إصلاح Power BI Copilot: من الغموض إلى نتائج DAX الحتمية

الجزء الأول: لماذا يخمن مساعد الطيار: إنه ليس خطأً

السلوك الموصوف أعلاه ليس خطأ في البرنامج. إنها ميزة أساسية لنماذج اللغات الكبيرة (LLMs) التي تعمل على تشغيل برنامج Copilot. هذه النماذج احتمالية. لقد تم تصميمها لتوليد الاستجابات، وليس لإجراء حسابات دقيقة مثل الآلة الحاسبة. عند إعطاء مطالبة غامضة، يجب على الذكاء الاصطناعي أن يخمن.

عدم الحتمية: السمة الأساسية

الذكاء الاصطناعي التوليدي لا "يفهم" سياق عملك. إنه يرى فقط الموجه وبنية نموذج البيانات (مخططه). عندما يطلب المستخدم "إجمالي الربح"، يقوم الذكاء الاصطناعي بمسح المخطط بحثًا عن أسماء الأعمدة المطابقة. إذا وجد كلاهما[GrossProfit]و[GrossProfitper]، فهو يرى خيارين جيدين. وبدون مزيد من السياق، فإن اختياره هو تخمين إحصائي. وهذا يعني أن نفس المطالبة قد تعطي نتائج مختلفة في أوقات مختلفة. تتطلب أدوات ذكاء الأعمال إجابات متسقة ويمكن التحقق منها. يتعارض سلوك الذكاء الاصطناعي هذا مع تلك الحاجة.

فشل خط أنابيب NLQ-to-DAX

إليك ما يحدث في الخلفية عند كتابة مطالبة:

مرئي: خط أنابيب NLQ-to-DAX

1

موجه الإدخال

"متوسط ​​الربح الإجمالي"

2

التأريض (مسح المخطط)

يجد الذكاء الاصطناعي:[GrossProfit]و[GrossProfitper]

!

الجيل (الغموض)

أي واحد للاستخدام؟ "تخمينات" الذكاء الاصطناعي[GrossProfitper].

4

الإخراج (DAX غير صحيح)

AVERAGE('Sales'[GrossProfitper])

القراءة المقترحة:كيفية تعطيل Windows Copilot AI – Windows 10 و11

5

التنفيذ (مرئي خاطئ)

يتم عرض مخطط "متوسط ​​الربح٪".

1. تنفيذ:يقوم Power BI بتشغيل هذا الاستعلام السيئ ويعرض لك مرئيات لا تريدها.

نظرة أعمق: عملية "التأريض".

خطوة "التأريض" هي المرحلة الأكثر أهمية. هذا هو المكان الذي يشكل فيه Copilot سياقه. لا يقتصر الأمر على قراءة أسماء الأعمدة فقط. يقوم بمسح عدة طبقات من البيانات التعريفية للنموذج الخاص بك وتحديد أولوياتها بشكل فعال:

• أوصاف الحقول:هذا عنصر ذو أولوية عالية. الوصف المكتوب جيدًا هو تعليمات مباشرة للذكاء الاصطناعي.
• المرادفات:تتيح لك ميزات Power BI الأحدث تحديد المرادفات للحقول. على سبيل المثال، يمكنك ربط "الإيرادات" و"الدخل" و"حجم الأعمال" بحسابك[Total Sales]يقيس.
• أنواع وفئات البيانات:إنه يعرف[Date]هو موعد،[City]هو الموقع (ويمكن تعيينها)، و[Profit]هو رقم.
• العلاقات النموذجية:إنه يفهم كيفية ربط الجداول. هذه هي الطريقة التي يعرف بها الاتصال[ProductCategoryName]من جدول "المنتجات" إلى[SalesAmount]من جدول "المبيعات".

يحدث الفشل عندما لا تزال عملية التأريض هذه تؤدي إلى الغموض. إذا كان هناك حقلين (مثل[GrossProfit]و[GrossProfitper]) يبدو أن كلاهما متطابقان جيدًا بنفس القدر، مما يضطر الذكاء الاصطناعي إلى التخمين.

الفشل ليس في منطق الذكاء الاصطناعي. أبلغ الذكاء الاصطناعي *بشكل صحيح* عن الغموض الذي وجده في نموذج البيانات. لإصلاح الإخراج، يجب عليك أولاً إصلاح الإدخال. يمكن القيام بذلك بواسطة المستخدم (عن طريق كتابة مطالبة أفضل) أو بواسطة المطور (عن طريق بناء نموذج أفضل).

الجزء 3: الإصلاح من جانب المطور: بناء نموذج جاهز للذكاء الاصطناعي

إن الاعتماد على كل مستخدم لكتابة مطالبات مثالية ليس حلاً قابلاً للتطوير. الحل الأفضل على المدى الطويل هو أن يقوم مطورو Power BI بتصميم نماذج بيانات "جاهزة للذكاء الاصطناعي". وهذا يعني إزالة الغموض قبل أن يقوم المستخدم بكتابة المطالبة. توفر Microsoft مجموعة من الأدوات في Power BI Desktop وFabric للقيام بذلك.

إصلاح الطبقة 3: الدليل بتعليمات الذكاء الاصطناعي

توفر هذه الأداة مربع نص يمكنك من خلاله إعطاء قواعد اللغة الإنجليزية البسيطة للذكاء الاصطناعي. يمكنك الكتابة: "GrossProfitهو المبلغ الإجمالي بالدولار.GrossProfitperهي النسبة المئوية. إذا طلب المستخدم فقط "إجمالي الربح"، فهو يقصد دائمًا[GrossProfit]يقيس." تتم إضافة هذه التعليمات إلى سياق الذكاء الاصطناعي، وتوجيهه إلى الاختيار الصحيح.

قائمة مراجعة أفضل ممارسات المطور

استخدم قائمة التحقق هذه لإنشاء نموذج بيانات قوي وجاهز للذكاء الاصطناعي. يؤدي هذا إلى نقل نموذجك من كونه غامضًا إلى كونه حتميًا.

• ✓

  تدقيق جميع الأسماء

  هل جميع أسماء الحقول واضحة ومميزة؟ إعادة تسمية الأعمدة المبهمة مثلCustNo_1لCustomer ID.

• ✓

  تعبئة كافة الأوصاف

  اكتب وصفًا واضحًا لكل مقياس وعمود مهم. هذه هي أداتك الأساسية لتوجيه الذكاء الاصطناعي.

• ✓

  إنشاء التدابير الرئيسية

  لا تعتمد على الذكاء الاصطناعي لتخمين التجميعات الضمنية (مثلSUM(Sales[Amount])). إنشاء تدابير واضحة مثل[Total Sales]وإخفاء العمود الأساسي.

• ✓

  إخفاء الحقول غير الضرورية

  إذا تم استخدام عمود فقط لعلاقة (مثل مفتاح خارجي) أو في مقياس، فقم بإخفائه من طريقة عرض التقرير. إذا لم يكن من المفترض أن يستخدمها الذكاء الاصطناعي، فقم بإخفائها باستخدام "إعداد البيانات للذكاء الاصطناعي".

• ✓

  إعداد المرادفات

  انتقل إلى عرض النموذج وأضف المرادفات لأهم الحقول لديك. قم بربط "الإيرادات" و"الدخل" و"حجم الأعمال" بحسابك[Total Sales]قم بالقياس حتى يفهمها الذكاء الاصطناعي جميعًا.

• ✓

  تنفيذ الإجابات التي تم التحقق منها

  حدد أهم 5 إلى 10 أسئلة عمل شائعة وقم ببناء "إجابات مؤكدة" لها. يوفر هذا إجابة موثوقة بنسبة 100% ومُعدة مسبقًا.

الجزء الرابع: الإطار الاستراتيجي للغموض

توضح الحلول المذكورة أعلاه أنه يجب على المطورين والمستخدمين العمل معًا. يجب أن يكون المستخدمون محددين، ويجب على المطورين بناء نماذج واضحة. يقارن الجدول التالي جميع تقنيات التخفيف.

مصفوفة مقارنة استراتيجية التخفيف

المفاهيمي: الموثوقية السريعة

يوضح هذا الرسم البياني كيف تؤثر الخصوصية السريعة على الموثوقية. إن المطالبة الغامضة لديها فرصة كبيرة للحصول على إجابة غامضة "محزرة". يفرض موجه نمط الأمر المحدد إجابة واحدة صحيحة.

تكلفة الأعمال التجارية من الغموض

هذه ليست مجرد مشكلة فنية. الإجابات غير المتسقة أو غير الصحيحة من أداة الذكاء الاصطناعي لها تكاليف تجارية مباشرة:

1. تآكل الثقة

عندما يحصل المدير على مخطط واحد غير صحيح، فإنه يتوقف عن الثقة في الأداة * بأكملها *. يؤدي هذا إلى انخفاض الاعتماد وفشل استثمار ذكاء الأعمال. سيعود المستخدمون إلى تصدير البيانات إلى Excel.

2. إضاعة الوقت والموارد

يقضي المحللون والمطورون ساعات في تصحيح الأخطاء "لماذا أعطى Copilot إجابة خاطئة" بدلاً من العثور على رؤى جديدة. يقوم بإنشاء تراكم تذكرة دعم بناءً على مشكلة نمذجة قابلة للحل.

3. قرارات العمل غير الصحيحة

وهذا هو السيناريو الأسوأ. يرى القائد "متوسط ​​إجمالي الربح" (على سبيل المثال، 45%)، ويخلط بينه وبين "متوسط ​​إجمالي الربح" (على سبيل المثال، 45000 دولار)، ويتخذ قرارًا حاسمًا بناءً على بيانات خاطئة.

الجزء الخامس: السيناريوهات والمرادفات المتقدمة

عندما تتحكم في الغموض الأساسي، ستواجه تحديات دلالية أكثر تعقيدًا. ستحدد كيفية تعاملك مع هذه الأمور الذكاء الحقيقي لنموذج البيانات الخاص بك.

مرادفات التعامل: "المبيعات" مقابل "الإيرادات" مقابل "الدخل"

بالنسبة لشركتك، قد تعني "المبيعات" و"الإيرادات" و"الدخل" نفس الشيء. بالنسبة للذكاء الاصطناعي، فهي مجرد سلاسل نصية مختلفة. إذا كان لديك مقياس يسمى[Total Sales]، فإن المستخدم الذي يطلب "إظهار إجمالي الإيرادات" سيحصل على خطأ "لم يتم العثور على الحقل".

الحل:يجب عليك تعيين هذه المصطلحات بشكل واضح. في طريقة عرض نموذج Power BI، يمكنك تحديد[Total Sales]قم بقياس وإضافة "الإيرادات" و"إجمالي الإيرادات" و"الدخل" إلى قائمة المرادفات الخاصة به. وهذا يعلم الذكاء الاصطناعي أن هذه الكلمات تشير جميعها إلى نفس المقياس الواحد. الآن، ستعيد المطالبات الثلاثة الصورة الصحيحة.

التحدي متعدد اللغات

ماذا يحدث عندما يكون النموذج الخاص بك باللغة الإنجليزية، ولكن المستخدمين لديك عالميون؟ قد يسأل مستخدم في فرنسا عن "ventes par catégorie" (المبيعات حسب الفئة). قد يفشل برنامج Copilot إذا كان النموذج الخاص بك يحتوي فقط على "المبيعات" و"الفئة".

الحل:وهذا يتطلب إعدادًا أكثر تقدمًا. يمكنك استخدام الترجمات وإضافة مرادفات متعددة اللغات إلى النموذج الخاص بك. يمكنك إضافة "فتحات" كمرادف لـ[Total Sales]و"الفئة" ل[ProductCategoryName]. وهذا يجعل النموذج في متناول قاعدة المستخدمين العالمية دون تغيير بنية البيانات الأساسية.

عندما يكون الغموض (لفترة وجيزة) مفيدا

هناك موقف واحد حيث لا يشكل الغموض مشكلة: الاستكشاف المحض. إن مطالبة المستخدم مثل "أرني ما هو مثير للاهتمام في بيانات مبيعاتي" تكون غامضة عن عمد. وهذا يدعو الذكاء الاصطناعي إلى أن يكون "مبدعًا" وينشئ العديد من الرسوم البيانية (على سبيل المثال، المبيعات بمرور الوقت، والمبيعات حسب المنطقة، والمبيعات حسب المنتج) للعثور على نمط مثير للاهتمام.

ومع ذلك، هذا *تحليل استكشافي*، وليس *تقرير*. في اللحظة التي يحتاج فيها المستخدم إلى إجابة محددة لسؤال محدد ("ما هو الربح الذي حققناه في الربع الأخير؟")، يصبح الغموض بمثابة عائق. يجب أن يكون هدفك كمطور هو إزالة الغموض عن جميع الأسئلة التجارية المعروفة، مع السماح بالاستكشاف على نطاق واسع.

الجزء 6: أداة إنشاء المطالبة التفاعلية

تساعدك هذه الأداة على ترجمة استعلام DAX المطلوب إلى مطالبة Copilot موثوقة لا لبس فيها. من خلال التفكير في استعلام DAX الدقيق الذي تحتاجه، يمكنك تعلم كيفية كتابة المطالبات التي تزيل كل التخمينات الخاصة بالذكاء الاصطناعي. اكتب DAX الذي تريده، وشاهد المطالبة المثالية للحصول عليه.

1. مطالبتك البسيطة/الغامضة

2. مؤشر DAX الذي لا لبس فيه الذي تريده

إنشاء موجه موثوق

الموصى بها موجه لا لبس فيه:

يتم إنشاء هذه المطالبة من أسماء الحقول الدقيقة الموجودة في DAX الخاص بك. فهو يزيل كل الغموض.

الرجاء إدخال استعلام DAX يحتوي على أسماء الحقول مثل'Table'[Column]أو[Measure].

الأسئلة المتداولة (الأسئلة الشائعة)

هل "تخمين" مساعد الطيار خطأ سيتم إصلاحه؟

لا، لا يعتبر خطأ. إنه جزء أساسي من كيفية عمل نماذج الذكاء الاصطناعي التوليدية. لقد تم تصميمها لتكون احتمالية و"تولد" الاستجابة الأكثر ترجيحًا بناءً على المدخلات. نظرًا لأن الإدخال (موجه غامض + نموذج غامض) غامض، فإن الإخراج هو تخمين. لا يتمثل الحل في تغيير الذكاء الاصطناعي، بل في إزالة الغموض من الموجه ونموذج البيانات.

لماذا اختار مساعد الطيار حقل النسبة المئوية بدلاً من المبلغ بالدولار؟

لا يوجد سبب واحد. يمكن أن يكون ذلك[GrossProfitper]كان الأول أبجديًا في المخطط، أو تمت إضافته مؤخرًا، أو أن بيانات تدريب الذكاء الاصطناعي أعطته احتمالية أعلى قليلاً. والمفتاح هو أنه كان تخمينا. الطريقة الوحيدة لمنع التخمين هي إزالة الاختيار، إما عن طريق كتابة مطالبة محددة ([GrossProfit]) أو عن طريق إخفاء الحقل الآخر عن الذكاء الاصطناعي.

ما هي أفضل طريقة لإصلاح هذا؟

لالمستخدم النهائي، أفضل حل هو استخدام أسماء الحقول بين قوسين دائمًا مثل[ColumnName]في مطالباتك.

لمطورالحل الأقوى هو استخدام أدوات "إعداد البيانات للذكاء الاصطناعي". استخدم "الإجابات التي تم التحقق منها" لأهم 5 إلى 10 أسئلة و"مخططات بيانات الذكاء الاصطناعي" لإخفاء أي أعمدة مربكة أو غير ضرورية من الذكاء الاصطناعي.

هل ما زلت بحاجة إلى استخدام تسمية جيدة إذا كنت أستخدم أدوات "إعداد البيانات للذكاء الاصطناعي"؟

نعم. تسمية جيدة وواضحة (على سبيل المثال،Gross Profit Percentage) هو أساس نموذج البيانات الصحي. تساعد هذه الأسماء المحللين البشريين بقدر ما تساعد الذكاء الاصطناعي. تعد أدوات "إعداد البيانات للذكاء الاصطناعي" بمثابة طبقة ثانية قوية من التحكم، ولكن يجب استخدامها مع نموذج مصمم جيدًا، وليس كتصحيح لنموذج سيئ التصميم.