säsong förstår Copilot den här definierade termen och kan ge svaret.

   

4. Lägg till beskrivningar i tabeller och kolumner.

   Beskrivningar ger extra metadata som Copilot kan använda för att förstå din modell.

   Beskrivningar påverkar för närvarande bara vissa Copilot-beteenden, men de kommer att spela en större roll i framtida funktioner. Genom att lägga till dem nu kan du skapa en stark grund för långsiktig framgång med interaktioner med naturligt språk i Power BI.

Idag är verktygs- och konfigurationsfunktionerna endast tillgängliga i modellen. Det finns ännu inte stöd för att konfigurera olika rapporter som skapats av samma modell. Schemat, verifierade svar, instruktioner och beskrivningar anges på den semantiska modellen men inte i rapporten.

Se följande tabell:

1. Definiera ditt AI-dataschema.

   Ta bort tabeller, kolumner eller fält som inte är relevanta för användarnas behov. Detta hjälper Copilot att fokusera på de mest relevanta delarna av din modell, vilket säkerställer att den väljer rätt fält när du svarar på frågor.

2. Använd verifierade svar för visuella objekt i rapporter.

   Om svaret på en fråga kan härledas från ett visuellt objekt i rapporten skapar du ett verifierat svar. Detta säkerställer att när användare ställer frågor med specifika utlösarfraser returnerar Copilot rätt visuella objekt konsekvent.

3. Anpassa instruktioner för specifika fält.

   När du har angett schemat och verifierat svar kan du använda AI-instruktioner för att vägleda Copilot när du väljer specifika fält. Vi rekommenderar att du använder instruktioner för finjustering och för avancerade scenarier när andra AI-funktioner för förberedelsedata har angetts. Genom att använda den här sekvensen med steg ser du till att Copilot returnerar de mest exakta och kontextuellt relevanta resultaten till användarna, vägledda av modellens struktur och dina definierade instruktioner.

Om du har en term som Copilot kämpar för att förstå som alltid har samma enda korrekta objekt att referera till i din modell, kan du ange ett alternativt namn via AI-instruktioner.

Om ditt team till exempel kallar de personer som säljer dina produkter "närmare" är det bästa alternativet att ge en referens i AI-instruktioner genom att ange "säljare" som även kallas "närmare".

Om ditt team använder vissa termer som inte är en exakt 1:1-matchning med tabeller/fält i din modell, hjälper ai-instruktioner till att förtydliga olika objekt med vissa villkor eller grupper.

Ett säljteam kan till exempel klassificera "högpresterande" som alla som säljer över 100% av sina mål under en viss månad. Du kan sedan ange följande instruktioner för Copilot:

Högpresterande innebär en säljare som uppfyller 100% eller mer av sitt månatliga mål.

Nu, när en användare frågar "Vilka var de högpresterande förra månaden?" Copilot förstår definitionen av vad en högpresterande metod innebär i ditt team och din organisation.

Ett annat exempel kan komma med hur ett lag klassificerar olika säsonger. Till exempel kan Jan-May refereras till i ditt lag som långsam säsong, juni till september kan vara upptagen säsong och oktober till december kan vara standardsäsong.

I AI-instruktioner kan du ange följande:

• Långsam säsong innebär januari till maj.
• Hektisk säsong innebär juni till september.
• Standardsäsongen innebär oktober till december.

Nu, när en användare frågar "Vad var den totala försäljningen för upptagen säsong förra året?" Copilot förstår vilken tidsram användaren menar med en hektisk säsong.

Konsumenter av din rapport och dina data har förmodligen vanliga frågor som ställs oftast. Det bästa sättet att åtgärda detta är att tillämpa verifierade svar på din modell. Använd ett verifierat svar genom att välja ett visuellt objekt och ange utlösarfraser som när en användare frågar om ämnet returnerar information med hjälp av det tilldelade visuella objektet.

Till exempel frågar konsumenter av rapporten och modellen ofta frågor om försäljningssumma och belopp, "Vilken produkt hade den högsta försäljningen förra veckan". Att ange ett verifierat svar hjälper Copilot att förstå var du får rätt information från och hjälper till att skapa författarens och konsumenternas förtroende med det svar som ges.

De funktioner som de finns i dag är begränsade till bred förbrukning. Det går inte att skapa en ordlista baserat på olika grupper i dag. Om användning till tekniker till exempel innebär "antal gånger klickade" och användning till en produktchef innebär "betalande kunder under en viss månad" kan det inte stödjas att definiera "användning" i modellen på två olika sätt i dag.

För att Copilot ska kunna prestera som bäst är det viktigt att Copilot kan förstå underliggande data i semantikmodellen. Ett sätt som Power BI Copilot försöker förstå underliggande data på är genom att indexera den semantiska modellen för att korrekt söka efter relevanta värden att matcha på. Detta gör att Copilot kan besvara frågor effektivt baserat på användarens uppmaning.

Överväg Hawaii Tourism Dataset. För att svara på frågor som: "Hur påverkade vädret turistbesöken på Maui?" Copilot måste förstå att Maui är ett instansvärde i den semantiska modellen i kolumnen Önamn i tabellen Island .

För att ge Copilot möjlighet att effektivt söka efter dessa instansvärden indexeras den semantiska modellen när Q&A aktiveras och indexeras om när Power BI identifierar ändringar som gjorts i modellen.

Modellindexeringsfrekvens

Indexering görs för alla modeller som har Q&A-inställningen aktiverad.

Omindexering sker när någon av följande åtgärder utförs:

• För importmodeller :
  • Modellen publicerades/återpublicerades till tjänsten.
  • Modellen uppdaterades via manuell eller schemalagd uppdatering och Copilot/Q&A användes under de senaste 14 dagarna.
• För Direct Query - och Direct Lake-modeller :
  • Modellen publicerades/återpublicerades till tjänsten.
  • Indexet är äldre än 24 timmar och Copilot/Q&A användes under de senaste 14 dagarna.

Följande meddelande i Copilot anger att modellen för närvarande håller på att indexeras. Meddelandet bör matchas automatiskt när indexeringen är klar.

Indexeringsmetodik

Textkolumner i den semantiska modellen är de enda kolumnerna som indexeras. Kolumner som är dolda i AI-schemat via funktionen Förbered dina data för AI indexeras inte.

Upp till fem miljoner instansvärden indexeras med kolumner, där den minsta kardinaliteten indexeras först. Kolumnens kardinalitet bestäms med DISTINCTCOUNT för importmodeller och COLUMNSTATISTICS för Direct Query-modeller. För Direct Query-källor COLUMNSTATISTICS använder APPROXIMATEDISTINCTCOUNT funktionen funktionen för underliggande datakällor som stöder den för att effektivt fastställa ungefärliga kolumn kardinaliteter. För att ytterligare förhindra överlagring av det underliggande systemet för Direct Query-modeller med en tillströmning av frågor på grund av indexering cachelagras resultatet av COLUMNSTATISTICS och statistiken omberäknas var sjunde dag. Om det övre gränsvärdet på fem miljoner instanser skulle korsas med indexeringen för nästa kolumn under indexeringsprocessen hoppas indexeringen av kolumnen över helt.

Om gränsen för indexeringen har nåtts svarar Copilot fortfarande men baserat på det index som den skapade, som inte innehåller alla instansvärden. Användarna ser följande varning när den aktuella semantiska modellen når indexeringsgränsen.

Kända begränsningar

• Indexering har en övre gräns på fem miljoner instansvärden eller 1 000 modellentiteter (tabeller/kolumner) för stora semantiska modeller.
• Textvärden på över 100 tecken indexeras inte.
• Direct Query-modeller indexerar endast kolumner för datakällor som stöder APPROXIMATEDISTINCTCOUNT.
• Indexering för Direct Query- och Direct Lake-modeller sker en gång under en 24-timmarsperiod om inte modellen publiceras på nytt.