Correggere Power BI Copilot: dall'ambiguità ai risultati DAX deterministici

Parte 1: Perché il copilota indovina: non è un bug

Il comportamento sopra descritto non è un errore del software. Si tratta di una caratteristica fondamentale dei modelli linguistici di grandi dimensioni (LLM) su cui si basa Copilot. Questi modelli sono probabilistici; sono costruiti per generare risposte, non per eseguire calcoli esatti come una calcolatrice. Quando viene dato un suggerimento ambiguo, l'IA deve indovinare.

Non determinismo: il tratto fondamentale

L’intelligenza artificiale generativa non “comprende” il contesto aziendale. Vede solo il prompt e la struttura del modello dati (il suo schema). Quando un utente chiede "profitto lordo", l'intelligenza artificiale analizza lo schema per individuare i nomi delle colonne corrispondenti. Se trova entrambi[GrossProfit]E[GrossProfitper], vede due buone opzioni. Senza ulteriore contesto, la sua scelta è un’ipotesi statistica. Ciò significa che lo stesso prompt potrebbe anche fornire risultati diversi in momenti diversi. Gli strumenti di business intelligence richiedono risposte coerenti e verificabili. Questo comportamento dell’IA è in conflitto con tale esigenza.

Il fallimento della pipeline NLQ-to-DAX

Ecco cosa succede in background quando digiti un prompt:

Immagine: la pipeline da NLQ a DAX

1

Richiesta di input

“profitto lordo medio”

2

Messa a terra (scansione dello schema)

L'intelligenza artificiale trova:[GrossProfit]E[GrossProfitper]

!

Generazione (ambiguità)

Quale usare? L’IA “indovina”[GrossProfitper].

4

Output (DAX non corretto)

AVERAGE('Sales'[GrossProfitper])

Lettura consigliata:Come disattivare Windows Copilot AI – Windows 10 e 11

5

Esecuzione (visualizzazione errata)

Viene mostrato un grafico del “Profitto medio%”.

1. Esecuzione:Power BI esegue questa query errata e mostra un oggetto visivo che non volevi.

Uno sguardo più approfondito: il processo di “radicamento”.

La fase di “Grounding” è la fase più critica. È qui che Copilot forma il suo contesto. Non si tratta solo di leggere i nomi delle colonne. Esegue attivamente la scansione e dà priorità a diversi livelli dei metadati del tuo modello:

• Descrizioni dei campi:Questo è un elemento ad alta priorità. Una descrizione ben scritta è un’istruzione diretta all’IA.
• Sinonimi:Le funzionalità più recenti di Power BI consentono di definire sinonimi per i campi. Ad esempio, puoi collegare "Entrate", "Reddito" e "Fatturato" al tuo[Total Sales]misura.
• Tipi e categorie di dati:Lo sa[Date]è una data,[City]è una posizione (e può essere mappata), e[Profit]è un numero.
• Relazioni modello:Capisce come sono collegate le tabelle. Ecco come sa connettersi[ProductCategoryName]dalla tabella "Prodotti" al[SalesAmount]dalla tabella "Vendite".

Il fallimento si verifica quando questo processo di radicamento risulta ancora ambiguo. Se due campi (come[GrossProfit]E[GrossProfitper]) sembrano entrambi abbinamenti ugualmente buoni, l'IA è costretta a indovinare.

Il fallimento non rientra nella logica dell’IA. L'intelligenza artificiale ha riportato *correttamente* l'ambiguità riscontrata nel modello dati. Per correggere l'output, è necessario prima correggere l'input. Questo può essere fatto dall'utente (scrivendo un prompt migliore) o dallo sviluppatore (creando un modello migliore).

Parte 3: La soluzione lato sviluppatore: crea un modello pronto per l'intelligenza artificiale

Affidarsi a ciascun utente per scrivere prompt perfetti non è una soluzione scalabile. La soluzione migliore a lungo termine è che gli sviluppatori di Power BI progettano modelli di dati che siano “pronti per l’intelligenza artificiale”. Ciò significa rimuovere l'ambiguità prima che l'utente digiti un prompt. Microsoft fornisce una serie di strumenti in Power BI Desktop e Fabric a tale scopo.

Correzione livello 3: guida con istruzioni AI

Questo strumento fornisce una casella di testo in cui puoi fornire regole in inglese semplice all'IA. Puoi scrivere: “GrossProfitè l'importo totale in dollari.GrossProfitperè la percentuale. Se un utente chiede semplicemente "profitto lordo", intende sempre il[GrossProfit]misura." Questa istruzione viene aggiunta al contesto dell’IA, guidandola alla scelta giusta.

Un elenco di controllo delle migliori pratiche per uno sviluppatore

Utilizza questo elenco di controllo per creare un modello dati robusto e pronto per l'intelligenza artificiale. Ciò sposta il tuo modello dall'ambiguo all'essere deterministico.

• ✓

  Controlla tutta la denominazione

  Tutti i nomi dei campi sono chiari e distinti? Rinomina le colonne criptiche comeCustNo_1ACustomer ID.

• ✓

  Compila tutte le descrizioni

  Scrivi una descrizione chiara per ogni singola misura e colonna importante. Questo è il tuo strumento principale per guidare l'IA.

• ✓

  Creare misure chiave

  Non fare affidamento sull'intelligenza artificiale per indovinare aggregazioni implicite (comeSUM(Sales[Amount])). Crea misure esplicite come[Total Sales]e nascondi la colonna di base.

• ✓

  Nascondi i campi non necessari

  Se una colonna viene utilizzata solo per una relazione (come una chiave esterna) o in una misura, nascondila dalla visualizzazione del report. Se l’IA non deve usarlo, nascondilo utilizzando “Prepara dati per AI”.

• ✓

  Imposta i sinonimi

  Vai alla vista modello e aggiungi sinonimi per i campi più importanti. Collega "Entrate", "Reddito" e "Fatturato" al tuo[Total Sales]misurare in modo che l'intelligenza artificiale li comprenda tutti.

• ✓

  Implementa risposte verificate

  Identifica le 5-10 domande aziendali più comuni e crea "Risposte verificate" per esse. Ciò fornisce una risposta affidabile e precostruita al 100%.

Parte 4: Un quadro strategico per l'ambiguità

Le soluzioni di cui sopra mostrano che sviluppatori e utenti devono lavorare insieme. Gli utenti dovrebbero essere specifici e gli sviluppatori dovrebbero creare modelli chiari. La tabella seguente mette a confronto tutte le tecniche di mitigazione.

Matrice di confronto delle strategie di mitigazione

Concettuale: affidabilità immediata

Questo grafico illustra come la specificità tempestiva influisca sull'affidabilità. Un suggerimento vago ha un'alta probabilità di una risposta ambigua e "indovinata". Un prompt specifico in stile comando impone un'unica risposta corretta.

Il costo aziendale dell’ambiguità

Questo non è solo un problema tecnico. Le risposte incoerenti o errate provenienti da uno strumento di intelligenza artificiale hanno costi aziendali diretti:

1. Erosione della fiducia

Quando un manager riceve un grafico errato, smette di fidarsi dell'*intero* strumento. Ciò porta a una bassa adozione e a un investimento in BI fallito. Gli utenti torneranno a esportare i dati in Excel.

2. Tempo e risorse sprecate

Analisti e sviluppatori trascorrono ore a eseguire il debug del "perché Copilot ha dato la risposta sbagliata" invece di trovare nuove informazioni. Crea un arretrato di ticket di supporto basato su un problema di modellazione risolvibile.

3. Decisioni aziendali errate

Questo è lo scenario peggiore. Un leader vede "Media del profitto lordo" (ad esempio, 45%), lo scambia per "Media del profitto lordo" (ad esempio, $ 45.000) e prende una decisione critica sulla base di dati errati.

Parte 5: Scenari avanzati e sinonimi

Man mano che acquisisci il controllo sull'ambiguità di base, incontrerai sfide semantiche più complesse. Il modo in cui li gestisci determinerà la vera intelligenza del tuo modello dati.

Gestione dei sinonimi: “Vendite” vs. “Entrate” vs. “Reddito”

Per la tua azienda, “Vendite”, “Entrate” e “Reddito” potrebbero significare la stessa cosa. Per l'intelligenza artificiale, sono solo stringhe di testo diverse. Se hai una misura chiamata[Total Sales], un utente che chiede "Mostrami le entrate totali" riceverà un errore "campo non trovato".

La soluzione:È necessario mappare esplicitamente questi termini. Nella visualizzazione del modello di Power BI è possibile selezionare il file[Total Sales]misurare e aggiungere "Entrate", "Entrate totali" e "Reddito" all'elenco dei sinonimi. Questo insegna all’intelligenza artificiale che queste parole puntano tutte alla stessa, unica misura. Ora tutti e tre i prompt restituiranno l'immagine corretta.

La sfida multilingue

Cosa succede quando il tuo modello è in inglese, ma i tuoi utenti sono globali? Un utente in Francia potrebbe chiedere “ventes par catégorie” (vendite per categoria). Copilot potrebbe non riuscire se il tuo modello contiene solo "Vendite" e "Categoria".

La soluzione:Ciò richiede una configurazione più avanzata. Puoi utilizzare traduzioni e aggiungere sinonimi multilingue al tuo modello. Aggiungeresti “ventes” come sinonimo di[Total Sales]e "categoria" per[ProductCategoryName]. Ciò rende il modello accessibile a una base di utenti globale senza modificare la struttura dei dati sottostante.

Quando l’ambiguità è (brevemente) utile

C'è una situazione in cui l'ambiguità non è un problema: la pura esplorazione. Un messaggio utente come "Mostrami cosa c'è di interessante nei miei dati di vendita" è intenzionalmente vago. Ciò invita l'intelligenza artificiale a essere "creativa" e a generare diversi grafici (ad esempio, vendite nel tempo, vendite per regione, vendite per prodotto) per trovare uno schema interessante.

Tuttavia, questa è *analisi esplorativa*, non *report*. Nel momento in cui un utente ha bisogno di una risposta specifica a una domanda specifica (“Qual è stato il nostro profitto nell’ultimo trimestre?”), l’ambiguità diventa un ostacolo. Il tuo obiettivo come sviluppatore dovrebbe essere quello di eliminare l'ambiguità per tutte le domande aziendali note, consentendo comunque un'ampia esplorazione.

Parte 6: strumento di creazione di prompt interattivi

Questo strumento ti aiuta a tradurre la query DAX desiderata in un prompt Copilot affidabile e non ambiguo. Pensando all'esatta query DAX di cui hai bisogno, puoi imparare a scrivere prompt che eliminino tutte le congetture per l'intelligenza artificiale. Scrivi il DAX che desideri e visualizza la richiesta perfetta per ottenerlo.

1. Il tuo suggerimento semplice/ambiguo

2. Il DAX inequivocabile che desideri

Genera prompt affidabile

Prompt inequivocabile consigliato:

Questa richiesta viene generata dai nomi esatti dei campi presenti nel DAX. Elimina ogni ambiguità.

Inserisci una query DAX contenente nomi di campi come'Table'[Column]O[Measure].

Domande frequenti (FAQ)

Le “indovinazioni” di Copilot sono un bug che verrà risolto?

No, non è considerato un bug. È una parte fondamentale del funzionamento dei modelli di intelligenza artificiale generativa. Sono progettati per essere probabilistici e “generare” la risposta più probabile in base all’input. Poiché l'input (prompt vago + modello ambiguo) è ambiguo, l'output è un'ipotesi. La soluzione non è modificare l'intelligenza artificiale, ma rimuovere l'ambiguità dal prompt e dal modello dati.

Perché Copilot ha scelto il campo percentuale anziché l'importo in dollari?

Non esiste un unico motivo. Potrebbe essere quello[GrossProfitper]era il primo in ordine alfabetico nello schema, oppure è stato aggiunto più recentemente, oppure i dati di addestramento dell'IA gli davano semplicemente una probabilità leggermente più alta. La chiave è che era un'ipotesi. L'unico modo per evitare di indovinare è rimuovere la scelta, scrivendo un prompt specifico ([GrossProfit]) o nascondendo l'altro campo all'IA.

Qual è il modo migliore per risolvere questo problema?

Per unutente finale, la soluzione migliore è utilizzare sempre nomi di campi tra parentesi come[ColumnName]nei tuoi suggerimenti.

Per unsviluppatore, la soluzione più efficace consiste nell'utilizzare gli strumenti "Preparazione dei dati per l'intelligenza artificiale". Utilizza le "Risposte verificate" per le 5-10 domande principali e gli "Schemi dati AI" per nascondere all'IA eventuali colonne confuse o non necessarie.

Devo comunque utilizzare una buona denominazione se utilizzo gli strumenti "Prepara dati per l'intelligenza artificiale"?

SÌ. Denominazione buona e chiara (ad es.Gross Profit Percentage) è il fondamento di un modello di dati sano. Questi nomi aiutano gli analisti umani tanto quanto aiutano l’intelligenza artificiale. Gli strumenti “Prep data for AI” rappresentano un potente secondo livello di controllo, ma dovrebbero essere utilizzati con un modello ben progettato, non come patch per uno mal progettato.