WEBVTT

00:00:00.000 --> 00:00:03.840
Copilot non è confuso, è obbediente. Quel paragrafo allegro che ha appena scritto sul

00:00:03.840 --> 00:00:08.880
fantomatico boom del Q4 da tua azienda non era un bug. È il vangelo secondo i tuoi dati

00:00:08.880 --> 00:00:14.140
mal configurati. Questo è l'effetto spazzatura dentro, sicurezza fuori. Modo gentile di Microsoft

00:00:14.140 --> 00:00:18.800
Fabric per dirti che hai addestrato tu il tuo bugiardo. Copilot allucinerà schemi con gioia

00:00:18.800 --> 00:00:22.860
perché le tue tabelle hanno sussurrato dolci incongruenza nel suo contesto. Ecco cosa sta

00:00:22.860 --> 00:00:27.120
succedendo. Hai join duplicati, semantica mancante e livelli medaglia non approssimativi che si

00:00:27.120 --> 00:00:32.260
vengono verità. Poi chiami Copilot e chiedi degli insight. Lui non ragiona, lui riorganizza. Fabric

00:00:32.260 --> 00:00:38.100
non nutre di metadati malformati e Copilot restituisce un sogno lucido travestito da analisi. Oggi ti

00:00:38.100 --> 00:00:42.680
mostrerò perché accade, dove il tuo modello dati ti ha tradito e come ricostruirlo affinché Copilot

00:00:42.680 --> 00:00:47.920
smetta di inventare storie. Alla fine avrai un'iaccurata, spiegabile, finalmente degna di fiducia,

00:00:49.000 --> 00:00:54.000
l'illusione dell'intelligenza. Perché Copilot mente. La gente si aspetta che Copilot sappia

00:00:54.000 --> 00:00:58.420
però. Non è così. Fa pattern matching dai tuoi metadati, dal contesto e dal fragile senso delle

00:00:58.420 --> 00:01:02.520
relazioni che hai definito in Fabric. Pensi di parlare con intelligenza, in realtà stai parlando

00:01:02.520 --> 00:01:06.740
con un riflesso. Dagli ambiguità ti rifletterà. Quell'ambiguità è esattamente com'è, solo più

00:01:06.740 --> 00:01:11.660
brillante. Ecco il vero problema. Molte implementazioni Fabric considerano il design e lo schema come un

00:01:11.660 --> 00:01:15.560
ripensamento. Factable unite sulla chiave sbagliata. Misure scritte in modo incoerente,

00:01:15.660 --> 00:01:20.540
descrizioni completamente assenti. Copilot legge questo caos come un bambino legge una frase senza

00:01:20.540 --> 00:01:24.360
punteggiatura. Indovina semplicemente dove va andare il significato. Il risultato sembra

00:01:24.360 --> 00:01:29.000
coerente ma forse criticamente errato. Diciamo che il tuo layer gold contenga ricavi da una fonte

00:01:29.000 --> 00:01:33.580
e vendite totali da un'altra, entrambi non standardizzati. Copilot vede nomi di colonne

00:01:33.580 --> 00:01:38.200
simili e, nella sua infinita cortesia, diffonde. Tu chiedi quali sono stati i ricavi dell'ultimo

00:01:38.200 --> 00:01:42.360
trimestre. Unisce misure con granularità non corrispondenti, produce una media su scale

00:01:42.360 --> 00:01:47.500
incompatibili e te la presenta con estrema sicurezza. Il grafico sembra professionale, la matematica

00:01:47.500 --> 00:01:51.600
pura finzione. L'illusione nasce dal tono. Il linguaggio naturale sembra comprensione,

00:01:51.660 --> 00:01:56.180
ma le risposte naturali di Copilot mascherano solo una mimica statistica. Quando fa una domanda,

00:01:56.280 --> 00:02:00.720
il modello non convalida i fatti. Recupera schemi, probabili join, colonne plausibili,

00:02:00.860 --> 00:02:05.560
testo digeribile. Senza una rigorosa data lineage o governance semantica inventa ciò che

00:02:05.560 --> 00:02:10.560
non può dedurre. È in effetti il tuo schema con presenza scenica. Fabric grava questa illusione.

00:02:11.380 --> 00:02:15.800
Poiché gli agenti dati in Fabric passano il contesto tramite metadati, ogni lacuna nelle relazioni,

00:02:15.800 --> 00:02:19.760
chiavi esterne mancanti, dimensioni non taggate o nomi di misure ambigui sono trattati come

00:02:19.760 --> 00:02:24.720
suggerimenti opzionali piuttosto che come imperativi. Modello riempie quei vuoti tramite

00:02:24.720 --> 00:02:29.640
il completamento di schemi, non con la logica. Volevi unire le vendite per regione data? Potrebbe

00:02:29.640 --> 00:02:33.620
leggere unisci le vendite a tutto ciò che sembra geografico. E l'essere quelle che genera

00:02:33.620 --> 00:02:37.640
collabora condiscendente con tale assurdità. Gli utenti ci cascano perché l'interfaccia democratizza

00:02:37.640 --> 00:02:41.900
la sintassi delle richieste. Digiti una frase e ti restituisce un elemento visivo. Presumi che capisca,

00:02:41.900 --> 00:02:46.540
ma il modello opera in una nebbia statistica. Meno vincoli definisci, più le sue bugie diventano

00:02:46.540 --> 00:02:51.180
convincenti. Il cambio di mentalità fondamentale è questo. Copilot non è un oracolo. Non ha

00:02:51.180 --> 00:02:55.600
epistemologia né concetto di verità, solo specchi costruiti dai tuoi metadati. Trasforma il tuo

00:02:55.600 --> 00:02:59.740
modello di dati in uno spazio di probabilità linguistica. Ogni difetto strutturale diventa

00:02:59.740 --> 00:03:04.760
un'allucinazione semantica. Dove il tuo schema è incoerente, lì ha allucina una coerenza che non

00:03:04.760 --> 00:03:10.920
esiste. La tragedia è prevedibile. I dirigenti prendono decisioni basate su una finzione che sembra

00:03:10.920 --> 00:03:15.540
validata perché proviene da Microsoft Fabric. Se il tuo livello gold vacilla sotto trasformazioni

00:03:15.540 --> 00:03:20.200
incoerenti, Copilot amplifica quell'incertezza in uno storytelling sicuro. L'eloquenza del modello

00:03:20.200 --> 00:03:24.340
maschera il marciume della tua pipeline. Pensa a Copilot come un motore di riflessione. La sua

00:03:24.340 --> 00:03:28.960
intelligenza inizia e finisce con la qualità del tuo schema. Se i tuoi join sono storti, la tua linea

00:03:28.960 --> 00:03:33.740
di discendenza interrotta o la semantica poco chiara riflette l'incertezza come certezza. Ed è per

00:03:33.740 --> 00:03:38.500
questo che la cura non inizia con il prompt engineering ma con l'igiene architetturale. Quindi se Copilot è

00:03:38.500 --> 00:03:42.720
veritiero solo quanto la tua architettura, analizziamo dove inizia il marciume. Il mito

00:03:42.720 --> 00:03:47.080
del medaglione. Quando il bronzo inquina l'oro. Ogni data in genere recita l'architettura medaglione

00:03:47.080 --> 00:03:52.860
come una scrittura. Bronzo argento oro. Grezzo raffinato affidabile. In teoria è un pellegrinaggio

00:03:52.860 --> 00:03:57.300
dal caos alla chiarezza. Ogni strato rimuove l'ambiguità finché i dati non guadagnano la loro

00:03:57.300 --> 00:04:03.140
oreola. Di verità. In pratica molti costruiscono uno scivolo da parco. Divertimenti dove l'incoerenza

00:04:03.140 --> 00:04:07.880
grezza fa una corsa veloce dal bronzo direttamente all'oro senza alcuna pulizia intermedia. Partiamo

00:04:07.880 --> 00:04:12.760
dal basso. Il bronzo è la tua landing zone. File parquet. CSV. Ingestione IoT. Registro fossile

00:04:12.760 --> 00:04:18.040
della tua organizzazione. Non deve essere bello. Solo completamente acquisito. Eppure le persone

00:04:18.040 --> 00:04:22.180
dimenticano che il bronzo è una quarantena non ingredienti. Quando quella melma grezza filtra

00:04:22.180 --> 00:04:26.120
verso l'alto tramite scorciatoie pigre e quelli diretti o logiche di trasformazione mancanti stai

00:04:26.120 --> 00:04:31.820
dando a Copilot rumore non trattato come contesto. Si allucinerà. Ha una buona ragione. Gli hai consegnato

00:04:31.820 --> 00:04:36.000
il diario di un sogno. Gli hai chiesto un audit. L'argento ha lo scopo di raffinare quel fango. È qui

00:04:36.000 --> 00:04:39.740
che i duplicati muoiono. I schemi si allineano. I tipi di dati corrispondono. I richiami universali

00:04:39.740 --> 00:04:44.220
concordano finalmente su cosa sia un cliente. Ma guarda la maggior parte delle configurazioni

00:04:44.220 --> 00:04:48.900
fabric. E l'argento è una scusa a metà. Join rapidi. Look up fragili. Conversioni non

00:04:48.900 --> 00:04:53.400
documentate. La scusa è sempre la stessa. Lo sistemeremo nell'oro. È come cercare di

00:04:53.400 --> 00:04:56.680
correggere la grammatica pubblicando il dizionario in ritardo. Quando arrivi al livello

00:04:56.680 --> 00:05:01.200
gold subentra l'illusione della fiducia. Tutto nel livello gold sembra analitico. Tabelle pulite.

00:05:01.200 --> 00:05:05.440
nomi comprensibili. Dashboard che trasmettono sicurezza. Ma sotto è accumulato conversioni

00:05:05.440 --> 00:05:11.720
errate. Timestamp non sincronizzati e conflitti che risalgono fino al bronzo. I metadati di

00:05:11.720 --> 00:05:15.780
Fabric tracciano automaticamente queste relazioni. E indovina su quali relazioni fa affidamento

00:05:15.780 --> 00:05:19.900
Copilot per interpretare il linguaggio naturale. Su tutte. Quindi quando il lineaggio mente il

00:05:19.900 --> 00:05:24.740
modello reedita l'ingamo. Ecco uno scenario reale. Hai dati transazionali provenienti da due

00:05:24.740 --> 00:05:28.400
sistemi di prenotazione. Alimentano il livello bronze con formati di chiave leggermente diversi.

00:05:28.400 --> 00:05:33.040
Uno usa un ID di viaggio numerico. L'altro mescola lettere. Nel livello silver qualcuno

00:05:33.040 --> 00:05:37.880
li ha uniti tramite un inner join su sottostringhe troncate per standardizzare. Tecnicamente

00:05:37.880 --> 00:05:42.540
i dati unificati semanticamente appena creato corrispondenza fantasma. Ora Copilot calcola

00:05:42.540 --> 00:05:46.000
con sicurezza il ricavo medio per viaggio includendo transazioni da contesti completamente

00:05:46.000 --> 00:05:51.400
diversi. È un'assurdità precisa sintassi accurata semantica inventata. Questo è il mito

00:05:51.400 --> 00:05:56.000
del medallion. L'idea che avere dei livelli garantisca automaticamente la purezza. I livelli

00:05:56.000 --> 00:05:59.320
sono meritieri solo quanto la disciplina che li governa. Il livello bronze dovrebbe esporre

00:05:59.320 --> 00:06:03.060
l'entropia greta. Il livello silver deve imporre la decontaminazione. Il livello gold deve

00:06:03.060 --> 00:06:07.040
rappresentare una logica di business certificato. Niente forzature manuali, niente soluzioni

00:06:07.040 --> 00:06:11.880
temporane. Se spezzi questa catena sostituisci il perfezionamento con l'incorsivo. Copilot

00:06:11.880 --> 00:06:15.180
ovviamente non sa nulla di tutto ciò. Prende tutto ciò che il modello fabric dichiara come

00:06:15.180 --> 00:06:19.840
lignaggio e ne assume la causalità. Se una colonna nel gold fa riferimento a un ibrido di tre

00:06:19.840 --> 00:06:24.640
fonti incoerenti, l'IA vede un concetto unico. Chiedi perché le vendite sono aumentate a

00:06:24.640 --> 00:06:29.240
marzo. Genera allegramente un SQL che aggrega ogni record etichettato come marzo tra regioni,

00:06:29.320 --> 00:06:33.400
valute e fusi orari perché non hai mai detto a Silver di imporre quei confini. L'IA non

00:06:33.400 --> 00:06:37.820
sta mentendo. Sta traducendo la vostra negligenza collettiva in una finzione fluente. Ecco perché

00:06:37.820 --> 00:06:42.420
la provenienza dei dati non è un metadato opzionale. È il GPS di Copilot. Ogni trasformazione,

00:06:42.540 --> 00:06:46.020
ogni join, ogni definizione di misura è una traccia che conduce alla tua fonte di verità.

00:06:46.560 --> 00:06:49.920
Fabric traccia il lignaggio visivamente, ma un lignaggio senza validazione come una mappa

00:06:49.920 --> 00:06:54.540
disegnata a matita. Interpreta quelle linee incerte come verità assoluta. Quindi imponi

00:06:54.540 --> 00:06:59.560
la validazione. Tra Bronze e Silver esegui test di schema automatizzati. Gli li corrispondono?

00:07:00.040 --> 00:07:03.760
I valori nulli sono gestiti. I tipi sono coerenti. Tra Silver e Gold implementa Audi

00:07:03.760 --> 00:07:08.640
sui join. Verifica le aspettative 1 a 1. Monitora la deriva delle aggregazioni e verifica la

00:07:08.640 --> 00:07:12.660
continuità del lignaggio a livello di colonna. Non sono rituali burocratici. Sono strumenti

00:07:12.660 --> 00:07:16.740
di sopravvivenza per l'accuratezza delle. Quando la query di Copilot attraversa i livelli

00:07:16.740 --> 00:07:21.660
che hai verificato è reddita disciplina invece di disordine. Ironia deliziosa. Volevi che Copilot

00:07:21.660 --> 00:07:25.180
automatizzasse l'analisi. Eppure le fondamenta da cui dipende richiedono ancora una igiene

00:07:25.180 --> 00:07:29.080
vecchia a scuola. Spazzatura dentro, sicurezza fuori. Finché non tratterai l'architettura

00:07:29.080 --> 00:07:32.060
come una filosofia morale, il perfezionamento come un obbligo, non suggerimento, non ho

00:07:32.060 --> 00:07:35.240
un suggerimento, non avrai mai un'idea verità. Anche con livelli impeccabili Copilot può

00:07:35.240 --> 00:07:39.820
inciampare perché sapere che i dati esistono non significa sapere cosa significano. Una

00:07:39.820 --> 00:07:43.720
pipeline perfetta può alimentare un modello semanticamente vuoto. Questo ci porta al traduttore

00:07:43.720 --> 00:07:47.080
mancante tra numeri, significato e livello semantico. Il cervello che i tuoi dati hanno

00:07:47.080 --> 00:07:53.080
dimenticato di costruire. Il cervello mancante, i livelli semantici e di contesto. Che la maggior

00:07:53.080 --> 00:07:56.940
parte delle implementazioni di Fabric perde la bussola, letteralmente. Il livello semantico

00:07:56.940 --> 00:07:59.900
è il cervello del tuo modello dati, ma molte organizzazioni lo trattano come un freggio

00:07:59.900 --> 00:08:04.780
decorativo. Pensano che se le tabelle esistono il significato segue automaticamente. Le tabelle

00:08:04.780 --> 00:08:09.020
sono la memoria, la semantica e la comprensione. Senza quel livello Copilot legge i numeri come

00:08:09.020 --> 00:08:13.240
un turista che legge i cartelli stradali in un'altra lingua foneticamente, con sicurezza e totalmente

00:08:13.240 --> 00:08:17.980
privo di contesto. Definiamolo correttamente. Il modello semantico in Fabric dice a Copilot

00:08:17.980 --> 00:08:22.620
cosa significano i tuoi dati, non solo come si chiamano. È il dizionario che traduce l'etichetta

00:08:22.620 --> 00:08:26.700
delle colonne in logica di business. Fatturato diventa la somma delle vendite al netto dei

00:08:26.700 --> 00:08:32.680
rimborsi. Il cliente diventa l'ID acquirente unico oltre i confini del nono fiscale. Senza di

00:08:32.680 --> 00:08:37.500
esso Copilot tratta queste parole come semplici token casuali. Potresti chiedere le vendite totali

00:08:37.500 --> 00:08:41.360
e ottenere gli incassi loro di un giorno il fatturato netto quello dopo. Non è volubile,

00:08:41.360 --> 00:08:45.420
è linguisticamente alla deriva. La verità è che un modello semantico agisce come un

00:08:45.420 --> 00:08:49.720
interprete bilingue tra il linguaggio umano e la logica DAX o SQL. Allinei l'intento con

00:08:49.720 --> 00:08:54.040
il calcolo. Quando manca Copilot deve indovinare. I grandi modelli linguistici sono indovini

00:08:54.040 --> 00:08:58.180
notoriamente orgogliosi. Assemblano join probabili, non accurati e si fidano dei nomi delle colonne,

00:08:58.260 --> 00:09:02.100
molto più delle tue definizioni aziendali. In un modello le prenotazioni si riferiscono

00:09:02.100 --> 00:09:07.220
alle riserve. In un altro contano i viaggi completati. Per Copilot sono sinonimi. Hai appena chiesto

00:09:07.220 --> 00:09:11.220
le prenotazioni per trimestre e ti raffornite entrambe efficientemente sbagliate? Confrontiamo

00:09:11.220 --> 00:09:14.820
due architetture. In un data warehouse nudo Copilot guarda direttamente nelle tabelle.

00:09:15.300 --> 00:09:19.900
Vede data, importo, tipo? Sono bei sostantivi ma zero contesto. Quindi segue un pattern match.

00:09:20.480 --> 00:09:25.260
Vendita uguale importo per regione uguale qualsiasi campo che sappia di geografia. Un modello

00:09:25.260 --> 00:09:29.760
semantico invece quei campi sono stati civilizzati. L'importo delle vendite include una misura DAX

00:09:29.760 --> 00:09:34.520
che definisce ambito, valuta e logica di aggregazione. La regione ha relazioni definite esplicitamente.

00:09:35.220 --> 00:09:39.180
Quindi quando pone la stessa domanda Copilot non brancola nel buio. Percorre un sentiero

00:09:39.180 --> 00:09:43.160
illuminato che troccia. La Toolbox 2025 di fabbrica ti offre persino le armi per farlo.

00:09:44.240 --> 00:09:48.500
Direct Lake per la modellazione a bassa latenza. DAX per la logica delle misure. Sinonimi per

00:09:48.500 --> 00:09:53.660
la flessibilità linguistica e gruppi di calcolo per la coerenza. Pensai sinonimi come un vocabolario

00:09:53.660 --> 00:09:57.920
elastico? Se gli utenti dicono reddito netto ma la tua misura è profitto non rinomini la colonna?

00:09:58.460 --> 00:10:02.400
Insegna Copilot traduzione. I gruppi di calcolo impongono poi la grammatica assicurando che

00:10:02.400 --> 00:10:05.840
l'intelligence temporale o le conversioni di valuta si applichino in modo uniforme. Insieme

00:10:05.840 --> 00:10:09.180
formano il sistema di grounding del modello linguistico. Tuttavia pochissime persone si

00:10:09.180 --> 00:10:12.400
preoccupano di collegarli corretta. Caricano tabelle in fabbrica e presumono che l'IA di

00:10:12.400 --> 00:10:17.080
Copilot interpreterà le sfumature. Spoiler non lo farà. Il modello non deduce i tuoi KPI

00:10:17.080 --> 00:10:22.240
per convinzione morale. Li deduce dai tag dei metadati. Se non hai etichettato le misure

00:10:22.240 --> 00:10:25.860
e descritto le relazioni o specificato l'ordine di calcolo, Copilot improvvisa.

00:10:26.580 --> 00:10:30.120
L'improvvisazione è affascinante nei Jazz Club. Disastrosa nell'analisi aziendale.

00:10:30.760 --> 00:10:34.220
Quindi come si impone la semantica? Inizia controllando il vocabolario del tuo modello.

00:10:34.220 --> 00:10:37.800
Ogni misura necessita di una definizione coerente, archiviata centralmente e referenziata

00:10:37.800 --> 00:10:41.040
universalmente. Resiste all'impulso di rinominare le colonne per ogni regola.

00:10:41.560 --> 00:10:45.540
Usa invece degli alias nel livello semantico. Crea gruppi di calcolo per tutta la logica

00:10:45.540 --> 00:10:50.680
comune. Totali da inizio anno, media mobili, tassi di conversione. Poi aggiungi sinonimi

00:10:50.680 --> 00:10:53.720
affinché il motore di linguaggio naturale di Copilot non inventi le proprie correlazioni.

00:10:54.200 --> 00:10:56.620
Ora collega la semantica all'architettura delle istruzioni di Copilot.

00:10:57.300 --> 00:11:00.400
Fabric offre due livelli di controllo, istruzioni sulla sorgente dati e istruzioni

00:11:00.400 --> 00:11:04.340
sull'agente. Le istruzioni sulla sorgente dati chiediscono specifiche dello schema,

00:11:04.600 --> 00:11:07.880
join, riferimenti alle misure e nomi preferiti, mentre quelle sull'agente regolano tono,

00:11:07.960 --> 00:11:11.680
formato e vincoli. Queste interagiscono tramite prompt di grounding e dipendono interamente

00:11:11.680 --> 00:11:14.680
dall'allineamento semantico. Se il tuo modello semantico definisce

00:11:14.680 --> 00:11:18.440
chiaramente le vendite totali, le istruzioni sulla sorgente dati possono importare definizione

00:11:18.440 --> 00:11:22.260
quando Copilot scrive un sequel. L'istruzione sull'agente assicura che la risposta rimanga

00:11:22.260 --> 00:11:26.120
concisa, tabulare o riassunta. Combinandole sostituisci il caos con un protocollo.

00:11:26.120 --> 00:11:30.540
Senza semantica ogni risposta di Copilot è un'improvvisazione. Con la semantica ogni

00:11:30.540 --> 00:11:35.280
risposta diventa una prova. Non stai ottimizzando i prompt, stai insegnando la logica. Una volta

00:11:35.280 --> 00:11:38.980
fornito a Copilot un dizionario coerente, la sua precisione aumenta perché l'incertezza

00:11:38.980 --> 00:11:42.880
non ha più dove nascondersi. Ora che Copilot comprende il linguaggio, gli insegneremo la

00:11:42.880 --> 00:11:47.580
disciplina e regole comportamentali che lo mantengono. Disciplina per macchine, dati e istruzioni

00:11:47.580 --> 00:11:51.740
della gente. Copilot può finalmente capire il tuo vocabolario ma ha ancora bisogno di buone

00:11:51.740 --> 00:11:55.340
maniere. La semantica insegna il significato, l'istruzione insegna il comportamento.

00:11:56.120 --> 00:11:59.580
E in Microsoft Fabric quei comportamenti sono plasmati attraverso due distinti guinzagli,

00:11:59.680 --> 00:12:03.640
istruzioni sulla sorgente dati, istruzioni sulla gente. Uno struttura il cane, l'altro

00:12:03.640 --> 00:12:07.380
la destra a non masticare i mobili. Inizia con le istruzioni sulla sorgente dati, come andamenti

00:12:07.380 --> 00:12:11.300
specifici e lo schema. Questi si trovano più vicini ai dati e dicono a Copilot esattamente

00:12:11.300 --> 00:12:15.080
come interpretare il tuo modello. Ricordi il nostro caos precedente con i Giant Meteo?

00:12:15.360 --> 00:12:18.580
Le istruzioni sulla sorgente dati sono il punto in cui risolvino. Specifichi che i dati di

00:12:18.580 --> 00:12:22.240
temperatura e piovosità devono mirsi tramite le di geografia di prelievo e le di data.

00:12:22.240 --> 00:12:26.680
Questo elimina le congetture dal modello e le sostituisce con un obbligo. Fabric legge

00:12:26.680 --> 00:12:30.860
tali dichiarazioni ogni volta che Copilot ready, Jesse, Quello o Dax, assicurando che ogni

00:12:30.860 --> 00:12:34.500
query passi attraverso le chiavi corrette. Considerale come una costituzione relazionale,

00:12:34.720 --> 00:12:39.080
testi legali immutabili che definiscono come le entità possono connettersi. Queste istruzioni

00:12:39.080 --> 00:12:42.740
gestiscono anche sinonimi definizioni delle metriche. Supponiamo che i tuoi analisti usino

00:12:42.740 --> 00:12:46.900
vendite totali, importo equa e incassi lordi in modo intercambiabile. Per gli esseri umani

00:12:46.900 --> 00:12:50.440
significano tutti più o meno la stessa cosa. Per Copilot sono variabili distinte che competono

00:12:50.440 --> 00:12:55.040
per l'attenzione. Nelle istruzioni dell'origine dati le allinei. Ogni volta che si menzionano

00:12:55.040 --> 00:12:58.760
le vendite totali usa l'importo equa totale. Ora la tua IA smette di giocare alla roulette

00:12:58.760 --> 00:13:03.220
semantica e inizia a rispondere in modo coerente. Possono persino definire la logica di raggruppamento

00:13:03.220 --> 00:13:07.580
per analisi categorie. Quando un utente chiede le vendite in base alla temperatura, puoi predefinire

00:13:07.580 --> 00:13:14.220
degli intervalli. Sotto i 32 gradi equivale a gelido, fino a 53 freddo, da 53 a 72 mit e così via.

00:13:14.220 --> 00:13:18.820
Senza questo Copilot restituisce infiniti valori numerici, sommergendo l'utente in

00:13:18.820 --> 00:13:23.260
dettagli insignificanti. Incorporando questi gruppi direttamente nelle istruzioni, generi

00:13:23.260 --> 00:13:27.800
aggregazioni prevedibili e logica riproducibile. Ciò che stai facendo realmente è convertire

00:13:27.800 --> 00:13:31.840
metadati latenti in regole esplicite. La gente dati di Fabric le trasmette prima di

00:13:31.840 --> 00:13:36.000
costruire le query, trattandole come verità immutabile. Mancarle è motivo per cui le query

00:13:36.000 --> 00:13:39.740
precedenti producevano risultati in vista. Generava SQL è perfettamente valido per la domanda

00:13:39.740 --> 00:13:43.700
sbagliata. Con istruzioni sui dati scritte correttamente, le query di Copilot rimangono

00:13:43.700 --> 00:13:47.060
ancorate alle regole aziendali anziché alla probabilità linguistica. Ora passiamo

00:13:47.060 --> 00:13:49.760
al livello delle istruzioni dell'agente, la scuola di etichetta per il comportamento

00:13:49.760 --> 00:13:54.380
dell'LLM. Mentre le istruzioni sull'origine dati dicono a Copilot cosa significano i dati,

00:13:54.440 --> 00:13:58.060
le istruzioni dell'agente dettano come deve rispondere. Definiscono presentazione, stile,

00:13:58.200 --> 00:14:03.440
ambito analitico. Poi dà l'istruzione, riassumi sempre con una tabella concisa. Oppure,

00:14:03.840 --> 00:14:06.700
quando esistono più fonti, chiarisci la provenienza prima dell'aggregazione.

00:14:07.700 --> 00:14:11.740
Senzialmente trasformi Copilot da un stagista troppo zelante in un analista disciplinato.

00:14:11.740 --> 00:14:16.840
considera la regola delle prime cinque righe della configurazione dell'agente. Invece di

00:14:16.840 --> 00:14:20.780
restituire migliaia di record e DC mostra solo le prime cinque a meno che l'utente non richieda

00:14:20.780 --> 00:14:26.700
diversamente. L'IA impone la brevità risparmiando al manager medio lo scorrimento di un romanzo di

00:14:26.700 --> 00:14:33.440
dati. Un'altra direttiva utile. Fornisci sempre un riepilogo all'inizio di ogni risposta. Questo

00:14:33.440 --> 00:14:38.340
funge da metacommento. Copilot spiega cosa sta mostrando, permettendo agli utenti di verificare

00:14:38.340 --> 00:14:42.420
che metriche, join e filtri corrispondono alle aspettative. Trasforma il ragionamento

00:14:42.420 --> 00:14:47.580
invisibile in conferma visibile e fondamentale per la fiducia. Nota l'interazione. Le istruzioni

00:14:47.580 --> 00:14:52.160
sui dati definiscono i fatti, le istruzioni dell'agente definiscono la voce. Insieme formano

00:14:52.160 --> 00:14:56.180
il codice etico di Copilot. L'agente dati li combina in un prompt composito ogni volta che

00:14:56.180 --> 00:15:01.120
risponde a una domanda. Il modello linguistico non improvvisa. Si condiziona attraverso le tue

00:15:01.120 --> 00:15:05.560
regole. Ora entra in scena la governa. Queste istruzioni non possono vivere in copie individuali

00:15:05.560 --> 00:15:10.400
anarchiche. Se ogni utente Fabric personalizza i sinonimi a proprio gusto, hai reintrodotto

00:15:10.400 --> 00:15:14.680
la babele che hai impiegato mesi riminare. Otterrai cinque definizioni di profitto e nessun

00:15:14.680 --> 00:15:19.740
accordo durante le revisioni trimestrali. Centralizza i set di istruzioni, pubblicali tramite l'area

00:15:19.740 --> 00:15:23.600
di lavoro di gestione di Fabric, convalidali tramite peer review e bloccali con il controllo

00:15:23.600 --> 00:15:28.620
di versione. La flessibilità senza governance è ribellione travestita da innovazione. Naturalmente

00:15:28.620 --> 00:15:32.760
anche queste regole decadono se non le verifichi mai. L'approccio intelligente è trattare

00:15:32.760 --> 00:15:36.760
la qualità delle istruzioni come quella del codice. Dopo ogni modifica, testa il comportamento

00:15:36.760 --> 00:15:40.260
di Copilot. Fai la stessa domanda due volte dopo aver svuotato la cache. Vedi se ripete

00:15:40.260 --> 00:15:45.260
lo stesso SQL. Esamina le query generate. Assicurati che riflettano i geni imposti, le

00:15:45.260 --> 00:15:49.600
metriche corrette. Se gli output divergono, rivedi le tue istruzioni. Persino gli ingegneri

00:15:49.600 --> 00:15:53.360
di Microsoft ammettono che questa ottimizzazione è più un'arte che una scienza, un modo gentile

00:15:53.360 --> 00:15:57.900
per dire costante del bugging. Qui le query di esempio vengono in tuo soccorso. Sono la risposta

00:15:57.900 --> 00:16:02.560
di Fabric e Guardrail, consentendoti di codificare frammenti SQL canonici per intenti analitici,

00:16:02.560 --> 00:16:07.440
comuni. Supponi di sapere che il ricavo totale per fasce di temperatura debba sempre eseguire

00:16:07.440 --> 00:16:11.560
un doppio join su area geografica e data. Lo registri come query di esempio. Quando

00:16:11.560 --> 00:16:15.340
gli utenti chiedono una qualsiasi variazione di quella frase, Copilot evita l'improvvisazione

00:16:15.340 --> 00:16:19.800
e riutilizza la tua logica esatta. È l'equivalente dell'IA, nell'emmettere moduli preapprovati,

00:16:20.240 --> 00:16:25.060
compilati correttamente ogni volta, incapace di sabotaggio creativo. Nel tempo puoi costruire

00:16:25.060 --> 00:16:28.700
un'ebreria di queste query di esempio, trasformando Copilot da un generalista a un esperto

00:16:28.700 --> 00:16:33.420
di dominio. Pensala come amore muscolare. L'IA impara gradualmente cosa sia corretto

00:16:33.420 --> 00:16:37.660
attraverso la ripetizione e il vincolo, anziché con ingegno creativo. Tuttavia le istruzioni

00:16:37.660 --> 00:16:39.520
più ingegnose non possono redimere i peccati architetti.

00:16:40.040 --> 00:16:44.120
Se la tua pipeline di dati vacilla sotto strati medaglioni incoerenti o semantica mancante,

00:16:44.220 --> 00:16:47.540
tutti questi Guardrail sono come discorsi severi fatti su una nave che affonda.

00:16:48.300 --> 00:16:51.440
Le istruzioni vincolano il linguaggio e non possono inventare la verità. Ecco perché

00:16:51.440 --> 00:16:54.000
l'ottimizzazione è un ciclo chiuso. L'architettura definisce l'affidabilità,

00:16:54.000 --> 00:16:56.720
la semantica definisce il significato e il significato e le istruzioni del significato

00:16:56.720 --> 00:16:59.040
e le istruzioni di sconobbedienza. Il flusso di lavoro pragmatico è questo.

00:16:59.540 --> 00:17:02.700
Costruisci strati medaglion puliti, definisci un modello semantico preciso,

00:17:03.080 --> 00:17:05.440
codifica tali definizioni e le istruzioni della sorgente dati,

00:17:05.780 --> 00:17:09.460
tempera la personalità di Copilot tramite le istruzioni dell'agente e testa incessantemente.

00:17:10.360 --> 00:17:13.440
Ogni anomalia che rilevi in anticipo ti risparmia una mail arrabbiata da un dirigente

00:17:13.440 --> 00:17:16.000
in seguito. Quindi si radisci prima con. Non è affascinante.

00:17:16.660 --> 00:17:17.440
Non è magia dell'IA.

00:17:18.500 --> 00:17:22.440
È applicazione delle regole, svuotamento della cache, test di coerenza e un occasionale controllo

00:17:22.440 --> 00:17:25.900
dell'autostima quando la tua IA insiste ancora che le vendite totali equivalgono a bordo,

00:17:26.020 --> 00:17:27.120
più rimborsi, più miracoli.

00:17:28.480 --> 00:17:31.460
Ma una volta che la disciplina diventa abitudine, Copilot diventa anche di meno fidabile.

00:17:31.980 --> 00:17:35.780
Le sue allucinazioni diminuiscono, i suoi join funzionano, i tuoi dashboard smettono di manipolarti.

00:17:36.300 --> 00:17:39.460
Puoi definire le regole all'interno di Fabric, ma l'onestà di Copilot dipende comunque

00:17:39.460 --> 00:17:43.400
dall'architettura esterna Fabric, ovvero dalla governance sistemica che controlla la verità

00:17:43.400 --> 00:17:46.820
nell'intero patrimonio dati. Ed è esattamente qui che ci stiamo dirigendo.

00:17:47.520 --> 00:17:49.660
La cura sistemica, costruire per una verità verificabile.

00:17:50.120 --> 00:17:50.740
Facciamo un passo indietro.

00:17:50.740 --> 00:17:54.420
Dopo tutta la messa a punto, i sinonimi e l'addestramento all'obbedienza dell'IA rimane

00:17:54.420 --> 00:17:58.340
un fatto brutale. La verità di Copilot dipende dall'integrità del tuo ecosistema.

00:17:58.900 --> 00:18:02.440
Puoi addestrarlo, rimproverarlo e premiarlo, ma se l'architettura attona Fabric tra su da

00:18:02.440 --> 00:18:04.900
dati corrotti, l'IA continuerà a mentire cortesemente.

00:18:06.160 --> 00:18:10.200
Ciò di cui hai bisogno è una cura sistemica, governance, applicazione del lineage e disciplina

00:18:10.200 --> 00:18:12.640
architettonica che rendono fisicamente impossibile mentire.

00:18:13.640 --> 00:18:17.480
A livello architettonico, Fabric ha successo solo quando tutto ciò che sta sopra e sotto condivide

00:18:17.480 --> 00:18:19.300
lo stesso rigore morale sull'igiene dei dati.

00:18:19.300 --> 00:18:21.160
Tutto inizia con l'applicazione dello schema.

00:18:21.540 --> 00:18:25.800
Ogni set di dati nel tuo lake house e warehouse necessita di chiavi, tipi di dati e relazioni

00:18:25.800 --> 00:18:29.440
definiti, contratti immutabili che descrivono come l'entità si incastrano.

00:18:30.220 --> 00:18:33.160
Una deriva in una tabella non dovrebbe propagarsi silenziosamente verso tutto il lake.

00:18:33.540 --> 00:18:37.020
Invece, l'applicazione dello schema la intercetta come un linter di codice, bloccando l'ingestione

00:18:37.020 --> 00:18:38.260
finché le definizioni non coincidono.

00:18:38.660 --> 00:18:42.180
In pratica, questo non rallenta lo sviluppo, ma previene la corruzione silenziosa prima che si

00:18:42.180 --> 00:18:44.080
metastatizzi nelle risposte di Copilot.

00:18:44.080 --> 00:18:46.700
Successivamente, introduci il versionamento semantico.

00:18:46.980 --> 00:18:48.120
Tratta i tuoi modelli dati come software.

00:18:48.700 --> 00:18:52.620
Ogni volta che modifichi una definizione, rinomini una colonna, cambi una formula di misura,

00:18:52.740 --> 00:18:57.380
aggiusti una razione e incrementa la versione, Fabric non riconosce automaticamente l'impatto

00:18:57.380 --> 00:19:03.100
filosofico del passaggio, da entrate lorde a meno sconti, a entrate nette dopo le tasse.

00:19:03.980 --> 00:19:04.760
Devono farlo gli esseri umani.

00:19:05.280 --> 00:19:08.760
Versionamento preserva lo storico del lineage, consentendoti di tracciare quali risposte di

00:19:08.760 --> 00:19:10.480
Copilot si basavano su semantico obsoleto.

00:19:10.720 --> 00:19:13.540
Senza di esso non potrai mai verificare quando una bugia è entrata in circolazione.

00:19:14.000 --> 00:19:15.500
Ora, lega l'applicazione a documentazione.

00:19:16.000 --> 00:19:19.660
Microsoft Preview e il catalogo dati di One Lake non sono solo elementi decorativi, sono la

00:19:19.660 --> 00:19:21.680
memoria istituzionale che previene l'amnesia dello schema.

00:19:22.680 --> 00:19:26.920
I set di dati certificati in questi cataloghi agiscono come uniche fonti consentite per Copilot e Power BI.

00:19:26.920 --> 00:19:31.320
Considerali come entità notarili e rappresentazioni della verità legalmente vincolanti.

00:19:32.080 --> 00:19:34.460
Se un set di dati non è certificato, Copilot non dovrebbe toccare.

00:19:35.140 --> 00:19:39.220
Integrando i metadati di Preview con gli agenti dati di Fabric, assicuri che ogni query guidata

00:19:39.220 --> 00:19:41.040
dall'IA cita una provenienza verificabile.

00:19:41.720 --> 00:19:45.000
Quando qualcuno chiede da dove viene questo numero, puoi finalmente rispondere.

00:19:45.600 --> 00:19:48.940
Per la continuità del contesto tra i sistemi, abilita il mirroring e la modellazione di gemelli

00:19:48.940 --> 00:19:49.460
digitali.

00:19:50.300 --> 00:19:55.460
Il mirroring replica fonti esterne come SQL Server, Cosmos DB o PostgreSQL in fabbrica in tempo reale,

00:19:55.460 --> 00:19:57.000
preservando schema e freschezza.

00:19:57.740 --> 00:20:00.320
È il sistema monetario di fabbrica contro la latenza e la discrepanza dei dati.

00:20:00.760 --> 00:20:03.560
La moderazione di gemelli digitali è appena introdotta per tutto questo oltre.

00:20:04.460 --> 00:20:07.940
Costruisce una controparte digitale dinamica di ambienti fisici o aziendali.

00:20:09.040 --> 00:20:12.600
Copilot può quindi interrogare questi gemelli, comprendendo relazioni come quella per cui la

00:20:12.600 --> 00:20:14.780
produzione in fabbrica influenza i ritardi nei trasporti.

00:20:15.800 --> 00:20:19.500
Ciò mantiene il suo ragionamento ancorato a una realtà sincronizzata, non a dati obsoleti.

00:20:19.500 --> 00:20:21.940
Tuttavia anche la migliore architettura tende a deviare nel tempo.

00:20:22.240 --> 00:20:25.820
Ecco perché si conducono audit periodici della verità, controlli rituali in cui gli output

00:20:25.820 --> 00:20:27.920
dell'IA incontrano la validazione della fonte originale.

00:20:28.320 --> 00:20:32.200
Si scelgono query rappresentative, le si riesegue manualmente o tramite SQL memorizzato

00:20:32.200 --> 00:20:33.360
e si confrontano ai risultati.

00:20:34.260 --> 00:20:38.140
Qualsiasi divergenza segnala entropia architettonica, giunzioni corrotte, misure alterate

00:20:38.140 --> 00:20:39.400
o linee di discendenza scadute.

00:20:40.240 --> 00:20:41.980
Consideralo come un test della verità per Copilot.

00:20:42.820 --> 00:20:46.860
Eseguito trimestralmente consente di ricalibrare set di istruzioni semantica prima che la sfiducia

00:20:46.860 --> 00:20:48.180
diventi imbarazzo in sala riunioni.

00:20:48.780 --> 00:20:52.360
È fondamentale che tutti i livelli dello stack analitico, BI, Copilot, area di lavoro

00:20:52.360 --> 00:20:54.640
fabbrica, tingano da un'unica fonte semantica.

00:20:55.380 --> 00:20:56.560
I set di dati ombra sono un nemico.

00:20:56.960 --> 00:21:00.340
Ogni volta che un dipartimento ambizioso clona un modello per muoversi più velocemente

00:21:00.340 --> 00:21:01.760
crea un altro dialetto di verità.

00:21:02.660 --> 00:21:06.100
Improvvisamente Power BI Copilot ed Excel Copilot parlano tre lingue leggermente diverse

00:21:06.100 --> 00:21:07.540
riguardo allo stesso numero di fatturato.

00:21:08.360 --> 00:21:12.640
La cura è l'unità forzata, una semantica centralizzata in un unico modello, esposta in sola lettura

00:21:12.640 --> 00:21:16.300
ai consumatori a valle, vincolando la conformità delle policy e la certificazione di set di dati.

00:21:16.860 --> 00:21:20.120
Dei giorni alle vendite vuole una metrica personalizzata, negozia tramite la governance

00:21:20.120 --> 00:21:21.260
e non attraverso canali secondati.

00:21:21.580 --> 00:21:22.900
Infine chiudeteci l'apprendimento.

00:21:23.180 --> 00:21:27.040
La governance non è burocrazia statica, è un dialogo continuo tra analisti umani e

00:21:27.040 --> 00:21:28.000
agenti A e A.

00:21:28.680 --> 00:21:32.540
Gli umani regolano, Copilot esegue, gli umani verificano e Copilot migliora grazie al contesto

00:21:32.540 --> 00:21:33.040
aggiornato.

00:21:34.180 --> 00:21:37.020
Ogni iterazione insegna al sistema come appare un'esecuzione veritiera.

00:21:37.860 --> 00:21:41.840
Nel tempo questo feedback diventa un'infrastruttura invisibile, l'impalcatura dell'accuratezza.

00:21:41.840 --> 00:21:44.620
Quando raggiungete questa maturità accade qualcosa di straordinario.

00:21:44.620 --> 00:21:48.980
Copilot smette di sembrare un oracolo imprevedibile e inizia a comportarsi come una lista junior,

00:21:49.240 --> 00:21:50.940
veloce, coerente e rispettoso delle policy.

00:21:51.700 --> 00:21:52.840
Le allucinazioni evaporano.

00:21:53.340 --> 00:21:56.820
Non perché l'IA sia diventata improvvisamente onesta, ma perché la disonestà non si adatta

00:21:56.820 --> 00:21:57.600
più alla struttura.

00:21:58.160 --> 00:22:01.300
La verità diventa la via di minor resistenza, quindi la cura sistemica non è il fascino,

00:22:01.420 --> 00:22:02.380
ma la governance.

00:22:03.440 --> 00:22:05.420
L'imposizione dello schema mantiene dritta l'ossatura.

00:22:05.620 --> 00:22:07.340
Il versionamento semantico ricorda la storia.

00:22:07.340 --> 00:22:10.340
La certificazione pull-view protegge l'integrità e una semantica.

00:22:10.460 --> 00:22:12.180
Fonte singola preserva la coerenza.

00:22:13.500 --> 00:22:15.140
Il mirroring lega la realtà al riflesso.

00:22:15.200 --> 00:22:17.480
Gli audit della verità mantengono entrambi sincronizzati.

00:22:17.920 --> 00:22:20.740
In questo modo Copilot non ha bisogno di inventare, deve semplicemente riferire.

00:22:21.600 --> 00:22:25.060
Una volta imposta la verità strutturalmente, vi siete guadagnati il diritto di automatizzare

00:22:25.060 --> 00:22:25.580
le intuizioni.

00:22:25.700 --> 00:22:26.900
Questo ci porta alla lezione finale.

00:22:27.240 --> 00:22:30.060
Insegnare alle macchine a dire la verità per progettazione, non per persuasione.

00:22:30.840 --> 00:22:32.200
Insegnare a Copilot a dire la verità.

00:22:32.800 --> 00:22:35.160
Copilot non è mai stato inaffidabile, è stato solo obbediente.

00:22:35.860 --> 00:22:38.160
Ha risposto fedelmente a qualsiasi caos, abbiate codificato.

00:22:38.980 --> 00:22:42.440
Una volta fornita architettura disciplinata, semantica coerente e istruzioni esplicite,

00:22:42.900 --> 00:22:45.280
smette di allucinare non per moralità ma per inevitabilità.

00:22:46.160 --> 00:22:47.200
Ecco l'equazione definitiva.

00:22:47.740 --> 00:22:51.320
Rivelli medaglion puliti, disciplina semantica e istruzioni governate equivalgono a una verità

00:22:51.320 --> 00:22:52.220
dell'IA verificabile.

00:22:53.020 --> 00:22:57.200
Elimina l'ambiguità alla fonte, documenta il significato con precisione, testa regolarmente gli output

00:22:57.200 --> 00:22:59.860
e Copilot diventerà uno specchio levigato che riflette solo fatti.

00:23:00.060 --> 00:23:04.020
Se il tuo ambiente Fabric sussurra ancora contraddizioni, questo è il tuo richiamo per revisionarlo.

00:23:04.840 --> 00:23:08.580
Applica contratti di schema, certifica i set di dati, versione alla tua semantica ed esegui

00:23:08.580 --> 00:23:09.820
audit di verità trimestrali.

00:23:10.600 --> 00:23:13.820
Poi osserva come Copilot si trasforma da improvvisatore sicuro a collega calcolabile.

00:23:14.520 --> 00:23:16.260
La precisione non è magia, manutenzione.

00:23:16.800 --> 00:23:19.660
Costruisci una struttura così solida che le bugie non possano fisicamente passare.

00:23:20.080 --> 00:23:23.160
Fallo e ogni futuro prompt produrrà non storie ma affermazioni.

00:23:23.960 --> 00:23:27.040
Se questo ti ha fatto risparmiare ore o potenziali imbarazzi, ripagaci lo sforzo.

00:23:27.500 --> 00:23:29.180
Iscriviti all'M365 Show.

00:23:29.180 --> 00:23:32.220
Siamo specializzati nel rendere l'IA di Microsoft realmente affidabile.

00:23:32.840 --> 00:23:35.820
Il prossimo tutorial approfondirà ancora di più l'ingegneria della precisione di Copilot.

00:23:36.240 --> 00:23:37.500
L'efficienza appartiene ai disciplinati.

00:23:37.900 --> 00:23:38.520
Resta sintonizzato.
