Preguntas más frecuentes sobre la preparación de datos para la inteligencia artificial

En la actualidad, Power BI ofrece cuatro características principales de herramientas para configurar el modelo para que esté listo para el procesamiento de lenguaje natural:

• Esquema de datos de IA: permite seleccionar un subconjunto del esquema para el consumo de Copilot.
• Respuestas comprobadas: una respuesta configurada establecida por un autor del modelo que se valida para obtener precisión y confiabilidad. Los autores pueden establecer objetos visuales específicos para que Copilot los use en una respuesta comprobada cuando un usuario formula una pregunta que se encuentra en la categoría asignada.
• Instrucciones de inteligencia artificial: las instrucciones que puede establecer en el modelo para proporcionar más contexto sobre los datos del modelo, le ayudarán a guiar a Copilot para comprender cuándo centrarse en qué datos y ayudar a comprender determinados usuarios del lenguaje de asignaciones que pueden usar al interactuar con Copilot.
• Descripciones: descripciones establecidas en tablas y columnas para proporcionar más detalles sobre el contexto de los datos. Las descripciones solo se usan en las funcionalidades de consulta y búsqueda de Copilot de expresiones de análisis de datos (DAX).

Para obtener el máximo valor de Power BI Copilot, se recomienda implementar sus características de herramientas en la siguiente secuencia:

1. Defina el esquema de datos de IA.

   Para empezar, seleccione las tablas, campos y medidas específicos que Copilot debe hacer referencia al responder a preguntas de datos.

   Durante el desarrollo del modelo, puede incluir elementos que no son relevantes para las consultas del usuario final. Restringir el esquema ayuda a Copilot a centrarse en las partes más significativas del modelo, lo que reduce la ambigüedad, especialmente en grandes conjuntos de datos con campos superpuestos o con nombre similar.

   Aquí tenemos un ejemplo de cómo el esquema de datos de IA puede ayudar a Copilot a centrarse en los datos correctos.

   Cuando se usa todo el esquema, Copilot no siempre está claro en la intención del usuario cuando dice ventas. En este caso, Copilot devolvió GPM o margen de beneficio bruto, una interpretación legítima de las ventas, pero no la métrica que suele usar este equipo para analizar las ventas.

   El autor del modelo entra en la preparación de datos para la inteligencia artificial y quita la medida Total de GPM que se incluye en el esquema pasado a Copilot.

   Ahora, cuando el usuario hace la misma pregunta, Copilot tiene más claridad sobre dónde obtener la respuesta y interpretar correctamente las ventas según lo definido y las medidas de este equipo.

   

2. Cree respuestas comprobadas.

   Configure respuestas comprobadas para preguntas comunes o matizadas que los usuarios puedan formular.

   Para ello, seleccione un objeto visual y elija "Crear respuesta comprobada". A continuación, agregue frases de desencadenador que reflejen cómo es probable que los usuarios expresen sus preguntas. Cuando los usuarios escriben una frase coincidente o similar en Copilot, devuelve el objeto visual de confianza, lo que garantiza respuestas coherentes y de alta calidad en todos los informes.

   En el ejemplo siguiente se muestra la ventaja de una respuesta comprobada. El usuario solicita ventas por área. Copilot interpreta el área como área de producto y devuelve una lista de productos y sus ventas. Sin embargo, el usuario estaba buscando ventas por región o ubicación.

   El autor del modelo establece una respuesta comprobada mediante un objeto visual que incluye ventas por región. Después de elegir establecer una respuesta comprobada en el objeto visual, el autor del modelo incluye frases desencadenadores que cuando un usuario le solicite debe devolver esta respuesta visual específica.

   Ahora, cuando el usuario pregunta qué son las ventas por área, copilot devuelve la respuesta comprobada, aprobada por el autor del modelo.

   

3. Agregue instrucciones de IA.

   Después de definir el esquema y las respuestas comprobadas, use las instrucciones de IA para guiar el comportamiento de Copilot en el nivel de modelo.

   Las instrucciones ayudan a aclarar la lógica de negocios, asignar la terminología del usuario a los campos del modelo y dirigir a Copilot sobre cómo interpretar o analizar tipos específicos de datos. Son útiles para proporcionar el contexto que Copilot no deduciría por sí solo.

   En el ejemplo siguiente se muestra cómo se pueden usar las instrucciones de IA para proporcionar más contexto a Copilot. El usuario solicitó ventas durante la temporada ocupada de 2012. La temporada ocupada es una frase bien definida y usada en esta organización. Sin embargo, el modelo semántico no tiene ninguna indicación de este término en ningún lugar. El autor del modelo establece una instrucción que la temporada ocupada se define como junio-agosto.

   Ahora, cuando el usuario realiza la pregunta de nuevo sobre las ventas durante la temporada ocupada, Copilot entiende este término definido y puede proporcionar la respuesta.

   

4. Agregue descripciones a tablas y columnas.

   Las descripciones proporcionan metadatos adicionales que Copilot puede usar para comprender el modelo.

   Aunque las descripciones influyen actualmente solo en algunos comportamientos de Copilot, desempeñarán un papel mayor en las funcionalidades futuras. Agregarlos ahora ayuda a crear una base sólida para el éxito a largo plazo con interacciones de lenguaje natural en Power BI.

En la actualidad, las características de configuración y herramientas solo están disponibles en el modelo. Todavía no se admite la configuración de informes diferentes creados con el mismo modelo. El esquema, las respuestas comprobadas, las instrucciones y las descripciones se establecen en el modelo semántico, pero no en el informe.

Consulte la tabla siguiente:

1. Defina el esquema de datos de IA.

   Quite las tablas, columnas o campos que sean irrelevantes para las necesidades de los usuarios. Esto ayuda a Copilot a centrarse en las partes más relevantes del modelo, lo que garantiza que selecciona los campos correctos al responder a las consultas.

2. Use respuestas comprobadas para objetos visuales en informes.

   Si la respuesta a una pregunta se puede derivar de un objeto visual del informe, cree una respuesta comprobada. Esto garantiza que cuando los usuarios hagan preguntas con frases de desencadenador específicas, Copilot devuelve el objeto visual correcto de forma coherente.

3. Personalice las instrucciones para campos específicos.

   Una vez que haya establecido el esquema y las respuestas comprobadas, puede usar instrucciones de IA para guiar a Copilot al seleccionar campos concretos. Se recomienda usar instrucciones para ajustar y para escenarios avanzados después de establecer otras características de inteligencia artificial de datos de preparación. Con esta secuencia de pasos, asegúrese de que Copilot devuelve los resultados más precisos y contextualmente relevantes a los usuarios, guiados por la estructura del modelo y las instrucciones definidas.

Si tiene un término Copilot tiene dificultades para entender que siempre tiene el mismo elemento correcto que hacer referencia en el modelo, puede proporcionar un nombre alternativo a través de las instrucciones de IA.

Por ejemplo, si el equipo llama a las personas que venden sus productos "más cerca", la mejor opción sería proporcionar una referencia en las instrucciones de inteligencia artificial estableciendo "vendedores" para que también se conozcan como "más cerca".

Si el equipo usa determinados términos que no son una coincidencia exacta de 1:1 con tablas o campos del modelo, el uso de instrucciones de IA ayuda a aclarar distintos elementos con determinadas condiciones o agrupaciones.

Por ejemplo, un equipo de ventas podría clasificar "artistas de alto rendimiento" como cualquier persona que venda más de 100% de sus objetivos en cualquier mes determinado. A continuación, puede proporcionar las siguientes instrucciones para Copilot:

Alto rendimiento significa un vendedor que cumple 100% o más de su objetivo mensual.

Ahora, cuando un usuario pregunta "¿Quiénes eran los artistas de alto rendimiento el mes pasado?" Copilot entiende la definición de lo que significa un alto rendimiento en su equipo y organización.

Otro ejemplo podría venir con la forma en que un equipo clasifica diferentes temporadas. Por ejemplo, es posible que Jan-May se haga referencia a este equipo como temporada lenta, junio a septiembre podría estar ocupada, y octubre a diciembre podría ser temporada estándar.

En las instrucciones de IA, puede establecer lo siguiente:

• La temporada lenta significa enero a mayo.
• La temporada ocupada significa junio a septiembre.
• Temporada estándar significa octubre a diciembre.

Ahora, cuando un usuario pregunta "¿Cuáles fueron las ventas totales de temporada ocupada el año pasado?" Copilot entiende qué período de tiempo significa el usuario por temporada ocupada.

Los consumidores del informe y los datos probablemente tienen preguntas comunes que se hacen con más frecuencia. La mejor manera de abordar esto es aplicar respuestas comprobadas al modelo. Aplique una respuesta comprobada seleccionando un objeto visual y estableciendo frases de desencadenador que cuando un usuario le pregunte sobre el tema, devuelve información mediante el objeto visual asignado.

Por ejemplo, los consumidores del informe y el modelo suelen formular preguntas sobre "Qué producto tenía las ventas más altas la semana pasada" sobre el total de ventas y los importes. Establecer una respuesta comprobada ayuda a Copilot a comprender dónde obtener la información adecuada de y ayuda a crear confianza de autor y consumidor con la respuesta proporcionada.

Las funcionalidades que existen actualmente están limitadas a un amplio consumo. Actualmente no se admite la creación de un glosario basado en grupos diferentes. Por ejemplo, si el uso de los ingenieros significa "número de veces en que se hace clic" y el uso en un administrador de productos significa "pagar a los clientes en un mes determinado", entonces definir "uso" en el modelo de dos maneras diferentes no se puede admitir hoy en día.

Para que Copilot pueda realizar lo mejor posible, es fundamental que Copilot pueda comprender los datos subyacentes en el modelo semántico. Una manera de que Power BI Copilot intente comprender los datos subyacentes es indexando el modelo semántico para buscar con precisión los valores pertinentes en los que debe coincidir. Esto permite a Copilot responder a preguntas de forma eficaz en función del mensaje del usuario.

Considere el conjunto de datos de turismo de Hawaii. Para responder a preguntas como "¿Cómo afecta el clima a las visitas turísticas en Maui?" Copilot debe comprender que Maui es un valor de instancia en el modelo semántico en la columna Nombre de isla de la tabla Island .

Para proporcionar a Copilot la capacidad de buscar eficazmente estos valores de instancia, el modelo semántico se indexa cuando Q&A está habilitado y reindexado cuando Power BI detecta cambios realizados en el modelo.

Frecuencia de indexación de modelos

La indexación se realiza para todos los modelos que tienen habilitada la configuración de preguntas y respuestas.

La reindexación se produce cuando se realiza una de las siguientes acciones:

• Para los modelos de importación :
  • El modelo se publicó o volvió a publicar en el servicio.
  • El modelo se actualizó a través de la actualización manual o programada y Copilot/Q&A se usó en los últimos 14 días.
• Para los modelos de Direct Query y Direct Lake :
  • El modelo se publicó o volvió a publicar en el servicio.
  • El índice tiene más de 24 horas y copilot/Q&A se usó en los últimos 14 días.

El siguiente mensaje de Copilot indica que el modelo está actualmente en proceso de indexación. El mensaje debe resolverse automáticamente una vez completada la indexación.

Metodología de indexación

Las columnas de texto del modelo semántico son las únicas columnas que se indexan. Las columnas ocultas en el esquema de IA a través de la característica Prep your data for AI (Preparar los datos para ia ) no se indexan.

Hasta cinco millones de valores de instancia se indexan con columnas, con la cardinalidad más pequeña que se indexa primero. La cardinalidad de la columna se determina con DISTINCTCOUNT para los modelos de importación y COLUMNSTATISTICS para los modelos de Direct Query. En el caso de los orígenes de Direct Query, la COLUMNSTATISTICS función usa la APPROXIMATEDISTINCTCOUNT función para orígenes de datos subyacentes que lo admiten para determinar de forma eficaz las cardinalidades de columna aproximadas. Para evitar aún más la sobrecarga del sistema subyacente para los modelos de Direct Query con una entrada de consultas debido a la indexación, los resultados de COLUMNSTATISTICS se almacenan en caché y las estadísticas se vuelven a calcular cada siete días. Durante el proceso de indexación, si el límite superior del valor de instancia de cinco millones se cruzaría con la indexación de la columna siguiente, la indexación de la columna se omite por completo.

Si se alcanza el límite de la indexación, Copilot sigue respondiendo, pero en función del índice que creó, que no incluye todos los valores de instancia. Los usuarios ven la siguiente advertencia cuando el modelo semántico en cuestión alcanza el límite de indexación.

Limitaciones conocidas

• La indexación tiene un límite superior de cinco millones de valores de instancia o 1000 entidades de modelo (tablas o columnas) para modelos semánticos grandes.
• Los valores de texto de más de 100 caracteres no se indexan.
• Los modelos de Direct Query solo indexan columnas para orígenes de datos que admiten APPROXIMATEDISTINCTCOUNT.
• La indexación de los modelos de Direct Query y Direct Lake se produce una vez durante un período de 24 horas a menos que se vuelva a publicar el modelo.