ميزات Power BI AI: مساعد الطيار، وAutoML، والتحليلات التنبؤية

تطورت Power BI من أداة تصور إلى منصة تحليلية معززة بالذكاء الاصطناعي. على مدى السنوات الثلاث الماضية، قامت Microsoft بتضمين الذكاء الاصطناعي عبر تجربة Power BI بأكملها --- بدءًا من إنشاء تقارير اللغة الطبيعية باستخدام Copilot وحتى التعلم الآلي الآلي للتنبؤات وحتى الكشف عن الحالات الشاذة التي تنبهك عندما تتصرف بياناتك بشكل غير متوقع. لم تعد هذه الميزات معاينات تجريبية. إنها إمكانات جاهزة للإنتاج تعمل بشكل أساسي على تغيير كيفية تفاعل مستخدمي الأعمال مع البيانات.

لا يتمثل التحدي في ما إذا كانت ميزات الذكاء الاصطناعي هذه تعمل أم لا، فهي تعمل بشكل جيد بشكل ملحوظ بالنسبة لمعظم حالات الاستخدام. يتمثل التحدي في فهم الميزات المتوفرة في أي مستوى ترخيص، وكيفية تكوينها لبيئة البيانات الخاصة بك، وكيفية تدريب المستخدمين على الاستفادة منها بفعالية. يغطي هذا الدليل كل إمكانات الذكاء الاصطناعي الرئيسية في Power BI، مع إرشادات التنفيذ العملي ومتطلبات الترخيص والتقييمات الصادقة لمواضع تفوق كل ميزة ومواضع القصور.

إذا كنت تقوم بإنشاء إستراتيجية تحليلات مدعومة بالذكاء الاصطناعي على Power BI، فاستكشف خدمات التحليلات والذكاء الاصطناعي في Power BI للحصول على دعم التنفيذ وأفضل الممارسات.

الوجبات الرئيسية

• يقوم Copilot لـ Power BI بإنشاء تقارير ومقاييس DAX وملخصات سردية من مطالبات اللغة الطبيعية --- يتطلب قدرة Fabric F64+ أو Premium P1+
• يعمل AutoML في Power BI على تمكين نماذج التصنيف والانحدار والتنبؤ دون كتابة تعليمات برمجية، ويمكن الوصول إليها من خلال تدفقات البيانات في مساحات عمل Premium/Fabric
• يقوم اكتشاف الحالات الشاذة تلقائيًا بوضع علامات على نقاط بيانات غير متوقعة في مرئيات السلاسل الزمنية ويوفر تفسيرات للسبب الجذري
• تستخدم العناصر المرئية للمؤثرين الرئيسيين الذكاء الاصطناعي لتحديد العوامل التي تدفع المقياس لأعلى أو لأسفل، لتحل محل أسابيع من التحليل اليدوي
• تقوم الروايات الذكية بإنشاء ملخصات نصية ديناميكية واعية بالسياق للمرئيات التي يتم تحديثها مع تغييرات البيانات
• يمكن تحسين الأسئلة والأجوبة (الاستعلام باللغة الطبيعية) بشكل كبير من خلال تكوين المرادفات المناسب وإعداد المخطط اللغوي
• تتطلب معظم ميزات الذكاء الاصطناعي Premium لكل مستخدم (20 دولارًا لكل مستخدم/شهر)، أو سعة متميزة، أو سعة النسيج --- تستثني تراخيص Pro الذكاء الاصطناعي المتقدم

---

مساعد الطيار لبرنامج Power BI

ما يمكن أن يفعله مساعد الطيار

يوفر برنامج Copilot for Power BI إمكانات كبيرة لنماذج اللغة مباشرةً في تجربة تأليف التقارير واستهلاكها. إنه ليس برنامج دردشة مثبتًا على جانب Power BI --- فهو مدمج في سير العمل الأساسي، ويفهم نموذج البيانات والعلاقات والمقاييس الخاصة بك.

إنشاء التقرير:

يستطيع Copilot إنشاء صفحات تقرير كاملة من خلال مطالبات اللغة الطبيعية. تؤدي المطالبة مثل "إنشاء لوحة معلومات أداء المبيعات التي تعرض الإيرادات حسب المنطقة والاتجاهات الشهرية وأفضل 10 منتجات" إلى إنشاء صفحة متعددة المرئيات تحتوي على أنواع مخططات مناسبة وعوامل تصفية تم تكوينها وتنسيق معقول. يعد التقرير الذي تم إنشاؤه نقطة بداية، وليس منتجًا نهائيًا --- ولكنه يزيل مشكلة الصفحة الفارغة ويوصل المستخدمين إلى مسودة وظيفية في ثوانٍ بدلاً من ساعات.

جيل داكس:

يقوم Copilot بكتابة مقاييس DAX من أوصاف اللغة الطبيعية. ينتج عن "حساب نمو الإيرادات على أساس سنوي كنسبة مئوية" مقياسًا باستخدام وظائف معلومات الوقت المناسبة. بالنسبة لمنطق الأعمال المعقد، يستطيع Copilot إنشاء مقاييس متعددة الخطوات باستخدام المتغيرات، والتعامل مع حالات الحافة (القسمة على صفر، والفترات المفقودة)، وشرح المنطق في التعليقات.

تتراوح جودة DAX التي تم إنشاؤها من ممتازة (تجميعات واضحة وذكاء زمني) إلى تتطلب تحسينًا يدويًا (حسابات جدول معقدة متعددة الحقائق مع منطق أعمال غامض). بالنسبة لـ 80% من مؤشر DAX الذي يتبع الأنماط الشائعة، يعتبر Copilot دقيقًا بشكل ملحوظ. بالنسبة إلى الـ 20% التي تتطلب معرفة عميقة بالمجال، فإنها توفر نقطة بداية قوية يمكن للمحلل ذي الخبرة تحسينها.

ملخصات روائية:

يقوم Copilot بإنشاء ملخصات نصية ديناميكية لصفحات التقرير، موضحًا ما تظهره البيانات بلغة واضحة. "ارتفعت الإيرادات بنسبة 12% على أساس سنوي، مدفوعة بشكل أساسي بالمنطقة الشمالية التي نمت بنسبة 23%. وانخفضت المنطقة الجنوبية بنسبة 4%، ويرجع ذلك إلى حد كبير إلى انخفاض بنسبة 15% في فئة المنتج X خلال الربع الثالث." يتم تحديث هذه الروايات تلقائيًا مع تغير المرشحات، مما يوفر للمديرين التنفيذيين ملخصات تم إنشاؤها بواسطة الذكاء الاصطناعي ومصممة خصيصًا لرؤيتهم المحددة للبيانات.

استكشاف البيانات:

يمكن للمستخدمين طرح أسئلة على Copilot حول بياناتهم باللغة الطبيعية: "ما سبب انخفاض الإيرادات في شهر مارس؟" أو "ما هي شرائح العملاء التي تنمو بشكل أسرع؟" يقوم Copilot بتحليل البيانات الأساسية ويقدم إجابات مع تصورات داعمة. يعد هذا تطورًا مهمًا يتجاوز مجرد عرض الأسئلة والأجوبة، لأن Copilot يفهم السياق، ويمكنه إجراء تحليل متعدد الخطوات، ويشرح أسبابه.

قيود مساعد الطيار

مساعد الطيار قوي لكنه ليس كلي العلم. إن فهم حدودها يمنع خيبة الأمل وسوء الاستخدام:

• جودة نموذج البيانات مهمة. يعمل برنامج Copilot بشكل أفضل مع مخططات النجوم المصممة جيدًا باستخدام أسماء الجداول والأعمدة الواضحة والوصفية. سيؤدي النموذج الذي يحتوي على أعمدة باسم "col1" و"dim_val_3" و"amt_usd_net" إلى نتائج أسوأ من النموذج الذي يحتوي على "اسم العميل" و"فئة المنتج" و"صافي الإيرادات بالدولار الأمريكي".

• يتطلب منطق العمل المعقد التوجيه. لا يعرف برنامج Copilot قواعد العمل المحددة لمؤسستك ما لم يتم ترميزها في النموذج. إذا كان "العميل النشط" يعني "تم تقديم طلب في آخر 90 يومًا باستثناء المرتجعات"، فيجب عليك إخبار Copilot بذلك صراحةً أو تشفيره كإجراء يمكن لبرنامج Copilot الرجوع إليه.

• اعتبارات السرية. يرسل Copilot بيانات تعريف نموذج البيانات (أسماء الجداول، وأسماء الأعمدة، وتعريفات المقاييس، وقيم العينات) إلى Azure OpenAI للمعالجة. تتم معالجة البيانات ضمن حدود الامتثال لـ Microsoft 365 ولا يتم استخدامها لتدريب النماذج، ولكن يجب على المؤسسات التي لديها حساسية شديدة للبيانات مراجعة وثائق معالجة بيانات Copilot من Microsoft.

• خطر الهلوسة. مثل جميع الميزات المستندة إلى LLM، يمكن لبرنامج Copilot إنشاء بيانات سردية تبدو معقولة ولكنها غير صحيحة أو بيانات سردية مضللة. تحقق دائمًا من صحة المحتوى الذي تم إنشاؤه مقابل نقاط البيانات المعروفة قبل مشاركته مع أصحاب المصلحة.

متطلبات ترخيص مساعد الطيار

يتطلب Copilot لـ Power BI واحدًا مما يلي:

لا يتوفر Copilot في الترخيص الاحترافي فقط بدون سعة Premium/Fabric. وهذا هو مصدر الارتباك الأكثر شيوعًا في المؤسسات التي تقوم بتقييم ميزات الذكاء الاصطناعي.

---

AutoML: التعلم الآلي الآلي

ما الذي يتيحه AutoML

يتيح Power BI AutoML لمحللي الأعمال إنشاء نماذج التعلم الآلي وتدريبها وتطبيقها دون الحاجة إلى كتابة تعليمات برمجية أو فهم أطر تعلم الآلة. يتم تدريب النماذج على بياناتك ضمن تدفقات بيانات Power BI ويمكن تطبيقها على البيانات الجديدة عند وصولها.

أنواع النماذج المدعومة:

بناء نموذج AutoML

الخطوة 1: إعداد بيانات التدريب في تدفق البيانات.

يتم تدريب نماذج AutoML على البيانات الموجودة ضمن تدفقات بيانات Power BI (وليس مجموعات البيانات أو التقارير). قم بإنشاء كيان تدفق بيانات يحتوي على بياناتك التاريخية مع متغير النتيجة الذي تريد التنبؤ به والميزات (متغيرات الإدخال) التي قد تؤثر عليه.

بالنسبة لنموذج التنبؤ بتراجع العملاء، قد يتضمن الكيان ما يلي:

الخطوة 2: تكوين نموذج تعلم الآلة.

في محرر تدفق البيانات، حدد "تطبيق نموذج ML" واختر العمود المستهدف. يكتشف Power BI تلقائيًا نوع النموذج المناسب استنادًا إلى نوع بيانات المتغير الهدف (يؤدي الأسلوب المنطقي إلى تشغيل التصنيف الثنائي، بينما يؤدي الرقم إلى تشغيل الانحدار).

تكوين خيارات التدريب:

• مدة التدريب (من 5 دقائق إلى عدة ساعات --- التدريب الأطول يستكشف المزيد من بنيات النماذج)
• اختيار الميزة (دع AutoML يختار أو يحدد يدويًا)
• تقسيم التحقق من الصحة (عادةً 80% تدريب، و20% تحقق)

الخطوة 3: التدريب والتقييم.

يقوم AutoML بتدريب بنيات النماذج المتعددة (أشجار القرار، وتعزيز التدرج، والشبكات العصبية) واختيار أفضل أداء. بعد التدريب يتم توفير:

• مقاييس دقة النموذج: AUC-ROC للتصنيف، وRMSE للانحدار، وMAPE للتنبؤ
• أهمية الميزة: ما هي متغيرات الإدخال التي كان لها التأثير الأكبر على التنبؤات
• مصفوفة الارتباك: لنماذج التصنيف، تظهر الإيجابيات والسلبيات الصحيحة/الكاذبة
• تقرير التدريب: توثيق تفصيلي لعملية اختيار النموذج

الخطوة 4: تطبيق التوقعات.

بمجرد التدريب، يمكن تطبيق النموذج على البيانات الجديدة التي تصل عبر تدفق البيانات. يتلقى كل صف جديد تنبؤًا (تصنيف تصنيف أو تنبؤ رقمي) ودرجة ثقة. تتدفق هذه التنبؤات إلى مجموعات بيانات Power BI الخاصة بك ويمكن تصورها في التقارير.

أفضل ممارسات AutoML

** جودة البيانات أمر بالغ الأهمية. ** لا يمكن لـ AutoML التعويض عن البيانات الضعيفة. تأكد من أن بيانات التدريب الخاصة بك نظيفة، ولها حجم كافٍ (100 صف على الأقل، ومن الأفضل أن تزيد عن 1000)، وأنها تمثل السيناريوهات التي تريد التنبؤ بها. تؤدي القيم المفقودة والقيم المتطرفة وعدم توازن الفئة إلى انخفاض أداء النموذج.

هندسة الميزات مهمة. غالبًا ما تحتاج البيانات الأولية إلى تحويل قبل التدريب. أنشئ ميزات مشتقة مثل "الأيام المنقضية منذ آخر عملية شراء" أو "متوسط ​​قيمة الطلب على مدار 6 أشهر" أو "تكرار تذكرة الدعم" التي تلتقط أنماطًا ذات معنى. يستطيع AutoML اكتشاف العلاقات في البيانات الأولية، لكن الميزات المصممة مسبقًا تعمل على تحسين الدقة بشكل كبير.

مراقبة انحراف النماذج. تتدهور النماذج التي تم تدريبها على البيانات التاريخية بمرور الوقت مع تغير ظروف العمل. أعد تدريب النماذج كل ثلاثة أشهر (أو عندما تنخفض دقة التنبؤ عن الحدود المقبولة) للحفاظ على ملاءمتها. لا يكتشف Power BI انحراف النموذج تلقائيًا --- تحتاج إلى مراقبة دقة التنبؤ بشكل استباقي.

لا تستخدم AutoML لاتخاذ قرارات عالية المخاطر دون مراجعة بشرية. نماذج AutoML هي تنبؤات إحصائية، وليست قواعد حتمية. استخدم التنبؤات كمدخل واحد في عملية صنع القرار جنبًا إلى جنب مع الحكم البشري، خاصة بالنسبة للقرارات التبعية مثل الموافقة على الائتمان أو التوظيف أو التشخيص الطبي.

---

كشف الشذوذ

كيف يعمل الكشف عن الحالات الشاذة

تقوم ميزة الكشف عن الحالات الشاذة في Power BI تلقائيًا بتحديد نقاط البيانات في مرئيات السلاسل الزمنية التي تنحرف بشكل كبير عن الأنماط المتوقعة. ويستخدم نموذجًا للتعلم الآلي (خوارزمية Spectral Residual مقترنة بالشبكات العصبية التلافيفية) تم تدريبه على بياناتك التاريخية لتحديد النطاقات المتوقعة، ثم وضع علامات على النقاط التي تقع خارج تلك النطاقات.

خيارات التكوين:

• الحساسية: تتحكم في مدى قوة الإشارة إلى الحالات الشاذة. الحساسية العالية تكتشف المزيد من الحالات الشاذة ولكنها تزيد من الإيجابيات الكاذبة. تشير الحساسية المنخفضة فقط إلى الانحرافات الشديدة. الافتراضي هو 80% (حساسية متوسطة).
• النطاق المتوقع: نطاق الثقة الموضح على الرسم البياني. النطاقات الأوسع تعني عددًا أقل من الحالات الشاذة التي تم الإبلاغ عنها. يتم التحكم في عرض النطاق من خلال إعداد الحساسية.
• الموسمية: بالنسبة للبيانات ذات الأنماط الموسمية (أسبوعية، شهرية، ربع سنوية)، يستطيع Power BI اكتشاف الموسمية واحتسابها تلقائيًا. يمكنك أيضًا تحديد الفترة الموسمية يدويًا.

تمكين الكشف عن الشذوذ

يتوفر اكتشاف الحالات الشاذة في المخططات الخطية ذات محور التاريخ والوقت:

1. قم بإنشاء مخطط خطي يحتوي على حقل التاريخ/الوقت على المحور السيني ومقياس رقمي على المحور الصادي.
2. في جزء التحليلات، قم بتوسيع "البحث عن الحالات الشاذة" وقم بتشغيله.
3. اضبط الحساسية باستخدام شريط التمرير (ابدأ من الوضع الافتراضي وقم بالضبط بناءً على النتائج).
4. قم بتكوين حقول "الشرح حسب" اختياريًا --- الأبعاد التي سيستخدمها Power BI لشرح سبب حدوث حالة شاذة.

شرح السبب الجذري

إن الجانب الأكثر قيمة في اكتشاف الحالات الشاذة ليس هو الإبلاغ عن الحالات الشاذة --- بل شرحها. عندما ينقر المستخدم على حالة شاذة تم وضع علامة عليها، يقوم Power BI بتحليل الأبعاد المساهمة ويعرض العوامل التي أدت إلى القيمة غير المتوقعة.

على سبيل المثال، إذا تم وضع علامة على إجمالي الإيرادات في 15 آذار (مارس) على أنه منخفض بشكل غير عادي، فقد يظهر التفسير:

• "كانت الإيرادات من المنطقة الغربية أقل من المتوقع بنسبة 45%، مما ساهم بمبلغ 120 ألف دولار في هذا الوضع الشاذ"
• "فئة المنتج: الإلكترونيات شهدت انخفاضًا بنسبة 60% مقارنة بالنطاق المتوقع"
• "شريحة العملاء: حافظت المؤسسات على مستوياتها الطبيعية؛ وكانت شريحة الشركات الصغيرة والمتوسطة هي التي قادت هذا الانحراف"

تعمل هذه التفسيرات على تحويل اكتشاف الحالات الشاذة من "شيء يبدو خاطئًا" إلى "هذا ما حدث على وجه التحديد ومكان التحقيق فيه". تحل هذه الإمكانية محل ساعات من التحليل اليدوي التفصيلي.

ترخيص كشف الشذوذ

تتوفر الوظيفة الأساسية للكشف عن الحالات الشاذة مع تراخيص Pro. تتطلب ميزة تحليل السبب الجذري "الشرح بواسطة" Premium لكل مستخدم، أو سعة Premium، أو سعة النسيج. بالنسبة لمعظم التطبيقات العملية، فإن تفسير السبب الجذري هو محرك القيمة الأساسي، لذا خطط للحصول على ترخيص Premium أو PPU.

---

المؤثرون الرئيسيون المرئيون

ما يفعله المؤثرون الرئيسيون

تستخدم الصورة المرئية للمؤثرين الأساسيين التعلم الآلي لتحديد العوامل الموجودة في بياناتك التي تؤثر بقوة على المقياس المستهدف. فهو يجيب على أسئلة مثل "ما الذي يحفز درجات رضا العملاء؟" أو "ما هي العوامل التي تتنبأ بارتفاع معدل دوران الموظفين؟" دون أن يطلب من المستخدمين جدولة البيانات يدويًا أو إجراء تحليلات إحصائية.

وضعان للتحليل:

علامة تبويب المؤثرين الرئيسيين: تعرض العوامل الفردية مرتبة حسب تأثيرها على المقياس المستهدف. يُظهر كل عامل معامله (مدى تحريك الهدف) وتصورًا داعمًا. على سبيل المثال: "عندما يكون القسم هندسيًا، يزيد متوسط ​​درجة رضا الموظف بمقدار 0.8 نقطة" أو "عندما يكون نوع العقد من شهر إلى شهر، فإن احتمالية الاستغناء عن العمل تزيد بمقدار 3.2x."

علامة تبويب الأجزاء العليا: تستخدم التجميع لتحديد مجموعات (مقاطع) السجلات التي تشترك في خصائص مشتركة وتظهر قيم قياس مستهدفة مماثلة. على سبيل المثال: "القسم 1: العملاء الذين تزيد مدة خدمتهم عن 24 شهرًا، وأكثر من 3 منتجات، والعقود السنوية لديهم معدل تراجع يبلغ 2.1% فقط (مقارنة بـ 15% بشكل عام)."

تكوين المؤثرين الرئيسيين

اختيار المقياس المستهدف:

يمكن أن يكون الهدف:

• عمود تصنيفي ("ما الذي يؤثر على فوز الصفقة أم خسارتها؟")
• عمود رقمي ("ما الذي يؤثر على درجة رضا العملاء؟")
• مقياس ("ما الذي يؤثر على الإيرادات لكل عميل؟")

** العوامل التفسيرية: **

اسحب الأعمدة التي قد تؤثر على الهدف إلى حقل "الشرح حسب" جيدًا. تعالج الصورة تلقائيًا ما يلي:

• العوامل الفئوية (وهي تقارن تأثير كل فئة)
• عوامل رقمية (تحدد تأثيرات الحد الأدنى مثل "عندما يتجاوز الإنفاق الشهري 500 دولار")
• عوامل متعددة في وقت واحد (يستخدم الانحدار اللوجستي أو أشجار القرار لعزل مساهمة كل عامل)

أفضل الممارسات:

• تضمين 5-15 عاملاً تفسيرياً. أقل من 5 حدود للتحليل. أكثر من 15 يمكن أن تنتج نتائج صاخبة.
• استبعاد أعمدة المعرفات (CustomerID، OrderNumber) التي تحتوي على قيم فريدة لكل صف.
• تضمين مزيج من العوامل الفئوية والرقمية للحصول على النتائج الأكثر ثاقبة.
• استخدم الحقول بالتفاصيل المناسبة. إذا كان هدفك على مستوى العميل، فيجب أن تكون العوامل التوضيحية أيضًا على مستوى العميل (وليس على مستوى المعاملة).

تطبيقات عملية

يتوفر المؤثرون الرئيسيون مع جميع أنواع تراخيص Power BI (Pro، وPPU، وPremium). إنها واحدة من أكثر ميزات الذكاء الاصطناعي التي يمكن الوصول إليها وغالبًا ما تكون الأولى التي تقدم قيمة ملموسة لمستخدمي الأعمال.

---

روايات ذكية

توليد البصيرة الآلي

تعمل الروايات الذكية على إنشاء ملخصات ديناميكية باللغة الطبيعية لبياناتك والتي يتم تحديثها تلقائيًا مع تغير عوامل التصفية. على عكس مربعات النص الثابتة، تعتمد الروايات الذكية على البيانات --- فهي تحلل العناصر المرئية الأساسية وتنتج أوصافًا سياقية.

ما تنتجه الروايات الذكية:

• ملخص الإحصائيات ("إجمالي الإيرادات 4.2 مليون دولار، بزيادة قدرها 12% عن الفترة السابقة")
• أوصاف الاتجاه ("اتجهت الإيرادات نحو الأعلى خلال الأشهر الستة الماضية، بمتوسط معدل نمو شهري قدره 2.3%")
• رؤى المقارنة ("تتفوق منطقة الشمال على جميع المناطق الأخرى، حيث تساهم بنسبة 35% من إجمالي الإيرادات")
• وسائل شرح غير طبيعية ("كانت إيرادات شهر مارس أقل بنسبة 15% من متوسط 12 شهرًا، مدفوعة بانخفاض قطاع المؤسسات")

تخصيص الروايات الذكية

الروايات الذكية الافتراضية عامة. لجعلها ذات قيمة، قم بتخصيصها:

إضافة قيم محددة:

انقر فوق "إضافة قيمة" لإدراج مقاييس أو حقول محددة. تعمل الروايات الذكية على تنسيق هذه القيم (العملة والنسبة المئوية والرقم) ديناميكيًا وتحديثها عند تغيير عوامل التصفية.

تحرير النص الذي تم إنشاؤه:

النص الذي تم إنشاؤه تلقائيًا هو نقطة البداية. قم بتحريره ليتوافق مع مصطلحات مؤسستك والتركيز على الرؤى الأكثر أهمية لجمهورك. حافظ على مراجع القيمة الديناميكية سليمة أثناء ضبط النص المحيط.

نص شرطي:

استخدم المنطق الشرطي لإظهار نص مختلف بناءً على قيم البيانات. على سبيل المثال: "الإيرادات [أعلى/أقل] من الهدف بمقدار [مبلغ التباين]" حيث تتغير اللغة بناءً على الأداء الفعلي.

أفضل ممارسات الروايات الذكية

• ضع روايات ذكية في أعلى لوحات المعلومات التنفيذية لتوفير سياق فوري
• اجعل السرد يصل إلى 3-5 جمل لكل صورة أو صفحة --- الإيجاز يزيد من نسبة القراء
• استخدم التنسيق الشرطي لتسليط الضوء على الأداء الإيجابي باللون الأخضر والسلبي باللون الأحمر
• اختبار الروايات باستخدام مجموعات مرشحات مختلفة للتأكد من أنها تظل دقيقة وذات معنى
• اجمع بين الروايات الذكية ومساعد الطيار للحصول على ملخصات أكثر ثراءً وسياقًا حول السعة المميزة

---

تحسين الأسئلة والأجوبة

الأسئلة والأجوبة المرئية

تتيح الصورة المرئية للأسئلة والأجوبة (الأسئلة والأجوبة) للمستخدمين كتابة أسئلة باللغة الطبيعية وتلقي الإجابات المستندة إلى البيانات كمرئيات. "ما هو إجمالي الإيرادات في الربع الأخير؟" ينتج بطاقة مرئية توضح القيمة. يؤدي "إظهار الإيرادات حسب المنطقة كمخطط شريطي" إلى إنشاء التمثيل البصري المطلوب.

تعد الأسئلة والأجوبة بسيطة بشكل مخادع في العروض التوضيحية ولكنها تتطلب تكوينًا كبيرًا للعمل بشكل جيد مع بيانات العالم الحقيقي. خارج الصندوق، تواجه الأسئلة والأجوبة صعوبة في التعامل مع أسماء الأعمدة الغامضة، والمصطلحات الخاصة بالصناعة، ومنطق الأعمال المعقد. مع التحسين المناسب، يصبح أداة خدمة ذاتية قوية.

تكوين المخطط اللغوي

يخبر المخطط اللغوي الأسئلة والأجوبة عن كيفية تعيين نموذج البيانات الخاص بك لمفاهيم اللغة الطبيعية. إنه التكوين الوحيد الأكثر تأثيرًا على جودة الأسئلة والأجوبة.

** المرادفات: **

تحديد المصطلحات البديلة للجداول والأعمدة والقيم:

العبارات:

تحديد كيفية التعبير عن العلاقات بين الجداول باللغة الطبيعية:

• "العملاء يشترون المنتجات" (صياغة السمة التي تربط العملاء بالمنتجات من خلال الطلبات)
• "الطلبات ** لها ** تاريخ شحن" (صياغة السمة)
• "الإيرادات ** مخصصة لـ ** منطقة" (صياغة الاسم التي تربط المقياس بالبعد)

الأسئلة المقترحة:

قدِّم أمثلة على الأسئلة التي توضح ما يمكن للمستخدمين طرحه. وتظهر هذه على شكل اقتراحات عندما ينقر المستخدم على الصورة المرئية للأسئلة والأجوبة، لتعليم المستخدمين أنواع الأسئلة التي يتعامل معها النظام بشكل جيد.

قائمة التحقق من تكوين الأسئلة والأجوبة

1. إعادة تسمية كافة الجداول والأعمدة إلى أسماء مناسبة للأعمال (بدون اختصارات، بدون شرطات سفلية)
2. أضف مرادفات لكل جدول وعمود (2-3 مرادفات على الأقل لكل منهما)
3. تكوين العبارات للعلاقات الرئيسية
4. أضف 10-15 سؤالًا مقترحًا يغطي سيناريوهات التحليل الشائعة
5. اختبر من 20 إلى 30 سؤالًا حقيقيًا من مستخدمي الأعمال وقم بالتحسين بناءً على النتائج
6. قم بمراجعة سجل تدريب الأسئلة والأجوبة (يتتبع Power BI الأسئلة التي لم يتمكن من الإجابة عليها) شهريًا وأضف المرادفات أو العبارات المفقودة
7. توفير التدريب للمستخدمين حول كيفية صياغة الأسئلة بشكل فعال

ترخيص الأسئلة والأجوبة

تتوفر مرئيات الأسئلة والأجوبة مع جميع أنواع التراخيص. تتوفر ميزات الأسئلة والأجوبة المتقدمة (الأسئلة المقترحة والمخطط اللغوي) في Power BI Desktop بغض النظر عن الترخيص. تتطلب الأسئلة والأجوبة في خدمة Power BI وجود Pro أو PPU. تتطلب الأسئلة والأجوبة المحسّنة بواسطة مساعد الطيار (المحادثة، متعددة الأدوار) سعة Premium أو Fabric.

---

ملخص متطلبات الترخيص

توفر ميزة الذكاء الاصطناعي حسب الترخيص

استراتيجية ترخيص الذكاء الاصطناعي فعالة من حيث التكلفة

بالنسبة للمؤسسات التي ترغب في الاستفادة من ميزات الذكاء الاصطناعي دون الالتزام بالسعة المميزة الكاملة:

المرحلة الأولى: البدء ببرنامج Pro. نشر المؤثرين الرئيسيين، والأسئلة والأجوبة، والكشف الأساسي عن الحالات الشاذة، والسرديات الذكية، والمرئيات المتوقعة. تتوفر هذه الميزات بسعر 10 دولارات أمريكية لكل مستخدم شهريًا وتوفر قيمة تحليلية كبيرة.

المرحلة الثانية: ترقية المستخدمين المتميزين إلى PPU. بالنسبة للمحللين الذين يحتاجون إلى AutoML والكشف المتقدم عن الحالات الشاذة، فإن تكلفة PPU البالغة 20 دولارًا أمريكيًا لكل مستخدم شهريًا أرخص بشكل كبير من السعة المميزة. يتكلف فريق مكون من 20 محللًا في PPU 400 دولارًا أمريكيًا شهريًا مقابل 5000 دولار أمريكي + شهريًا لأدنى سعة مميزة.

المرحلة 3: إضافة سعة النسيج لمساعد الطيار. عندما تكون المؤسسة جاهزة لمساعد الطيار والذكاء الاصطناعي المتقدم، قم بتوفير سعة النسيج F64. يؤدي ذلك إلى تمكين Copilot لجميع المستخدمين الذين لديهم تراخيص Pro أو PPU والذين يصلون إلى المحتوى في مساحات عمل Fabric.

يتيح هذا النهج المرحلي للمؤسسات بناء قدرات الذكاء الاصطناعي بشكل تدريجي، وإظهار عائد الاستثمار في كل مرحلة قبل الالتزام باستثمارات أكبر. تقدم ECOSIRE خدمات تنفيذ تحليلات الذكاء الاصطناعي لمساعدة المؤسسات على تخطيط هذا التقدم وتنفيذه.

---

أنماط تنفيذ الذكاء الاصطناعي العملية

النمط 1: تنبيهات الشذوذ التنفيذي

اجمع بين اكتشاف الحالات الشاذة وPower Automate لإنشاء تنبيهات تنفيذية تلقائية:

1. أنشئ لوحة معلومات مع تمكين الكشف عن الحالات الشاذة في المقاييس الرئيسية (الإيرادات، الطلبات، معدل التحويل).
2. قم بإنشاء تدفق Power Automate الذي يتم تشغيله بواسطة تنبيه يستند إلى البيانات في الصورة المرئية للكشف عن الحالات الشاذة.
3. عند اكتشاف حالة شاذة، يرسل التدفق رسالة Teams أو بريدًا إلكترونيًا إلى الفريق التنفيذي يتضمن تفاصيل الحالة الشاذة وشرح السبب الجذري.
4. يقوم المسؤول التنفيذي بالنقر فوق رابط إلى لوحة المعلومات المباشرة لإجراء مزيد من التحقيق.

يستبدل هذا النمط المراجعات اليدوية للبيانات الصباحية بتنبيهات تلقائية قائمة على الاستثناء. يرى المسؤولون التنفيذيون المعلومات فقط عندما يتطلب الأمر الاهتمام.

النموذج 2: خط أنابيب التنبؤ بالمبيعات

استخدم AutoML لإنشاء نموذج تسجيل الصفقات:

1. قم بإنشاء تدفق بيانات يحتوي على بيانات الصفقات التاريخية (الصفقات الفائزة والخاسرة مع الخصائص).
2. تدريب نموذج تصنيف ثنائي يتنبأ بالفوز مقابل الخسارة.
3. قم بتطبيق النموذج على صفقات خطوط الأنابيب الحالية، وسجل لكل منها احتمالية الفوز.
4. تصور التوقعات في لوحة معلومات المبيعات جنبًا إلى جنب مع مقاييس خطوط الأنابيب التقليدية.
5. يستخدم مديرو المبيعات نتائج التنبؤ لتحديد أولويات الصفقات وتخصيص الموارد.
6. أعد تدريب النموذج ربع سنوي باستخدام بيانات الصفقات المغلقة الجديدة للحفاظ على الدقة.

النموذج 3: بوابة تحليلات اللغة الطبيعية

أنشئ بوابة تحليلات ذاتية الخدمة باستخدام الأسئلة والأجوبة ومساعد الطيار:

1. قم بتحسين المخطط اللغوي لأفضل 5-10 مجموعات بيانات لديك.
2. قم بإنشاء صفحة "أسئلة وأجوبة للتحليلات" مخصصة في تطبيق Power BI الرئيسي لديك.
3. تدريب المستخدمين على صياغة الأسئلة الفعالة من خلال الأمثلة والأسئلة المقترحة.
4. مراقبة الأسئلة التي لم تتم الإجابة عليها شهريًا وتحسين المخطط اللغوي بناءً على الثغرات.
5. بالنسبة إلى البيئات المميزة/القماشية، قم بتمكين Copilot لاستكشاف المحادثة متعددة المنعطفات.

يقلل هذا النمط من طلبات التقارير المخصصة بنسبة 40-60% من خلال منح المستخدمين القدرة على الإجابة على أسئلتهم دون إنشاء تقارير.

---

الأسئلة الشائعة

هل يقوم برنامج Copilot لـ Power BI بإرسال بياناتي إلى OpenAI؟

يقوم Copilot بمعالجة البيانات من خلال خدمة Azure OpenAI ضمن حدود الامتثال لـ Microsoft 365 الخاصة بك. يتم إرسال بيانات تعريف نموذج البيانات (أسماء الجداول وأسماء الأعمدة وتعريفات المقاييس وقيم العينات) للمعالجة، ولكن لا يتم تخزين البيانات بواسطة Azure OpenAI أو استخدامها لتدريب النماذج. تظل بياناتك ضمن محيط أمان مؤسسة Microsoft وتخضع لنفس شهادات الامتثال مثل بقية Microsoft 365. يجب على المؤسسات التي لديها حساسية شديدة للبيانات مراجعة وثائق حماية بيانات Microsoft Copilot للحصول على مخططات تفصيلية لتدفق البيانات وضمانات الإقامة.

ما مدى دقة تنبؤات AutoML في Power BI؟

تعتمد الدقة كليًا على جودة بياناتك وحجمها وإمكانية التنبؤ بالنتيجة التي تقوم بتصميمها. بالنسبة لمشاكل الأعمال المحددة جيدًا مع البيانات التاريخية النظيفة (أكثر من 1000 صف تدريب، ومتغير نتائج واضح، وميزات ذات صلة)، يحقق AutoML عادةً دقة بنسبة 75-90% للتصنيف وRMSE معقول للانحدار. بالنسبة للمشكلات الأقل تنظيمًا أو البيانات المزعجة، قد تتراوح الدقة من 60 إلى 75%. يوفر AutoML مقاييس الدقة بعد التدريب --- قم دائمًا بتقييمها قبل نشر التنبؤات في الإنتاج. إذا كانت الدقة أقل من الحد المطلوب، فإن الحل عادةً ما يكون أفضل للبيانات أو هندسة الميزات، وليس أداة مختلفة.

هل يمكنني استخدام ميزات Power BI AI مع مجموعات بيانات DirectQuery؟

تتطلب معظم ميزات الذكاء الاصطناعي مجموعات بيانات في وضع الاستيراد لأن خوارزميات الذكاء الاصطناعي تحتاج إلى فحص مجموعة البيانات الكاملة ومعالجتها، وهو ما لا يكون فعالاً عبر اتصالات DirectQuery. يعمل اكتشاف الحالات الشاذة والمؤثرات الرئيسية والسرديات الذكية مع وضع الاستيراد فقط. تعمل الأسئلة والأجوبة مع DirectQuery ولكنها قد تكون أبطأ. يتطلب AutoML تدفقات البيانات (التي تستخدم وضع الاستيراد). يمكن أن يعمل Copilot مع مجموعات بيانات DirectQuery لبعض الميزات ولكنه يكون أكثر فعالية مع وضع الاستيراد. بالنسبة لمجموعات البيانات التي يجب أن تستخدم DirectQuery للحداثة، فكر في اتباع نهج مختلط: استخدم DirectQuery للمرئيات التشغيلية في الوقت الحقيقي ومجموعة بيانات منفصلة لوضع الاستيراد للتحليل المدعوم بالذكاء الاصطناعي.

ما هو الحد الأدنى لحجم البيانات المطلوب لكي تعمل ميزات الذكاء الاصطناعي بشكل جيد؟

تختلف المتطلبات حسب الميزة. يحتاج اكتشاف الحالات الشاذة إلى 12 نقطة بيانات على الأقل في السلسلة الزمنية (من الناحية المثالية 50+) لإنشاء خط أساس موثوق. يحتاج المؤثرون الرئيسيون إلى 100 صف على الأقل لكل فئة يتم تحليلها. يحتاج AutoML إلى ما لا يقل عن 100 صف تدريب ولكنه يعمل بشكل أفضل مع أكثر من 1000 صف. تعمل الأسئلة والأجوبة والسرد الذكي مع أي حجم بيانات. يعمل برنامج Copilot مع أي حجم بيانات ولكنه يوفر رؤى أفضل مع المزيد من سياق البيانات. بشكل عام، إذا كانت مجموعة البيانات الخاصة بك تحتوي على أقل من 1000 صف، فستعمل ميزات الذكاء الاصطناعي ولكنها قد لا توفر رؤى ذات دلالة إحصائية.

كيف يمكنني البدء باستخدام Power BI AI إذا كان لدي تراخيص Pro فقط؟

ابدأ بميزات الذكاء الاصطناعي المتوفرة في Pro: الأسئلة والأجوبة المرئية (تحسين المخطط اللغوي لمجموعات البيانات الرئيسية الخاصة بك)، والمؤثرات الرئيسية (تحديد ما يحرك مقاييسك الأكثر أهمية)، والكشف الأساسي عن الحالات الشاذة (مراقبة السلاسل الزمنية للتغييرات غير المتوقعة)، والسرديات الذكية (إضافة ملخصات تلقائية إلى لوحات المعلومات التنفيذية)، والتوقعات المرئية (اتجاهات السلاسل الزمنية للمشروع). توفر هذه الميزات قيمة كبيرة دون تكلفة ترخيص إضافية. بمجرد إثبات عائد الاستثمار، قم بإنشاء حالة عمل لـ PPU أو Premium/Fabric لفتح AutoML والكشف المتقدم عن الحالات الشاذة وCopilot.