WEBVTT

00:00:00.000 --> 00:00:27.760
Co-Pilot is niet in de war. Het is gehoorzaam. Die vrolijke Alinea die het net schreef over de niet-bestaande, fantastische groei van uw bedrijf in het vierde kwartaal, dat was geen foutje. Het is de waarheid, gebaseerd op uw eigen gebrekkige data. Dit is het effect van Rommel in zelfverzekerde zin. Microsoft Fabrics beleeft de manier om te zeggen, u hebt uw leugenaar zelf getraind. Co-Pilot hallucineert vrolijk patronen omdat uw tabellen zoete inconsistenties in de prompt context fluisteren. Dit is wat er gebeurt, u hebt dubbele joins, ontbrekende semantiek en halfbakken medaillonlagen die zich voordoen als de waarheid.

00:00:27.760 --> 00:00:48.680
Dan roept u Co-Pilot aan en vraagt u om inzichten, maar het redeneert niet, het herschikt. Fabric voert het misvormde metadata en Co-Pilot levert een heldere droom voor Montas analyse. Vandaag laat ik u zien waarom dat gebeurt, waar uw datamodel u heeft verraden en hoe u het kunt herbouwen zodat Co-Pilot stopt met het verzinnen van verhalen. Aan het einde heeft u AI die accuraat, verklaarbaar en eindelijk betrouwbaar is.

00:00:48.680 --> 00:01:00.320
De illusie van intelligentie. Waarom Co-Pilot liegt? Mensen verwachten dat Co-Pilot dingen weet. Dat doet het niet. Het zoekt naar overeenkomsten in je metadata, context en de fragiele relaties die je in Fabric hebt gedefinieerd.

00:01:00.480 --> 00:01:07.500
Je denkt dat je met intelligentie praat, maar in werkelijkheid praat je met reflectie. Geef het ambiguïteit en het spiegel die ambiguïteit rechtstreeks terug. Alleen nog klaanzender.

00:01:07.500 --> 00:01:17.700
Hier ligt het echte probleem. De meeste Fabric-implementaties behandelen schemaontwerp als een bijzaak. Feitentabellen gekoppeld op de verkeerde sleutel, meetwaarden inconsistent geschreven, beschrijvingen volledig ontbrekend.

00:01:17.860 --> 00:01:26.640
Co-Pilot leest deze chaos als een kind dat een zin zonder leestekens leest. Het gokt gewoon waar de betekenis hoort. Het resultaat klinkt coherent, maar kan cruciaal onjuist zijn.

00:01:26.900 --> 00:01:32.180
Stel dat je gouden laag omzet uit één bron en totale verkoop uit een andere bron bevat, beide niet gestandardiseerd.

00:01:32.180 --> 00:01:38.860
Co-Pilot ziet vergelijkbare kolomnamen en voegt ze in zijn oneindige beleefdheid samen. Je vraagt, wat was de omzet in het afgelopen kwartaal?

00:01:39.000 --> 00:01:45.380
Het voegt meetwaarden met een niet overeenkomende granulariteit samen, produceert een gemiddelde over incompatibele schalen en presenteert dit vol zelfvertrouwen aan je.

00:01:45.500 --> 00:01:50.000
De grafiek ziet er professioneel uit, maar de wiskunde erachter is fictie. De illusie wordt gecreëerd door de toon.

00:01:50.220 --> 00:01:55.120
Natuurlijke taal wekt de indruk van begrip, maar de natuurlijke reacties van Co-Pilot maskeren slecht statistische nabootsing.

00:01:55.120 --> 00:02:02.340
Wanneer je een vraag stelt, valideert het model geen feiten. Het haalt patronen, waarschijnlijke verbanden, plausibele kolommen en begrijpelijke tekst op.

00:02:02.460 --> 00:02:09.400
Zonder strikte dataherkomst of semantische governance verzint het wat het niet kan afleiden. Het is in feite je schema met een theatrale presentatie.

00:02:09.640 --> 00:02:18.060
Fabric versterkt deze illusie. Omdat data agents in Fabric context doorgeven via metadata, worden eventuele hiëten in relaties ontbrekende foreign keys,

00:02:18.320 --> 00:02:22.780
dimensies zonder tekst of ambiguëe meetname behandeld als optionele hints in plaats van verplichtingen.

00:02:22.780 --> 00:02:28.880
Het model vult deze hiëten op door patroonaanvulling, niet door logica. Bedoelde je, verkoop koppelen per regio en datum.

00:02:29.020 --> 00:02:32.560
Het zou zomaar, verkoop koppelen aan alles wat geografisch klinkt, kunnen interpreteren.

00:02:32.720 --> 00:02:38.580
Vervolgens werkt de gegenereerde SQL gewillig mee met die onzin. Gebruikers trappen erin omdat de interface de query syntaxis democratiseert.

00:02:38.740 --> 00:02:44.420
Je typt een zin en het geeft een visualisatie terug. Je gaat ervan uit dat het model alles begrijpt, maar het opereert in een statistische mist.

00:02:44.600 --> 00:02:47.580
Hoe minder beperkingen je definieert, hoe geloofwaardiger de leugens worden.

00:02:47.580 --> 00:02:54.940
De belangrijkste mentale omslag is deze. Copilot is geen orakel. Het heeft geen epistemologie, geen concept van waarheid, alleen spiegels gebouwd op basis van je metadata.

00:02:55.260 --> 00:03:01.360
Het zet je datamodel om in een linguistische waarschijnlijkheidsruimte. Elke structurele fout wordt een semantische hallucinatie.

00:03:01.600 --> 00:03:06.040
Waar je schema inconsistent is, hallucineert de AI-consistentie die niet bestaat.

00:03:06.460 --> 00:03:08.040
En de tragedie is voorspelbaar.

00:03:08.300 --> 00:03:13.200
Managers nemen beslissingen op basis van fictie die gevalideerd aanvoelt omdat die afkomstig is van Microsoft Fabric.

00:03:13.200 --> 00:03:19.060
Als je gouden laag wankelt door inconsistente transformaties, versterkt Copilot die wank-ailing tot een zelfverzekerd verhaal.

00:03:19.180 --> 00:03:21.860
De welsprekendheid van het model verhult de rot in je pipeline.

00:03:22.140 --> 00:03:27.160
Zie Copilot als een reflectiemotor. De intelligentie ervan begint en eindigt met de kwaliteit van je schema.

00:03:27.420 --> 00:03:33.180
Als je joints scheef zijn, je afstamming gebroken of je semantiek onduidelijk, reflecteert het onzekerheid als zekerheid.

00:03:33.380 --> 00:03:37.440
Daarom begint de oplossing niet met snelle technische aanpassingen, maar met architectonische hygiëne.

00:03:37.600 --> 00:03:42.100
Dus, als Copilot slecht zo betrouwbaar is als uw architectuur, laten we dan eens ontleden waar het probleem begint.

00:03:42.100 --> 00:03:44.720
De medaillon Mighty, wanneer brons goud vervuilt.

00:03:44.860 --> 00:03:51.200
Elke data-engineer reciteert de medaillon-architectuur als een heilige schrift, brons, zilver, goud, ruw, verfijnd, betrouwbaar.

00:03:51.340 --> 00:03:54.280
In theorie is het een pelgrimstocht van chaos naar helderheid.

00:03:54.500 --> 00:03:58.940
Elke laag verwijdert onduidelijkheden totdat de data zijn aureool van waarheid verdient.

00:03:59.180 --> 00:04:07.120
In de praktijk bouwen de meeste mensen een pretpark-glijbaan waar ruwe inconsistentie rechtstreeks van brons naar goud glijdt, zonder dat er iets tussendoor wordt schoongemaakt.

00:04:07.120 --> 00:04:08.600
Laten we onderaan beginnen.

00:04:08.840 --> 00:04:14.120
Brons is uw landingzone, parquetbestanden, CSV's, IoT-data, invoer, het fossiele archief van uw organisatie.

00:04:14.820 --> 00:04:17.280
Het hoeft niet mooi te zijn, alleen volledig vastgelegd.

00:04:17.380 --> 00:04:20.120
Toch vergeten mensen dat brons een quarantaine is, geen actief ingrediënt.

00:04:20.900 --> 00:04:28.200
Wanneer die ruwe rommel omhoog sijpelt door luie shortcuts, directe queries of ontbrekende transformatielogica, geeft uw copilot onbehandelde ruis als context.

00:04:28.460 --> 00:04:29.900
Ja, het zal hallucineren.

00:04:30.020 --> 00:04:31.300
En daar is een goede reden voor.

00:04:31.480 --> 00:04:33.880
Je hebt het een droomdagboek gegeven en om een addit gevraagd.

00:04:33.880 --> 00:04:35.800
Zilver is bedoeld om die smurrie te zuiveren.

00:04:35.920 --> 00:04:42.000
Hier verdwijnen duplicaten, worden schema's op elkaar afgestemd, komen gegevenstypen overeen en zijn universele sleutels het eindelijk eens over wat een klant is.

00:04:42.160 --> 00:04:46.400
Maar kijk eens naar de meeste fabric configuraties en je ziet dat zilver een halfslachtige verontschuldiging is.

00:04:46.620 --> 00:04:49.840
Snelle joints, kwetsbare look-ups, ongedocumenteerde conversies.

00:04:50.040 --> 00:04:52.480
Het excuus is altijd hetzelfde, we lossen het op in gold.

00:04:52.680 --> 00:04:55.820
Dat is net zoiets als grammaticale fouten herstellen door het woordenboek te laten publiceren.

00:04:56.000 --> 00:04:58.740
Tegen de tijd dat je gold bereikt, ontstaat er een illusie van vertrouwen.

00:04:58.740 --> 00:05:04.120
Alles in gold ziet er analytisch uit. Schone tabellen, zakelijke namen, dashboards die stralen van zelfvertrouwen.

00:05:04.280 --> 00:05:10.800
Maar daaronder heb je niet overeenkomende conversies, niet gesynchroniseerde tijdstempels en ID-conflicten die helemaal terug te voeren zijn op bronzen.

00:05:10.960 --> 00:05:13.900
De metadata van Fabric traceert die relaties automatisch.

00:05:14.040 --> 00:05:17.780
En raadt eens op welke relaties Copilot vertrouwt bij het interpreteren van natuurlijke taal.

00:05:17.900 --> 00:05:18.380
Op allemaal.

00:05:18.740 --> 00:05:21.400
Dus wanneer de afstamming niet klopt, erft het model bedrog.

00:05:21.560 --> 00:05:22.740
Hier is een praktijkvoorbeeld.

00:05:22.740 --> 00:05:25.500
Je hebt transactiegegevens van twee bookingsystemen.

00:05:25.660 --> 00:05:28.620
Beide systemen leveren gegevens aan bronzen met enigszins verschillende sleutelformaten.

00:05:28.780 --> 00:05:31.740
Het ene systeem gebruikt een numerieke reis-ID, het andere een mix van letters.

00:05:31.960 --> 00:05:36.560
In zilver heeft iemand ze samengevoegd met behulp van een inner join op afgekorte subtekenreeksen om ze te standaardiseren.

00:05:36.720 --> 00:05:38.620
Technisch gezien heb je uniforme gegevens.

00:05:38.880 --> 00:05:41.560
Semantisch gezien heb je echter spookachtige overeenkomsten gecreëerd.

00:05:41.760 --> 00:05:47.060
Nu berekent Copilot vol vertrouwen de gemiddelde reisopbrengst, inclusief transacties uit volledig verschillende contexten.

00:05:47.180 --> 00:05:50.720
Het is precieze onzin, correcte syntaxis, maar verzonnen semantiek.

00:05:50.720 --> 00:05:55.020
Dit is de mythe van de medaille, het idee dat het hebben van lagen automatisch zuiverheid garandeert.

00:05:55.200 --> 00:05:58.160
Lagen zijn slechts zo waarheidsgetrouw als de discipline die erin heerst.

00:05:58.380 --> 00:05:59.720
Bronzen moet ruwe entropie blootleggen.

00:06:00.460 --> 00:06:02.000
Zilver moet zuivering afdwingen.

00:06:02.160 --> 00:06:05.080
Gold moet gecertificeerde bedrijfslogica vertegenwoordigen.

00:06:05.300 --> 00:06:08.040
Geen handmatige aanpassingen, geen tijdelijke oplossingen.

00:06:08.300 --> 00:06:11.320
Verbreek die keten en je vervangt verfijning door recursieve vervuiling.

00:06:11.520 --> 00:06:13.220
Copilot weet hier natuurlijk niets van.

00:06:13.420 --> 00:06:17.220
Het neemt wat het fabric model als afstamming verkondigt en veronderstelt causaliteit.

00:06:17.220 --> 00:06:22.880
Als een kolom in goud verwijst naar een combinatie van drie inconsistente bronnen, ziet de AI één enkel concept.

00:06:23.080 --> 00:06:25.100
Vraag, waarom stegen de verkopen in maart?

00:06:25.280 --> 00:06:33.000
De AI genereert vrolijk SQL die alle records met het label maart, aggregeert, ongeacht regio, valuta of tijdzone, omdat je zilver nooit hebt opgedragen die grenzen te handhaven.

00:06:33.160 --> 00:06:34.100
De AI ligt niet.

00:06:34.280 --> 00:06:37.220
Het vertaalt jullie collectieve nalatigheid naar vloeiende fictie.

00:06:37.420 --> 00:06:41.300
Dit is waarom Data Provenance geen optionele metadata is, maar de GPS van Copilot.

00:06:41.300 --> 00:06:46.560
Elke transformatie, elke join, elke meetdefinitie is een kruimelspoor dat terugleidt naar de bron van de waarheid.

00:06:46.760 --> 00:06:51.500
Fabric volgt de herkomst visueel, maar herkomst zonder validatie is als een kaart getekend met potlood.

00:06:51.660 --> 00:06:53.820
De AI leest die vage lijnen als de waarheid.

00:06:54.080 --> 00:06:55.360
Dwing dus validatie af.

00:06:55.580 --> 00:06:58.340
Voer tussen brons en zilver geautomatiseerde schematests uit.

00:06:58.500 --> 00:06:59.560
Komen de ID's overeen?

00:06:59.740 --> 00:07:01.000
Worden nalwaarden correct verwerkt?

00:07:01.220 --> 00:07:02.380
Zijn de gegevenstypen consistent?

00:07:02.720 --> 00:07:04.680
Voer tussen zilver en goud altijd van joins uit.

00:07:04.920 --> 00:07:06.840
Controleer of de één-op-één verwachtingen kloppen.

00:07:07.020 --> 00:07:10.640
Monitor aggregatieafwijkingen en controleer de continuïteit van de herkomst op kolomniveau.

00:07:10.640 --> 00:07:14.540
Dit zijn geen bureaucratische rituelen, maar overlevingsinstrumenten voor de nauwkeurigheid van AI.

00:07:14.720 --> 00:07:17.660
Wanneer de query van Copilot door de door jou geverifieerde laag geloopt,

00:07:17.860 --> 00:07:19.500
erft deze discipline in plaats van wanorde.

00:07:19.700 --> 00:07:20.860
De ironie is treffend.

00:07:21.020 --> 00:07:23.140
Je wilde dat Copilot de analyse automatiseerde,

00:07:23.320 --> 00:07:26.000
maar de basis waarop het steunt vereist nog steeds ouderwetse hygiëne.

00:07:26.160 --> 00:07:27.900
Wat erin gaat, komt er met vertrouwen uit.

00:07:28.080 --> 00:07:30.160
Totdat je architectuur als morele filosofie beschouwt,

00:07:30.300 --> 00:07:33.540
verfijning als verplichting en niet als suggestie, zul je nooit een waarheidsgetrouwe AI hebben.

00:07:33.760 --> 00:07:36.260
Zelfs met smetteloze lagen kan Copilot nog steeds struikelen,

00:07:36.260 --> 00:07:39.620
omdat weten welke data er bestaat niet betekent dat je weet wat die data betekent.

00:07:39.740 --> 00:07:42.360
Een perfecte pipeline kan een semantisch leeg model voeden,

00:07:42.560 --> 00:07:45.840
wat ons brengt bij de ontbrekende vertaler tussen getallen en betekenis,

00:07:46.020 --> 00:07:48.960
de semantische laag, het brein dat je data vergeten is te bouwen,

00:07:49.120 --> 00:07:52.480
het ontbrekende brein, de semantische lagen en het context tekort.

00:07:52.700 --> 00:07:55.820
Dit is waar de meeste Fabric implementaties letterlijk de mist in gaan.

00:07:56.040 --> 00:07:58.260
De semantische laag is het brein van je datamodel,

00:07:58.480 --> 00:08:00.260
maar veel organisaties behandelen het als decoratie.

00:08:01.000 --> 00:08:03.920
Ze denken dat als tabellen bestaan, betekenis automatisch volgt.

00:08:03.920 --> 00:08:06.980
Fout, tabellen zijn het geheugen, semantiek is het begrip.

00:08:07.200 --> 00:08:11.340
Zonder die laag leest Copilot getallen als een toerist die straatnaamborden in een andere taal leest,

00:08:11.520 --> 00:08:14.340
fonetisch, vol zelfvertrouwen en volledig zonder context.

00:08:14.620 --> 00:08:15.960
Laten we het goed definiëren.

00:08:16.160 --> 00:08:21.020
Het semantische model in Fabric vertelt Copilot wat je data betekent, niet alleen hoe het heet.

00:08:21.180 --> 00:08:23.920
Het is het woordenboek dat kolom labels vertaalt naar bedrijfslogica.

00:08:24.720 --> 00:08:27.820
Omzet wordt de som van de verkopen exclusief terugbetalingen.

00:08:28.180 --> 00:08:31.700
Klant wordt een unieke kopersidee over de grenzen van het fiscale jaar heen.

00:08:31.700 --> 00:08:35.460
Zonder dit model behandelt Copilot deze woorden als louter toevallige tokens.

00:08:35.720 --> 00:08:38.960
Je kunt de ene dag om de totale omzet vragen en de bruto inkomst te krijgen,

00:08:39.220 --> 00:08:40.480
de volgende dag de netto omzet.

00:08:40.640 --> 00:08:43.240
Het is niet wispelturig, het is taalkundig stuurloos.

00:08:43.400 --> 00:08:48.400
In werkelijkheid fungeert een semantisch model als een tweetalige tolk tussen menselijke taal en DAX of SQL logica.

00:08:48.560 --> 00:08:50.400
Het stemt de intentie af op de berekening.

00:08:50.640 --> 00:08:52.380
Wanneer het ontbreekt, moet Copilot gissen.

00:08:52.580 --> 00:08:55.340
En grote taalmodellen staan erom bekend dat ze er een handje van hebben om te gissen.

00:08:55.520 --> 00:08:57.700
Ze stellen waarschijnlijke koppelingen samen, geen nauwkeurige,

00:08:57.840 --> 00:09:00.100
en ze vertrouwen veel meer op kolomnamen dan op uw bedrijfsdefinities.

00:09:01.700 --> 00:09:02.860
Boekingen, naar reserveringen.

00:09:03.020 --> 00:09:04.860
In een ander model telt het voltooide reizen.

00:09:05.060 --> 00:09:06.560
Voor Copilot zijn dat synonieme.

00:09:06.700 --> 00:09:09.500
U vroeg gewoon om boekingen per kwartaal, en het leverde beide.

00:09:09.840 --> 00:09:10.560
Efficiënt fout.

00:09:10.800 --> 00:09:12.160
Vergelijk twee architecturen.

00:09:12.360 --> 00:09:15.040
In een kaal data warehouse kijkt Copilot rechtstreeks in tabellen.

00:09:15.200 --> 00:09:16.660
Het ziet datum, bedrag, type.

00:09:16.880 --> 00:09:18.960
Het zijn mooie zelfstandige naamwoorden, geen context.

00:09:19.200 --> 00:09:20.540
Vervolgens zoekt het naar patronen.

00:09:20.720 --> 00:09:24.880
Verkoop is gelijk aan bedrag per regio, wat weer gelijk is aan welk veld dan ook dat naar geografie ruikt.

00:09:25.040 --> 00:09:27.720
In een semantisch model zijn die velden echter geciviliseerd.

00:09:27.720 --> 00:09:32.360
Verkoop bedrag bevat een DAX maat die de rijkwijte, valuta- en aggregatielogica definieert.

00:09:32.580 --> 00:09:34.880
Regio heeft expliciet vastgelegde relaties.

00:09:35.080 --> 00:09:38.100
Dus wanneer u dezelfde vraag stelt, tast Copilot niet in het duister.

00:09:38.280 --> 00:09:40.240
Het bewandelt een verlicht pad dat u hebt geplavijd.

00:09:40.420 --> 00:09:44.060
De toolbox van Fabric uit 2025 biedt u hier zelfs de nodige hulpmiddelen voor.

00:09:44.260 --> 00:09:47.720
Direct leek voor modellering met lage latentie, DAX voor meetlogica,

00:09:48.000 --> 00:09:51.940
synonieme voor touwkundige flexibiliteit en berekeningsgroepen voor consistentie.

00:09:52.160 --> 00:09:54.220
Zie synoniemen als een elastische woordenschat.

00:09:54.220 --> 00:09:58.620
Als gebruikers netto inkomen, zeggen, maar uw meetwaarde, winst, is, hernoemt u de kolom niet,

00:09:58.760 --> 00:09:59.920
maar leert uw Copilot de vertaling.

00:10:00.520 --> 00:10:02.200
Berekeningsgroepen zorgen vervolgens voor de grammatica,

00:10:02.440 --> 00:10:05.340
zodat tijdsintelligentie of valuta-conversies uniform worden toegepast.

00:10:05.580 --> 00:10:07.700
Samen vormen ze het fundament van het taalmodel.

00:10:07.880 --> 00:10:10.220
Maar weinigen nemen de moeite om dit goed te configureren.

00:10:10.420 --> 00:10:14.140
Ze gooien tabellen in Fabric en gaan ervan uit dat de AI van Copilot de nuances wel zal interpreteren.

00:10:14.340 --> 00:10:15.680
Spoiler, dat zal niet gebeuren.

00:10:15.860 --> 00:10:19.560
Het model leidt uw KPIs niet af uit morele overtuiging, maar uit metadata-tags.

00:10:19.560 --> 00:10:25.240
Als u geen labels aan de meetwaarde hebt gegeven, geen relaties hebt beschreven of geen berekeningsvolgorde hebt gespecificeerd,

00:10:25.380 --> 00:10:26.320
improviseert Copilot.

00:10:26.840 --> 00:10:30.200
Improvisatie is charmant in jazzclubs, maar rampzalig in bedrijfsanalyses.

00:10:30.360 --> 00:10:32.360
Dus, hoe zorgt u voor consistentie in de semantiek?

00:10:32.580 --> 00:10:34.540
Begin met het controleren van de woordenschat van uw model.

00:10:34.740 --> 00:10:38.680
Elke meetwaarde heeft een consistente definitie nodig, centraal opgeslagen en universeel toegankelijk.

00:10:38.900 --> 00:10:41.180
Weersta de verleiding om kolommen per rapport te hernoemen.

00:10:41.420 --> 00:10:43.920
Geef ze in plaats daarvan aliassen in de semantische laag.

00:10:43.920 --> 00:10:49.460
Bouw berekeningsgroepen voor alle gangbare logica, totale tot nu toe dit jaar, voortschrijdende gemiddelden en conversieratio's.

00:10:49.640 --> 00:10:54.040
Voeg vervolgens synoniemen toe, zodat de natuurlijke taal-engine van Copilot geen eigen correlaties verzint.

00:10:54.240 --> 00:10:57.040
Verbind nu de semantiek met de instructiearchitectuur van Copilot.

00:10:57.280 --> 00:11:01.320
Fabric biedt twee niveaus van controle, instructies voor de gegevensbron en instructies voor de agent.

00:11:01.500 --> 00:11:05.960
Instructies voor de gegevensbron voor duidelijke schema-specificaties, joins, meetreferenties en voorkeursnamen,

00:11:06.120 --> 00:11:08.800
terwijl instructies voor de agent de toon, het formaat en de beperkingen bepalen.

00:11:09.040 --> 00:11:12.920
Deze werken samen via aanwijzingen die volledig afhankelijk zijn van semantische afstemming.

00:11:12.920 --> 00:11:19.860
Als uw semantisch model de totale omzet duidelijk definieert, kunnen instructies voor de gegevensbron die definitie afdwingen wanneer Copilot een vervolg schrijft.

00:11:20.040 --> 00:11:24.020
De agentinstructie zorgt ervoor dat het antwoord beknopt, in tabelvorm of samengevat blijft.

00:11:24.180 --> 00:11:26.360
Combineer ze en u vervangt gaals door protocol.

00:11:26.740 --> 00:11:29.840
Zonder semantiek is elk antwoord van Copilot een improvisatie.

00:11:30.040 --> 00:11:32.020
Met semantiek wordt elk antwoord bewijs.

00:11:32.180 --> 00:11:34.560
U stemt geen aanwijzingen af, u leert logica.

00:11:34.800 --> 00:11:40.520
Zodra je Copilot een consistent woordenboek geeft, schiet de nauwkeurigheid omhoog omdat onzekerheid zich nergens meer kan verstoppen.

00:11:40.520 --> 00:11:45.660
Nu Copilot de taal begrijpt, leren we het discipline, de gedragsregels die ervoor zorgen dat het eerlijk blijft.

00:11:45.900 --> 00:11:48.640
Discipline voor machines, data en agentinstructies.

00:11:48.780 --> 00:11:52.600
Copilot begrijpt je vocabulair misschien eindelijk, maar het heeft nog steeds manieren nodig.

00:11:52.900 --> 00:11:55.600
Semantiek leert betekenis, instructies leren gedrag.

00:11:55.760 --> 00:12:01.960
En in Microsoft Fabric wordt dat gedrag gevormd door twee verschillende richtlijnen, instructies voor de databron en instructies voor de agent.

00:12:02.160 --> 00:12:05.360
De ene structureert de hond, de andere leert hem om niet aan de meubels te knagen.

00:12:05.360 --> 00:12:08.600
Begin met de instructies voor de databron, de schema specifieke geboden.

00:12:08.820 --> 00:12:12.360
Deze bevinden zich het dichtst bij de data en vertellen Copilot precies hoe je model moet worden geïnterpreteerd.

00:12:13.160 --> 00:12:15.360
Herinner je je de eerdere chaos met de weerkoppelingen nog?

00:12:15.480 --> 00:12:17.480
In de instructies voor de databron los je dat op.

00:12:17.600 --> 00:12:22.720
Je specificeert dat temperatuur en neerslaggegevens moeten worden gekoppeld op basis van de geografische ideeën en de datum ideeën.

00:12:22.860 --> 00:12:25.900
Dit elimineert giswerk uit het model en vervangt het door een verplichting.

00:12:26.120 --> 00:12:32.400
Fabric leest deze declaraties telkens wanneer Copilot SQL of DAX opstelt, zodat elke query de juiste sleutels gebruikt.

00:12:32.400 --> 00:12:37.980
Zie ze als de relationele grondwet, onveranderlijke juridische tekst die definieert hoe entiteiten met elkaar verbonden kunnen zijn.

00:12:38.200 --> 00:12:41.280
Deze instructies behandelen ook synoniemen en definities van meeteenheden.

00:12:41.520 --> 00:12:46.080
Stel dat uw analisten de termen totale omzet, reële waarde en bruto inkomsten door elkaar gebruiken.

00:12:46.240 --> 00:12:48.300
Voor mensen betekenen die termen ongeveer hetzelfde.

00:12:48.500 --> 00:12:51.400
Voor Copilot zijn het echter afzonderlijke variabelen die om aandacht strijden.

00:12:51.600 --> 00:12:54.060
Onder de instructies voor de gegevensbron stemt u ze op elkaar af.

00:12:54.240 --> 00:12:57.400
Wanneer totale omzet wordt genoemd, gebruikt u totale reële waarde.

00:12:57.600 --> 00:13:01.360
Nu stopt uw AI met het spelen van semantische roulette en begint consistent te antwoorden.

00:13:01.360 --> 00:13:04.180
Ze kunnen zelfs categorische analyses definiëren.

00:13:04.380 --> 00:13:08.520
Wanneer een gebruiker vraagt naar de omzet per temperatuur, kunt u vooraf bereiken definiëren.

00:13:08.680 --> 00:13:15.020
Onder 0 graden Celsius is vriespunt, tot 12 graden Celsius is koud, tussen 12 en 22 graden Celsius is mild, enzovoort.

00:13:15.240 --> 00:13:20.260
Zonder dat geeft Copilot oneindig veel numerieke waarde terug, waardoor de gebruiker verdrinkt in gedetailleerde informatie.

00:13:20.500 --> 00:13:25.880
Door deze categorieën direct in uw instructies op te nemen, creëert u voorspelbare aggregatie en reproduceerbare logica.

00:13:26.080 --> 00:13:29.640
Wat u hier in feite doet, is latente metadata omzetten in expliciete regels.

00:13:29.640 --> 00:13:34.840
De data-agent van Fabric verwerkt deze instructies voordat queries worden geconstrueerd, en behandelt ze als onveranderlijke grondwaarheid.

00:13:34.980 --> 00:13:40.620
Het ontbreken ervan is de reden waarom eerdere queries vertekende resultaten opleverden en perfect geldige SQL genereerde voor de verkeerde vraag.

00:13:40.780 --> 00:13:46.540
Met correct geschreven data-instructies blijven de queries van Copilot gebaseerd op bedrijfsregels in plaats van touwkundige waarschijnlijkheid.

00:13:46.720 --> 00:13:50.900
Laten we nu een stap verder gaan naar agent-instructies, de etiketten voor LLM-gedrag.

00:13:50.900 --> 00:13:56.600
Terwijl instructies voor de data-bron Copilot vertellen wat de data betekent, bepaal een agent instructies hoe het moet reageren.

00:13:56.740 --> 00:13:59.760
Ze definiëren de presentatiestijl en de analytische rijkwijten.

00:13:59.960 --> 00:14:07.220
Je kunt instructies geven zoals altijd samenvatten met een beknopte tabel of, wanneer er meerdere bronnen zijn, verduidelijk dan de herkomst voor aggregatie.

00:14:07.440 --> 00:14:12.320
In wezen transformeer je Copilot van een over-enthousiaste stagiair in een gedisciplineerde analist.

00:14:12.560 --> 00:14:16.120
Neem bijvoorbeeld de regel voor de bovenste vijf rijen uit de data-agent-tuning.

00:14:16.120 --> 00:14:22.120
In plaats van duizenden records terug te geven, zeg je, geef alleen de bovenste vijf weer, tenzij de gebruiker anders aangeeft.

00:14:22.320 --> 00:14:27.400
De AI dwingt beknoptheid af, waardoor de gemiddelde manager niet door een heel data-boek hoeft te scrollen.

00:14:27.740 --> 00:14:32.520
Een andere nuttige instructie is, geef altijd een samenvatting bovenaan elk antwoord.

00:14:32.980 --> 00:14:34.120
Dit fungeert als metacommentaar.

00:14:34.960 --> 00:14:41.180
Copilot legt uit wat het laat zien, waardoor gebruikers kunnen controleren of metingen, koppelingen en filters aan de verwachtingen voldoen.

00:14:41.320 --> 00:14:45.600
Het zet onzichtbare redeneringen om in zichtbare bevestiging, cruciaal voor vertrouwen.

00:14:45.600 --> 00:14:46.940
Let op de wisselwerking.

00:14:47.160 --> 00:14:51.100
Data-instructies definiëren de feiten, agent-instructies definiëren de stem.

00:14:51.320 --> 00:14:53.500
Samen vormen ze de ethische code van Copilot.

00:14:53.720 --> 00:14:58.040
De data-agent combineert deze tot een samengestelde prompt telkens wanneer hij een vraag beantwoordt.

00:14:58.100 --> 00:14:59.460
Het taalmodel is niet vrij.

00:14:59.680 --> 00:15:01.980
Het conditioneert zichzelf door middel van uw regels.

00:15:02.200 --> 00:15:03.400
Nu komt governance in beeld.

00:15:03.640 --> 00:15:06.740
Deze instructies kunnen niet in anarchistische, individuele kopieën bestaan.

00:15:06.900 --> 00:15:12.700
Als elke fabricgebruiker synonieme naar eigen smaak aanpast, introduceert u de babel die u maandenlang hebt proberen te elimineren opnieuw.

00:15:12.700 --> 00:15:16.860
U krijgt vijf definities voor winst en nul overeenstemming tijdens kwartaalbeoordelingen.

00:15:17.200 --> 00:15:24.400
Centraliseer instructiesets, publiceer ze via de beheeromgeving van Fabric, valideer ze door middel van collegiale toetsing en vergrendel ze achter versiebeheer.

00:15:24.860 --> 00:15:27.700
Flexibiliteit zonder governance is rebellief vermond als innovatie.

00:15:27.960 --> 00:15:31.060
Natuurlijk vervallen zelfs deze regels als u ze nooit controleert.

00:15:31.260 --> 00:15:34.940
De intelligente aanpak is om instructiekwaliteit te behandelen als codekwaliteit.

00:15:35.160 --> 00:15:37.300
Test na elke bewerking het gedrag van Copilot.

00:15:37.300 --> 00:15:41.600
Stel dezelfde vraag twee keer na het wissen van de cache en kijk of dezelfde SQL-query wordt herhaald.

00:15:41.740 --> 00:15:46.100
Onderzoek de gegenereerde queries en zorg ervoor dat ze de afgedwongen joints en de juiste meetwaarden bevatten.

00:15:46.240 --> 00:15:48.700
Als de uitvoer afwijkt, herzie dan uw instructies.

00:15:48.960 --> 00:15:55.060
Zelfs de engineers van Microsoft geven toe dat deze afstemming meer kunst dan wetenschap is, wat een vlijende afkorting is voor constant debugben.

00:15:55.220 --> 00:15:57.040
Hier komen voorbeeld-queries van PAS.

00:15:57.240 --> 00:16:03.640
Ze zijn Fabrics antwoordopvangrails, waardoor u canonieke SQL-fragmenten kunt vastleggen voor veel voorkomende analytische doeleinden.

00:16:03.640 --> 00:16:09.240
Stel dat u weet dat de totale omzet per temperatuurcategorie altijd een dubbele join moet uitvoeren op geografie en datum.

00:16:09.380 --> 00:16:11.140
U legt dit vast als een voorbeeld-query.

00:16:11.380 --> 00:16:16.820
Wanneer gebruikers een variant van die zin vragen, slaat Copilot improvisatie over en hergebruikt uw exacte logica.

00:16:17.020 --> 00:16:23.680
Het is het AI-equivalent van het uitgeven van vooraf goedgekeurde formulieren, die elke keer correct worden ingevuld en niet vatbaar zijn voor creatieve sabotage.

00:16:23.860 --> 00:16:29.740
Na verloop van tijd kunt u een bibliotheek met deze voorbeeld-queries opbouwen, waardoor Copilot van een generalist een domeinexpert wordt.

00:16:29.740 --> 00:16:36.560
Zie het als spiergeheugen, de AI leert geleidelijk aan wat correct aanvoelt door herhaling en beperkingen, in plaats van door geniale improvisatie.

00:16:36.740 --> 00:16:39.940
Toch kunnen de slimste instructies architectonische fouten niet goedmaken.

00:16:40.120 --> 00:16:47.980
Als je data-pipeline wankelt door inconsistente medaillonlagen of ontbrekende semantiek, zijn al deze van reels slechts strenge toespraken op een zinkend schip.

00:16:48.180 --> 00:16:51.080
Instructies beperken de taal, ze kunnen geen waarheid verzinnen.

00:16:51.340 --> 00:16:57.620
Daarom is afstemming een gesloten lusarchitectuur, betrouwbaarheid, semantiek, betekenis en instructies, gehoorzaamheid.

00:16:57.620 --> 00:17:09.720
De pragmatische workflow ziet er als volgt uit, bouw schone medaillonlagen, definieer een nauwkeurig semantisch model, codeer die definities in instructies voor de databron, temper de persoonlijkheid van Copilot door middel van agentinstructies en test vervolgens onophoudelijk.

00:17:09.900 --> 00:17:13.920
Elke anomalie die je vroegtijdig detecteert, bespaart je later een boze e-mail van een manager.

00:17:14.140 --> 00:17:15.760
Dus ja, discipline is belangrijk.

00:17:15.980 --> 00:17:17.020
Het is niet glamoureus.

00:17:17.160 --> 00:17:18.200
Het is geen AI-magie.

00:17:18.200 --> 00:17:28.000
Het draait om het handhaven van regels, het verwerken van betalingen, het testen van de consistentie en af- en toe een zelfrespectcheck wanneer je AI nog steeds volhoudt dat de totale omzet gelijk is aan de bruto opbrengst plus terugbetalingen plus wonderen.

00:17:28.140 --> 00:17:31.560
Maar zodra de discipline is ingeburgerd, wordt Copilot griezelig betrouwbaar.

00:17:31.700 --> 00:17:36.300
De hallucinaties nemen af, de gevrichten gedragen zich naar behoren en je dashboard houdt op met het manipuleren van je gegevens.

00:17:36.520 --> 00:17:44.960
Je kunt de regels binnen Fabric aanpassen, maar de eerlijkheid van Copilot hangt nog steeds af van de architectuur buiten Fabric, het systemische beheer dat de waarheid in je hele dataomgeving bewaakt.

00:17:44.960 --> 00:17:49.840
En dat is precies waar we nu naartoe gaan. De systemische oplossing bouwen voor verifiëerbare waarheid.

00:17:50.040 --> 00:17:51.140
Laten we even uitzoomen.

00:17:51.360 --> 00:17:55.620
Na al het afstemmen, de synoniemen en de training van de AI in gehoorzaamheid, blijft er één harde waarheid over.

00:17:55.840 --> 00:17:58.840
De waarheid van Copilot hangt af van de integriteit van je ecosysteem.

00:17:58.980 --> 00:18:06.080
Je kunt het trainen, berispen en belonen met duidelijke verbindingen, maar als de architectuur rond Fabric data vervalsing veroorzaakt, zal de AI nog steeds beleefd liegen.

00:18:06.320 --> 00:18:13.100
Wat je nodig hebt, is een systemische oplossing, beheer, handhaving van herkomst en architectonische discipline die liegen fysiek onmogelijk maken.

00:18:13.100 --> 00:18:19.500
Op architecturaal niveau is Fabric alleen succesvol als alles erboven en eronder hetzelfde morele kompas van datahygiene deelt.

00:18:19.700 --> 00:18:21.540
Dat begint met het afdwingen van schema's.

00:18:21.720 --> 00:18:26.800
Elke dataset in uw datawarehouse en dataopslag heeft gedefinieerde sleutels, gegevenstypen en relaties nodig.

00:18:27.000 --> 00:18:29.940
Om veranderlijke contracten die beschrijven hoe entiteiten in elkaar grijpen.

00:18:30.120 --> 00:18:33.360
Een afwijking in één tabel mag niet ongemerkt doorcijpelen naar uw datalaag.

00:18:33.480 --> 00:18:38.660
In plaats daarvan detecteert schema-afdeling Winging dit als een codelinter, waardoor de data-invoer wordt gestopt totdat de definities overeenkomen.

00:18:38.660 --> 00:18:44.320
In de praktijk vertraagt dit de ontwikkeling niet, maar voorkomt het stille corruptie voordat deze zich verspreidt naar de antwoorden van Copilot.

00:18:44.620 --> 00:18:46.740
Introduceer vervolgens semantische versiebeheer.

00:18:46.940 --> 00:18:48.700
Behandel uw datamodellen als software.

00:18:48.980 --> 00:18:55.320
Telkens wanneer u een definitie wijzigt, een kolom hernoemt, een meetformule aanpast of een relatie wijzigt, verhoogt u de versie.

00:18:55.540 --> 00:19:03.220
Fabric herkent niet automatisch de filosofische impact van omzet is bruto min kortingen, wat resulteert in omzet is netto na belasting.

00:19:03.220 --> 00:19:04.700
Mensen moeten dat wel doen.

00:19:04.940 --> 00:19:10.200
Versiebeheer bewaart de herkomstgeschiedenis, waardoor u kunt traceren welke Copilot-antwoorden gebaseerd waren op verouderde semantiek.

00:19:10.420 --> 00:19:13.940
Zonder versiebeheer kunt u nooit controleren wanneer een onjuiste informatie in omloop is gekomen.

00:19:14.100 --> 00:19:15.800
Koppel handhaving nu aan documentatie.

00:19:16.020 --> 00:19:19.240
Microsoft Purview of the One Lake Data Catalogus is geen decoratie.

00:19:19.420 --> 00:19:22.420
Het is het institutionele geheugen dat schema-amnesie voorkomt.

00:19:22.840 --> 00:19:27.640
Gecertificeerde datasets in deze catalogie fungeren als de enige toegestaande bronnen voor Copilot en PowerB.

00:19:27.800 --> 00:19:31.600
Beschouw ze als notariële entiteiten, juridisch bindende weergave van de waarheid.

00:19:31.600 --> 00:19:34.900
Als een dataset niet gecertificeerd is, mag Copilot deze niet gebruiken.

00:19:35.060 --> 00:19:41.420
Door de metadata van Purview te integreren met de data-agents van Fabric, zorgt u ervoor dat elk AI-gestuurde query een verifiëerbare herkomst heeft.

00:19:41.640 --> 00:19:45.480
Wanneer iemand vraagt, waar komt dit getal vandaan, kunt u daadwerkelijk antwoord geven.

00:19:45.720 --> 00:19:49.960
Schakel Mirroring en Digital Twin Modellering in voor context continuïteit tussen systemen.

00:19:50.120 --> 00:19:57.440
Mirroring replaceert externe bronnen zoals SQL Server, Cosmos DB of PostgreSQL in real-time naar Fabric, waarbij schema en actualiteit behouden blijven.

00:19:57.580 --> 00:20:00.680
Het is Fabric's immuunsysteem tegen datavertraging en mismatch.

00:20:00.680 --> 00:20:04.160
Digital Twin Modellering, een nieuwe functie, gaat nog een stap verder.

00:20:04.360 --> 00:20:08.640
Het construeert een live digitale tegenhanger van fysieke of zakelijke omgevingen.

00:20:08.780 --> 00:20:15.140
Copilot kan deze tweelingen vervolgens bevragen en relaties begrijpen, zoals de invloed van fabrieksoutput op transportvertragingen.

00:20:15.300 --> 00:20:19.620
Hierdoor blijft de redenering gebaseerd op een gesynchroniseerde realiteit en niet op verouderde extracten.

00:20:19.760 --> 00:20:22.340
Maar zelfs de beste architectuur verschuift na verloop van tijd.

00:20:22.580 --> 00:20:28.100
Daarom voert u periodieke waarheidsaddits uit, rituele controles waarbij AI-outputs worden vergeleken met de bron van waarheid.

00:20:28.100 --> 00:20:33.780
U selecteert representatieve queries, voert ze handmatig of via opgeslagen SQL opnieuw uit hun vergelijkte resultaten.

00:20:33.960 --> 00:20:39.880
Elke afwijking duidt op architecturale entropie, corrupte verbindingen, afwijkende metingen of een verouderde herkomst.

00:20:40.060 --> 00:20:42.260
Zie het als een leugendetector test voor Copilot.

00:20:42.500 --> 00:20:48.700
Door dit elk kwartaal te doen, kunt u instructiesets en semantiek opnieuw kalibreren voordat wantrouwen escaleert tot een genante situatie in de directiekamer.

00:20:48.700 --> 00:20:55.080
Cruciaal is dat alle lagen van uw analytics stack, B, Copilot, Fabric werkruimte, gebruik maken van één enkele semantische bron.

00:20:55.620 --> 00:20:56.920
Schaduwdatasets zijn de vijand.

00:20:57.120 --> 00:21:02.280
Elke keer dat een ambitieuze afdeling een model kloont om sneller te werken, creëert dit een nieuw dialect van de waarheid.

00:21:02.440 --> 00:21:08.080
Plotseling spreken PowerB, Copilot en Excel Copilot 3 enigszins verschillende talen over hetzelfde omzetcijfer.

00:21:08.260 --> 00:21:11.600
De oplossing is afgedwongen eenheid, gecentraliseerde semantiek in één model.

00:21:11.780 --> 00:21:16.560
Het model alleen lezen beschikbaar stellen aan downstream gebruikers en beleidsnaleving koppelen aan dataset certificering.

00:21:16.560 --> 00:21:21.400
Als Johnny van de verkoopafdeling een aangepaste meetwaarde wil, onderhandelt hij via governance, niet via omwegen.

00:21:21.640 --> 00:21:23.060
Sluit ten slotte de leerlus.

00:21:23.300 --> 00:21:28.360
Governance is geen statisch papierwerk, maar een voortdurende dialoog tussen menselijke analisten en AI-agenten.

00:21:28.560 --> 00:21:33.780
Mensen stemmen af, Copilot voert uit, mensen verifiëren en Copilot verbetert door middel van bijgewerkte context.

00:21:34.020 --> 00:21:37.300
Elke iteratie leert het systeem hoe een eerlijke uitvoering eruit ziet.

00:21:37.520 --> 00:21:41.980
Na verloop van tijd wordt deze feedback onzichtbare infrastructuur, het raamwerk van nauwkeurigheid.

00:21:42.180 --> 00:21:44.940
Wanneer je deze volwassenheid bereikt, gebeurt er iets bijzonders.

00:21:44.940 --> 00:21:51.640
Copilot voelt niet langer aan als een onvoorspelbaar orakel en begint zich te gedragen als een junior-analyst, snel, consistent en afwijkend van het beleid.

00:21:51.780 --> 00:21:57.800
De illusies verdwijnen, niet omdat AI plotseling eerlijk is geworden, maar omdat oneerlijkheid niet langer in de structuur past.

00:21:57.980 --> 00:22:03.160
De waarheid bleek de weg van de minste weerstand, dus de systemische oplossing is niet klemmer, maar governance.

00:22:03.160 --> 00:22:12.860
Schema-handhaving houdt de basis op orde, semantische versiebeheer onthoudt de geschiedenis, certificering van bevoegdheden waarborg de integriteit en semantiek uit één bron behoudt de coherentie.

00:22:13.080 --> 00:22:17.520
Spiegeling verbindt de realiteit met reflectie, waarheid zal het houden, beide gesynchroniseerd.

00:22:17.720 --> 00:22:21.460
Dankzij deze elementen hoeft de Copilot niets te verzinnen, hij rapporteert simpelweg.

00:22:21.460 --> 00:22:30.540
Zodra je de waarheid structureel hebt afgedwongen, heb je het recht verdiend om inzichten te automatiseren, en dat brengt ons bij de laatste lee, machines leren de waarheid te vertellen door middel van ontwerp, niet door overreding.

00:22:30.680 --> 00:22:32.600
De Copilot leren de waarheid te vertellen.

00:22:32.800 --> 00:22:35.660
De Copilot was nooit onbetrouwbaar, hij was gehoorzaam.

00:22:35.660 --> 00:22:38.480
Hij reageerde trouw op elke chaos die je code erde.

00:22:38.680 --> 00:22:45.960
Zodra je hem een gedisciplineerde architectuur, consistente semantiek en expliciete instructies geeft, stopt hij met hallucineren, niet uit moraliteit, maar uit onvermijdelijkheid.

00:22:45.960 --> 00:22:52.660
Dit is de blijvende formule, schone medaillonlagen plus semantische discipline plus gecontroleerde instructies is verifiëerbare AI-waarheid.

00:22:52.900 --> 00:22:59.980
Elimineer dubbelzinnigheden bij de bron, documenteer de betekenis nauwkeurig, test de output regelmatig en Copilot wordt een spiegel die alleen feiten weergeeft.

00:22:59.980 --> 00:23:04.540
Als uw infrastructuur nog steeds tegenstrijdigheden vertoont, is dit het moment om deze te controleren.

00:23:04.680 --> 00:23:10.120
Handhaaf schema-contracten, certificeer datasets, beheer versiebeheer van uw semantiek en voordriemadelijkse waarheidsadgets uit.

00:23:10.260 --> 00:23:14.240
Kijk vervolgens hoe Copilot transformeert van een zelfverzekerde improvisator naar een berekenbare collega.

00:23:14.240 --> 00:23:16.620
Nauwkeurigheid is geen magie, het is onderhoud.

00:23:16.860 --> 00:23:19.960
Bouw een structuur die zo solide is dat leugens er fysiek niet doorheen kunnen.

00:23:20.220 --> 00:23:23.500
Doe dat in elke toekomstige prompt levert geen verhalen op, maar beweringen.

00:23:23.500 --> 00:23:29.220
Als dit u uren of mogelijke genante situaties heeft bespaard, beloon dan de moeite en abonneer u op de M365-show.

00:23:29.420 --> 00:23:32.560
Wij zijn gespecialiseerd in het daadwerkelijk betrouwbaar maken van Microsoft's AI.

00:23:32.740 --> 00:23:35.680
De volgende tutorial gaat nog dieper in op de nauwkeurigheidstechniek van Copilot.

00:23:35.940 --> 00:23:37.800
Efficiëntie is weggelegd voor de gedisciplineerden.

00:23:37.960 --> 00:23:38.580
Blijf kijken!
