Fabric Data Agent: beschrijvingen zijn belangrijker dan instructies

Samenvatting

Fabric Data Agent geeft betere antwoorden wanneer beschrijvingen en synoniemen in het semantic model kloppen.

Fabric Data Agent en het semantic model

Een gebruiker op Reddit bouwde enkele weken aan een Fabric Data Agent voor een retailmodel met ongeveer 4.000 financiële gebruikers en RLS. Ondanks veel werk aan de agentinstructies leverde de agent vaak verkeerde antwoorden op.

De omslag kwam pas nadat de gebruiker beschrijvingen toevoegde aan tabellen, measures en kolommen. Ook synoniemen kregen aandacht. Een measure die netto-omzet in duizenden Amerikaanse dollars teruggeeft, moet bijvoorbeeld herkenbaar zijn als revenue of sales. Zulke termen sluiten beter aan op de taal die gebruikers in hun vragen gebruiken.

Waarom beschrijvingen belangrijker zijn dan instructies

De ervaring laat een praktisch verschil zien tussen algemene instructies en metadata in het semantic model. Instructies vertellen de agent hoe hij zich moet gedragen; beschrijvingen leggen uit wat een measure, kolom of tabel werkelijk betekent. Synoniemen verbinden die technische definities met de woorden die financiële gebruikers hanteren.

Dat onderscheid weegt zwaarder in een model met P&L-logica, veel measures en toegangsregels via RLS. Een agent kan een vraag correct interpreteren en toch een verkeerd antwoord geven als de betekenis, eenheid of gangbare benaming van een measure onvoldoende duidelijk is. De Reddit-post bewijst niet dat instructies overbodig zijn, maar wel dat extra instructies geen vervanging vormen voor goed ingevulde metadata.

Voor BI-teams verschuift daarmee een deel van het werk naar de inrichting van het semantic model. Dat werk zit niet alleen in modellering en beveiliging, maar ook in het vastleggen van bedrijfsbegrippen.

Concrete takeaway voor Fabric Data Agent

Vul vóór het uitgebreid schrijven van agentinstructies de beschrijvingen en synoniemen van tabellen, measures en kolommen in. Controleer daarbij per measure de betekenis, eenheid en termen die gebruikers werkelijk gebruiken. Test daarna vragen op het P&L-model met de bestaande RLS-regels, zodat je ziet of de agent zowel de juiste definitie als de juiste toegangscontext gebruikt.