لماذا تعطيك Microsoft Fabric Copilot أرقامًا خاطئة (وكيف تصلحها)

By Mirko Peters · 2026-08-28

أهلًا بعودتكم إلى مدونة البودكاست! إذا سبق لك أن حدّقت في تقرير أنشأه Microsoft Fabric Copilot وتساءلت لماذا تبدو الأرقام منفصلة تمامًا عن الواقع…

Automatically translated with AI from the original post. Read the English original

أهلًا بعودتكم إلى مدونة البودكاست! إذا سبق لك أن حدّقت في تقرير أنشأه Microsoft Fabric Copilot وتساءلت لماذا تبدو الأرقام منفصلة تمامًا عن الواقع، فأنت بالتأكيد لست وحدك. يطلق كثير من محترفي البيانات وقادة الأعمال أدوات الذكاء الاصطناعي متوقعين رؤى فورية وسحرية، ليكتشفوا بعد ذلك أن المساعد الرقمي يختلق مقاييس، أو يتخطى خطوات، أو يستخرج أرقامًا من العدم. لماذا يحدث ذلك؟ الحقيقة غير المريحة هي أن مساعد الذكاء الاصطناعي لا يتجاوز في ذكائه البنية التحتية التي يعمل عليها. فإذا كان نموذج بيانات Fabric لديك فوضويًا أو غير منظم أو ضعيف البناء، فإن Copilot سيسيء تفسير استعلاماتك ويقدم لك بيانات مضللة.

للمساعدة في استيعاب هذا التحدي، خصصنا مؤخرًا حلقة كاملة من البودكاست لهذا الموضوع تحديدًا. تأكد من الاطلاع على الحلقة ذات الصلة، Fix Wrong Copilot Numbers in Microsoft Fabric، التي نشرح فيها الأسباب الجذرية لهذه الأخطاء وكيف يمكنك استعادة السيطرة على مسار التحليلات لديك. في هذه المقالة سنتوسع في هذه المفاهيم نفسها، ونتعمق في عدم تطابق نماذج البيانات، والحدود الهيكلية، ونمذجة الدلالات، وبنية Medallion، وأفضل الممارسات التي تحتاج إلى تطبيقها اليوم.

عدم التطابق في نموذج بيانات Fabric

مشكلات التسمية والتنسيق

يمكن أن تُربك أعراف التسمية وتنسيقات البيانات غير المتسقة Microsoft Fabric Copilot. فعندما تستخدم أسماء مختلفة لعناصر بيانات متشابهة، يواجه Copilot صعوبة في فهم مقاصدك. على سبيل المثال، إذا استخدمت إحدى مجموعات البيانات الحقل "CustomerID" بينما تستخدم أخرى "CustID"، فقد يفسّر Copilot هذين الحقلين على أنهما كيانان منفصلان. يؤدي هذا التفاوت إلى تحليلات غير دقيقة ومخرجات غير موثوقة.

لتجنب هذه المشكلات،ضع أعرافًا واضحة للتسمية. استخدم تنسيقًا موحدًا عبر جميع مجموعات البيانات. تساعد هذه الممارسة Copilot على فهم بياناتك بشكل أفضل، وترفع من دقة رؤاه.

علاقات البيانات المفقودة

تشكّل علاقات البيانات العمود الفقري لأي نموذج بيانات Fabric فعّال. وعندما تهمل تحديد هذه العلاقات، لا يستطيع Copilot ربط النقاط ببعضها بين نقاط البيانات المختلفة. فعلى سبيل المثال، إذا كانت لديك بيانات العملاء دون ربطها ببيانات المبيعات، فلن يتمكن Copilot من تقديم رؤى ذات معنى حول سلوك العملاء.

ينبغي دائمًا أن ترسم خريطة للعلاقات بين مجموعات البيانات. تتيح هذه الخريطة لـ Copilot توليد رؤى أكثر صلة وقابلية للتنفيذ. وبدون هذه الروابط، تخاطر بالحصول على معلومات مجزأة لا تعكس الصورة الكاملة.

عدم الاتساق في النموذج

يمكن لعدم اتساق النموذج أن يؤثر بشكل كبير على أداء Copilot. عند اختبار Fabric Data Agent (FDA) مباشرةً، فإنه يتلقى تعليمات المستخدم حرفيًا، مما يضمن سلوكًا متسقًا. أما عند الوصول إلى FDA عبر Copilot Studio، فإنه يعيد صياغة مطالباتك أو يختصرها. وقد تؤدي إعادة الصياغة هذه إلى فقدان تعليمات بالغة الأهمية. ونتيجةً لذلك، قد يتخطى FDA خطوات مهمة أو ينتج مخرجات غير متسقة.

تُدخل طبقة التنسيق الإضافية في Copilot Studio تعقيدات تُضعف تعليمات FDA. تشمل هذه الطبقة مطالبات النظام ومنطق الأمان، وقد تقتطع تفاصيل جوهرية. فعلى سبيل المثال، قد تُنفَّذ بعض خطوات سير العمل بشكل صحيح، بينما يتم تخطي أخرى تمامًا. ينتج عن هذا التفاوت مخرجات جزئية أو غير دقيقة عند استخدام Copilot.

لتحسين موثوقية Copilot، يجب معالجة أوجه عدم التوافق في نموذج بيانات Fabric لديك. فمن خلال ضمان اتساق التسمية، وتحديد علاقات واضحة بين البيانات، وتقليل التناقضات في النموذج، يمكنك تحسين جودة الرؤى التي يولّدها Copilot بشكل ملحوظ.

تحديات سلامة البيانات

أثر جودة البيانات

تلعب جودة البيانات دورًا حاسمًا في فعالية Microsoft Fabric Copilot. فعندما تكون جودة البيانات ضعيفة، يواجه Copilot صعوبة في تقديم رؤى دقيقة. فعلى سبيل المثال، إذا احتوت بياناتك على أخطاء أو تناقضات، فقد يُنتج Copilot مخرجات مضللة. وقد يقود ذلك إلى قرارات خاطئة مبنية على معلومات مغلوطة.

للتوضيح، تأمل الجدول التالي الذي يعرض أبرز تحديات سلامة البيانات التي تؤثر في أداء Copilot:

مشكلات الاتساق

قد تشكّل التناقضات داخل نموذج بيانات Fabric تحديات كبيرة لـ Copilot. فعندما تفتقر البيانات إلى التوحيد، قد تربك الذكاء الاصطناعي وتؤدي إلى أخطاء في التحليل. فعلى سبيل المثال، إذا استخدمت تنسيقات مختلفة للتواريخ أو العملات عبر مجموعات البيانات، فقد يسيء Copilot تفسير هذه القيم. وقد ينتج عن ذلك تقارير وتحليلات غير دقيقة.

علاوة على ذلك، يمكن أن يُفاقم ضعف تنظيم النموذج هذه المشكلات. فغياب البنية قد يؤدي إلى الالتباس، ويجعل من الصعب على Copilot استرجاع البيانات بفعالية. ونتيجةً لذلك، قد تجد أن Copilot ينتج مخرجات لا تتوافق مع توقعاتك.

آثار التكرار

يمكن أن تؤثر البيانات المكررة سلبًا في أداء Copilot أيضًا. فعندما تحتوي على إدخالات مكررة أو نقاط بيانات غير ضرورية، فإنها تُثقل مجموعات بياناتك. ويجعل هذا الازدحام من الصعب على Copilot تحديد المعلومات ذات الصلة، ما يؤدي إلى عدم كفاءة في استرجاع البيانات.

تذكيرًا، "Copilot ليس عرّافًا. فليست لديه معرفة نظرية، ولا مفهوم للحقيقة، بل مرايا مبنية من البيانات الوصفية الخاصة بك. كل عيب بنيوي يتحول إلى هلوسة دلالية." تؤكد هذه المقولة أهمية الحفاظ على نموذج بيانات نظيف ومنظم. وبمعالجة التكرار، يمكنك تعزيز وضوح بياناتك، ما يتيح لـ Copilot تقديم رؤى أدق.

لضمان أن يقدم Copilot مخرجات موثوقة، أعطِ الأولوية لسلامة البيانات. فالبيانات النظيفة والمتسقة ضرورية لمنع المخرجات المضللة الناتجة عن الذكاء الاصطناعي. وبالتركيز على هذه التحديات، يمكنك تحسين الأداء العام لـ Microsoft Fabric Copilot.

حدود البنية الهيكلية لنموذج بيانات Fabric

البنى الجامدة

تُحدّ البنى الجامدة في نموذج بيانات Fabric بشدة من قدرة Microsoft Fabric Copilot على التكيف. فعندما تنشئ أطر إعداد تقارير ثابتة، تعجز عن مواكبة تغير احتياجات البيانات. ويؤدي هذا الجمود إلى تقارير قديمة قد لا تعكس الرؤى الحالية. ونتيجةً لذلك، قد تفوتك فرص حاسمة للتحليل واتخاذ القرار.

• تُنشئ البنى الجامدة أطر إعداد تقارير ثابتة لا تتكيف مع تغير احتياجات البيانات.
• وهذا يؤدي إلى تقارير قديمة تقل أهميتها وقابليتها للاستخدام.
• تعيق أطر إعداد التقارير الثابتة قدرة المؤسسات على الاستجابة بفعالية للرؤى الجديدة أو التحولات الاستراتيجية.

التصميم غير المرن

يمكن أن يُعيق التصميم غير المرن أداء Copilot أيضًا. فإذا كان نموذج البيانات لديك لا يستوعب أنواع البيانات أو البُنى الجديدة، فقد يقيّد الرؤى التي يُنشئها Copilot. فعلى سبيل المثال، إذا أضفتَ مقاييس جديدة ولم يتمكن نموذجك من دمجها، فلن يقدّم Copilot التحليل الشامل الذي تحتاجه. وقد يؤدي هذا القيد إلى تفويت فرص اتخاذ القرارات في الوقت الفعلي.

علاوةً على ذلك، فإن غياب أدوات جودة البيانات المتكاملة ضمن Microsoft Fabric قد يفاقم هذه المشكلات. فرغم أن أدوات مثل Azure Data Factory وSynapse Analytics تدعم عمليات التحقق المخصصة، فإنها غالبًا ما تتطلب إعدادات يدوية. ويمكن أن يؤدي هذا التعقيد إلى عدم اتساق الأخطاء في بياناتك، مما يحدّ من فعالية Copilot أكثر.

أوجه القصور في الاسترجاع

يمكن أن تؤثر أوجه القصور في الاسترجاع ضمن نموذج بيانات Fabric لديك تأثيرًا كبيرًا في أزمنة استجابة Copilot ودقة مخرجاته. فعندما تكون عمليات استرجاع البيانات بطيئة، يستغرق Copilot وقتًا أطول لإنشاء الرؤى. وقد يُحبط هذا التأخير المستخدمين ويُعيق اتخاذ القرارات في الوقت المناسب. كما أنه إذا كانت بيانات الأساس غير مُحسّنة بشكل جيد أو كانت ضخمة الحجم، فقد يؤدي ذلك إلى أزمنة استجابة أبطأ ومخرجات أقل دقة.

تؤثر جودة بيانات الأساس وملاءمتها تأثيرًا مباشرًا في دقة مخرجات Copilot. فإذا جرى استرجاع البيانات بكفاءة متدنية، فقد ينتج عن ذلك ردود منخفضة الجودة أو غير صحيحة. لذلك، يُعد تحسين عمليات استرجاع البيانات أمرًا ضروريًا لتعزيز أداء Copilot.

خلاصة القول، إن معالجة القيود البنيوية لنموذج بيانات Fabric لديك أمر بالغ الأهمية لتحسين إمكانيات Microsoft Fabric Copilot. فمن خلال إنشاء بُنى مرنة، وضمان القدرة على التكيف، وتحسين استرجاع البيانات، يمكنك رفع جودة الرؤى التي يُنشئها Copilot.

النمذجة الدلالية وCopilot

أهمية الدلالات

تؤدي النمذجة الدلالية دورًا حاسمًا في تعزيز سياق مخرجات Microsoft Fabric Copilot ودقتها. فهي توفّر بيانات أساس منظّمة تساعدك على تفسير مطالبات المستخدمين بدقة. ويتضمن المخطط الجداول والأعمدة والمقاييس والعلاقات، وهي تشكّل سياقًا أساسيًا لتوليد الردود. وعندما تُعِدّ نماذج دلالية تعتمد تسميات واضحة وأوصافًا دقيقة، فإنك ترفع جودة المخرجات بشكل ملحوظ. وعلى العكس، فإن النماذج سيئة التصميم أو المطالبات الغامضة قد تقود إلى مخرجات غير دقيقة، وهو ما يبرز أهمية نمذجة دلالية متينة.

تفسير البيانات الوصفية

إن تفسير البيانات الوصفية بدقة أمر أساسي لأداء Copilot. فهو يعزز قدرة Copilot على تقديم إجابات دقيقة استنادًا إلى سياق العمل. وتؤثر البيانات الوصفية القوية تأثيرًا مباشرًا في فعالية Copilot، في حين قد تقود البيانات الوصفية الضعيفة إلى ردود عامة. وتحقق المؤسسات التي تستثمر في البيانات الوصفية المنظّمة اعتمادًا أسرع وإجابات أدق. وتوفّر الطبقة الدلالية إطارًا متسقًا للاستعلام والتحليل، وهو أمر حيوي لدقة تفسير البيانات من قِبل Copilot. فهي تربط المصطلحات التجارية بمنطق البيانات، بما يضمن تعريف المقاييس بشكل موحّد عبر المؤسسة. ومن دون هذه الطبقة، قد تؤدي أوجه التباين في فهم البيانات إلى تفسيرات خاطئة من Copilot.

تجنب هلوسة الذكاء الاصطناعي

قد يؤدي ضعف النمذجة الدلالية إلى ظهور هلوسات الذكاء الاصطناعي في Microsoft Fabric Copilot. فـ Copilot يعكس الفوضى الدلالية المتراكمة مع الوقت، فتأتي إجاباته غامضة. ويؤدي غياب الأسئلة التوضيحية والسياق إلى أن يُركّب Copilot ردوده استنادًا إلى أول تعريف يصادفه. وحتى مع جودة بيانات عالية، قد يحدث انحراف دلالي، ما يبرز الحاجة إلى سلامة دلالية. ومن دون انضباط معماري سليم، قد تطوّر كل فرقة طبقتها الدلالية الخاصة، فتتضاعف الغموض ويتآكل الثقة في مخرجات Copilot. ولتجنب هذه المزالق، يجب أن تضمن أن نماذجك الدلالية معرّفة جيدًا ومطبّقة بشكل متسق في جميع أنحاء المؤسسة.

من خلال التركيز على النمذجة الدلالية، يمكنك تعزيز قدرات Copilot على التفسير والتأكد من أنه يقدم رؤى موثوقة. لا يحسّن هذا النهج جودة التحليل فحسب، بل يعزز أيضًا الثقة في عملية اتخاذ القرار المدفوعة بالذكاء الاصطناعي.

طبقات بنية Medallion

تتكون بنية Medallion في Microsoft Fabric من ثلاث طبقات متميزة: Bronze وSilver وGold. تؤدي كل طبقة دورًا حاسمًا في ضمان سلامة البيانات وتعزيز أداء Microsoft Fabric Copilot.

طبقة Bronze: البيانات الخام

تشكّل طبقة Bronze الأساس لنموذج البيانات لديك. فهي تجمع البيانات الخام وتخزنها من مصادر متعددة مع حد أدنى من التحويل. تتيح لك هذه الطبقة استيعاب البيانات باستخدام أدوات مثل Azure Data Factory وKafka. كما تسجّل البيانات الوصفية لتتبع المصدر وتدعم Change Data Capture (CDC). ومن خلال الاحتفاظ بالبيانات في شكلها الأصلي، تمكّنك طبقة Bronze من الحفاظ على أرشيف تاريخي. وتتيح هذه الميزة إعادة المعالجة دون الحاجة إلى الوصول إلى الأنظمة المصدر مرة أخرى. ونتيجةً لذلك، تعزز اتساق البيانات وتقلل زمن الاستجابة، وهو ما يحسّن بشكل ملموس كفاءة معالجة البيانات في Copilot.

طبقة Silver: التنقيح

تركز طبقة Silver على تنقيح البيانات الخام التي جُمعت في طبقة Bronze. وتنفذ مهامًا أساسية مثل تنظيف البيانات وتكاملها وتوحيد معاييرها. تضمن هذه الطبقة إنشاء مجموعة بيانات موثوقة للتحليل. وفيما يلي أهم العمليات التي تجري في طبقة Silver:

من خلال ضمان موثوقية البيانات وملاءمتها للتحليلات اللاحقة، تعمل طبقة Silver كـجسر بين البيانات الخام والتحليلات المحسّنة. ويعزز هذا النهج المنظم جودة البيانات تدريجيًا، وهو أمر بالغ الأهمية لدقة التحليلات في Copilot.

طبقة Gold: منطق الأعمال

تمثل طبقة Gold المكان الذي تضمّن فيه منطق الأعمال المصمم وفق احتياجات محددة. فهي تنظم البيانات بصيغة جاهزة للاستهلاك في التقارير والتحليلات. تجمع هذه الطبقة متطلبات الأعمال الأساسية، وتضمن تجميع البيانات وهيكلتها لتلبية الاستعلامات التشغيلية ولوحات المعلومات. ومن خلال توفير رؤى كمية، تدعم طبقة Gold قدرات Copilot في اتخاذ القرار. كما تتيح لـ Copilot الاستفادة من البيانات المهيكلة بفعالية، ما يعزز الكفاءة التشغيلية.

إن الحفاظ على سلامة البيانات عبر طبقات بنية Medallion هذه أمر حيوي لموثوقية Copilot. فالنهج المنظم يضمن تنظيف البيانات ومعالجتها وتنقيحها خطوة بخطوة. وتتيح هذه المعيارية إعادة المعالجة بكفاءة عند حدوث أخطاء، ما يحافظ على سلامة البيانات. وتشمل الفوائد الرئيسية:

• جودة البيانات المحسّنة: تُستخدم البيانات عالية الجودة في استخلاص الرؤى.
• معاملات ACID: تضمن هذه المعاملات الاتساق والموثوقية عبر جميع الطبقات.
• السفر عبر الزمن: تتيح هذه الميزة التدقيق واستكشاف الأخطاء وإصلاحها، مما يمكّن المستخدمين من الرجوع إلى حالات البيانات السابقة عند ظهور مشكلات.

من خلال التركيز على سلامة طبقات Bronze وSilver وGold، يمكنك تعزيز دقة Microsoft Fabric Copilot وموثوقيته بشكل ملحوظ.

أفضل الممارسات لمواءمة Copilot

حوكمة المخطط

تُعدّ حوكمة المخطط الفعّالة ضرورية لمواءمة نموذج البيانات في Fabric مع متطلبات Copilot. يمكن لتطبيق أفضل الممارسات أن يعزز المساءلة والوضوح في إدارة البيانات. فكّر في الاستراتيجيات التالية:

إضافةً إلى ذلك، وَاءِم Dynamics 365 مع Common Data Model (CDM) لضمان الاتساق عبر الأنظمة. طبّق استراتيجية واضحة لإدارة البيانات الرئيسية (MDM) لإدارة كيانات العملاء والمنتجات والكيانات المالية. تشكّل هذه الممارسات أساسًا متينًا لكي يعمل Copilot بفعالية.

عمليات تدقيق النماذج

عمليات تدقيق النماذج المنتظمة ضرورية للحفاظ على سلامة بياناتك. تساعدك هذه العمليات على تحديد التناقضات والتأكد من أن بياناتك تظل دقيقة وموثوقة. إليك بعض المهام الرئيسية التي ينبغي تضمينها في عملية التدقيق:

من خلال إجراء هذه التدقيقات، يمكنك اكتشاف المشكلات قبل أن تؤثر في قاعدة المستخدمين بأكملها. تطبيق استراتيجيات الإطلاق التدريجي لتقليل المخاطر أثناء إطلاق أنظمة الوكلاء. يتيح لك هذا النهج التحكم في تعرّض حركة الإنتاج أثناء مراقبة مقاييس الموثوقية.

التحقق والتدريب

التحقق والتدريب أمران حيويان لضمان بقاء مخرجات Copilot دقيقة وموثوقة. ينبغي أن تركّز على الممارسات التالية:

1. ضمان تجنّب Copilot للتحيز والقوالب النمطية، من خلال استخدام لغة شاملة ومقاومة الانحيازات الثقافية.
2. الحفاظ على نبرة مهنية تتوافق مع صوت علامتك التجارية، وتجنّب الفكاهة غير المناسبة.
3. تصفية المحتوى الضار لحجب خطاب الكراهية والمواد الصريحة.
4. التعامل بأمان مع المطالبات العدائية لإدارة الاستفسارات المربكة.

تساعدك هذه الممارسات على بناء بيئة جديرة بالثقة لعلوم البيانات وهندسة البيانات. وبإعطاء الأولوية للتحقق والتدريب، يمكنك تعزيز أداء Copilot وضمان تقديمه رؤى قيّمة ضمن Real-Time Intelligence.

باعتماد أفضل الممارسات هذه، يمكنك تحسين مواءمة نموذج البيانات في Fabric مع احتياجات Copilot بشكل ملحوظ. تفضي هذه المواءمة إلى عملية لاتخاذ القرارات مدعومة بالذكاء الاصطناعي أكثر فاعلية وموثوقية.

باختصار، قد يفشل نموذج البيانات في Microsoft Fabric Copilot لعدة أسباب رئيسية. فالتناقضات في اصطلاحات التسمية، وغياب العلاقات بين البيانات، وعدم الاتساق قد تؤدي إلى مخرجات غير دقيقة. كما أن ضعف سلامة البيانات والقيود الهيكلية تُعيق أداء Copilot.

لتحويل Copilot إلى مساعد ذكاء اصطناعي موثوق، ينبغي اعتماد أفضل الممارسات. إرساء حوكمة لإدارة البيانات، وضمان الوصول إلى البيانات، ودمج نماذج الذكاء الاصطناعي بفعالية. تعزّز عمليات التدقيق المنتظمة وإجراءات التحقق جودة البيانات والثقة بها. وبالتركيز على هذه المجالات، يمكنك تحسين دقة Copilot' وموثوقيته بشكل ملحوظ.

تذكّر أن نموذج البيانات المنظّم جيدًا ضروري لاتخاذ قرارات فعّالة مدعومة بالذكاء الاصطناعي.

الأسئلة المتداولة

ما هو نموذج بيانات Fabric؟

يُنظّم نموذج بيانات Fabric البيانات بطريقة منظمة. ويساعدك على إدارة البيانات وتحليلها بفعالية. ويدعم هذا النموذج ميزة Microsoft Fabric Copilot في توليد رؤى دقيقة.

كيف تؤثر التسمية على أداء Copilot؟

قد تُربك التسميات غير المتسقة Copilot. فإذا استخدمت أسماء مختلفة لبيانات متشابهة، فقد يُفسّر Copilot بياناتك بشكل خاطئ. وتحسّن اصطلاحات التسمية الواضحة الفهم والدقة.

لماذا تُعد علاقات البيانات مهمة؟

تربط علاقات البيانات بين نقاط البيانات المختلفة. ومن دون هذه الروابط، لا يستطيع Copilot تقديم رؤى ذات معنى. ويعزّز ربط العلاقات ملاءمة المعلومات التي تحصل عليها.

ما دور جودة البيانات؟

تؤثر جودة البيانات بشكل مباشر في مخرجات Copilot'. فالبيانات رديئة الجودة تقود إلى رؤى مضللة. ويُعد ضمان بيانات نظيفة ومتسقة أمرًا أساسيًا لتحليل دقيق.

كيف يمكنني تحسين نموذج البيانات الخاص بي؟

يمكنك تحسين نموذج البيانات بتطبيق حوكمة المخطط، وإجراء عمليات تدقيق منتظمة، وضمان التحقق. تساعد هذه الممارسات على الحفاظ على سلامة البيانات وتحسين أداء Copilot.

ما هي بنية Medallion؟

تتكون بنية Medallion من ثلاث طبقات: Bronze وSilver وGold. تؤدي كل طبقة غرضًا محددًا، وتضمن سلامة البيانات وتعزّز القدرات التحليلية لدى Copilot'.

كيف أتجنب هلوسة الذكاء الاصطناعي؟

للوقاية من هلوسة الذكاء الاصطناعي،ركّز على النمذجة الدلالية القوية. وتأكد من أن البيانات الوصفية (Metadata) واضحة ومعرّفة بدقة. يساعد هذا الوضوح Copilot على توليد ردود دقيقة وذات صلة.

ما أفضل الممارسات لمواءمة Copilot؟

تشمل أفضل الممارسات إرساء حوكمة المخطط، وإجراء تدقيق للنماذج، وإعطاء الأولوية للتحقق. تُواءم هذه الاستراتيجيات نموذج بيانات Fabric الخاص بك مع احتياجات Copilot، مما يحسّن موثوقيته.