Häufig gestellte Fragen zum Vorbereiten von Daten für KI

Heute bietet Power BI vier Hauptfunktionen zum Konfigurieren Ihres Modells für die Verarbeitung natürlicher Sprachen:

• KI-Datenschema: Ermöglicht Ihnen die Auswahl einer Teilmenge des Schemas für den Copilot-Verbrauch.
• Überprüfte Antworten: Ein konfigurierter Antwortsatz eines Modellautors, der auf Genauigkeit und Zuverlässigkeit überprüft wird. Autoren können bestimmte visuelle Elemente für Copilot in einer überprüften Antwort festlegen, wenn ein Benutzer eine Frage stellt, die in die zugewiesene Kategorie fällt.
• KI-Anweisungen: Anweisungen, die Sie für Ihr Modell festlegen können, um mehr Kontext zu den Daten im Modell bereitzustellen, Helfen Sie Copilot zu verstehen, wann sie sich auf welche Daten konzentrieren und bestimmte Zuordnungen von Sprachbenutzern bei der Interaktion mit Copilot verwenden können.
• Beschreibungen: Beschreibungen, die für Tabellen und Spalten festgelegt sind, um mehr Details zum Kontext der Daten bereitzustellen. Beschreibungen werden nur in Dax-Abfrage- und Copilot-Suchfunktionen (Data Analysis Expressions, DAX) verwendet.

Um den größten Nutzen von Power BI Copilot zu erzielen, empfehlen wir die Implementierung der Toolfunktionen in der folgenden Reihenfolge:

1. Definieren Sie das KI-Datenschema.

   Wählen Sie zunächst die spezifischen Tabellen, Felder und Measures aus, auf die Copilot verweisen soll, wenn Sie Datenfragen beantworten.

   Während der Modellentwicklung können Sie Elemente einschließen, die für Endbenutzerabfragen nicht relevant sind. Durch das Eingrenzen des Schemas konzentriert sich Copilot auf die aussagekräftigsten Teile Ihres Modells, wodurch die Mehrdeutigkeit reduziert wird – insbesondere in großen Datasets mit überlappenden oder ähnlich benannten Feldern.

   Hier haben wir ein Beispiel dafür, wie das KI-Datenschema Copilot dabei helfen kann, sich auf die richtigen Daten zu konzentrieren.

   Wenn das gesamte Schema verwendet wird, ist Copilot nicht immer klar auf die Absicht des Benutzers, wenn er den Verkauf sagt. In diesem Fall hat Copilot GPM oder die Bruttogewinnmarge zurückgegeben, eine legitime Interpretation des Umsatzes, aber nicht die Metrik, die dieses Team in der Regel verwendet, um den Umsatz zu analysieren.

   Der Modellautor geht in die Vorbereitung von Daten für KI ein und entfernt das Total GPM-Measure aus dem an Copilot übergebenen Schema.

   Wenn der Benutzer nun die gleiche Frage stellt, hat Copilot mehr Klarheit darüber, wo die Antwort von diesem Team definiert und richtig interpretiert wird.

   

2. Erstellen Sie überprüfte Antworten.

   Richten Sie überprüfte Antworten für häufig gestellte oder nuancierte Fragen ein, die Benutzer möglicherweise stellen.

   Wählen Sie dazu ein visuelles Element aus, und wählen Sie "Überprüfte Antwort erstellen" aus. Fügen Sie dann Triggerausdrücke hinzu, die widerspiegeln, wie Benutzer ihre Fragen wahrscheinlich ausdrücken. Wenn Benutzer einen übereinstimmenden oder ähnlichen Ausdruck in Copilot eingeben, gibt sie das vertrauenswürdige visuelle Element zurück . Dadurch wird eine konsistente, qualitativ hochwertige Antwort über Berichte hinweg sichergestellt.

   Das folgende Beispiel zeigt den Vorteil einer überprüften Antwort. Der Benutzer fragt nach Vertrieb nach Bereich. Copilot interpretiert Den Bereich als Produktbereich und gibt eine Liste der Produkte und deren Vertrieb zurück. Der Benutzer suchte jedoch nach Umsätzen nach Region oder Standort.

   Der Modellautor legt eine überprüfte Antwort mithilfe eines visuellen Elements fest, das Umsätze nach Region enthält. Nachdem Sie eine überprüfte Antwort auf das visuelle Element festgelegt haben, enthält der Modellautor Triggerausdrücke, die von einem Benutzer gefragt werden, diese spezifische visuelle Antwort zurückgeben soll.

   Wenn der Benutzer nun fragt, welche Umsätze nach Bereich sind, wird die überprüfte Antwort, die vom Modellautor genehmigt wurde, von Copilot zurückgegeben.

   

3. Fügen Sie KI-Anweisungen hinzu.

   Nachdem Sie das Schema definiert und überprüft haben, verwenden Sie KI-Anweisungen, um das Verhalten von Copilot auf Modellebene zu leiten.

   Anweisungen helfen dabei, Geschäftslogik zu verdeutlichen, Benutzerterminologie modellieren und Copilot direkt zum Interpretieren oder Analysieren bestimmter Datentypen zuzuordnen. Sie sind hilfreich bei der Bereitstellung von Kontext Copilot würde sonst nicht alleine ableiten.

   Das folgende Beispiel zeigt, wie KI-Anweisungen verwendet werden können, um Copilot mehr Kontext bereitzustellen. Der Benutzer hat während der Gebucht-Saison 2012 nach Verkäufen gefragt. Die Beschäftigt-Saison ist ein gut definierter, häufig verwendeter Ausdruck in dieser Organisation. Das Semantikmodell weist jedoch keinen Hinweis auf diesen Begriff an. Der Modellautor legt eine Anweisung fest, dass die Beschäftigt-Saison als Juni-Aug definiert ist.

   Wenn der Benutzer nun die Frage nach dem Verkauf während der Gebucht-Saison erneut stellt, versteht Copilot diesen definierten Begriff und kann die Antwort bereitstellen.

   

4. Fügen Sie Tabellen und Spalten Beschreibungen hinzu.

   Beschreibungen stellen zusätzliche Metadaten bereit, die Copilot verwenden kann, um Ihr Modell zu verstehen.

   Während Beschreibungen derzeit nur einige Copilot-Verhaltensweisen beeinflussen, spielen sie in zukünftigen Funktionen eine größere Rolle. Durch das Hinzufügen können Sie jetzt eine starke Grundlage für den langfristigen Erfolg mit Interaktionen in natürlicher Sprache in Power BI schaffen.

Heute sind die Tool- und Konfigurationsfeatures nur für das Modell verfügbar. Das Konfigurieren verschiedener Berichte, die auf demselben Modell erstellt wurden, wird noch nicht unterstützt. Das Schema, überprüfte Antworten, Anweisungen und Beschreibungen werden für das semantische Modell festgelegt, aber nicht für den Bericht.

Beachten Sie hierzu die folgende Tabelle:

1. Definieren Sie Ihr KI-Datenschema.

   Entfernen Sie alle Tabellen, Spalten oder Felder, die für die Anforderungen Ihrer Benutzer irrelevant sind. Dies hilft Copilot dabei, sich auf die relevantesten Teile Ihres Modells zu konzentrieren und sicherzustellen, dass es die richtigen Felder auswählt, wenn sie auf Abfragen antworten.

2. Verwenden Sie überprüfte Antworten für visuelle Elemente in Berichten.

   Wenn die Antwort auf eine Frage aus einem visuellen Element in Ihrem Bericht abgeleitet werden kann, erstellen Sie eine überprüfte Antwort. Dadurch wird sichergestellt, dass Copilot, wenn Benutzer Fragen mit bestimmten Triggerausdrücken stellen, konsistent das richtige visuelle Element zurückgibt.

3. Passen Sie Anweisungen für bestimmte Felder an.

   Nachdem Sie das Schema festgelegt und überprüfte Antworten festgelegt haben, können Sie KI-Anweisungen verwenden, um Copilot beim Auswählen bestimmter Felder zu leiten. Es wird empfohlen, Anweisungen zur Feinabstimmung und für erweiterte Szenarien zu verwenden, nachdem andere ki-Features für vorbereitende Daten festgelegt wurden. Mit dieser Schrittfolge stellen Sie sicher, dass Copilot die genauesten und kontextrelevanten Ergebnisse an Benutzer zurückgibt, die durch die Struktur Ihres Modells und ihre definierten Anweisungen geführt werden.

Wenn Sie einen Begriff copilot haben, um zu verstehen, dass immer dasselbe einzige richtige Element für den Verweis in Ihrem Modell vorhanden ist, können Sie einen alternativen Namen über KI-Anweisungen bereitstellen.

Wenn Ihr Team beispielsweise die Personen aufruft, die Ihre Produkte "näher" verkaufen, dann wäre die beste Option, einen Verweis in KI-Anweisungen zu geben, indem sie "Verkäufer" festlegen, die auch als "Näherer" bezeichnet werden.

Wenn Ihr Team bestimmte Begriffe verwendet, die nicht exakt mit Tabellen/Feldern in Ihrem Modell übereinstimmen, hilft die Verwendung von KI-Anweisungen dabei, verschiedene Elemente mit bestimmten Bedingungen oder Gruppierungen zu klären.

Ein Vertriebsteam kann z. B. "High Performer" als jede Person klassifizieren, die in einem bestimmten Monat über 100% ihrer Ziele verkauft. Sie können dann die folgenden Anweisungen für Copilot bereitstellen:

High Performer bedeutet, dass ein Verkäufer, der 100% oder mehr seines monatlichen Ziels erfüllt.

Wenn ein Benutzer nun fragt: "Wer waren die High-Performer im letzten Monat?" Copilot versteht die Definition, was ein High Performer in Ihrem Team und Ihrer Organisation bedeutet.

Ein weiteres Beispiel könnte sein, wie ein Team verschiedene Jahreszeiten klassifiziert. So kann z. B. auf Jan-May in Ihrem Team als langsame Saison verwiesen werden, Juni bis September kann die Saison beschäftigt sein, und Oktober bis Dezember kann eine Standardsaison sein.

In KI-Anweisungen können Sie Folgendes festlegen:

• Langsame Saison bedeutet Januar bis Mai.
• Gebuchte Saison bedeutet Juni bis September.
• Die Standardsaison bedeutet Oktober bis Dezember.

Wenn ein Benutzer nun fragt: "Was waren der Gesamtumsatz für die Beschäftigt-Saison im letzten Jahr?" Copilot versteht, welchen Zeitrahmen der Benutzer durch die Beschäftigt-Saison bedeutet.

Verbraucher Ihres Berichts und Ihrer Daten haben wahrscheinlich häufige Fragen, die am häufigsten gestellt werden. Die beste Möglichkeit, dies zu beheben, besteht darin, überprüfte Antworten auf Ihr Modell anzuwenden. Wenden Sie eine überprüfte Antwort an, indem Sie einen visuellen Ausdruck auswählen und Ausdrücke festlegen, die ein Benutzer nach dem Thema fragt, informationen mithilfe des zugewiesenen visuellen Elements zurückgibt.

So stellen Verbraucher des Berichts und Modells häufig Fragen zum Thema "Welches Produkt hatte die höchste Verkaufszahlen letzte Woche" zu Verkaufssumme und -beträgen. Das Festlegen einer überprüften Antwort hilft Copilot zu verstehen, wo die richtigen Informationen abgerufen werden sollen, und hilft beim Erstellen von Autor- und Verbrauchervertrauen mit der bereitgestellten Antwort.

Die heute vorhandenen Funktionen sind auf den breiten Verbrauch beschränkt. Das Erstellen eines Glossars basierend auf verschiedenen Gruppen wird heute nicht unterstützt. Wenn die Verwendung für Ingenieure beispielsweise "Anzahl der Klicks" und "Nutzung" für einen Produktmanager bedeutet, dass "Kunden in einem bestimmten Monat bezahlen" bedeutet, kann die Definition von "Nutzung" im Modell auf zwei verschiedene Arten heute nicht unterstützt werden.

Damit Copilot optimal ausgeführt werden kann, ist es wichtig, dass Copilot die zugrunde liegenden Daten im semantischen Modell verstehen kann. Eine Möglichkeit, wie Power BI Copilot versucht, die zugrunde liegenden Daten zu verstehen, besteht darin, dass das semantische Modell indiziert wird, um nach relevanten Werten zu suchen, die übereinstimmen. Auf diese Weise kann Copilot Fragen effektiv anhand der Aufforderung des Benutzers beantworten.

Betrachten Sie das Hawaii Tourism Dataset. Um Fragen zu beantworten, z. B. "Wie wirkte sich das Wetter auf Touristenbesuche auf Maui aus?" Copilot muss verstehen, dass Maui ein Instanzwert im semantischen Modell in der Spalte " Inselname " der Tabelle "Insel " ist.

Um Copilot die Möglichkeit zu bieten, diese Instanzwerte effektiv zu durchsuchen, wird das semantische Modell indiziert, wenn Q&A aktiviert und neu indiziert wird, wenn Power BI erkennt, dass Änderungen am Modell vorgenommen wurden.

Modellindizierungshäufigkeit

Die Indizierung erfolgt für alle Modelle, für die die Q&A-Einstellung aktiviert ist.

Erneute Indizierung tritt auf, wenn eine der folgenden Aktionen ausgeführt wird:

• Für Importmodelle :
  • Das Modell wurde für den Dienst veröffentlicht/erneut veröffentlicht.
  • Das Modell wurde über manuelle oder geplante Aktualisierung aktualisiert und Copilot/Q&A wurde innerhalb der letzten 14 Tage verwendet.
• Für Direct Query - und Direct Lake-Modelle :
  • Das Modell wurde für den Dienst veröffentlicht/erneut veröffentlicht.
  • Der Index ist älter als 24 Stunden und Copilot/Q&A wurde innerhalb der letzten 14 Tage verwendet.

Die folgende Meldung in Copilot gibt an, dass sich das Modell derzeit im Indizierungsprozess befindet. Die Nachricht sollte nach Abschluss der Indizierung automatisch aufgelöst werden.

Indizierungsmethode

Textspalten im semantischen Modell sind die einzigen Spalten, die indiziert sind. Spalten, die im KI-Schema durch die Vorbereitung ihrer Daten für das KI-Feature ausgeblendet sind, werden nicht indiziert.

Bis zu fünf Millionen Instanzenwerte werden mit Spalten indiziert, wobei die kleinste Kardinalität zuerst indiziert wird. Die Kardinalität der Spalte wird für DISTINCTCOUNT Importmodelle und COLUMNSTATISTICS für Direct Query-Modelle bestimmt. Bei Direct Query-Quellen verwendet die COLUMNSTATISTICS Funktion die APPROXIMATEDISTINCTCOUNT Funktion für zugrunde liegende Datenquellen, die sie unterstützen, um ungefähre Spaltenkardinalitäten effizient zu ermitteln. Um die Überladung des zugrunde liegenden Systems für Direct Query-Modelle mit einem Zustrom von Abfragen aufgrund der Indizierung weiter zu verhindern, werden die Ergebnisse COLUMNSTATISTICS zwischengespeichert, und die Statistiken werden alle sieben Tage neu komputiert. Wenn während des Indizierungsprozesses die obere Grenze der fünf Millionen Instanzen mit der Indizierung der nächsten Spalte gekreuzt wird, wird die Indizierung der Spalte vollständig übersprungen.

Wenn die Indizierungsgrenze erreicht ist, beantwortet Copilot weiterhin, aber basierend auf dem erstellten Index, der nicht alle Instanzwerte enthält. Benutzern wird die folgende Warnung angezeigt, wenn das fragliche Semantikmodell auf den Indizierungsgrenzwert trifft.

Bekannte Einschränkungen

• Die Indizierung hat eine obergrenze von fünf Millionen Instanzenwerten oder 1.000 Modellentitäten (Tabellen/Spalten) für große semantische Modelle.
• Textwerte von 100 Zeichen werden nicht indiziert.
• Direct Query-Modelle indiziert nur Spalten für Datenquellen, die unterstützt APPROXIMATEDISTINCTCOUNTwerden.
• Die Indizierung für Direct Query- und Direct Lake-Modelle erfolgt einmal während eines 24-Stunden-Zeitraums, es sei denn, das Modell wird erneut veröffentlicht.