Copilot w Microsoft Fabric w praktyce. 4 zadania, które AI wykona za analityka.

Copilot w Microsoft Fabric to asystent AI wbudowany w platformę, który na podstawie poleceń w języku naturalnym buduje kroki transformacji danych, tworzy potoki automatyzacji, generuje strony raportów Power BI i przygotowuje pisemne podsumowania wyników. O sztucznej inteligencji w analityce łatwo mówić sloganami, dlatego w tym artykule robimy coś innego: pokazujemy cztery konkretne zadania, które Copilot wykonał podczas naszego webinaru o hurtowni danych 2.0, wraz z tym, co trzeba było po nim sprawdzić i dokończyć ręcznie.

‍

AI w analityce bez marketingowej otoczki

Na webinarze postawiliśmy sprawę jasno: chcemy pokazać, jak sztuczna inteligencja rzeczywiście pomaga w pracy z danymi, a nie odhaczyć modny temat. Ta deklaracja zobowiązuje, więc każdy z poniższych przykładów opisujemy w pełnym cyklu: co poleciliśmy Copilotowi, co wygenerował, co wymagało weryfikacji i ile pracy realnie zaoszczędził.

Wspólny mianownik wszystkich czterech zadań: Copilot najlepiej sprawdza się tam, gdzie praca jest schematyczna i dobrze opisana w poleceniu, a człowiek pozostaje odpowiedzialny za sens biznesowy i kontrolę wyniku.

‍

Zadanie 1: tabela kalendarza w Dataflow

Tabela kalendarza to obowiązkowy element każdego modelu analitycznego: wspólna oś czasu, bez której sprzedaż i budżet nie spotkają się na jednym wykresie. Klasycznie buduje się ją kodem albo utrzymuje jako sztywny arkusz, który ktoś musi pamiętać, żeby przedłużyć.

Na webinarze poprosiliśmy Copilota w transformacji Dataflow o utworzenie tabeli kalendarza z kolumnami roku, kwartału, miesiąca i dnia, dynamicznej: od zadanego roku do dziś. Copilot wygenerował kompletny zestaw kroków transformacji, a tabela pojawiła się w przepływie gotowa do użycia.

Co sprawdziliśmy. Dwie rzeczy. Po pierwsze datę początkową: zgadzała się z poleceniem. Po drugie datę końcową: Copilot użył funkcji zwracającej czas lokalny, co dokładnie odpowiadało intencji "do dziś", ale wymaga uwagi w środowiskach, gdzie serwery pracują w innej strefie czasowej niż użytkownicy. To dobry przykład weryfikacji, która zajmuje minutę, a chroni przed subtelnym błędem.

Oszczędność. Napisanie takiej tabeli kodem to praca na dłuższą chwilę i wiedza, której użytkownik biznesowy zwykle nie ma. Tu sprowadziła się do jednego zdania polecenia i minuty weryfikacji.

‍

Zadanie 2: kolumna z logiką biznesową

Budżet w naszym scenariuszu był ułożony po kluczu rok-miesiąc. W Excelu analityk radził sobie sztuczką: mnożył rok razy sto i dodawał miesiąc, uzyskując format, po którym dane ładnie się agregują. Sztuczka działa, ale trzeba ją pamiętać, powielać i tłumaczyć każdemu, kto przejmie plik.

Copilotowi wydaliśmy polecenie: dodaj do tabeli kalendarza kolumnę w formacie pełnego roku i miesiąca z zerem wiodącym. Copilot rozpoznał wskazany wzorzec formatu i wygenerował kolumnę dokładnie w takim układzie, w jakim klucz istniał w pliku budżetowym. Relacja między kalendarzem a budżetem była gotowa do utworzenia.

Co warto zauważyć. To zadanie pokazuje szerszą zasadę: Copilot dobrze radzi sobie z przekładaniem intencji na format danych, jeśli intencja jest precyzyjnie opisana. Polecenie w stylu "zrób klucz jak w budżecie" nie zadziała; polecenie wskazujące konkretny wzorzec formatu tak.

‍

Zadanie 3: pipeline z powiadomieniami o błędach

Trzeci przykład wychodzi poza transformacje: dotyczy orkiestracji, czyli automatyzacji całego przepływu danych. Poleciliśmy Copilotowi stworzyć potok, który odświeża transformację Dataflow, w razie błędu wysyła wiadomość na Microsoft Teams, odczekuje na synchronizację danych i na końcu odświeża model semantyczny.

Copilot wygenerował szkielet potoku z właściwą strukturą: klocek odświeżania Dataflow, ścieżkę błędu prowadzącą do powiadomienia na Teams i ścieżkę sukcesu prowadzącą dalej. Rozpoznał nawet logikę warunkową: inną akcję dla błędu, inną dla poprawnego wykonania.

Co dokończyliśmy ręcznie. Wygenerowany wzór trzeba było podpiąć do konkretnych obiektów w środowisku, skonfigurować konektor do Teams i dopasować szczegóły, na przykład zamienić proste odczekanie na dedykowaną aktywność odświeżania endpointu. Uczciwa proporcja: Copilot zbudował strukturę, człowiek wykonał konfigurację.

Bonus dokumentacyjny. Po zbudowaniu potoku poprosiliśmy Copilota o jego podsumowanie. Wygenerowany opis działania nadaje się wprost do dokumentacji albo instrukcji dla innych użytkowników: dokumentowanie, czyli praca, która w praktyce nie powstaje prawie nigdy, tu powstała jednym poleceniem.

‍

Zadanie 4: generowanie raportu i podsumowań

Ostatnia para zastosowań dotyczy końca łańcucha, czyli konsumpcji danych.

Strona raportu z polecenia. Na gotowym modelu semantycznym zaznaczyliśmy opcję utworzenia raportu i poprosiliśmy Copilota o nową stronę. Wygenerował kompletną stronę raportu z wizualizacjami dobranymi do danych, w pełni edytowalną: pola i typy wizualizacji można zmieniać jak w każdym raporcie Power BI. Dla osoby, która nie porusza się swobodnie w Power BI, to różnica między "poproszę zespół BI i poczekam" a "mam szkic raportu w minutę".

Podsumowanie dla zespołu. Drugie polecenie dotyczyło istniejącego raportu: przygotuj podsumowanie wyników dla zespołu. Copilot wygenerował opis z liczbami, wskazał lepsze i gorsze miesiące i załączył interaktywne wizualizacje z raportu jako dowód. Taki materiał, po weryfikacji liczb, jest gotowy do wysłania przed poniedziałkowym spotkaniem.

Granica zaufania. W obu przypadkach obowiązuje ta sama zasada: wynik zawsze warto sprawdzić. Copilot streszcza dane, które widzi, ale odpowiedzialność za wnioski i decyzje pozostaje po stronie człowieka. Traktuj go jak sprawnego asystenta przygotowującego szkic, nie jak autora końcowej wersji.

‍

Czego Copilot (jeszcze) nie zrobi

Lista czterech zadań ma też swoje lustrzane odbicie: obszary, w których Copilot nie wyręczy nikogo.

Model semantyczny i logika biznesowa. Copilot nie zaprojektuje relacji między tabelami, nie zdecyduje, co jest faktem, a co wymiarem, nie ustali definicji miar zgodnych z tym, jak firma naprawdę liczy sprzedaż czy marżę. To praca koncepcyjna wymagająca zrozumienia biznesu i danych jednocześnie.

Jakość danych wejściowych. Copilot pracuje na tym, co dostaje. Jeśli dane źródłowe są niespójne, żadne polecenie tego nie naprawi.

I to jest właśnie miejsce, w którym widzimy rolę partnera wdrożeniowego: przygotować fundament, na którym Copilot działa dobrze. Dobrze zaprojektowany model semantyczny z czystymi, opisanymi danymi to warunek, żeby wszystkie cztery zadania z tego artykułu działały u Was tak, jak na naszym webinarze.

‍

Samodzielność, nie zależność

Na koniec obserwacja, która spina całość: każde z czterech zadań zwiększa samodzielność użytkownika biznesowego. Tabela kalendarza bez proszenia programisty, klucz bez sztuczek w formułach, automatyzacja bez działu IT, raport bez kolejki do zespołu BI. Taki jest zresztą cel naszych wdrożeń: budujemy model semantyczny i architekturę, a klient pozostaje w pełni samodzielny w codziennej pracy z danymi i z Copilotem.

Zespół Power Center w ANEGIS prowadzi warsztaty pokazowe Copilota w Fabric na danych klienta: bierzemy Wasz realny scenariusz raportowy i pokazujemy, które jego elementy Copilot przejmie od zaraz. Zapraszamy do kontaktu.

‍

‍

‍

‍