Fix Power BI Copilot: van dubbelzinnigheid naar deterministische DAX-resultaten

Deel 1: Waarom de copiloot raadt: het is geen bug

Het hierboven beschreven gedrag is geen softwarefout. Het is een basiskenmerk van de grote taalmodellen (LLM's) die Copilot aandrijven. Deze modellen zijn probabilistisch; ze zijn gebouwd om reacties te genereren, niet om exacte berekeningen uit te voeren zoals een rekenmachine. Wanneer de AI een dubbelzinnige aanwijzing krijgt, moet hij raden.

Non-determinisme: de kerneigenschap

Generatieve AI ‘begrijpt’ uw bedrijfscontext niet. Het ziet alleen de prompt en de structuur van het datamodel (het schema). Wanneer een gebruiker om ‘brutowinst’ vraagt, scant de AI het schema op overeenkomende kolomnamen. Als het beide vindt[GrossProfit]En[GrossProfitper]ziet het twee goede opties. Zonder meer context is de keuze ervan een statistische gok. Dit betekent dat dezelfde prompt op verschillende tijdstippen zelfs verschillende resultaten kan opleveren. Business Intelligence-tools vereisen consistente, verifieerbare antwoorden. Dit AI-gedrag is in strijd met die behoefte.

De NLQ-naar-DAX-pijplijnstoring

Dit is wat er op de achtergrond gebeurt wanneer u een prompt typt:

Visueel: de NLQ-naar-DAX-pijplijn

1

Invoerprompt

“gemiddelde brutowinst”

2

Aarding (schemascan)

AI vindt:[GrossProfit]En[GrossProfitper]

!

Generatie (dubbelzinnigheid)

Welke te gebruiken? De AI “gissen”[GrossProfitper].

4

Uitvoer (onjuiste DAX)

AVERAGE('Sales'[GrossProfitper])

Aanbevolen lees:Hoe Windows Copilot AI uit te schakelen – Windows 10 en 11

5

Uitvoering (verkeerd visueel)

Er wordt een diagram met “Gemiddelde winst%” weergegeven.

1. Uitvoering:Power BI voert deze slechte query uit en toont u een visual die u niet wilde.

Een diepere blik: het ‘aardingsproces’

De stap “Gronden” is de meest kritische fase. Dit is waar Copilot zijn context vormt. Het is niet alleen het lezen van de kolomnamen. Het scant actief verschillende lagen van de metadata van uw model en geeft er prioriteit aan:

• Veldbeschrijvingen:Dit is een item met hoge prioriteit. Een goed geschreven beschrijving is een directe instructie aan de AI.
• Synoniemen:Met nieuwere Power BI-functies kunt u synoniemen voor velden definiëren. U kunt bijvoorbeeld ‘Omzet’, ‘Inkomsten’ en ‘Omzet’ koppelen aan uw[Total Sales]meeteenheid.
• Gegevenstypen en categorieën:Het weet het[Date]is een datum,[City]is een locatie (en kan in kaart worden gebracht), en[Profit]is een getal.
• Modelrelaties:Het begrijpt hoe tabellen zijn gekoppeld. Zo weet hij verbinding te maken[ProductCategoryName]van de tabel ‘Producten’ naar de[SalesAmount]uit de tabel ‘Verkoop’.

De mislukking treedt op wanneer dit aardingsproces nog steeds tot onduidelijkheid leidt. Als twee velden (zoals[GrossProfit]En[GrossProfitper]) lijken allebei even goede matches, de AI wordt gedwongen te raden.

De mislukking ligt niet in de logica van de AI. De AI rapporteerde *correct* de dubbelzinnigheid die het in het datamodel aantrof. Om de uitvoer te repareren, moet u eerst de invoer repareren. Dit kan gedaan worden door de gebruiker (door een betere prompt te schrijven) of door de ontwikkelaar (door een beter model te bouwen).

Deel 3: De oplossing aan de ontwikkelaarskant: bouw een AI-ready model

Erop vertrouwen dat elke gebruiker perfecte prompts schrijft, is geen schaalbare oplossing. De betere oplossing voor de lange termijn is dat Power BI-ontwikkelaars datamodellen ontwerpen die ‘AI-ready’ zijn. Dit betekent dat dubbelzinnigheid wordt weggenomen voordat de gebruiker ooit een prompt typt. Microsoft biedt hiervoor een set tools in Power BI Desktop en Fabric.

Laag 3-oplossing: gids met AI-instructies

Deze tool biedt een tekstvak waarin u duidelijke Engelse regels aan de AI kunt geven. Je kunt schrijven: “GrossProfitis het totale dollarbedrag.GrossProfitperis het percentage. Als een gebruiker alleen maar om ‘brutowinst’ vraagt, bedoelen ze altijd de[GrossProfit]meeteenheid." Deze instructie wordt toegevoegd aan de context van de AI en leidt deze naar de juiste keuze.

Een checklist voor best practices voor ontwikkelaars

Gebruik deze checklist om een ​​robuust, AI-klaar datamodel te creëren. Dit verandert uw model van dubbelzinnig naar deterministisch.

• ✓

  Controleer alle namen

  Zijn alle veldnamen duidelijk en onderscheidend? Hernoem cryptische kolommen zoalsCustNo_1naarCustomer ID.

• ✓

  Vul alle beschrijvingen in

  Schrijf een duidelijke beschrijving voor elke afzonderlijke maatregel en belangrijke kolom. Dit is uw belangrijkste hulpmiddel om de AI te begeleiden.

• ✓

  Maak belangrijke maatregelen

  Vertrouw niet op de AI om impliciete aggregaties (zoalsSUM(Sales[Amount])). Maak expliciete maatregelen zoals[Total Sales]en verberg de basiskolom.

• ✓

  Verberg onnodige velden

  Als een kolom alleen wordt gebruikt voor een relatie (zoals een externe sleutel) of in een meting, verberg deze dan in de rapportweergave. Als de AI het niet zou moeten gebruiken, verberg het dan met ‘Gegevens voorbereiden op AI’.

• ✓

  Synoniemen instellen

  Ga naar de modelweergave en voeg synoniemen toe voor uw belangrijkste velden. Koppel ‘Omzet’, ‘Inkomen’ en ‘Omzet’ aan uw[Total Sales]meten zodat de AI ze allemaal begrijpt.

• ✓

  Implementeer geverifieerde antwoorden

  Identificeer uw top 5-10 meest voorkomende zakelijke vragen en stel er 'Geverifieerde antwoorden' voor op. Dit biedt een 100% betrouwbaar, vooraf gebouwd antwoord.

Deel 4: Een strategisch raamwerk voor dubbelzinnigheid

Bovenstaande oplossingen laten zien dat ontwikkelaars en gebruikers moeten samenwerken. Gebruikers moeten specifiek zijn en ontwikkelaars moeten duidelijke modellen bouwen. In de volgende tabel worden alle mitigatietechnieken met elkaar vergeleken.

Vergelijkingsmatrix voor mitigatiestrategieën

Conceptueel: snelle betrouwbaarheid

Dit diagram illustreert hoe promptspecificiteit de betrouwbaarheid beïnvloedt. Een vage vraag heeft een grote kans op een dubbelzinnig, ‘geraden’ antwoord. Een specifieke opdrachtprompt dwingt één enkel correct antwoord af.

De zakelijke kosten van dubbelzinnigheid

Dit is niet alleen een technisch probleem. Inconsistente of onjuiste antwoorden van een AI-tool brengen directe bedrijfskosten met zich mee:

1. Erosie van vertrouwen

Wanneer een manager één onjuist diagram krijgt, vertrouwt hij de *hele* tool niet meer. Dit leidt tot een lage adoptie en een mislukte BI-investering. Gebruikers gaan terug naar het exporteren van gegevens naar Excel.

2. Verspilde tijd en middelen

Analisten en ontwikkelaars besteden uren aan het debuggen van “waarom Copilot het verkeerde antwoord gaf” in plaats van nieuwe inzichten te vinden. Het creëert een backlog voor supporttickets op basis van een oplosbaar modelleringsprobleem.

3. Onjuiste zakelijke beslissingen

Dit is het worstcasescenario. Een leider ziet ‘Gemiddelde brutowinst’ (bijvoorbeeld 45%), verwart dit met ‘Gemiddelde brutowinst’ (bijvoorbeeld € 45.000) en neemt een cruciale beslissing op basis van verkeerde gegevens.

Deel 5: Geavanceerde scenario's en synoniemen

Naarmate u meer controle krijgt over fundamentele ambiguïteit, zult u met complexere semantische uitdagingen te maken krijgen. Hoe u hiermee omgaat, bepaalt de ware intelligentie van uw datamodel.

Synoniemen voor verwerking: ‘Verkoop’ versus ‘Omzet’ versus ‘Inkomen’

Voor uw bedrijf kunnen ‘Verkoop’, ‘Omzet’ en ‘Inkomen’ hetzelfde betekenen. Voor de AI zijn het slechts verschillende tekstreeksen. Als je een maatregel hebt genoemd[Total Sales], krijgt een gebruiker die vraagt ​​'Toon mij de totale omzet' de foutmelding 'Veld niet gevonden'.

De oplossing:U moet deze termen expliciet in kaart brengen. In de Power BI-modelweergave kunt u de[Total Sales]meet en voeg 'Omzet', 'Totale omzet' en 'Inkomen' toe aan de lijst met synoniemen. Dit leert de AI dat deze woorden allemaal naar dezelfde, enkele maatstaf verwijzen. Nu zullen alle drie de prompts het juiste beeld retourneren.

De meertalige uitdaging

Wat gebeurt er als uw model in het Engels is, maar uw gebruikers wereldwijd zijn? Een gebruiker in Frankrijk zou kunnen vragen om “ventes par catégorie” (verkoop per categorie). Copilot mislukt mogelijk als uw model alleen 'Verkoop' en 'Categorie' bevat.

De oplossing:Dit vereist een meer geavanceerde installatie. U kunt vertalingen gebruiken en meertalige synoniemen aan uw model toevoegen. Je zou 'ventes' toevoegen als synoniem voor[Total Sales]en "categorie" voor[ProductCategoryName]. Dit maakt het model toegankelijk voor een wereldwijde gebruikersbasis zonder de onderliggende datastructuur te veranderen.

Wanneer dubbelzinnigheid (kort) nuttig is

Er is één situatie waarin dubbelzinnigheid geen probleem is: pure verkenning. Een gebruikersprompt zoals ‘Laat me zien wat interessant is in mijn verkoopgegevens’ is opzettelijk vaag. Dit nodigt de AI uit om ‘creatief’ te zijn en verschillende grafieken te genereren (bijvoorbeeld verkopen in de loop van de tijd, verkopen per regio, verkopen per product) om een ​​interessant patroon te vinden.

Dit is echter een *verkennende analyse*, geen *rapportage*. Op het moment dat een gebruiker een specifiek antwoord nodig heeft op een specifieke vraag (“Wat was onze winst afgelopen kwartaal?”), wordt ambiguïteit een probleem. Jouw doel als ontwikkelaar zou moeten zijn om dubbelzinnigheid voor alle bekende zakelijke vragen weg te nemen, terwijl er nog steeds ruimte is voor een brede verkenning.

Deel 6: Interactief hulpprogramma voor het maken van prompts

Deze tool helpt u uw gewenste DAX-query te vertalen naar een betrouwbare, eenduidige Copilot-prompt. Door na te denken over de exacte DAX-query die u nodig heeft, kunt u aanwijzingen leren schrijven die al het giswerk voor de AI wegnemen. Schrijf de gewenste DAX en zie de perfecte prompt om deze te verkrijgen.

1. Uw eenvoudige/dubbelzinnige prompt

2. De eenduidige DAX die u zoekt

Genereer betrouwbare prompt

Aanbevolen ondubbelzinnige prompt:

Deze prompt wordt gegenereerd op basis van de exacte veldnamen in uw DAX. Het neemt alle onduidelijkheid weg.

Voer een DAX-query in met veldnamen zoals'Table'[Column]of[Measure].

Veelgestelde vragen (FAQ)

Is het ‘gissen’ van Copilot een bug die zal worden opgelost?

Nee, het wordt niet als een bug beschouwd. Het is een fundamenteel onderdeel van de manier waarop generatieve AI-modellen werken. Ze zijn ontworpen om probabilistisch te zijn en de meest waarschijnlijke reactie te ‘genereren’ op basis van de input. Omdat de invoer (vage prompt + dubbelzinnig model) dubbelzinnig is, is de uitvoer een gok. De oplossing is niet om de AI te veranderen, maar om de dubbelzinnigheid uit de prompt en het datamodel te verwijderen.

Waarom heeft Copilot het percentageveld gekozen in plaats van het dollarbedrag?

Er is niet één enkele reden. Dat zou het kunnen zijn[GrossProfitper]stond alfabetisch bovenaan in het schema, of was recenter toegevoegd, of de trainingsgegevens van de AI gaven het simpelweg een iets hogere waarschijnlijkheid. De sleutel is dat het een gok was. De enige manier om het raden te voorkomen is door de keuze te verwijderen, hetzij door een specifieke prompt te schrijven ([GrossProfit]) of door het andere veld voor de AI te verbergen.

Wat is de beste manier om dit op te lossen?

Voor eeneindgebruiker, is de beste oplossing om altijd veldnamen tussen haakjes te gebruiken, zoals[ColumnName]in uw aanwijzingen.

Voor eenontwikkelaaris de meest robuuste oplossing het gebruik van de ‘Prep data for AI’-tools. Gebruik 'Geverifieerde antwoorden' voor uw top 5-10 vragen en 'AI-gegevensschema's' om verwarrende of onnodige kolommen voor de AI te verbergen.

Moet ik nog steeds een goede naamgeving gebruiken als ik de tools ‘Prep data for AI’ gebruik?

Ja. Goede, duidelijke naamgeving (bijv.Gross Profit Percentage) is de basis van een gezond datamodel. Deze namen helpen menselijke analisten net zo goed als ze de AI helpen. De ‘Prep data for AI’-tools vormen een krachtige tweede controlelaag, maar ze moeten worden gebruikt met een goed ontworpen model, en niet als patch voor een slecht ontworpen model.