Power BI Copilot beheben: Von der Mehrdeutigkeit zu deterministischen DAX-Ergebnissen

Teil 1: Warum Copilot vermutet: Es ist kein Fehler

Das oben beschriebene Verhalten ist kein Softwarefehler. Es ist ein Grundmerkmal der großen Sprachmodelle (LLMs), die Copilot unterstützen. Diese Modelle sind probabilistisch; Sie sind darauf ausgelegt, Antworten zu generieren und nicht wie ein Taschenrechner exakte Berechnungen durchzuführen. Bei einer mehrdeutigen Eingabeaufforderung muss die KI raten.

Nichtdeterminismus: Das Kernmerkmal

Generative KI „versteht“ Ihren Geschäftskontext nicht. Es sieht nur die Eingabeaufforderung und die Struktur des Datenmodells (sein Schema). Wenn ein Benutzer nach „Bruttogewinn“ fragt, durchsucht die KI das Schema nach passenden Spaltennamen. Wenn es beides findet[GrossProfit]Und[GrossProfitper], es sieht zwei gute Optionen. Ohne weiteren Kontext ist seine Wahl eine statistische Vermutung. Dies bedeutet, dass dieselbe Eingabeaufforderung zu unterschiedlichen Zeiten sogar unterschiedliche Ergebnisse liefern kann. Business-Intelligence-Tools erfordern konsistente, überprüfbare Antworten. Dieses KI-Verhalten steht im Widerspruch zu diesem Bedürfnis.

Der NLQ-zu-DAX-Pipeline-Fehler

Folgendes passiert im Hintergrund, wenn Sie eine Eingabeaufforderung eingeben:

Visuell: Die NLQ-zu-DAX-Pipeline

1

Eingabeaufforderung

„durchschnittlicher Bruttogewinn“

2

Erdung (Schema-Scan)

KI findet:[GrossProfit]Und[GrossProfitper]

!

Generation (Mehrdeutigkeit)

Welches soll ich verwenden? Die KI „errät“[GrossProfitper].

4

Ausgabe (falscher DAX)

AVERAGE('Sales'[GrossProfitper])

Empfohlene Lektüre:So deaktivieren Sie Windows Copilot AI – Windows 10 und 11

5

Ausführung (falsches Bild)

Es wird ein Diagramm mit dem „durchschnittlichen Gewinn %“ angezeigt.

1. Ausführung:Power BI führt diese fehlerhafte Abfrage aus und zeigt Ihnen ein unerwünschtes Bild an.

Ein tieferer Blick: Der „Erdungs“-Prozess

Der Schritt „Erdung“ ist die kritischste Phase. Hier bildet Copilot seinen Kontext. Es geht nicht nur darum, die Spaltennamen zu lesen. Es scannt und priorisiert aktiv mehrere Ebenen der Metadaten Ihres Modells:

• Feldbeschreibungen:Dies ist ein Element mit hoher Priorität. Eine gut geschriebene Beschreibung ist eine direkte Anweisung an die KI.
• Synonyme:Mit neueren Power BI-Funktionen können Sie Synonyme für Felder definieren. Sie können beispielsweise „Umsatz“, „Einkommen“ und „Umsatz“ mit Ihrem Konto verknüpfen[Total Sales]messen.
• Datentypen und Kategorien:Es weiß[Date]ist ein Datum,[City]ist ein Ort (und kann kartiert werden) und[Profit]ist eine Zahl.
• Modellbeziehungen:Es versteht, wie Tabellen verknüpft sind. Dadurch weiß es, wie man eine Verbindung herstellt[ProductCategoryName]von der Tabelle „Produkte“ zur[SalesAmount]aus der Tabelle „Verkäufe“.

Der Fehler tritt auf, wenn dieser Erdungsprozess immer noch zu Unklarheiten führt. Wenn zwei Felder (wie[GrossProfit]Und[GrossProfitper]) scheinen beide gleich gute Übereinstimmungen zu sein, die KI muss raten.

Der Fehler liegt nicht in der Logik der KI. Die KI hat die im Datenmodell gefundene Mehrdeutigkeit *richtig* gemeldet. Um die Ausgabe zu korrigieren, müssen Sie zuerst die Eingabe korrigieren. Dies kann durch den Benutzer (durch Schreiben einer besseren Eingabeaufforderung) oder durch den Entwickler (durch Erstellen eines besseren Modells) erfolgen.

Teil 3: Die entwicklerseitige Lösung: Erstellen Sie ein KI-fähiges Modell

Sich darauf zu verlassen, dass jeder Benutzer perfekte Eingabeaufforderungen schreibt, ist keine skalierbare Lösung. Die bessere, langfristige Lösung besteht darin, dass Power BI-Entwickler Datenmodelle entwerfen, die „KI-fähig“ sind. Das bedeutet, Unklarheiten zu beseitigen, bevor der Benutzer überhaupt eine Eingabeaufforderung eingibt. Zu diesem Zweck stellt Microsoft in Power BI Desktop und Fabric eine Reihe von Tools bereit.

Layer 3 Fix: Anleitung mit KI-Anweisungen

Dieses Tool bietet ein Textfeld, in dem Sie der KI einfache englische Regeln geben können. Sie können schreiben: „GrossProfitist der Gesamtbetrag in Dollar.GrossProfitperist der Prozentsatz. Wenn ein Benutzer nur nach „Bruttogewinn“ fragt, meint er immer das[GrossProfit]messen." Diese Anweisung wird dem Kontext der KI hinzugefügt und führt sie zur richtigen Wahl.

Eine Best-Practice-Checkliste für Entwickler

Verwenden Sie diese Checkliste, um ein robustes, KI-fähiges Datenmodell zu erstellen. Dadurch wird Ihr Modell von mehrdeutig zu deterministisch.

• ✓

  Alle Benennungen prüfen

  Sind alle Feldnamen klar und eindeutig? Benennen Sie kryptische Spalten um wieCustNo_1ZuCustomer ID.

• ✓

  Füllen Sie alle Beschreibungen aus

  Schreiben Sie für jede einzelne Maßnahme und wichtige Spalte eine klare Beschreibung. Dies ist Ihr wichtigstes Werkzeug zur Führung der KI.

• ✓

  Erstellen Sie Schlüsselmaßnahmen

  Verlassen Sie sich nicht darauf, dass die KI implizite Aggregationen errät (zSUM(Sales[Amount])). Erstellen Sie explizite Maßnahmen wie[Total Sales]und blenden Sie die Basisspalte aus.

• ✓

  Unnötige Felder ausblenden

  Wenn eine Spalte nur für eine Beziehung (wie einen Fremdschlüssel) oder in einer Kennzahl verwendet wird, blenden Sie sie in der Berichtsansicht aus. Wenn die KI es nicht verwenden soll, blenden Sie es mit „Daten für KI vorbereiten“ aus.

• ✓

  Synonyme einrichten

  Gehen Sie zur Modellansicht und fügen Sie Synonyme für Ihre wichtigsten Felder hinzu. Verknüpfen Sie „Umsatz“, „Einkommen“ und „Umsatz“ mit Ihrem[Total Sales]messen, damit die KI sie alle versteht.

• ✓

  Implementieren Sie verifizierte Antworten

  Identifizieren Sie Ihre 5–10 häufigsten Geschäftsfragen und erstellen Sie „verifizierte Antworten“ für diese. Dies bietet eine 100 % zuverlässige, vorgefertigte Antwort.

Teil 4: Ein strategischer Rahmen für Mehrdeutigkeit

Die oben genannten Lösungen zeigen, dass Entwickler und Benutzer zusammenarbeiten müssen. Benutzer sollten spezifisch sein und Entwickler sollten klare Modelle erstellen. In der folgenden Tabelle werden alle Schadensbegrenzungstechniken verglichen.

Vergleichsmatrix für Abhilfestrategien

Konzeptionell: Pünktliche Zuverlässigkeit

Dieses Diagramm veranschaulicht, wie sich die Pünktlichkeitsspezifität auf die Zuverlässigkeit auswirkt. Bei einer vagen Aufforderung besteht eine hohe Wahrscheinlichkeit einer mehrdeutigen, „erratenen“ Antwort. Eine bestimmte Eingabeaufforderung im Befehlsstil erzwingt eine einzelne, richtige Antwort.

Die geschäftlichen Kosten der Mehrdeutigkeit

Dabei handelt es sich nicht nur um ein technisches Problem. Inkonsistente oder falsche Antworten eines KI-Tools verursachen direkte Geschäftskosten:

1. Erosion des Vertrauens

Wenn ein Manager ein falsches Diagramm erhält, vertraut er dem *gesamten* Tool nicht mehr. Dies führt zu einer geringen Akzeptanz und einer gescheiterten BI-Investition. Benutzer werden wieder Daten nach Excel exportieren.

2. Zeit- und Ressourcenverschwendung

Analysten und Entwickler verbringen Stunden damit, herauszufinden, „warum Copilot die falsche Antwort gegeben hat“, anstatt neue Erkenntnisse zu gewinnen. Es erstellt einen Support-Ticket-Rückstand basierend auf einem lösbaren Modellierungsproblem.

3. Falsche Geschäftsentscheidungen

Dies ist das Worst-Case-Szenario. Eine Führungskraft sieht „Durchschnitt des Bruttogewinns“ (z. B. 45 %), verwechselt ihn mit „Durchschnitt des Bruttogewinns“ (z. B. 45.000 $) und trifft eine wichtige Entscheidung auf der Grundlage falscher Daten.

Teil 5: Fortgeschrittene Szenarien und Synonyme

Wenn Sie die Kontrolle über grundlegende Mehrdeutigkeiten erlangen, werden Sie auf komplexere semantische Herausforderungen stoßen. Wie Sie damit umgehen, bestimmt die wahre Intelligenz Ihres Datenmodells.

Umgang mit Synonymen: „Umsatz“ vs. „Umsatz“ vs. „Einkommen“

Für Ihr Unternehmen bedeuten „Umsatz“, „Umsatz“ und „Einkommen“ möglicherweise dasselbe. Für die KI sind es lediglich unterschiedliche Textzeichenfolgen. Wenn Sie eine Maßnahme aufgerufen haben[Total Sales]Wenn ein Benutzer „Gesamtumsatz anzeigen“ fragt, wird die Fehlermeldung „Feld nicht gefunden“ angezeigt.

Die Lösung:Sie müssen diese Begriffe explizit zuordnen. In der Power BI-Modellansicht können Sie Folgendes auswählen[Total Sales]Messen Sie „Umsatz“, „Gesamtumsatz“ und „Einkommen“ und fügen Sie sie zu Ihrer Synonymliste hinzu. Dadurch lernt die KI, dass diese Wörter alle auf dasselbe Maß hinweisen. Jetzt geben alle drei Eingabeaufforderungen das richtige Bild zurück.

Die mehrsprachige Herausforderung

Was passiert, wenn Ihr Modell auf Englisch ist, Ihre Benutzer jedoch global sind? Ein Benutzer in Frankreich könnte nach „ventes par catégorie“ (Verkäufe nach Kategorie) fragen. Copilot schlägt möglicherweise fehl, wenn Ihr Modell nur „Verkäufe“ und „Kategorie“ enthält.

Die Lösung:Dies erfordert eine erweiterte Einrichtung. Sie können Übersetzungen verwenden und mehrsprachige Synonyme zu Ihrem Modell hinzufügen. Sie würden „ventes“ als Synonym für hinzufügen[Total Sales]und „Kategorie“ für[ProductCategoryName]. Dadurch wird das Modell einer globalen Benutzerbasis zugänglich gemacht, ohne die zugrunde liegende Datenstruktur zu ändern.

Wenn Mehrdeutigkeit (kurz) nützlich ist

Es gibt eine Situation, in der Mehrdeutigkeit kein Problem darstellt: reine Erkundung. Eine Benutzeraufforderung wie „Zeigen Sie mir, was in meinen Verkaufsdaten interessant ist“ ist absichtlich vage. Dies lädt die KI dazu ein, „kreativ“ zu sein und mehrere Diagramme zu erstellen (z. B. Verkäufe im Zeitverlauf, Verkäufe nach Region, Verkäufe nach Produkt), um ein interessantes Muster zu finden.

Dabei handelt es sich jedoch um eine *explorative Analyse* und nicht um eine *Berichterstattung*. In dem Moment, in dem ein Benutzer eine spezifische Antwort auf eine bestimmte Frage benötigt („Wie hoch war unser Gewinn im letzten Quartal?“), wird Unklarheit zu einer Belastung. Ihr Ziel als Entwickler sollte darin bestehen, Unklarheiten bei allen bekannten Geschäftsfragen zu beseitigen und gleichzeitig eine umfassende Erkundung zu ermöglichen.

Teil 6: Interaktives Prompt Builder-Tool

Dieses Tool hilft Ihnen, Ihre gewünschte DAX-Abfrage in eine zuverlässige, eindeutige Copilot-Eingabeaufforderung zu übersetzen. Indem Sie über die genaue DAX-Abfrage nachdenken, die Sie benötigen, können Sie lernen, Eingabeaufforderungen zu schreiben, die der KI jegliches Rätselraten ersparen. Schreiben Sie den gewünschten DAX und sehen Sie sich die perfekte Eingabeaufforderung an, um ihn zu erhalten.

1. Ihre einfache/mehrdeutige Eingabeaufforderung

2. Der eindeutige DAX, den Sie wollen

Generieren Sie eine zuverlässige Eingabeaufforderung

Empfohlene eindeutige Eingabeaufforderung:

Diese Eingabeaufforderung wird aus den genauen Feldnamen generiert, die in Ihrem DAX gefunden werden. Es beseitigt alle Unklarheiten.

Bitte geben Sie eine DAX-Abfrage ein, die Feldnamen wie z. B. enthält'Table'[Column]oder[Measure].

Häufig gestellte Fragen (FAQ)

Ist das „Erraten“ von Copilot ein Fehler, der behoben wird?

Nein, es handelt sich nicht um einen Fehler. Es ist ein grundlegender Bestandteil der Funktionsweise generativer KI-Modelle. Sie sind so konzipiert, dass sie probabilistisch sind und auf der Grundlage der Eingabe die wahrscheinlichste Antwort „generieren“. Da die Eingabe (vage Eingabeaufforderung + mehrdeutiges Modell) mehrdeutig ist, handelt es sich bei der Ausgabe um eine Vermutung. Die Lösung besteht nicht darin, die KI zu ändern, sondern darin, die Mehrdeutigkeit aus der Eingabeaufforderung und dem Datenmodell zu beseitigen.

Warum hat Copilot das Prozentfeld anstelle des Dollarbetrags ausgewählt?

Es gibt keinen einzigen Grund. Das könnte es sein[GrossProfitper]stand alphabetisch an erster Stelle im Schema, oder es wurde erst kürzlich hinzugefügt, oder die Trainingsdaten der KI gaben ihm einfach eine etwas höhere Wahrscheinlichkeit. Der Schlüssel ist, dass es eine Vermutung war. Die einzige Möglichkeit, die Vermutung zu verhindern, besteht darin, die Auswahl zu entfernen, indem Sie entweder eine bestimmte Eingabeaufforderung schreiben ([GrossProfit]) oder indem Sie das andere Feld vor der KI verbergen.

Was ist der beste Weg, dies zu beheben?

Für einEndbenutzer, besteht die beste Lösung darin, immer Feldnamen in Klammern zu verwenden, z. B[ColumnName]in Ihren Eingabeaufforderungen.

Für einenEntwicklerDie robusteste Lösung besteht darin, die Tools „Daten für KI vorbereiten“ zu verwenden. Verwenden Sie „Verifizierte Antworten“ für Ihre Top-5-10-Fragen und „KI-Datenschemata“, um verwirrende oder unnötige Spalten vor der KI zu verbergen.

Muss ich trotzdem eine gute Benennung verwenden, wenn ich die Tools „Daten für KI vorbereiten“ verwende?

Ja. Gute, klare Benennung (z. B.Gross Profit Percentage) ist die Grundlage eines gesunden Datenmodells. Diese Namen helfen menschlichen Analysten genauso wie der KI. Die Tools „Daten für KI vorbereiten“ stellen eine leistungsstarke zweite Kontrollebene dar, sollten jedoch mit einem gut gestalteten Modell verwendet werden und nicht als Patch für ein schlecht gestaltetes Modell.