Microsoft Fabric Data Agent ile Verinize Doğal Dil Sorularıyla Erişin

Kurumunuzdaki bir analistin, "Geçen çeyrekteki en yüksek gelirli 10 ürünümüz hangileriydi?" gibi basit bir soruya yanıt almak için üç gün beklediğini hayal edin. Bu gecikme, verilerden anlam çıkarma sürecinde kaybedilen zamandır ve karar alma mekanizmasını baltalar. Microsoft’un yeni aracı Fabric Data Agent (şimdilik önizleme aşamasında), bu boşluğu doldurmak üzere tasarlandı. Kullanıcılar, teknik bilgiye ihtiyaç duymadan, sadece doğal dilde sorular sorarak kurumsal verilerden yapılandırılmış yanıtlar elde edebiliyor — SQL, DAX veya KQL bilmeye gerek kalmıyor.

Fabric Data Agent Nedir?

Fabric Data Agent, Microsoft Fabric’in OneLake platformundaki verileriniz üzerine inşa edilmiş, konuşmaya dayalı bir soru-cevap sistemidir. Bu araç, Azure OpenAI’nin Yardımcı API’leri tarafından desteklenen büyük dil modellerini (LLM’ler) kullanarak kullanıcıların doğal dilde sorduğu soruları anlar ve bunları ilgili veri kaynaklarına yönlendirilen sorgulara dönüştürür. Kısacası, bir nevi akıllı aracıdır:

• Kullanıcının sorusunu anlar
• En uygun veri kaynağını belirler
• Doğru sorguları oluşturur ve çalıştırır
• İnsan tarafından okunabilir yanıtlar sunar

Araç, göl depoları, veri ambarları, Power BI semantik modelleri, KQL veri tabanları, ontolojiler ve Microsoft Graph dahil olmak üzere çok çeşitli veri kaynaklarına bağlanabilir — tüm bunlar, güvenilir ve yönetilen Microsoft Fabric ekosistemi içinde gerçekleştirilir. Fabric’in genişletilmiş ajan mimarilerinde, veri ajanları, çoklu ajan çözümlerinde farklı veri türlerine bağlanarak konuşmaya dayalı analitik bileşeni olarak hizmet verir.

Arka Planda Nasıl Çalışır?

Fabric Data Agent’in çalışma mantığı, birbirini izleyen adımlardan oluşan akıllı bir boru hattına dayanır. Süreç şu şekilde ilerler:

1. Soru Ayrıştırma ve Doğrulama

Kullanıcı bir soru sorduğunda, araç önce Azure OpenAI Yardımcı API’leri üzerinden bu soruyu işler. Ardından, aşağıdaki unsurları doğrulamak için bir dizi kontrolden geçirir:

• Güvenlik protokolleri
• Sorumlu Yapay Zeka (RAI) politikaları
• Kullanıcının erişim izinleri

Önemli bir nokta: Aracın tüm veri kaynaklarına yalnızca okuma erişimi vardır — hiçbir şekilde veri yazma, değiştirme veya silme işlemi gerçekleştiremez.

2. Veri Kaynağı Belirleme

Araç, kullanıcının kimlik bilgilerini kullanarak veri kaynaklarının şemasını (verilerin kendisi değil) sorgular. Ardından, kullanıcının sorusunu değerlendirerek en uygun veri kaynağını seçer. Kurumsal ihtiyaçlara göre bu yönlendirmeyi özelleştirmek de mümkün. Örneğin, finansal metriklerle ilgili soruları Power BI semantik modellerine, ham veri keşiflerini ise göl depolarına yönlendirmek gibi talimatlar verilebilir.

3. Sorgunun Oluşturulması

Doğru veri kaynağı belirlendikten sonra araç, sorguyu aşağıdaki araçlardan biriyle oluşturur:

| Veri Kaynağı | Sorgunun Dönüştürülmesi | |---------------|-------------------------| | Göl depoları / Veri ambarları | Doğal dil → SQL (NL2SQL) | | Power BI semantik modelleri | Doğal dil → DAX (NL2DAX) | | KQL veri tabanları | Doğal dil → KQL (NL2KQL) | | Microsoft Graph | Graph API sorguları |

4. Sorgunun Doğrulanması ve Çalıştırılması

Oluşturulan sorgu, doğruluk ve güvenlik kontrollerinden geçirilir. Ardından, ilgili veri kaynağına gönderilerek çalıştırılır. Sonuçlar, tablolar, özetler ve temel içgörüler şeklinde düzenlenerek kullanıcıya sunulur.

Fabric Data Agent’ı Kurmak

Fabric Data Agent’ı yapılandırmak, Power BI raporu oluşturmakla benzer bir süreç izler: aracı tasarlayın, iyileştirin, ardından yayınlayın ve paylaşın. Kurulum süreci aşağıdaki adımlardan oluşur:

Veri Kaynaklarını Seçin

Bir ajan, en fazla beş veri kaynağı destekler. Bunlar arasında göl depoları, veri ambarları, KQL veri tabanları, Power BI semantik modelleri, ontolojiler ve Microsoft Graph yer alabilir. Örneğin, üç Power BI semantik modeli, bir göl deposu ve bir KQL veri tabanından oluşan bir kombinasyon oluşturabilirsiniz.

İlgili Tabloları Tanımlayın

Veri kaynağını ekledikten sonra, ajan tarafından erişilebilecek spesifik tabloları belirtin. Göl depolarında, bu tablolar (ham dosyalar değil) anlamına gelir. CSV veya JSON gibi formatlardaki verileriniz varsa, bunları önce tablolar haline getirmeniz gerekir.

Talimatlar ve Örnek Sorular Ekleyin

Ajanı kurumunuza özel hale getirmek için bu adım kritik önem taşır:

• Veri ajan talimatları: Ajanın nasıl davranması gerektiğini tanımlayın. Hangi veri kaynağının hangi tür soruları yanıtlayacağını belirtin. Kurumsal terminolojiyi açıklayın. Özel kuralları ayarlayın.
• Örnek soru-eşleşme çiftleri: Sık karşılaşılan sorular için örnekler sunun. Böylece ajan, alanınıza özgü sorguları anlamayı öğrenir. (Not: Power BI semantik modelleri için henüz bu özellik desteklenmemektedir.)

Güvenlik ve Yönetim: Yerleşik, Sonradan Eklenmiş Değil

Fabric Data Agent’in en etkileyici yönlerinden biri, yönetimin derinlemesine entegre edilmiş olmasıdır:

• En az ayrıcalık ilkesi: Ajan, kullanıcının kimlik bilgilerini kullanır. Böylece, kullanıcının zaten erişim yetkisi olan verileri görüntüleyebilir.
• Microsoft Purview entegrasyonu: Veri kaybı önleme (DLP) politikaları, erişim kısıtlama politikaları, içerden risk yönetimi ve denetim/eDiscovery gibi tüm güvenlik kontrolleri, ajan etkileşimlerine uygulanır.
• Kapsam sınırlamaları: Sorgular, yalnızca yapılandırılmış veri kaynaklarına yönlendirilir — ajan, tanım dışı alanlara erişemez.
• İsteğe bağlı Azure AI İçerik Güvenliği: Yanıtların politika dışı veya zararlı içerikleri filtrelemek üzere ek bir katman olarak kullanılabilir.

Sohbet Penceresi Dışında: Copilot Studio Entegrasyonu

Fabric Data Agent’ler, sadece Fabric portalıyla sınırlı değildir. Aracı, Copilot Studio içinde de kullanabilirsiniz. Bu sayede, veri ajanınızı Microsoft 365 Copilot deneyimlerine, Teams botlarına veya diğer uygulamalara entegre ederek, kullanıcıların zaten çalıştıkları ortamlarda veri sorgulamalarına olanak tanırsınız.

Neden Önemli?

Fabric Data Agent, kurumların karşılaştığı veriye erişim sorununa gerçekçi bir çözüm sunar. Çoğu kurumsal veriye teknik olarak erişilebilse de, bunları sorgulamak için teknik becerilere ihtiyaç duyulması, verilerin pratikte kullanılamamasına yol açar. Doğal dilde sorgulamaya izin vererek, araç:

• Teknik olmayan paydaşlar için engelleri azaltır
• Ad-hoc sorgular için veri ekiplerindeki darboğazı azaltır
• Veriye dayalı karar alma kültürünü destekler
• Tüm işlemleri mevcut yönetişim ve güvenlik sınırları içinde tutar

Bu yenilik, verinin güçlü bir araç olarak görülmesi gereken bir çağda, herkesin veriye kolayca ulaşmasını sağlayarak iş dünyasının geleceğini şekillendirecek gibi görünüyor. Kullanıcı dostu arayüzler ve yapay zeka destekli sorgulamaların yaygınlaşmasıyla, veri okuryazarlığına duyulan ihtiyacın azalacağı ve daha kapsayıcı bir veri odaklı kültürün oluşacağı öngörülüyor.