Oprava Copilota Power BI: Od nejednoznačnosti k deterministickým výsledkům DAX

Část 1: Proč druhý pilot hádá: Není to chyba

Výše popsané chování není softwarovou chybou. Je to základní rys velkých jazykových modelů (LLM), které pohání Copilot. Tyto modely jsou pravděpodobnostní; jsou vytvořeny tak, aby generovaly odpovědi, ne aby prováděly přesné výpočty jako kalkulačka. Když dostane nejednoznačnou výzvu, AI musí uhodnout.

Nedeterminismus: Základní rys

Generativní AI „nerozumí“ vašemu obchodnímu kontextu. Vidí pouze výzvu a strukturu datového modelu (jeho schéma). Když uživatel požádá o „hrubý zisk“, AI prohledá schéma a vyhledá odpovídající názvy sloupců. Pokud najde obojí[GrossProfit]a[GrossProfitper], vidí dvě dobré možnosti. Bez dalšího kontextu je jeho výběr statistickým odhadem. To znamená, že stejná výzva může dokonce poskytnout různé výsledky v různých časech. Nástroje business intelligence vyžadují konzistentní a ověřitelné odpovědi. Toto chování AI je v rozporu s touto potřebou.

Selhání potrubí NLQ-to-DAX

Zde je to, co se stane na pozadí, když napíšete výzvu:

Vizuální: kanál NLQ-to-DAX

1

Vstupní výzva

"průměrný hrubý zisk"

2

Uzemnění (skenování schématu)

AI najde:[GrossProfit]a[GrossProfitper]

!

Generace (nejednoznačnost)

Kterou použít? AI „hádá“[GrossProfitper].

4

Výstup (nesprávný DAX)

AVERAGE('Sales'[GrossProfitper])

Doporučené čtení:Jak zakázat Windows Copilot AI – Windows 10 a 11

5

Provedení (nesprávný vzhled)

Zobrazí se graf „Průměrný zisk v %“.

1. Provedení:Power BI spustí tento špatný dotaz a ukáže vám vizuál, který jste nechtěli.

Hlubší pohled: Proces „uzemnění“.

Krok „uzemnění“ je nejkritičtější fází. Zde tvoří Copilot svůj kontext. Nejde jen o čtení názvů sloupců. Aktivně skenuje a upřednostňuje několik vrstev metadat vašeho modelu:

• Popis polí:Toto je položka s vysokou prioritou. Dobře napsaný popis je přímým pokynem pro AI.
• Synonyma:Novější funkce Power BI umožňují definovat synonyma pro pole. Můžete například propojit „Tržby“, „Příjmy“ a „Obrat“ se svými[Total Sales]opatření.
• Datové typy a kategorie:To ví[Date]je rande,[City]je umístění (a lze jej zmapovat) a[Profit]je číslo.
• Modelové vztahy:Chápe, jak jsou tabulky propojeny. Takhle se to umí připojit[ProductCategoryName]z tabulky „Produkty“ do[SalesAmount]z tabulky „Prodej“.

K selhání dochází, když tento proces uzemnění stále vede k nejednoznačnosti. Pokud dvě pole (např[GrossProfit]a[GrossProfitper]) oba vypadají jako stejně dobré zápasy, AI je nucena hádat.

Selhání není v logice AI. AI *správně* ohlásila nejednoznačnost, kterou našla v datovém modelu. Chcete-li opravit výstup, musíte nejprve opravit vstup. To může provést uživatel (napsáním lepší výzvy) nebo vývojář (sestavením lepšího modelu).

Část 3: Oprava na straně vývojáře: Vytvořte model připravený na umělou inteligenci

Spoléhat se na to, že každý uživatel bude psát perfektní výzvy, není škálovatelné řešení. Lepší a dlouhodobou opravou je pro vývojáře Power BI navrhovat datové modely, které jsou „připravené na AI“. To znamená odstranění nejednoznačnosti dříve, než uživatel zadá výzvu. Microsoft k tomu poskytuje sadu nástrojů v Power BI Desktop a Fabric.

Oprava vrstvy 3: Průvodce s pokyny AI

Tento nástroj poskytuje textové pole, kde můžete AI zadat pravidla v jednoduché angličtině. Můžete napsat: „GrossProfitje celková částka v dolarech.GrossProfitperje procento. Pokud uživatel žádá pouze o „hrubý zisk“, vždy to myslí[GrossProfit]opatření." Tato instrukce je přidána do kontextu AI a vede ji ke správné volbě.

Kontrolní seznam doporučených postupů pro vývojáře

Pomocí tohoto kontrolního seznamu vytvořte robustní datový model připravený na umělou inteligenci. Tím se váš model posouvá z nejednoznačného na deterministický.

• ✓

  Audit všech jmen

  Jsou všechny názvy polí jasné a zřetelné? Přejmenujte kryptické sloupce jakoCustNo_1naCustomer ID.

• ✓

  Vyplnit všechny popisy

  Napište jasný popis každého jednotlivého opatření a důležitého sloupce. Toto je váš primární nástroj pro vedení AI.

• ✓

  Vytvořte klíčová opatření

  Nespoléhejte na to, že AI odhadne implicitní agregace (napřSUM(Sales[Amount])). Vytvořte explicitní opatření jako[Total Sales]a skryjte základní sloupec.

• ✓

  Skryjte nepotřebná pole

  Pokud se sloupec používá pouze pro vztah (jako cizí klíč) nebo v taktu, skryjte jej v zobrazení sestavy. Pokud by ji AI neměla používat, skryjte ji pomocí „Příprava dat pro AI“.

• ✓

  Nastavit synonyma

  Přejděte do zobrazení modelu a přidejte synonyma pro vaše nejdůležitější pole. Propojte „Příjmy“, „Příjmy“ a „Obrat“ s vašimi[Total Sales]měřit, aby jim AI všem rozuměla.

• ✓

  Implementujte ověřené odpovědi

  Identifikujte svých 5–10 nejčastějších obchodních otázek a sestavte pro ně „ověřené odpovědi“. To poskytuje 100% spolehlivou, předem připravenou odpověď.

Část 4: Strategický rámec pro nejednoznačnost

Výše uvedená řešení ukazují, že vývojáři a uživatelé musí spolupracovat. Uživatelé by měli být konkrétní a vývojáři by měli vytvářet jasné modely. Následující tabulka porovnává všechny zmírňující techniky.

Srovnávací matice strategií zmírňování

Koncepční: Rychlá spolehlivost

Tento graf ukazuje, jak rychlá specifičnost ovlivňuje spolehlivost. Vágní výzva má vysokou šanci na nejednoznačnou, „uhodnutou“ odpověď. Specifický příkazový řádek vynutí jedinou správnou odpověď.

Obchodní náklady na nejednoznačnost

Nejde jen o technický problém. Nekonzistentní nebo nesprávné odpovědi z nástroje AI mají přímé obchodní náklady:

1. Eroze důvěry

Když manažer dostane jeden nesprávný graf, přestane důvěřovat *celému* nástroji. To vede k nízkému přijetí a neúspěšné investici do BI. Uživatelé se vrátí k exportu dat do Excelu.

2. Promarněný čas a zdroje

Analytici a vývojáři tráví hodiny laděním toho, proč Copilot odpověděl špatně, místo aby nacházeli nové poznatky. Vytváří nevyřízené žádosti o podporu na základě řešitelného modelovacího problému.

3. Nesprávná obchodní rozhodnutí

Toto je nejhorší možný scénář. Vedoucí vidí „Průměr hrubého zisku“ (např. 45 %), zamění jej za „Průměr hrubého zisku“ (např. 45 000 USD) a učiní kritické rozhodnutí na základě nesprávných údajů.

Část 5: Pokročilé scénáře a synonyma

Jakmile získáte kontrolu nad základní nejednoznačností, budete se setkávat se složitějšími sémantickými výzvami. Jak s nimi naložíte, určí skutečnou inteligenci vašeho datového modelu.

Synonyma manipulace: „tržby“ vs. „tržby“ vs. „příjmy“

Pro vaši firmu mohou „tržby“, „výnosy“ a „příjmy“ znamenat totéž. Pro AI jsou to jen různé textové řetězce. Pokud máte opatření tzv[Total Sales], zobrazí se uživateli dotaz „Zobrazit celkové tržby“ chyba „Pole nenalezeno“.

Řešení:Tyto termíny musíte explicitně zmapovat. V zobrazení modelu Power BI můžete vybrat[Total Sales]měřit a přidat do seznamu synonym výrazy „Tržby“, „Celkové tržby“ a „Příjmy“. To učí AI, že všechna tato slova ukazují na stejnou, jedinou míru. Nyní všechny tři výzvy vrátí správný vizuál.

Vícejazyčná výzva

Co se stane, když je váš model v angličtině, ale vaši uživatelé jsou globální? Uživatel ve Francii může požádat o „ventes par catégorie“ (prodej podle kategorií). Copilot může selhat, pokud váš model obsahuje pouze položky „Prodej“ a „Kategorie“.

Řešení:To vyžaduje pokročilejší nastavení. Můžete použít překlady a přidat do svého modelu vícejazyčná synonyma. Jako synonymum byste přidali „ventes“.[Total Sales]a "kategorie" pro[ProductCategoryName]. Díky tomu je model přístupný globální uživatelské základně, aniž by se měnila základní datová struktura.

Když je nejednoznačnost (stručně) užitečná

Existuje jedna situace, kdy nejednoznačnost není problém: čistý průzkum. Uživatelská výzva jako „Ukaž mi, co je zajímavého na mých údajích o prodeji“ je záměrně vágní. To zve AI, aby byla „kreativní“ a vytvořila několik grafů (např. prodeje v čase, prodeje podle regionu, prodeje podle produktu), aby nalezla zajímavý vzor.

Toto je však *průzkumná analýza*, nikoli *zpráva*. V okamžiku, kdy uživatel potřebuje konkrétní odpověď na konkrétní otázku („Jaký byl náš zisk v minulém čtvrtletí?“), se z nejasností stává závazek. Vaším cílem jako vývojáře by mělo být eliminovat nejednoznačnost u všech známých obchodních otázek a zároveň umožnit široký průzkum.

Část 6: Interaktivní nástroj pro tvorbu výzev

Tento nástroj vám pomůže přeložit požadovaný dotaz DAX do spolehlivé a jednoznačné výzvy Copilota. Když budete přemýšlet o přesném dotazu DAX, který potřebujete, můžete se naučit psát výzvy, které AI odstraňují veškeré dohady. Napište požadovaný DAX a uvidíte perfektní výzvu k jeho získání.

1. Vaše jednoduchá/nejednoznačná výzva

2. Jednoznačný DAX, který chcete

Generovat spolehlivou výzvu

Doporučená jednoznačná výzva:

Tato výzva je generována z přesných názvů polí nalezených ve vašem DAX. Odstraňuje všechny nejednoznačnosti.

Zadejte dotaz DAX obsahující názvy polí, např'Table'[Column]nebo[Measure].

Často kladené otázky (FAQ)

Je „hádání“ Copilota chybou, která bude opravena?

Ne, není to považováno za chybu. Je to základní součást toho, jak fungují generativní modely umělé inteligence. Jsou navrženy tak, aby byly pravděpodobnostní a „generovaly“ nejpravděpodobnější odpověď na základě vstupu. Protože vstup (vágní výzva + nejednoznačný model) je nejednoznačný, výstup je odhad. Oprava nespočívá ve změně AI, ale v odstranění nejednoznačnosti z výzvy a datového modelu.

Proč Copilot vybral procentuální pole místo částky v dolarech?

Neexistuje jediný důvod. Mohlo by to být tím[GrossProfitper]byla ve schématu abecedně první, nebo byla přidána nedávno, nebo trénovací data AI jednoduše dávala o něco vyšší pravděpodobnost. Hlavní je, že to byl odhad. Jediným způsobem, jak zabránit odhadu, je odstranit volbu, buď napsáním konkrétní výzvy ([GrossProfit]) nebo skrytím druhého pole před AI.

Jaký je nejlepší způsob, jak to napravit?

Prokoncového uživatele, nejlepší opravou je vždy používat názvy polí v hranatých závorkách jako[ColumnName]ve vašich výzvách.

Pro avývojář, nejrobustnější opravou je použití nástrojů „Příprava dat pro AI“. Použijte „Ověřené odpovědi“ pro svých 5–10 nejčastějších otázek a „Datová schémata AI“ ke skrytí všech matoucích nebo nepotřebných sloupců před AI.

Musím stále používat dobré pojmenování, když používám nástroje „Příprava dat pro AI“?

Ano. Dobré a jasné pojmenování (např.Gross Profit Percentage) je základem zdravého datového modelu. Tato jména pomáhají lidským analytikům stejně jako AI. Nástroje „Prep data for AI“ jsou výkonnou druhou vrstvou kontroly, ale měly by být používány s dobře navrženým modelem, nikoli jako záplata za špatně navržený model.