पावर बीआई एआई विशेषताएं: कोपायलट, ऑटोएमएल और प्रिडिक्टिव एनालिटिक्स

पावर बीआई एक विज़ुअलाइज़ेशन टूल से एआई-संवर्धित एनालिटिक्स प्लेटफ़ॉर्म में विकसित हुआ है। पिछले तीन वर्षों में, माइक्रोसॉफ्ट ने संपूर्ण पावर बीआई अनुभव में कृत्रिम बुद्धिमत्ता को शामिल किया है --- कोपायलट के साथ प्राकृतिक भाषा रिपोर्ट निर्माण से लेकर भविष्यवाणियों के लिए स्वचालित मशीन लर्निंग से लेकर विसंगति का पता लगाने तक जो आपके डेटा के अप्रत्याशित रूप से व्यवहार करने पर आपको सचेत करता है। ये सुविधाएँ अब प्रायोगिक पूर्वावलोकन नहीं हैं। वे उत्पादन-तैयार क्षमताएं हैं जो व्यावसायिक उपयोगकर्ताओं के डेटा के साथ इंटरैक्ट करने के तरीके को मौलिक रूप से बदल देती हैं।

चुनौती यह नहीं है कि क्या ये एआई सुविधाएँ काम करती हैं --- वे करती हैं, और अधिकांश उपयोग के मामलों में उल्लेखनीय रूप से अच्छी हैं। चुनौती यह समझने की है कि किस लाइसेंस स्तर पर कौन सी सुविधाएँ उपलब्ध हैं, उन्हें आपके डेटा वातावरण के लिए कैसे कॉन्फ़िगर किया जाए, और उपयोगकर्ताओं को उनका प्रभावी ढंग से लाभ उठाने के लिए कैसे प्रशिक्षित किया जाए। यह मार्गदर्शिका पावर बीआई में प्रत्येक प्रमुख एआई क्षमता को व्यावहारिक कार्यान्वयन मार्गदर्शन, लाइसेंसिंग आवश्यकताओं और ईमानदार मूल्यांकन के साथ कवर करती है कि प्रत्येक सुविधा कहां उत्कृष्ट है और कहां कम है।

यदि आप पावर बीआई पर एआई-संचालित एनालिटिक्स रणनीति बना रहे हैं, तो कार्यान्वयन समर्थन और सर्वोत्तम प्रथाओं के लिए हमारी [पावर बीआई एआई और एनालिटिक्स सेवाएं] (/services/powerbi/ai-analytics) का पता लगाएं।

मुख्य बातें

पावर बीआई के लिए कोपायलट प्राकृतिक भाषा संकेतों से रिपोर्ट, डीएएक्स उपाय और कथा सारांश तैयार करता है --- इसके लिए फैब्रिक एफ64+ या प्रीमियम पी1+ क्षमता की आवश्यकता होती है

पावर बीआई में ऑटोएमएल बिना कोड लिखे वर्गीकरण, प्रतिगमन और पूर्वानुमान मॉडल को सक्षम बनाता है, जिसे प्रीमियम/फैब्रिक कार्यक्षेत्रों में डेटा प्रवाह के माध्यम से एक्सेस किया जा सकता है।

विसंगति का पता लगाना स्वचालित रूप से समय श्रृंखला दृश्यों में अप्रत्याशित डेटा बिंदुओं को चिह्नित करता है और मूल कारण स्पष्टीकरण प्रदान करता है

मुख्य इन्फ्लुएंसर विज़ुअल एआई का उपयोग यह पहचानने के लिए करता है कि कौन से कारक मीट्रिक को ऊपर या नीचे ले जाते हैं, जो हफ्तों के मैन्युअल विश्लेषण की जगह लेता है

स्मार्ट नैरेटिव्स दृश्यों के गतिशील, संदर्भ-जागरूक पाठ सारांश उत्पन्न करते हैं जो डेटा परिवर्तनों के साथ अद्यतन होते हैं

उचित पर्यायवाची कॉन्फ़िगरेशन और भाषाई स्कीमा सेटअप के साथ Q&A (प्राकृतिक भाषा क्वेरी) में नाटकीय रूप से सुधार किया जा सकता है

अधिकांश एआई सुविधाओं के लिए प्रति उपयोगकर्ता प्रीमियम ($20/उपयोगकर्ता/माह), प्रीमियम क्षमता, या फैब्रिक क्षमता की आवश्यकता होती है --- प्रो लाइसेंस में उन्नत एआई शामिल नहीं है

पावर बीआई के लिए सहपायलट

सहपायलट क्या कर सकता है

पावर बीआई के लिए कोपायलट बड़ी भाषा मॉडल क्षमताओं को सीधे रिपोर्ट लेखन और उपभोग अनुभव में लाता है। यह पावर बीआई की तरफ से जुड़ा हुआ चैटबॉट नहीं है --- यह आपके डेटा मॉडल, रिश्तों और उपायों को समझते हुए मुख्य वर्कफ़्लो में एकीकृत है।

रिपोर्ट निर्माण:

कोपायलट प्राकृतिक भाषा संकेतों से संपूर्ण रिपोर्ट पेज तैयार कर सकता है। "क्षेत्र, मासिक रुझान और शीर्ष 10 उत्पादों के आधार पर राजस्व दिखाने वाला एक बिक्री प्रदर्शन डैशबोर्ड बनाएं" जैसा संकेत उचित चार्ट प्रकार, कॉन्फ़िगर किए गए फ़िल्टर और उचित स्वरूपण के साथ एक बहु-दृश्य पृष्ठ बनाता है। जेनरेट की गई रिपोर्ट एक शुरुआती बिंदु है, तैयार उत्पाद नहीं --- लेकिन यह रिक्त पृष्ठ की समस्या को समाप्त कर देती है और उपयोगकर्ताओं को घंटों के बजाय सेकंडों में एक कार्यात्मक ड्राफ्ट तक पहुंचा देती है।

डैक्स पीढ़ी:

कोपायलट प्राकृतिक भाषा विवरण से DAX माप लिखता है। "प्रतिशत के रूप में साल-दर-साल राजस्व वृद्धि की गणना करें" उचित समय खुफिया कार्यों का उपयोग करके एक उपाय तैयार करता है। जटिल व्यावसायिक तर्क के लिए, कोपायलट चर के साथ बहु-चरणीय उपाय उत्पन्न कर सकता है, किनारे के मामलों (शून्य से विभाजन, गायब अवधि) को संभाल सकता है, और टिप्पणियों में तर्क की व्याख्या कर सकता है।

उत्पन्न DAX की गुणवत्ता उत्कृष्ट (सीधे एकत्रीकरण और समय की बुद्धिमत्ता) से लेकर मैन्युअल शोधन की आवश्यकता (अस्पष्ट व्यावसायिक तर्क के साथ जटिल बहु-तथ्य तालिका गणना) तक होती है। सामान्य पैटर्न का पालन करने वाले 80% DAX के लिए, कोपायलट उल्लेखनीय रूप से सटीक है। 20% के लिए जिन्हें गहन डोमेन ज्ञान की आवश्यकता होती है, यह एक ठोस प्रारंभिक बिंदु प्रदान करता है जिसे एक अनुभवी विश्लेषक परिष्कृत कर सकता है।

कथा सारांश:

कोपायलट रिपोर्ट पृष्ठों के गतिशील पाठ सारांश तैयार करता है, जो स्पष्ट भाषा में बताता है कि डेटा क्या दिखाता है। "राजस्व में साल-दर-साल 12% की वृद्धि हुई, जो मुख्य रूप से उत्तरी क्षेत्र के कारण हुई, जिसमें 23% की वृद्धि हुई। दक्षिण क्षेत्र में 4% की गिरावट आई, जिसका मुख्य कारण तीसरी तिमाही के दौरान उत्पाद श्रेणी एक्स में 15% की गिरावट थी।" फ़िल्टर बदलते ही ये आख्यान स्वचालित रूप से अपडेट हो जाते हैं, जिससे अधिकारियों को डेटा के बारे में उनके विशिष्ट दृष्टिकोण के अनुरूप एआई-जनित ब्रीफिंग प्रदान की जाती है।

डेटा अन्वेषण:

उपयोगकर्ता प्राकृतिक भाषा में अपने डेटा के बारे में कोपायलट से प्रश्न पूछ सकते हैं: "मार्च में राजस्व में गिरावट का कारण क्या है?" या "कौन सा ग्राहक वर्ग सबसे तेजी से बढ़ रहा है?" कोपायलट अंतर्निहित डेटा का विश्लेषण करता है और सहायक विज़ुअलाइज़ेशन के साथ उत्तर प्रदान करता है। यह प्रश्नोत्तर दृश्य से परे एक महत्वपूर्ण विकास है क्योंकि कोपायलट संदर्भ को समझता है, बहु-चरणीय विश्लेषण कर सकता है, और इसके तर्क की व्याख्या कर सकता है।

सहपायलट सीमाएँ

सहपायलट शक्तिशाली है लेकिन सर्वज्ञ नहीं। इसकी सीमाओं को समझने से निराशा और दुरुपयोग से बचाव होता है:

डेटा मॉडल की गुणवत्ता मायने रखती है। कोपायलट स्पष्ट, वर्णनात्मक तालिका और कॉलम नामों का उपयोग करके अच्छी तरह से डिज़ाइन किए गए स्टार स्कीमा के साथ सबसे अच्छा काम करता है। "col1", "dim_val_3", और "amt_usd_net" नामक कॉलम वाला एक मॉडल "ग्राहक नाम", "उत्पाद श्रेणी" और "शुद्ध राजस्व USD" वाले कॉलम की तुलना में खराब परिणाम देगा।
जटिल व्यावसायिक तर्क के लिए मार्गदर्शन की आवश्यकता होती है। सहपायलट आपके संगठन के विशिष्ट व्यावसायिक नियमों को तब तक नहीं जानता जब तक कि वे मॉडल में एन्कोड न किए गए हों। यदि "सक्रिय ग्राहक" का अर्थ है "रिटर्न को छोड़कर पिछले 90 दिनों में ऑर्डर दिया गया है," तो आपको कोपायलट को यह स्पष्ट रूप से बताना होगा या इसे एक उपाय के रूप में एन्कोड करना होगा जिसे कोपायलट संदर्भित कर सके।
गोपनीयता संबंधी विचार। कोपायलट प्रसंस्करण के लिए Azure OpenAI को डेटा मॉडल मेटाडेटा (तालिका नाम, कॉलम नाम, माप परिभाषाएँ, नमूना मान) भेजता है। डेटा को आपकी Microsoft 365 अनुपालन सीमा के भीतर संसाधित किया जाता है और इसका उपयोग मॉडल को प्रशिक्षित करने के लिए नहीं किया जाता है, लेकिन अत्यधिक डेटा संवेदनशीलता वाले संगठनों को Microsoft के कोपायलट डेटा प्रोसेसिंग दस्तावेज़ की समीक्षा करनी चाहिए।
मतिभ्रम का जोखिम। सभी एलएलएम-आधारित सुविधाओं की तरह, कोपायलट विश्वसनीय लगने वाले लेकिन गलत DAX या भ्रामक कथन उत्पन्न कर सकता है। हितधारकों के साथ साझा करने से पहले हमेशा ज्ञात डेटा बिंदुओं के विरुद्ध उत्पन्न सामग्री को मान्य करें।

सहपायलट लाइसेंसिंग आवश्यकताएँ

Power BI के लिए सह-पायलट को निम्नलिखित में से एक की आवश्यकता होती है:

आवश्यकता	विवरण
क्षमता	फ़ैब्रिक F64+ या प्रीमियम P1+
किरायेदार सेटिंग	Power BI एडमिन पोर्टल
उपयोगकर्ता लाइसेंस	पावर बीआई प्रो या पीपीयू (क्षमता के अतिरिक्त)
डेटा रेजीडेंसी	कोपायलट समर्थित Azure क्षेत्रों में उपलब्ध है
संगठनात्मक सेटिंग	Microsoft 365 व्यवस्थापक को संगठन के लिए Copilot सक्षम करना होगा

प्रीमियम/फ़ैब्रिक क्षमता के बिना प्रो-ओनली लाइसेंसिंग पर कोपायलट उपलब्ध नहीं है। एआई सुविधाओं का मूल्यांकन करने वाले संगठनों में यह भ्रम का सबसे आम स्रोत है।

ऑटोएमएल: स्वचालित मशीन लर्निंग

ऑटोएमएल क्या सक्षम करता है

पावर बीआई ऑटोएमएल व्यवसाय विश्लेषकों को कोड लिखे बिना या एमएल फ्रेमवर्क को समझे बिना मशीन लर्निंग मॉडल बनाने, प्रशिक्षित करने और लागू करने की अनुमति देता है। मॉडल को Power BI डेटाफ़्लो के भीतर आपके डेटा पर प्रशिक्षित किया जाता है और नए डेटा के आने पर उसे लागू किया जा सकता है।

समर्थित मॉडल प्रकार:

मॉडल प्रकार	केस का प्रयोग करें	उदाहरण
बाइनरी वर्गीकरण	हाँ/नहीं परिणामों की भविष्यवाणी करें	क्या यह ग्राहक मंथन करेगा? क्या यह डील बंद हो जाएगी?
बहु-वर्ग वर्गीकरण	समूहों में वर्गीकृत करें	किस समर्थन स्तर को इस टिकट को संभालना चाहिए?
प्रतिगमन	संख्यात्मक मानों की भविष्यवाणी करें	यह खाता अगली तिमाही में कितना राजस्व उत्पन्न करेगा?
पूर्वानुमान	भविष्य की समय श्रृंखला मूल्यों की भविष्यवाणी करें	उत्पाद श्रेणी के अनुसार अगले महीने की बिक्री क्या होगी?

एक ऑटोएमएल मॉडल का निर्माण

चरण 1: डेटाफ़्लो में प्रशिक्षण डेटा तैयार करें।

ऑटोएमएल मॉडल को पावर बीआई डेटाफ्लो (डेटासेट या रिपोर्ट नहीं) के भीतर डेटा पर प्रशिक्षित किया जाता है। एक डेटाफ़्लो इकाई बनाएं जिसमें आपका ऐतिहासिक डेटा, परिणाम चर के साथ आप भविष्यवाणी करना चाहते हैं और विशेषताएं (इनपुट चर) शामिल हों जो इसे प्रभावित कर सकती हैं।

ग्राहक मंथन पूर्वानुमान मॉडल के लिए, इकाई में शामिल हो सकते हैं:

कॉलम	प्रकार	भूमिका
ग्राहक आईडी	पाठ	पहचानकर्ता (प्रशिक्षण से बाहर)
कार्यकाल माह	पूर्णांक	फ़ीचर
मासिक खर्च	दशमलव	फ़ीचर
समर्थन टिकट	पूर्णांक	फ़ीचर
उत्पादसंख्या	पूर्णांक	फ़ीचर
लास्टलॉगइनडेज़	पूर्णांक	फ़ीचर
अनुबंध प्रकार	पाठ	फ़ीचर
मंथन	बूलियन	लक्ष्य चर

चरण 2: एमएल मॉडल कॉन्फ़िगर करें।

डेटाफ़्लो संपादक में, "एमएल मॉडल लागू करें" चुनें और अपना लक्ष्य कॉलम चुनें। पावर बीआई स्वचालित रूप से लक्ष्य चर के डेटा प्रकार (बूलियन ट्रिगर्स बाइनरी वर्गीकरण, संख्यात्मक ट्रिगर्स रिग्रेशन) के आधार पर उपयुक्त मॉडल प्रकार का पता लगाता है।

प्रशिक्षण विकल्प कॉन्फ़िगर करें:

प्रशिक्षण अवधि (5 मिनट से लेकर कई घंटे --- लंबा प्रशिक्षण अधिक मॉडल आर्किटेक्चर की खोज करता है)
फ़ीचर चयन (ऑटोएमएल को चुनने या मैन्युअल रूप से निर्दिष्ट करने दें)
सत्यापन विभाजन (आमतौर पर 80% प्रशिक्षण, 20% सत्यापन)

चरण 3: प्रशिक्षण और मूल्यांकन।

ऑटोएमएल कई मॉडल आर्किटेक्चर (निर्णय वृक्ष, ग्रेडिएंट बूस्टिंग, तंत्रिका नेटवर्क) को प्रशिक्षित करता है और सर्वश्रेष्ठ प्रदर्शन करने वाले का चयन करता है। प्रशिक्षण के बाद, यह प्रदान करता है:

मॉडल सटीकता मेट्रिक्स: वर्गीकरण के लिए एयूसी-आरओसी, प्रतिगमन के लिए आरएमएसई, पूर्वानुमान के लिए एमएपीई
सुविधा महत्व: किस इनपुट चर का भविष्यवाणियों पर सबसे अधिक प्रभाव पड़ा
भ्रम मैट्रिक्स: वर्गीकरण मॉडल के लिए, सही/गलत सकारात्मक और नकारात्मक दिखा रहा है
प्रशिक्षण रिपोर्ट: मॉडल चयन प्रक्रिया का विस्तृत दस्तावेजीकरण

चरण 4: पूर्वानुमान लागू करें।

एक बार प्रशिक्षित होने के बाद, मॉडल को डेटाफ़्लो के माध्यम से आने वाले नए डेटा पर लागू किया जा सकता है। प्रत्येक नई पंक्ति को एक भविष्यवाणी (वर्गीकरण लेबल या संख्यात्मक पूर्वानुमान) और एक आत्मविश्वास स्कोर प्राप्त होता है। ये पूर्वानुमान आपके Power BI डेटासेट में प्रवाहित होते हैं और रिपोर्ट में देखे जा सकते हैं।

ऑटोएमएल सर्वोत्तम अभ्यास

डेटा गुणवत्ता सर्वोपरि है। ऑटोएमएल खराब डेटा की भरपाई नहीं कर सकता। सुनिश्चित करें कि आपका प्रशिक्षण डेटा साफ़ है, पर्याप्त मात्रा में है (न्यूनतम 100 पंक्तियाँ, आदर्श रूप से 1,000+), और उन परिदृश्यों का प्रतिनिधि है जिनकी आप भविष्यवाणी करना चाहते हैं। गुम मान, आउटलेयर और वर्ग असंतुलन सभी मॉडल के प्रदर्शन को ख़राब करते हैं।

फ़ीचर इंजीनियरिंग मायने रखती है। कच्चे डेटा को अक्सर प्रशिक्षण से पहले परिवर्तन की आवश्यकता होती है। "पिछली खरीदारी के बाद से दिन," "6 महीने से अधिक का औसत ऑर्डर मूल्य," या "समर्थन टिकट आवृत्ति" जैसी व्युत्पन्न सुविधाएं बनाएं जो सार्थक पैटर्न को कैप्चर करती हैं। ऑटोएमएल कच्चे डेटा में संबंधों की खोज कर सकता है, लेकिन पूर्व-इंजीनियर्ड सुविधाएं नाटकीय रूप से सटीकता में सुधार करती हैं।

मॉडल बहाव की निगरानी करें। ऐतिहासिक डेटा पर प्रशिक्षित मॉडल समय के साथ व्यावसायिक परिस्थितियों में बदलाव के साथ खराब हो जाते हैं। प्रासंगिकता बनाए रखने के लिए मॉडल को त्रैमासिक रूप से पुनः प्रशिक्षित करें (या जब भविष्यवाणी सटीकता स्वीकार्य सीमा से नीचे चली जाए)। पावर बीआई स्वचालित रूप से मॉडल बहाव का पता नहीं लगाता है --- आपको भविष्यवाणी सटीकता की सक्रिय रूप से निगरानी करने की आवश्यकता है।

मानव समीक्षा के बिना उच्च जोखिम वाले निर्णयों के लिए ऑटोएमएल का उपयोग न करें। ऑटोएमएल मॉडल सांख्यिकीय पूर्वानुमान हैं, नियतात्मक नियम नहीं। मानव निर्णय के साथ-साथ निर्णय लेने में एक इनपुट के रूप में भविष्यवाणियों का उपयोग करें, विशेष रूप से क्रेडिट अनुमोदन, नियुक्ति या चिकित्सा निदान जैसे परिणामी निर्णयों के लिए।

विसंगति का पता लगाना

विसंगति का पता लगाना कैसे काम करता है

पावर बीआई की विसंगति का पता लगाने की सुविधा स्वचालित रूप से समय श्रृंखला दृश्यों में डेटा बिंदुओं की पहचान करती है जो अपेक्षित पैटर्न से काफी भिन्न होते हैं। यह अपेक्षित रेंज स्थापित करने के लिए आपके ऐतिहासिक डेटा पर प्रशिक्षित एक मशीन लर्निंग मॉडल (कन्वेंशनल न्यूरल नेटवर्क के साथ संयुक्त स्पेक्ट्रल अवशिष्ट एल्गोरिदम) का उपयोग करता है, फिर उन सीमाओं के बाहर आने वाले बिंदुओं को चिह्नित करता है।

कॉन्फ़िगरेशन विकल्प:

संवेदनशीलता: नियंत्रित करता है कि विसंगतियों को कितनी आक्रामकता से चिह्नित किया जाता है। उच्च संवेदनशीलता अधिक विसंगतियों को पकड़ती है लेकिन गलत सकारात्मकता को बढ़ाती है। कम संवेदनशीलता केवल अत्यधिक विचलन का संकेत देती है। डिफ़ॉल्ट 80% (मध्यम संवेदनशीलता) है।
अपेक्षित सीमा: चार्ट पर दिखाया गया आत्मविश्वास बैंड। व्यापक बैंड का अर्थ है कम चिह्नित विसंगतियाँ। बैंड की चौड़ाई संवेदनशीलता सेटिंग द्वारा नियंत्रित की जाती है।
मौसमी: मौसमी पैटर्न (साप्ताहिक, मासिक, त्रैमासिक) वाले डेटा के लिए, पावर बीआई स्वचालित रूप से मौसमी का पता लगा सकता है और उसका हिसाब लगा सकता है। आप मौसमी अवधि को मैन्युअल रूप से भी निर्दिष्ट कर सकते हैं।

विसंगति का पता लगाने को सक्षम करना

विसंगति का पता लगाना डेटाटाइम अक्ष के साथ लाइन चार्ट पर उपलब्ध है:

x-अक्ष पर दिनांक/समय फ़ील्ड और y-अक्ष पर एक संख्यात्मक माप के साथ एक लाइन चार्ट बनाएं।
एनालिटिक्स फलक में, "विसंगतियाँ खोजें" का विस्तार करें और इसे चालू करें।
स्लाइडर का उपयोग करके संवेदनशीलता को समायोजित करें (डिफ़ॉल्ट पर प्रारंभ करें और परिणामों के आधार पर ट्यून करें)।
वैकल्पिक रूप से "इसके द्वारा समझाएं" फ़ील्ड --- आयाम कॉन्फ़िगर करें जिनका उपयोग Power BI यह समझाने के लिए करेगा कि कोई विसंगति क्यों हुई।

मूल कारण स्पष्टीकरण

विसंगति का पता लगाने का सबसे मूल्यवान पहलू विसंगतियों को चिह्नित करना नहीं है - बल्कि उन्हें समझाना है। जब कोई उपयोगकर्ता चिह्नित विसंगति पर क्लिक करता है, तो Power BI योगदान करने वाले आयामों का विश्लेषण करता है और दिखाता है कि किन कारकों ने अप्रत्याशित मूल्य उत्पन्न किया है।

उदाहरण के लिए, यदि 15 मार्च को कुल राजस्व को असामान्य रूप से कम के रूप में चिह्नित किया गया है, तो स्पष्टीकरण यह दिखा सकता है:

"पश्चिम क्षेत्र से राजस्व अपेक्षा से 45% कम था, जिससे विसंगति में -$120K का योगदान हुआ"
"उत्पाद श्रेणी: इलेक्ट्रॉनिक्स में अपेक्षित सीमा की तुलना में 60% की गिरावट आई"
"ग्राहक खंड: उद्यम ने सामान्य स्तर बनाए रखा; एसएमबी खंड ने विचलन को बढ़ावा दिया"

ये स्पष्टीकरण विसंगति का पता लगाने को "कुछ गलत लग रहा है" से "यहां विशेष रूप से क्या हुआ और कहां जांच करनी है" में बदल देते हैं। यह क्षमता घंटों के मैन्युअल ड्रिल-डाउन विश्लेषण की जगह लेती है।

विसंगति का पता लगाने का लाइसेंस

प्रो लाइसेंस के साथ विसंगति का पता लगाने की बुनियादी कार्यक्षमता उपलब्ध है। "इसके द्वारा समझाएं" मूल कारण विश्लेषण सुविधा के लिए प्रति उपयोगकर्ता प्रीमियम, प्रीमियम क्षमता या फैब्रिक क्षमता की आवश्यकता होती है। अधिकांश व्यावहारिक कार्यान्वयन के लिए, मूल कारण स्पष्टीकरण प्राथमिक मूल्य चालक है, इसलिए प्रीमियम या पीपीयू लाइसेंसिंग की योजना बनाएं।

प्रमुख प्रभावशाली दृश्य

प्रमुख प्रभावशाली व्यक्ति क्या करते हैं

मुख्य इन्फ्लुएंसर विज़ुअल मशीन लर्निंग का उपयोग यह पहचानने के लिए करता है कि आपके डेटा में कौन से कारक लक्ष्य मीट्रिक को सबसे अधिक प्रभावित करते हैं। यह "ग्राहक संतुष्टि स्कोर को क्या प्रेरित करता है?" जैसे प्रश्नों का उत्तर देता है। या "कौन से कारक उच्च कर्मचारी कारोबार की भविष्यवाणी करते हैं?" उपयोगकर्ताओं को डेटा को मैन्युअल रूप से क्रॉस-सारणीबद्ध करने या सांख्यिकीय विश्लेषण चलाने की आवश्यकता के बिना।

दो विश्लेषण मोड:

मुख्य प्रभावशाली व्यक्ति टैब: लक्ष्य मीट्रिक पर उनके प्रभाव के आधार पर क्रमबद्ध व्यक्तिगत कारकों को दिखाता है। प्रत्येक कारक अपना गुणांक (यह लक्ष्य को कितना आगे बढ़ाता है) और एक सहायक दृश्य दिखाता है। उदाहरण के लिए: "जब विभाग इंजीनियरिंग होता है, तो औसत कर्मचारी संतुष्टि स्कोर 0.8 अंक बढ़ जाता है" या "जब अनुबंध प्रकार महीने-दर-माह होता है, तो मंथन की संभावना 3.2 गुना बढ़ जाती है।"

शीर्ष खंड टैब: रिकॉर्ड के समूहों (खंडों) की पहचान करने के लिए क्लस्टरिंग का उपयोग करता है जो सामान्य विशेषताओं को साझा करते हैं और समान लक्ष्य मीट्रिक मान प्रदर्शित करते हैं। उदाहरण के लिए: "सेगमेंट 1: 24 महीने से अधिक कार्यकाल, 3+ उत्पाद और वार्षिक अनुबंध वाले ग्राहकों की मंथन दर केवल 2.1% है (कुल मिलाकर 15% की तुलना में)।"

प्रमुख प्रभावशाली व्यक्तियों को कॉन्फ़िगर करना

लक्ष्य मीट्रिक चयन:

लक्ष्य हो सकता है:

एक श्रेणीबद्ध कॉलम ("कोई सौदा जीत बनाम हारा है या नहीं, इस पर क्या प्रभाव पड़ता है?")
एक संख्यात्मक कॉलम ("ग्राहक संतुष्टि स्कोर को क्या प्रभावित करता है?")
एक उपाय ("प्रति ग्राहक राजस्व पर क्या प्रभाव पड़ता है?")

व्याख्यात्मक कारक:

लक्ष्य को प्रभावित करने वाले स्तंभों को "इसके द्वारा समझाएं" फ़ील्ड में अच्छी तरह खींचें। दृश्य स्वचालित रूप से संभालता है:

श्रेणीबद्ध कारक (यह प्रत्येक श्रेणी के प्रभाव की तुलना करता है)
संख्यात्मक कारक (यह सीमा प्रभावों की पहचान करता है जैसे "जब मासिक खर्च $500 से अधिक हो")
एक साथ कई कारक (यह प्रत्येक कारक के योगदान को अलग करने के लिए लॉजिस्टिक रिग्रेशन या निर्णय पेड़ों का उपयोग करता है)

सर्वोत्तम अभ्यास:

5-15 व्याख्यात्मक कारक शामिल करें। 5 से कम विश्लेषण को सीमित करता है। 15 से अधिक शोर वाले परिणाम उत्पन्न कर सकते हैं।
पहचानकर्ता कॉलम (ग्राहकआईडी, ऑर्डरनंबर) को बाहर करें जिनमें प्रत्येक पंक्ति के लिए अद्वितीय मान हैं।
सबसे अधिक जानकारीपूर्ण परिणामों के लिए श्रेणीबद्ध और संख्यात्मक कारकों का मिश्रण शामिल करें।
उचित ग्रैन्युलैरिटी पर फ़ील्ड का उपयोग करें। यदि आपका लक्ष्य ग्राहक स्तर पर है, तो व्याख्यात्मक कारक भी ग्राहक स्तर पर होने चाहिए (लेनदेन स्तर पर नहीं)।

व्यावहारिक अनुप्रयोग

केस का प्रयोग करें	लक्ष्य	व्याख्यात्मक कारक
ग्राहक मंथन	मंथन (हां/नहीं)	कार्यकाल, मासिक व्यय, समर्थन टिकट, अनुबंध प्रकार, उत्पाद गणना
बिक्री जीत/हार	डील का नतीजा	डील का आकार, बिक्री चरण की अवधि, प्रतिस्पर्धी का उल्लेख, उद्योग, बिक्री प्रतिनिधि का अनुभव
कर्मचारी संतुष्टि	सर्वेक्षण स्कोर	विभाग, कार्यकाल, प्रबंधक, स्थान, मुआवजा बैंड, प्रशिक्षण घंटे
विनिर्माण दोष	दोष दर	मशीन, ऑपरेटर, शिफ्ट, सामग्री बैच, तापमान, आर्द्रता
समर्थन वृद्धि	बढ़ा हुआ (हां/नहीं)	समस्या श्रेणी, प्रतिक्रिया समय, ग्राहक स्तर, एजेंट अनुभव

मुख्य इन्फ्लुएंसर सभी पावर बीआई लाइसेंस प्रकारों (प्रो, पीपीयू, प्रीमियम) के साथ उपलब्ध है। यह सबसे सुलभ एआई सुविधाओं में से एक है और अक्सर पहली सुविधा है जो व्यावसायिक उपयोगकर्ताओं को ठोस मूल्य प्रदान करती है।

स्मार्ट आख्यान

स्वचालित अंतर्दृष्टि सृजन

स्मार्ट नैरेटिव्स आपके डेटा के गतिशील, प्राकृतिक भाषा सारांश उत्पन्न करते हैं जो फ़िल्टर बदलते ही स्वचालित रूप से अपडेट हो जाते हैं। स्थिर टेक्स्ट बॉक्स के विपरीत, स्मार्ट आख्यान डेटा-संचालित होते हैं --- वे अंतर्निहित दृश्यों का विश्लेषण करते हैं और प्रासंगिक विवरण तैयार करते हैं।

स्मार्ट आख्यान क्या उत्पन्न करते हैं:

सारांश आँकड़े ("कुल राजस्व $4.2 मिलियन है, पिछली अवधि की तुलना में 12% की वृद्धि")
रुझान विवरण ("पिछले 6 महीनों में 2.3% की औसत मासिक वृद्धि दर के साथ राजस्व ऊपर की ओर बढ़ रहा है")
तुलनात्मक अंतर्दृष्टि ("उत्तरी क्षेत्र अन्य सभी क्षेत्रों से बेहतर प्रदर्शन करता है, कुल राजस्व का 35% योगदान देता है")
विसंगतिपूर्ण कॉलआउट ("एंटरप्राइज़ सेगमेंट में गिरावट के कारण मार्च का राजस्व 12 महीने के औसत से 15% कम था")

स्मार्ट आख्यानों को अनुकूलित करना

डिफ़ॉल्ट स्मार्ट आख्यान सामान्य हैं। उन्हें मूल्यवान बनाने के लिए, उन्हें अनुकूलित करें:

विशिष्ट मान जोड़ना:

विशिष्ट माप या फ़ील्ड सम्मिलित करने के लिए "मान जोड़ें" पर क्लिक करें। स्मार्ट आख्यान इन मानों (मुद्रा, प्रतिशत, संख्या) को गतिशील रूप से प्रारूपित करते हैं और फ़िल्टर बदलने पर उन्हें अपडेट करते हैं।

उत्पन्न पाठ का संपादन:

स्वतः उत्पन्न पाठ एक प्रारंभिक बिंदु है। अपने संगठन की शब्दावली से मेल खाने के लिए इसे संपादित करें और उन जानकारियों पर ध्यान केंद्रित करें जो आपके दर्शकों के लिए सबसे अधिक मायने रखती हैं। आसपास के पाठ को समायोजित करते समय गतिशील मान संदर्भों को बरकरार रखें।

सशर्त पाठ:

डेटा मानों के आधार पर भिन्न पाठ दिखाने के लिए सशर्त तर्क का उपयोग करें। उदाहरण के लिए: "राजस्व [विचरण राशि] द्वारा लक्ष्य [ऊपर/नीचे] है" जहां वास्तविक प्रदर्शन के आधार पर भाषा बदलती है।

स्मार्ट आख्यान सर्वोत्तम अभ्यास

तत्काल संदर्भ प्रदान करने के लिए कार्यकारी डैशबोर्ड के शीर्ष पर स्मार्ट आख्यान रखें
विवरण को प्रति दृश्य या पृष्ठ पर 3-5 वाक्यों में रखें --- संक्षिप्तता से पाठकों की संख्या बढ़ती है
सकारात्मक प्रदर्शन को हरे रंग में और नकारात्मक प्रदर्शन को लाल रंग में उजागर करने के लिए सशर्त स्वरूपण का उपयोग करें
यह सुनिश्चित करने के लिए कि वे सटीक और सार्थक रहें, विभिन्न फ़िल्टर संयोजनों के साथ आख्यानों का परीक्षण करें
प्रीमियम क्षमता पर अधिक समृद्ध, अधिक प्रासंगिक सारांश के लिए कोपायलट के साथ स्मार्ट आख्यानों को संयोजित करें

प्रश्नोत्तर अनुकूलन

प्रश्नोत्तर दृश्य

Q&A (प्रश्न और उत्तर) विज़ुअल उपयोगकर्ताओं को प्राकृतिक भाषा में प्रश्न टाइप करने और विज़ुअलाइज़ेशन के रूप में डेटा-संचालित उत्तर प्राप्त करने देता है। "पिछली तिमाही में कुल राजस्व कितना था?" मूल्य दर्शाने वाला एक कार्ड विज़ुअल तैयार करता है। "बार चार्ट के रूप में क्षेत्र के अनुसार राजस्व दिखाएं" अनुरोधित विज़ुअलाइज़ेशन उत्पन्न करता है।

डेमो में प्रश्नोत्तरी भ्रामक रूप से सरल है लेकिन वास्तविक दुनिया के डेटा के साथ अच्छी तरह से काम करने के लिए महत्वपूर्ण कॉन्फ़िगरेशन की आवश्यकता होती है। लीक से हटकर, प्रश्नोत्तरी अस्पष्ट कॉलम नामों, उद्योग-विशिष्ट शब्दावली और जटिल व्यावसायिक तर्क से जूझता है। उचित अनुकूलन के साथ, यह एक शक्तिशाली स्व-सेवा उपकरण बन जाता है।

भाषाई स्कीमा विन्यास

भाषाई स्कीमा Q&A को बताती है कि आपका डेटा मॉडल प्राकृतिक भाषा अवधारणाओं को कैसे मैप करता है। यह Q&A गुणवत्ता के लिए सबसे प्रभावशाली कॉन्फ़िगरेशन है।

समानार्थक शब्द:

तालिकाओं, स्तंभों और मानों के लिए वैकल्पिक शब्द परिभाषित करें:

मॉडल अवधि	समानार्थी शब्द
राजस्व	बिक्री, आय, कमाई, टर्नओवर
ग्राहक	ग्राहक, खाता, खरीदार
ऑर्डर दिनांक	ऑर्डर की तारीख, खरीद की तारीख, लेन-देन की तारीख
उत्पादश्रेणी	श्रेणी, उत्पाद प्रकार, उत्पाद पंक्ति
सक्रिय है	सक्रिय, चालू, सजीव

वाक्यांश:

परिभाषित करें कि तालिकाओं के बीच संबंधों को प्राकृतिक भाषा में कैसे व्यक्त किया जाना चाहिए:

"ग्राहक उत्पाद खरीदें" (ऑर्डर के माध्यम से ग्राहकों को उत्पादों से जोड़ने वाली विशेषता वाक्यांश)
"आदेश में एक जहाज की तारीख है" (विशेषता वाक्यांश)
"राजस्व एक क्षेत्र के लिए है" (माप को आयाम से जोड़ने वाला नाम वाक्यांश)

सुझाए गए प्रश्न:

ऐसे उदाहरण प्रश्न प्रदान करें जो प्रदर्शित करें कि उपयोगकर्ता क्या पूछ सकते हैं। जब उपयोगकर्ता Q&A विज़ुअल पर क्लिक करता है तो ये सुझाव के रूप में दिखाई देते हैं, और उपयोगकर्ताओं को उन प्रश्नों के प्रकार सिखाते हैं जिन्हें सिस्टम अच्छी तरह से संभालता है।

प्रश्न एवं उत्तर कॉन्फ़िगरेशन चेकलिस्ट

सभी तालिकाओं और स्तंभों को व्यवसाय-अनुकूल नामों में बदलें (कोई संक्षिप्ताक्षर नहीं, कोई अंडरस्कोर नहीं)
प्रत्येक तालिका और कॉलम के लिए समानार्थी शब्द जोड़ें (प्रत्येक में न्यूनतम 2-3 समानार्थी शब्द)
प्रमुख रिश्तों के लिए वाक्यांश कॉन्फ़िगर करें
सामान्य विश्लेषण परिदृश्यों को कवर करने वाले 10-15 सुझाए गए प्रश्न जोड़ें
व्यावसायिक उपयोगकर्ताओं के 20-30 वास्तविक प्रश्नों के साथ परीक्षण करें और परिणामों के आधार पर परिष्कृत करें
Q&A प्रशिक्षण लॉग की समीक्षा करें (पावर बीआई उन प्रश्नों को ट्रैक करता है जिनका वह उत्तर नहीं दे सका) और छूटे हुए पर्यायवाची शब्द या वाक्यांश जोड़ें
प्रश्नों को प्रभावी ढंग से वाक्यांशबद्ध करने के बारे में उपयोगकर्ता को प्रशिक्षण प्रदान करें

प्रश्नोत्तर लाइसेंसिंग

प्रश्नोत्तरी दृश्य सभी प्रकार के लाइसेंस के साथ उपलब्ध है। लाइसेंस की परवाह किए बिना उन्नत Q&A सुविधाएं (सुझाए गए प्रश्न, भाषाई स्कीमा) Power BI डेस्कटॉप में उपलब्ध हैं। पावर बीआई सेवा में प्रश्नोत्तरी के लिए प्रो या पीपीयू की आवश्यकता होती है। सह-पायलट-उन्नत Q&A (संवादात्मक, मल्टी-टर्न) के लिए प्रीमियम या फैब्रिक क्षमता की आवश्यकता होती है।

लाइसेंसिंग आवश्यकताओं का सारांश

लाइसेंस द्वारा एआई सुविधा की उपलब्धता

फ़ीचर	प्रो ($10/उपयोगकर्ता/माह)	पीपीयू ($20/उपयोगकर्ता/माह)	प्रीमियम/फ़ैब्रिक
प्रश्नोत्तरी दृश्य	हाँ	हाँ	हाँ
प्रमुख प्रभावशाली व्यक्ति	हाँ	हाँ	हाँ
विसंगति का पता लगाना (बुनियादी)	हाँ	हाँ	हाँ
विसंगति का पता लगाना (द्वारा समझाएं)	नहीं	हाँ	हाँ
स्मार्ट आख्यान	हाँ	हाँ	हाँ
अपघटन वृक्ष	हाँ	हाँ	हाँ
ऑटोएमएल	नहीं	हाँ	हाँ
सहपायलट	नहीं	नहीं	केवल F64+/P1+
एआई इनसाइट्स (पीक्यू में एज़्योर एआई)	नहीं	हाँ	हाँ
संज्ञानात्मक सेवा एकीकरण	नहीं	नहीं	हाँ
पूर्वानुमान दृश्य	हाँ	हाँ	हाँ

लागत प्रभावी एआई लाइसेंसिंग रणनीति

पूर्ण प्रीमियम क्षमता के लिए प्रतिबद्ध हुए बिना एआई सुविधाओं का लाभ उठाने के इच्छुक संगठनों के लिए:

चरण 1: प्रो से प्रारंभ करें। प्रमुख प्रभावशाली व्यक्तियों, प्रश्नोत्तरी, बुनियादी विसंगति का पता लगाने, स्मार्ट आख्यानों और पूर्वानुमान दृश्यों को तैनात करें। ये सुविधाएँ $10/उपयोगकर्ता/माह पर उपलब्ध हैं और महत्वपूर्ण विश्लेषणात्मक मूल्य प्रदान करती हैं।

चरण 2: बिजली उपयोगकर्ताओं को पीपीयू में अपग्रेड करें। जिन विश्लेषकों को ऑटोएमएल और उन्नत विसंगति का पता लगाने की आवश्यकता है, उनके लिए $20/उपयोगकर्ता/माह पर पीपीयू प्रीमियम क्षमता से नाटकीय रूप से सस्ता है। पीपीयू पर 20 विश्लेषकों की एक टीम की लागत न्यूनतम प्रीमियम क्षमता के लिए $400/माह बनाम $5,000+/माह है।

चरण 3: कोपायलट के लिए फैब्रिक क्षमता जोड़ें। जब संगठन कोपायलट और उन्नत एआई के लिए तैयार हो, तो फैब्रिक एफ64 क्षमता का प्रावधान करें। यह प्रो या पीपीयू लाइसेंस वाले सभी उपयोगकर्ताओं के लिए कोपायलट को सक्षम बनाता है जो फैब्रिक वर्कस्पेस में सामग्री तक पहुंचते हैं।

यह चरणबद्ध दृष्टिकोण संगठनों को बड़े निवेश के लिए प्रतिबद्ध होने से पहले प्रत्येक चरण में आरओआई का प्रदर्शन करते हुए, एआई क्षमताओं का निर्माण करने देता है। ECOSIRE संगठनों को इस प्रगति की योजना बनाने और निष्पादित करने में मदद करने के लिए एआई एनालिटिक्स कार्यान्वयन सेवाएं प्रदान करता है।

व्यावहारिक एआई कार्यान्वयन पैटर्न

पैटर्न 1: कार्यकारी विसंगति चेतावनियाँ

स्वचालित कार्यकारी अलर्ट बनाने के लिए विसंगति का पता लगाने को पावर ऑटोमेट के साथ संयोजित करें:

प्रमुख मेट्रिक्स (राजस्व, ऑर्डर, रूपांतरण दर) पर विसंगति का पता लगाने में सक्षम एक डैशबोर्ड बनाएं।
विसंगति का पता लगाने वाले दृश्य पर डेटा-संचालित अलर्ट द्वारा ट्रिगर किया गया पावर ऑटोमेट प्रवाह बनाएं।
जब किसी विसंगति का पता चलता है, तो प्रवाह विसंगति विवरण और मूल कारण स्पष्टीकरण के साथ कार्यकारी टीम को एक टीम संदेश या ईमेल भेजता है।
कार्यकारी आगे की जांच के लिए लाइव डैशबोर्ड के एक लिंक पर क्लिक करता है।

यह पैटर्न मैन्युअल सुबह की डेटा समीक्षाओं को स्वचालित, अपवाद-आधारित अलर्ट से बदल देता है। अधिकारी केवल तभी जानकारी देखते हैं जब किसी चीज़ पर ध्यान देने की आवश्यकता होती है।

पैटर्न 2: बिक्री पूर्वानुमान पाइपलाइन

डील स्कोरिंग मॉडल बनाने के लिए ऑटोएमएल का उपयोग करें:

ऐतिहासिक डील डेटा (विशेषताओं के साथ जीते और हारे हुए सौदे) युक्त एक डेटाफ़्लो बनाएं।
जीत बनाम हार की भविष्यवाणी करने वाले एक द्विआधारी वर्गीकरण मॉडल को प्रशिक्षित करें।
मॉडल को वर्तमान पाइपलाइन सौदों पर लागू करें, प्रत्येक को जीत की संभावना के साथ स्कोर करें।
पारंपरिक पाइपलाइन मेट्रिक्स के साथ बिक्री डैशबोर्ड में भविष्यवाणियों की कल्पना करें।
बिक्री प्रबंधक सौदों को प्राथमिकता देने और संसाधनों को आवंटित करने के लिए पूर्वानुमान स्कोर का उपयोग करते हैं।
सटीकता बनाए रखने के लिए नए बंद सौदे डेटा के साथ मॉडल को त्रैमासिक रूप से पुनः प्रशिक्षित करें।

पैटर्न 3: प्राकृतिक भाषा विश्लेषण पोर्टल

Q&A और Copilot का उपयोग करके एक स्व-सेवा विश्लेषण पोर्टल बनाएं:

अपने शीर्ष 5-10 डेटासेट के लिए भाषाई स्कीमा को अनुकूलित करें।
अपने मुख्य पावर बीआई ऐप में एक समर्पित "एनालिटिक्स क्यू एंड ए" पेज बनाएं।
उदाहरणों और सुझाए गए प्रश्नों के माध्यम से उपयोगकर्ताओं को प्रभावी प्रश्नावली पर प्रशिक्षित करें।
अनुत्तरित प्रश्नों की मासिक निगरानी करें और अंतराल के आधार पर भाषाई स्कीमा में सुधार करें।
प्रीमियम/फैब्रिक वातावरण के लिए, संवादात्मक मल्टी-टर्न अन्वेषण के लिए कोपायलट को सक्षम करें।

यह पैटर्न उपयोगकर्ताओं को रिपोर्ट बनाए बिना अपने स्वयं के प्रश्नों का उत्तर देने की क्षमता देकर तदर्थ रिपोर्ट अनुरोधों को 40-60% तक कम कर देता है।

अक्सर पूछे जाने वाले प्रश्न

क्या Power BI के लिए कोपायलट मेरा डेटा OpenAI को भेजता है?

कोपायलट आपकी Microsoft 365 अनुपालन सीमा के भीतर Azure OpenAI सेवा के माध्यम से डेटा संसाधित करता है। डेटा मॉडल मेटाडेटा (तालिका नाम, कॉलम नाम, माप परिभाषाएं और नमूना मान) प्रसंस्करण के लिए भेजा जाता है, लेकिन डेटा Azure OpenAI द्वारा संग्रहीत नहीं किया जाता है या मॉडल को प्रशिक्षित करने के लिए उपयोग नहीं किया जाता है। आपका डेटा Microsoft की एंटरप्राइज़ सुरक्षा परिधि के भीतर रहता है और बाकी Microsoft 365 के समान अनुपालन प्रमाणपत्रों के अधीन है। अत्यधिक डेटा संवेदनशीलता वाले संगठनों को विस्तृत डेटा प्रवाह आरेख और रेजीडेंसी गारंटी के लिए Microsoft Copilot डेटा सुरक्षा दस्तावेज़ की समीक्षा करनी चाहिए।

पावर बीआई में ऑटोएमएल पूर्वानुमान कितने सटीक हैं?

सटीकता पूरी तरह से आपके डेटा की गुणवत्ता, मात्रा और आपके द्वारा मॉडलिंग किए जा रहे परिणाम की भविष्यवाणी पर निर्भर करती है। स्वच्छ ऐतिहासिक डेटा (1,000+ प्रशिक्षण पंक्तियाँ, स्पष्ट परिणाम चर, प्रासंगिक सुविधाएँ) के साथ अच्छी तरह से परिभाषित व्यावसायिक समस्याओं के लिए, ऑटोएमएल आमतौर पर वर्गीकरण के लिए 75-90% सटीकता और प्रतिगमन के लिए उचित आरएमएसई प्राप्त करता है। कम संरचित समस्याओं या शोर वाले डेटा के लिए, सटीकता 60-75% हो सकती है। ऑटोएमएल प्रशिक्षण के बाद सटीकता मेट्रिक्स प्रदान करता है --- उत्पादन के लिए भविष्यवाणियों को लागू करने से पहले हमेशा इनका मूल्यांकन करें। यदि सटीकता आपकी सीमा से कम है, तो समाधान आमतौर पर बेहतर डेटा या फीचर इंजीनियरिंग है, न कि कोई अलग उपकरण।

क्या मैं DirectQuery डेटासेट के साथ Power BI AI सुविधाओं का उपयोग कर सकता हूं?

अधिकांश AI सुविधाओं के लिए आयात मोड डेटासेट की आवश्यकता होती है क्योंकि AI एल्गोरिदम को पूर्ण डेटासेट को स्कैन और संसाधित करने की आवश्यकता होती है, जो DirectQuery कनेक्शन पर निष्पादित नहीं होता है। विसंगति का पता लगाना, मुख्य प्रभावक और स्मार्ट आख्यान केवल आयात मोड के साथ काम करते हैं। Q&A DirectQuery के साथ काम करता है लेकिन धीमा हो सकता है। ऑटोएमएल को डेटाफ़्लो की आवश्यकता होती है (जो आयात मोड का उपयोग करते हैं)। कोपिलॉट कुछ सुविधाओं के लिए DirectQuery डेटासेट के साथ काम कर सकता है लेकिन आयात मोड के साथ सबसे प्रभावी है। उन डेटासेट के लिए जिन्हें ताजगी के लिए DirectQuery का उपयोग करना चाहिए, एक हाइब्रिड दृष्टिकोण पर विचार करें: वास्तविक समय के परिचालन दृश्यों के लिए DirectQuery का उपयोग करें और AI-संचालित विश्लेषण के लिए एक अलग आयात मोड डेटासेट का उपयोग करें।

एआई सुविधाओं को अच्छी तरह से काम करने के लिए आवश्यक न्यूनतम डेटा मात्रा क्या है?

आवश्यकताएँ सुविधा के अनुसार भिन्न-भिन्न होती हैं। एक विश्वसनीय आधार रेखा स्थापित करने के लिए विसंगति का पता लगाने के लिए समय श्रृंखला में कम से कम 12 डेटा बिंदुओं (आदर्श रूप से 50+) की आवश्यकता होती है। प्रमुख प्रभावशाली व्यक्तियों के विश्लेषण के लिए प्रति श्रेणी कम से कम 100 पंक्तियों की आवश्यकता होती है। ऑटोएमएल को कम से कम 100 प्रशिक्षण पंक्तियों की आवश्यकता होती है लेकिन 1,000+ के साथ काफी बेहतर प्रदर्शन होता है। Q&A और स्मार्ट नैरेटिव्स किसी भी डेटा वॉल्यूम के साथ काम करते हैं। कोपायलट किसी भी डेटा वॉल्यूम के साथ काम करता है लेकिन अधिक डेटा संदर्भ के साथ बेहतर अंतर्दृष्टि प्रदान करता है। सामान्य तौर पर, यदि आपके डेटासेट में 1,000 से कम पंक्तियाँ हैं, तो एआई सुविधाएँ काम करेंगी लेकिन सांख्यिकीय रूप से महत्वपूर्ण अंतर्दृष्टि प्रदान नहीं कर सकती हैं।

यदि मेरे पास केवल प्रो लाइसेंस है तो मैं पावर बीआई एआई के साथ कैसे शुरुआत करूं?

प्रो पर उपलब्ध एआई सुविधाओं से शुरुआत करें: क्यू एंड ए विज़ुअल (अपने प्रमुख डेटासेट के लिए भाषाई स्कीमा को अनुकूलित करें), मुख्य प्रभावकार (पहचानें कि आपके सबसे महत्वपूर्ण मेट्रिक्स को क्या संचालित करता है), बुनियादी विसंगति का पता लगाना (अप्रत्याशित परिवर्तनों के लिए समय श्रृंखला की निगरानी करना), स्मार्ट नैरेटिव्स (कार्यकारी डैशबोर्ड में स्वचालित सारांश जोड़ें), और पूर्वानुमान विज़ुअल (परियोजना समय श्रृंखला रुझान)। ये सुविधाएँ अतिरिक्त लाइसेंसिंग लागत के बिना पर्याप्त मूल्य प्रदान करती हैं। एक बार जब आप आरओआई प्रदर्शित कर लें, तो ऑटोएमएल, उन्नत विसंगति का पता लगाने और कोपायलट को अनलॉक करने के लिए पीपीयू या प्रीमियम/फैब्रिक के लिए एक बिजनेस केस बनाएं।

Power BI AI Features: Copilot, AutoML, and Predictive Analytics