有关为 AI 准备数据的常见问题

目前，Power BI 提供了四个主要工具功能，用于配置模型，以便为自然语言处理做好准备：

• AI 数据架构：允许你为 Copilot 使用选择架构的子集。
• 已验证答案：经过验证的模型作者设置的已配置响应，用于准确性和可靠性。 当用户提出属于已分配类别的问题时，作者可以设置 Copilot 的特定视觉对象，以便在已验证的答案中使用。
• AI 说明：可以针对模型设置的说明，以提供有关模型中数据的更多上下文，帮助指导 Copilot 了解何时关注哪些数据，并帮助了解用户与 Copilot 交互时可能使用的某些映射语言。
• 说明：针对表和列设置的说明，提供有关数据上下文的更多详细信息。 说明仅在数据分析表达式 （DAX） q 查询和 Copilot 搜索功能中使用。

若要从 Power BI Copilot 获取最大价值，建议按以下顺序实现其工具功能：

1. 定义 AI 数据架构。

   首先，选择特定表、字段和度量值时，Copilot 在回答数据问题时应引用这些表、 字段和度量值。

   在模型开发期间，可以包含与最终用户查询无关的元素。 缩小架构有助于 Copilot 专注于模型最有意义的部分，减少多义性 - 尤其是在具有重叠或类似命名字段的大型数据集中。

   下面是 AI 数据架构如何帮助 Copilot 专注于正确的数据的示例。

   使用整个架构时，当 Copilot 说销售时，并不始终清楚用户的意图。 在这种情况下，Copilot 返回了 GPM 或毛利率，这是对销售的合法解释，但不是此团队通常用于分析销售的指标。

   模型作者开始为 AI 准备数据，并删除传递到 Copilot 的架构中包含的总 GPM 度量值。

   现在，当用户提出相同的问题时，Copilot 可以更清楚地了解从何处获取答案，并正确解释此团队定义的销售额和度量值。

   

2. 创建已验证的答案。

   为用户可能提出的常见或细微差别的问题设置已验证答案。

   为此，请选择视觉对象，然后选择“创建已验证答案”。然后添加触发器短语，以反映用户可能如何为其问题加上短语。 当用户在 Copilot 中输入匹配或类似的短语时，它将返回受信任的视觉对象 - 确保跨报表的一致高质量响应。

   以下示例显示了已验证答案的好处。 用户按区域请求销售。 Copilot 将区域解释为产品区域，并返回产品及其销售列表。 但是，用户按区域或位置查找销售。

   模型作者使用包含按区域的销售额的视觉对象设置已验证的答案。 选择在视觉对象上设置已验证的答案后，模型作者将包含触发短语，当用户询问时，应返回此特定视觉响应。

   现在，当用户询问按区域销售的内容时，由模型作者批准的已验证答案由 Copilot 返回。

   

3. 添加 AI 说明。

   定义架构和已验证答案后，使用 AI 说明指导 Copilot 在模型级别的行为。

   说明有助于阐明业务逻辑、将用户术语映射到模型字段，以及指导 Copilot 如何解释或分析特定类型的数据。 它们有助于提供上下文科皮洛特不会自行推断。

   以下示例演示如何使用 AI 指令向 Copilot 提供更多上下文。 用户要求在 2012 年繁忙季节销售。 忙碌的季节是一个定义完善的、常用的短语。 但是，语义模型没有任何迹象表明此术语在任何地方。 模型作者设置一个指令，即忙碌的季节定义为 6-8 月。

   现在，当用户在繁忙季节再次询问有关销售的问题时，Copilot 会理解此定义的术语，并提供响应。

   

4. 向表和列添加说明。

   说明提供了 Copilot 可用于了解模型的额外元数据。

   虽然说明目前只影响一些 Copilot 行为，但它们在未来的功能中将发挥更大的作用。 现在添加它们有助于在 Power BI 中使用自然语言交互为长期成功构建坚实的基础。

目前，工具和配置功能仅在模型上可用。 尚不支持配置基于同一模型生成的不同报表。 架构、已验证的答案、同义词、说明和说明是在语义模型中设置的，而不是在报表上设置的。

请参阅以下表：

1. 定义 AI 数据架构。

   删除与用户需求无关的任何表、列或字段。 这有助于 Copilot 专注于模型最相关的部分，确保在响应查询时选择正确的字段。

2. 对报表中的视觉对象使用已验证的答案。

   如果问题的答案可以从报表中的视觉对象派生，请创建已验证的答案。 这可确保当用户使用特定触发器短语提问时，Copilot 将始终返回正确的视觉对象。

3. 自定义特定字段的说明。

   设置架构和验证答案后，可以使用 AI 说明在选择特定字段时指导 Copilot。 建议在设置其他准备数据 AI 功能后，使用说明进行微调和高级方案。 通过使用这一系列步骤，可以确保 Copilot 将最准确且上下文相关的结果返回给用户，这些结果由模型的结构和定义的说明指导。

如果你有一个术语 Copilot 很难理解，在模型中始终具有相同的单个正确项来引用，则可以通过 AI 说明提供替代名称。

例如，如果你的团队调用销售产品的人员“更近”，那么最好的选择是通过将“卖家”设置为也称为“更近”来在 AI 指令中提供参考。

遵循通过 Q&A 设置设置的同义词，但前提是 Copilot 从语义模型回答问题。 我们正在努力包括同义词，以帮助为 Copilot 准备数据。

如果你的团队使用与模型中的表/字段不完全匹配的某些术语，那么使用 AI 说明有助于阐明具有特定条件或分组的不同项。

例如，销售团队可能会将“高性能者”分类为任何在给定月份销售超过 100% 目标的任何人。 然后，可以向 Copilot 提供以下说明：

高性能意味着满足 100 个% 或更多月目标的卖家。

现在，当用户问“上个月谁是高绩效者？”Copilot 了解团队和组织中高性能的含义的定义。

另一个示例可能是球队如何对不同赛季进行分类。 例如，Jan-May 可能在团队中被引用为慢赛季，6 月至 9 月可能是繁忙的季节，10 月至 12 月可能是标准赛季。

在 AI 说明中，可以设置以下内容：

• 慢季节 意味着1月至5月。
• 繁忙的季节 意味着 6 月至 9 月。
• 标准季节 表示 10 月至 12 月。

现在，当用户问“去年繁忙季节的总销售额是多少？”Copilot 了解用户通过繁忙季节意味着什么的时间范围。

报表和数据使用者可能有常见问题，这些问题最常被问及。 解决此问题的最佳方式是向模型应用已验证的答案。 通过选择视觉对象和设置触发器短语来应用已验证的答案，当用户询问主题时，它会使用分配的视觉对象返回信息。

例如，报表和模型的消费者经常询问“上周产品销售额最高”的问题，即销售总额和金额。 设置已验证的答案有助于 Copilot 了解从何处获取正确的信息，并帮助构建作者和使用者对提供的答案的信任。

目前存在的功能仅限于广泛的消耗。 目前不支持基于不同组创建术语表。 例如，如果对工程师的使用情况意味着“点击次数”，而产品经理的使用情况意味着“在给定月份向客户付费”，那么目前无法通过两种不同的方式在模型中定义“使用情况”。