Les réponses d’un agent IA sont aussi bonnes que le contexte fourni par le modèle sémantique. Dans Power BI, la préparation du modèle est donc une étape stratégique pour obtenir des réponses cohérentes, vérifiables et compréhensibles.
1. Clarifier le vocabulaire métier
Utilisez des noms explicites pour les tables, colonnes et mesures. Ajoutez des descriptions et des synonymes compréhensibles par les utilisateurs. Une mesure appelée « Marge nette » doit préciser sa définition, sa période et ses exclusions.
2. Réduire le périmètre utile
Un schéma IA ciblé aide l’agent à se concentrer sur les tables et champs pertinents. Masquez les colonnes techniques inutiles et regroupez les indicateurs par domaine fonctionnel.
3. Ajouter des réponses vérifiées
Les réponses vérifiées permettent d’associer certaines questions importantes à une logique validée par l’équipe data. Elles améliorent la constance des réponses sur les indicateurs récurrents.
4. Tester avec de vraies questions
Constituez un jeu de tests couvrant les questions simples, les filtres temporels, les comparaisons et les cas limites. Vérifiez les résultats contre des rapports existants et documentez les écarts.
5. Protéger les données
Conservez les permissions Power BI, la sécurité au niveau des lignes et des colonnes et les règles d’accès de l’organisation. Un agent doit répondre selon l’identité et les autorisations de l’utilisateur, jamais selon un accès global implicite.
Checklist de mise en production
- Mesures principales documentées.
- Relations et calendrier validés.
- Synonymes et descriptions relus par le métier.
- Questions critiques couvertes par des réponses vérifiées.
- Tests de sécurité réalisés avec plusieurs profils.
- Processus de revue humaine défini.
Source Microsoft
Bonnes pratiques Microsoft pour les modèles sémantiques utilisés par les agents de données
0 Comments