Domande frequenti sulla preparazione dei dati per l'intelligenza artificiale

Attualmente, Power BI offre quattro funzionalità principali di strumenti per configurare il modello per l'elaborazione del linguaggio naturale:

• Schemi di dati di intelligenza artificiale: consente di selezionare un subset di uno schema per Copilot da usare.
• Risposte verificate: risposta configurata e convalidata da un autore del modello per l'accuratezza e l'affidabilità. Gli autori possono impostare oggetti visivi specifici per Copilot da usare in una risposta verificata quando un utente pone una domanda che rientra nella categoria assegnata.
• Istruzioni per l'intelligenza artificiale: istruzioni che è possibile impostare sul modello per fornire più contesto sui dati nel modello. Aiutano Copilot a comprendere su quali dati concentrarsi e quando, e aiutano Copilot a comprendere determinate associazioni che gli utenti potrebbero usare quando interagiscono con Copilot.
• Descrizioni: descrizioni impostate su tabelle e colonne per fornire più contesto sui dati. Copilot usa descrizioni solo nelle query DAX (Data Analysis Expressions) e nelle funzionalità di ricerca.

Per ottenere il massimo valore da Copilot in Power BI, implementare le funzionalità di strumenti nella sequenza seguente:

1. Definire lo schema dei dati di intelligenza artificiale.

   Per iniziare, selezionare le tabelle, i campi e le misure specifiche che Copilot devono fare riferimento quando risponde alle domande sui dati.

   Durante lo sviluppo di modelli, è possibile includere elementi non pertinenti per le query dell'utente finale. Quando si restringe lo schema, consenti a Copilot di concentrarsi sulle parti più significative del modello, riducendo così l'ambiguità. Questa procedura è importante per i set di dati di grandi dimensioni con campi sovrapposti o denominati in modo analogo.

   Di seguito è riportato un esempio di come gli schemi di dati di intelligenza artificiale possano aiutare Copilot concentrarsi sui dati corretti:

   Quando si usa l'intero schema, Copilot non sa sempre cosa intende l'utente quando dice sales. In questo caso, Copilot restituisce un margine di profitto lordo (GPM), che è un'interpretazione legittima delle vendite, ma non la metrica usata in genere da questo team per analizzare le vendite.

   L'autore del modello usa la funzionalità Prep data for AI e rimuove la misura Total GPM dallo schema che Copilot riceve.

   Ora, quando l'utente pone la stessa domanda, Copilot ha maggiore chiarezza su dove ottenere la risposta e interpreta correttamente le vendite in base alla definizione e alla misurazione del team.

   

2. Creare risposte verificate.

   Configurare le risposte verificate per domande comuni o sfumate che gli utenti potrebbero porre.

   Selezionare un oggetto visivo e quindi selezionare Crea risposta verificata. Aggiungere quindi frasi trigger che riflettono il modo in cui gli utenti potrebbero formulare le proprie domande. Quando gli utenti immettono una frase corrispondente o simile in Copilot, restituisce l'oggetto visivo attendibile. Questo processo consente di garantire risposte coerenti e di alta qualità nei report.

   Nell'esempio seguente viene illustrato il vantaggio di una risposta verificata. L'utente chiede vendite per area. Copilot interpreta area come area product e restituisce un elenco di prodotti e le relative vendite. Tuttavia, l'utente stava cercando le vendite in base all'area o alla località.

   L'autore del modello imposta una risposta verificata utilizzando un elemento visivo che include le vendite per regione. L'autore include quindi frasi trigger che, quando un utente le chiede, deve restituire questa risposta visiva specifica.

   Ora, quando l'utente richiede vendite per area, Copilot restituisce la risposta verificata, approvata dall'autore del modello.

   

3. Aggiungere istruzioni per l'intelligenza artificiale.

   Dopo aver definito lo schema e le risposte verificate, è possibile usare le istruzioni di intelligenza artificiale per guidare il comportamento di Copilot a livello di modello.

   Le istruzioni consentono di chiarire la logica di business, mappare la terminologia degli utenti ai campi del modello e di indicare Copilot come interpretare o analizzare tipi di dati specifici. Sono utili perché forniscono un contesto che Copilot non dedurrebbe autonomamente.

   L'esempio seguente illustra come usare le istruzioni di intelligenza artificiale per fornire un contesto maggiore per Copilot. L'utente chiede informazioni sulle vendite durante la stagione 2012. L'alta stagione lavorativa è una frase ben definita e comunemente usata all'interno di questa organizzazione. Tuttavia, il modello semantico non ha alcuna indicazione di questo termine ovunque. L'autore del modello imposta un'istruzione che definisce la stagione occupata da giugno ad agosto.

   Ora, quando l'utente pone la domanda sulle vendite durante la stagione occupata, Copilot comprende questo termine definito e fornisce la risposta.

   

4. Aggiungere descrizioni a tabelle e colonne.

   Le descrizioni forniscono metadati aggiuntivi che Copilot possono usare per comprendere il modello.

   Anche se le descrizioni attualmente influiscono solo su alcuni comportamenti Copilot, avranno un ruolo più ampio nelle funzionalità future. L'aggiunta di questi strumenti consente ora di creare una base solida per il successo a lungo termine con interazioni in linguaggio naturale in Power BI.

Attualmente, gli strumenti e le funzionalità di configurazione sono disponibili solo nel modello. Non è ancora possibile configurare report diversi creati dallo stesso modello. È possibile impostare lo schema, le risposte verificate, le istruzioni e le descrizioni sul modello semantico, non nel report.

Fare riferimento alla tabella seguente:

1. Definire lo schema dei dati di intelligenza artificiale.

   Rimuovere tutte le tabelle, le colonne o i campi irrilevanti per le esigenze degli utenti. Questa azione consente di Copilot concentrarsi sulle parti più rilevanti del modello e garantisce che selezioni i campi appropriati quando risponde alle query.

2. Usare risposte verificate per gli elementi visivi nei report.

   Se Copilot può utilizzare un elemento visivo nel tuo report per derivare una risposta a una domanda, devi creare una risposta verificata. Questa procedura consente di garantire che Copilot restituisce in modo coerente l'oggetto visivo corretto quando gli utenti fanno domande con frasi trigger specifiche.

3. Personalizzare le istruzioni per campi specifici.

   Dopo aver impostato lo schema e le risposte verificate, è possibile usare le istruzioni di intelligenza artificiale per guidare Copilot quando si selezionano campi specifici. Usare le istruzioni per ottimizzare e per scenari avanzati, dopo aver impostato altri dati di preparazione per le funzionalità di intelligenza artificiale . Questa sequenza di passaggi consente di garantire che Copilot restituisca i risultati più accurati e contestualmente pertinenti agli utenti, guidati dalla struttura del modello e dalle istruzioni definite.

Se Copilot fatica a comprendere un termine che ha sempre lo stesso singolo elemento corretto a cui fare riferimento nel modello, è possibile fornire un nome alternativo tramite le istruzioni di intelligenza artificiale.

Ad esempio, se il tuo team chiama le persone che vendono i tuoi prodotti closers, fornisci un riferimento nelle istruzioni per l’IA. Impostare i venditori in modo che siano noti anche come più vicini.

Se il team usa determinati termini che non corrispondono esattamente a 1:1 con tabelle o campi nel modello, è possibile usare le istruzioni di intelligenza artificiale per chiarire elementi diversi con determinate condizioni o raggruppamenti.

Ad esempio, un team di vendita potrebbe classificare chiunque vende più di 100% dei propri obiettivi in un determinato mese come utenti con prestazioni elevate. Devono fornire le istruzioni seguenti per Copilot:

Prestazioni elevate significa un venditore che soddisfa 100% o più del loro obiettivo mensile.

Ora, quando un utente chiede: "Chi sono stati i più alti performer del mese scorso?" Copilot sa esattamente cosa significa high performer nel team e nell'organizzazione.

In un altro esempio, un'organizzazione potrebbe classificare le stagioni. La tua squadra potrebbe definire il periodo da gennaio a maggio bassa stagione. Da giugno a settembre potrebbe essere affollata stagione. Da ottobre a dicembre potrebbe essere stagione standard.

Nelle istruzioni di intelligenza artificiale è possibile impostare le definizioni seguenti:

• La stagione lenta significa gennaio a maggio.
• La stagione occupata significa da giugno a settembre.
• Stagione standard significa da ottobre a dicembre.

Ora, quando un utente chiede: "Quali sono state le vendite totali per la stagione intensa dell'anno scorso?" Copilot comprende l'intervallo di tempo che l'utente intende per stagione intensa.

È probabile che gli utenti del report e dei dati pongono alcune domande più frequenti. È possibile risolvere questa occorrenza applicando risposte verificate al modello. Applicare una risposta verificata selezionando una visuale e impostando frasi di attivazione. Quando un utente chiede informazioni sull'argomento, Copilot restituisce informazioni usando l'oggetto visivo assegnato.

Ad esempio, gli utenti del report e del modello potrebbero spesso chiedere : "Quale prodotto ha avuto le vendite più alte della settimana scorsa?" È possibile impostare una risposta verificata per aiutare Copilot capire dove è possibile trovare le informazioni corrette. Questo metodo consente agli autori e ai consumer di considerare attendibile la risposta corretta.

Le funzionalità attuali sono limitate all'ampio consumo. Non è attualmente possibile creare un glossario basato su gruppi diversi o definire un termine in due modi diversi. Ad esempio, gli ingegneri potrebbero definire l'utilizzo come numero di clic, ma i product manager potrebbero definire l'utilizzo come clienti paganti in un determinato mese. Attualmente non è possibile assegnare definizioni di utilizzo diverse nello stesso modello.

Negli scenari in cui lo schema del modello semantico è troppo grande per Copilot eseguire il rendering di una risposta, Copilot riduce lo schema del modello in modo che possa comprendere lo schema e generare una risposta. Puoi capire quando si verifica questa riduzione scaricando i dati di diagnostica di Copilot e verificando la presenza di "AgentSchemaReduced" tra gli avvisi.

Affinché Copilot di ottenere prestazioni ottimali, è necessario comprendere i dati sottostanti nel modello semantico. Per comprendere i dati sottostanti, Copilot in Power BI indicizza il modello semantico in modo da poter cercare in modo accurato i valori pertinenti in modo che corrispondano. Questo processo consente di Copilot rispondere in modo efficace alle domande in base alla richiesta.

Si consideri un set di dati relativo al turismo hawaii. Per rispondere a domande come "In che modo il tempo ha influenzato le visite turistiche su Maui?" Copilot deve comprendere che Maui è un valore di istanza nel modello semantico nella tabella Island name della colonna Island.

Per Copilot eseguire una ricerca efficace in questi valori di istanza, Power BI indicizza il modello semantico quando si abilita Power BI Q&A. Power BI reindicizza il modello quando rileva modifiche.

Frequenza di indicizzazione del modello

Power BI indicizza tutti i modelli con l'impostazione Q&A abilitata.

La reindicizzazione si verifica quando viene eseguita una delle azioni seguenti:

• Per i modelli di importazione :
  • Pubblichi o ripubblichi il modello nel servizio.
  • Un aggiornamento manuale o pianificato viene eseguito sul modello e Copilot e Q&A vengono usati entro gli ultimi 14 giorni.
• Per i modelli DirectQuery e Direct Lake :
  • Pubblichi o ripubblichi il modello nel servizio.
  • L'indice ha più di 24 ore e usi Copilot e Domande e risposte negli ultimi 14 giorni.

Il seguente messaggio in Copilot indica che il modello è attualmente in fase di indicizzazione. Il messaggio viene risolto automaticamente al termine dell'indicizzazione.

Metodologia di indicizzazione

Power BI indicizza solo le colonne di testo nel modello semantico. Power BI non indicizza le colonne nascoste nello schema di intelligenza artificiale tramite la funzionalità Preparazione dei dati per intelligenza artificiale.

Power BI indicizza fino a cinque milioni di valori delle istanze nelle colonne e indicizza prima la cardinalità più bassa. DISTINCTCOUNT determina la cardinalità della colonna per i modelli di importazione e COLUMNSTATISTICS determina la cardinalità della colonna per i modelli DirectQuery. Per le origini di DirectQuery, la funzione COLUMNSTATISTICS usa la funzione APPROXIMATEDISTINCTCOUNT per determinare in modo efficiente le cardinalità approssimative delle colonne nelle origini dati sottostanti che la supportano.

Per evitare ulteriormente l'overload del sistema sottostante per i modelli DirectQuery con un flusso di query dovuto all'indicizzazione, Power BI memorizza nella cache i risultati di COLUMNSTATISTICS e ricompila le statistiche ogni sette giorni. Durante il processo di indicizzazione, se l'indicizzazione della colonna successiva supera il limite superiore di cinque milioni di istanze, Power BI ignora completamente la colonna.

Se l'indicizzazione raggiunge il limite, Copilot continua comunque a rispondere in base all'indice che ha creato, che non include tutti i valori dell'istanza. Quando il modello semantico raggiunge il limite di indicizzazione, viene visualizzato l'avviso seguente.

Limitazioni note

• L'indicizzazione ha un limite massimo di cinque milioni di valori di istanza o 1.000 entità di modello (tabelle/colonne) per modelli semantici di grandi dimensioni.
• Power BI non indicizza i valori di testo di 100 caratteri.
• I modelli DirectQuery indicizzano solo le colonne per le origini dati che supportano APPROXIMATEDISTINCTCOUNT.
• L'indicizzazione per i modelli DirectQuery e Direct Lake viene eseguita una volta durante un periodo di tempo di 24 ore, a meno che non si ripubblici il modello.
• Se l'aggiornamento del modello semantico sottostante non riesce, l'indice dati potrebbe non essere aggiornato fino al successivo aggiornamento del modello semantico riuscito.
• La prima generazione dell'indice dati per il modello semantico potrebbe richiedere altri 15 minuti per consentire alle attività back-end di generare l'indice.