WEBVTT

00:00:00.000 --> 00:00:29.940
Co-Pilot is niet in de war. Het is gehoorzaam. Die vrolijke Alinea die het zojuist schreef over de niet bestaande stel RQ4 groei van je bedrijf. Dat was geen fout. Het is de waarheid volgens je eigen slecht geconfigureerde data. Dit is het effect van garbage in, confident out. Microsoft Fabrics beleefde manier om te zeggen dat je je eigen leugenaar hebt getraind. Co-Pilot zal vrolijk patronen hallucineren omdat jouw tabellen zoete inconsistenties in de context van de prompt fluisterden. Dit is wat er aan de hand is. Je hebt dubbele joints, ontbrekende semantiek en halfbakken medaillonlagen die zich voordoen als de waarheid. Vervolgens roep je Co-Pilot aan en vraag je om inzicht.

00:00:30.000 --> 00:00:48.580
Het redeneert niet, het herschikt. Fabric voert het misvormde metadata en Co-Pilot geeft een lucide droom verkleed als analyse terug. Vandaag laat ik zien waarom dat gebeurt, waar je datamodel je heeft verraden en hoe je het opnieuw opbouwt zodat Co-Pilot stopt met verhalen verzinnen. Aan het einde heb je AI die accuraat, verklaarbaar en eindelijk betrouwbaar is.

00:00:48.580 --> 00:01:00.300
De illusie van intelligentie. Waarom Co-Pilot liegt. Mensen verwachten dat Co-Pilot dingen weet. Dat doet het niet. Het matcht patronen op basis van je metadata, context en het broze gevoel voor relaties dat je binnen Fabric hebt gedefinieerd.

00:01:00.460 --> 00:01:06.560
Je denkt dat je met intelligentie praat, maar in werkelijkheid praat je tegen een spiegelbeeld. Geef het ambiguïteit en het spiegelt die ambiguïteit direct terug.

00:01:06.560 --> 00:01:12.380
Alleen wat klaanzender. Dit is het echte probleem. De meeste Fabric implementaties beschouwen schemaontwerp als een bijzaak.

00:01:12.540 --> 00:01:17.640
Feit de tabellen gekoppeld op de verkeerde sleutel, inconsistent geschreven meetwaarden, beschrijvingen die volledig ontbreken.

00:01:17.820 --> 00:01:23.420
Co-Pilot leest deze chaos als een kind dat een zin zonder interpunctie leest. Het raadt gewoon waar de betekenis zou moeten zijn.

00:01:23.620 --> 00:01:32.120
Het resultaat klinkt coherent, maar is wellicht cruciaal onjuist. Stel dat je goudlaag inkomsten bevat uit de ene bron en de totale omzet uit de andere, beide ongestandardiseerd.

00:01:32.120 --> 00:01:38.900
Co-Pilot ziet vergelijkbare kolomnamen en, in zijn oneindige beleefdheid, voegt ze samen. Je vraagt, wat was de omzet het afgelopen kwartaal?

00:01:39.040 --> 00:01:45.400
Het voegt meetwaarden samen met een mismatching granulariteit, produceert een gemiddelde over incompatibele schalen en presenteert het met volste vertrouwen.

00:01:45.560 --> 00:01:49.940
De grafiek ziet er professioneel uit, de berekening is fictie. De illusie komt voort uit de toon.

00:01:50.140 --> 00:01:55.120
Natuurlijke taal voelt als begrip, maar de natuurlijke antwoorden van Co-Pilot maskeren enkel statistische nabootsing.

00:01:55.120 --> 00:02:02.360
Wanneer je een vraag stelt, valideert het model geen feiten. Het haalt patronen, waarschijnlijke joins, plausibele kolommen en verteerbare tekst op.

00:02:02.500 --> 00:02:09.300
Zonder strikte data lineage of semantische governance verzint het wat het niet kan afleiden. Het is in feite je schema met podiumpresentatie.

00:02:09.540 --> 00:02:11.120
Fabric versterkt deze illusie.

00:02:11.300 --> 00:02:17.980
Omdat data agents in Fabric context doorgeven via metadata, worden eventuele hiëten in relaties ontbrekende vreemde sleutels,

00:02:18.200 --> 00:02:22.860
niet getagde dimensies of ambiguëe namen van meetwaarden behandeld als optionele hints in plaats van verplichtingen.

00:02:22.860 --> 00:02:26.480
Het model vult die leegtes op door patroonvoltooiing, niet door logica.

00:02:26.680 --> 00:02:32.340
Bedoelde je omzet koppelen op regio en datum? Het leest misschien joinverkoop aan alles wat naar geografie ruikt.

00:02:32.520 --> 00:02:35.300
En de SQL die het genereert, werkt gewillig mee aan die onzin.

00:02:35.540 --> 00:02:38.760
Gebruikers trappen erin omdat de interface de aanvraagsyntaxis democratiseert.

00:02:38.900 --> 00:02:44.200
Je typt een zin, het geeft een visual terug. Je veronderstelt begrip, maar het model opereert in statistische mist.

00:02:44.380 --> 00:02:47.480
Hoe minder beperkingen je definieert, hoe vriendelijker de leugens worden.

00:02:47.640 --> 00:02:50.940
De belangrijkste mentale omschakeling is deze. Co-pilot is geen orakel.

00:02:50.940 --> 00:02:54.840
Het heeft geen epistemologie, geen concept van waarheid, alleen spiegels van jouw metadata.

00:02:55.160 --> 00:02:58.300
Het zet jouw datamodel om in een touwkundige waarschijnlijkheidsruimte.

00:02:58.500 --> 00:03:01.360
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 --> 00:03:08.100
En de tragedie is voorspelbaar.

00:03:08.400 --> 00:03:13.140
Directeuren nemen beslissingen op basis van fictie die gevalideerd voelt omdat het uit Microsoft Fabric komt.

00:03:13.340 --> 00:03:18.960
Als je gold laag wankelt door inconsistente transformaties, vergroot Co-pilot die wank-eling tot zelfverzekerde verhalen.

00:03:18.960 --> 00:03:21.900
De welsprekendheid van het model verhult het verval van je pipeline.

00:03:22.160 --> 00:03:23.940
Zie Co-pilot als een reflectiemachine.

00:03:24.220 --> 00:03:27.120
Zijn intelligentie begint en eindigt bij de kwaliteit van je schema.

00:03:27.380 --> 00:03:33.140
Als je joints scheef zijn, je lineage gebroken of je semantiek onduidelijk, reflecteert het onzekerheid als zekerheid.

00:03:33.300 --> 00:03:37.340
En daarom begint de remedie niet bij prompt engineering, maar bij architecturale hygiëne.

00:03:37.520 --> 00:03:42.100
Dus als Co-pilot slechts zo waarheidsgetrouw is als je architectuur, laten we dan ontleden waar het verval begint.

00:03:42.100 --> 00:03:44.700
De medaille mythe, wanneer brons goud vervuilt.

00:03:44.860 --> 00:03:51.360
Elke data engineer reciteert de medaille architectuur als een heilig schrift, brons, zilver, goud, rauw, verfijnd, betrouwbaar.

00:03:51.520 --> 00:03:59.040
In theorie is het een pelgrimstocht van gaals naar helderheid, waarbij elke laag dubbelzinnigheid wegpoetst totdat data zijn aureool van waarheid verdient.

00:03:59.400 --> 00:04:07.200
In de praktijk bouwen de meesten een glijbaan waarbij rauwe inconsistentie een sneltreinrit maakt van brons naar goud, zonder enige reiniging tussendoor.

00:04:07.200 --> 00:04:14.520
Laten we onderaan beginnen. Brons is je landingzone, parquetbestanden, CSV's, IOT-inname, het fossiele archief van je organisatie.

00:04:14.680 --> 00:04:17.220
Het hoeft niet mooi te zijn, alleen volledig vastgelegd.

00:04:17.320 --> 00:04:20.680
Toch vergeten mensen dat brons een quarantaine is, geen actief ingrediënt.

00:04:20.900 --> 00:04:28.440
Wanneer die rauwe smurrie naar boven sijpelt door luie shortcuts, directe queries of ontbrekende transformatielogica, geeft je Co-pilot onbehandelde ruis als context.

00:04:28.700 --> 00:04:33.540
Ja, het zal hallucineren. Daar is een goede reden voor, je gaf het een droomdagboek en vroeg om een audit.

00:04:33.540 --> 00:04:42.140
Zilver is bedoeld om dat slip te verfijnen. Hier sterven duplicaten, lijnen schema's uit, komen datatypen of er een en zijn universele sleutels het eindelijk eens over wat een klant is.

00:04:42.320 --> 00:04:49.520
Maar kijk naar de meeste Fabric-opstellingen en zilver is een slap excuus, snelle joins, fragiele look-ups, ongedocumenteerde conversies.

00:04:49.720 --> 00:04:52.400
Het excuus is altijd hetzelfde, we lossen het wel op in goud.

00:04:52.620 --> 00:04:55.900
Dat staat gelijk aan grammatica corrigeren door het woordenboek pas achteraf te publiceren.

00:04:56.100 --> 00:04:58.980
Tegen de tijd dat je goud bereikt, ontstaat de illusie van vertrouwen.

00:04:58.980 --> 00:05:03.960
Alles in goud ziet er analytisch uit, schone tabellen, zakelijke namen, dashboards vol zelfvertrouwen.

00:05:04.120 --> 00:05:10.720
Maar daaronder heb je niet passende conversies, niet gesynchroniseerde tijdstempels en ID-botsingen gestapeld die terugleiden naar brons.

00:05:10.960 --> 00:05:17.860
Fabrics metadata traceert die relaties automatisch en raadt eens op welke relaties Copilot vertrouwt bij het interpreteren van natuurlijke taal.

00:05:17.900 --> 00:05:21.180
Op allemaal. Dus als de lineage ligt, erft het model bedrog.

00:05:21.360 --> 00:05:22.740
Hier is een praktijkscenario.

00:05:23.080 --> 00:05:25.700
Je hebt transactiegegevens uit twee bookingsystemen.

00:05:25.700 --> 00:05:28.500
Beiden voeden brons met licht afwijkende sleutelformaten.

00:05:28.740 --> 00:05:31.540
De ene gebruikt de nummeriek reis-ID, de andere mengt letters.

00:05:31.800 --> 00:05:36.760
In zilver heeft iemand ze samengevoegd via een inner join op ingekorte subreeks een om ze te standaardiseren.

00:05:36.920 --> 00:05:41.200
Technisch gezien heb je verenigde data, semantisch gezien heb je enkel spookmatches gecreëerd.

00:05:41.400 --> 00:05:46.960
Nu berekent Copilot vol vertrouwen de gemiddelde reisopbrengst, inclusief transacties uit totaal verschillende contexten.

00:05:47.100 --> 00:05:51.040
Het is precieze onzin, correcte syntaxis, gefabriceerde semantiek.

00:05:51.200 --> 00:05:55.000
Dit is de medaillon mythe, het idee dat lagen automatisch zuiverheid opleveren.

00:05:55.000 --> 00:05:58.020
Lagen zijn slechts zo waarheidsgetrouw als de discipline erbinnen.

00:05:58.180 --> 00:06:00.200
Brons hoort ruwe entropie bloot te leggen.

00:06:00.400 --> 00:06:02.080
Zilver moet ontsmetting afdwingen.

00:06:02.220 --> 00:06:05.080
Goud moet gecertificeerde bedrijfslogica vertegenwoordigen.

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

00:06:08.280 --> 00:06:11.320
Verbreek die keten en je vervangt verfijning door recursieve vervuiling.

00:06:11.480 --> 00:06:13.260
Copilot weet hier uiteraard niets van.

00:06:13.460 --> 00:06:17.260
Het neemt alles wat het fabric model als lineage presenteert aan als causaliteit.

00:06:17.460 --> 00:06:22.760
Als een kolom in goud verwijst naar een hybride van drie inconsistente bronnen, ziet de AI1-concept.

00:06:22.760 --> 00:06:25.060
Vraag, waarom stegen de verkopen in maart?

00:06:25.220 --> 00:06:29.200
Het genereert vrolijk SQL die aggregeert over elk record gelabeld als maart, over regio's,

00:06:29.380 --> 00:06:32.920
valuta's en tijdzones heen, omdat je zilver nooit hebt opgedragen die grenzen te bewaken.

00:06:33.100 --> 00:06:34.000
De AI ligt niet.

00:06:34.200 --> 00:06:37.060
Hij vertaalt jullie collectieve nalatigheid naar vloeiende fictie.

00:06:37.300 --> 00:06:39.420
Daarom is dataherkomst geen optionele metadata.

00:06:39.840 --> 00:06:41.380
Het is de GPS van Copilot.

00:06:41.620 --> 00:06:46.540
Elke transformatie, elke join, elke definitie van een meetwaarde is een kruimelspoort terug naar je bron van waarheid.

00:06:46.740 --> 00:06:51.240
Fabric volgt lineage visueel, maar lineage zonder validatie is als een kaart getekend met potlood.

00:06:51.240 --> 00:06:53.880
De AI leest die vage lijnen als de absolute waarheid.

00:06:54.060 --> 00:06:55.540
Dus, dwing validatie af.

00:06:55.700 --> 00:06:58.460
Voer tussen brons en zilver geautomatiseerde schematests uit.

00:06:58.640 --> 00:06:59.600
Komen idees overeen?

00:06:59.780 --> 00:07:01.020
Worden nauwwaarden afgehandeld?

00:07:01.220 --> 00:07:02.400
Zijn datatypes consistent?

00:07:02.800 --> 00:07:04.700
Implementeer join-addits tussen zilver en goud.

00:07:05.040 --> 00:07:06.520
Verifieer één-op-één verwachtingen.

00:07:06.740 --> 00:07:10.380
Monitor aggregatieafwijkingen en controleer de continuïteit van lineage op kolomniveau.

00:07:10.560 --> 00:07:12.240
Dit zijn geen bureaucratische rituelen.

00:07:12.400 --> 00:07:14.740
Het zijn overlevingstools voor AI nauwkeurigheid.

00:07:14.740 --> 00:07:19.520
Wanneer de query van Copilot door lagen loopt die je hebt geverifieerd, erft hij discipline in plaats van wanwoorden.

00:07:19.700 --> 00:07:20.760
De ironie is heerlijk.

00:07:20.920 --> 00:07:26.020
Je wilde dat Copilot analyse automatiseerde, maar de basis waarvan hij afhankelijk is vereist nog steeds ouderwetse hygiëne.

00:07:26.200 --> 00:07:27.880
Rommel erin, zelfvertrouwen eruit.

00:07:28.120 --> 00:07:33.600
Zolang je architectuur niet als morele filosofie behandelt en verfijning als een plicht in plaats van een suggestie, zul je nooit eerlijke AI hebben.

00:07:33.860 --> 00:07:39.500
Zelfs met perfecte lagen kan Copilot nog struikelen, want weten welke data er is, betekent niet dat je weet wat het betekent.

00:07:39.500 --> 00:07:45.880
Een perfecte pijplijn kan een semantisch leeg model voeden, wat ons bij de ontbrekende vertaler brengt tussen cijfers en betekenis.

00:07:46.020 --> 00:07:48.820
De semantische laag, het brein dat je data vergat te bouwen.

00:07:49.020 --> 00:07:52.320
Het ontbrekende brein, semantische lagen en een tekort aan context.

00:07:52.640 --> 00:07:55.900
Dit is waar de meeste fabric implementaties letterlijk hun verstand verliezen.

00:07:56.080 --> 00:08:00.900
De semantische laag is het brein van je datamodel, maar veel organisaties behandelen het als een decoratief randje.

00:08:01.080 --> 00:08:03.920
Ze denken dat als tabellen bestaan, de betekenis vanzelf volgt.

00:08:04.120 --> 00:08:04.440
Fout.

00:08:04.660 --> 00:08:06.980
Tabellen zijn het geheugen, semantiek is het begrip.

00:08:06.980 --> 00:08:11.560
Zonder die laag leest Copilot cijfers als een toerist die straatnaambordjes in een vreemde taal leest.

00:08:11.760 --> 00:08:14.320
Fonetisch, zelfverzekerd en volledig zonder context.

00:08:14.580 --> 00:08:15.940
Laten we het goed definiëren.

00:08:16.140 --> 00:08:21.020
Het semantische model in Fabric vertelt Copilot wat je data betekent, niet alleen hoe het heet.

00:08:21.160 --> 00:08:24.500
Het is het woordenboek dat colon labels vertaalt naar bedrijfslogica.

00:08:24.720 --> 00:08:27.760
Omzet wordt de som van verkopen exclusief terugbetalingen.

00:08:28.340 --> 00:08:31.660
Klant wordt de unieke kopers idee over fiscale jaargrenzen heen.

00:08:31.900 --> 00:08:35.400
Zonder dit model behandelt Copilot deze woorden slechts als toevallige tokens.

00:08:35.400 --> 00:08:40.460
Je vraagt misschien om de totale verkoop en krijgt de ene dag bruto inkomsten en de volgende dag netto omzet.

00:08:40.600 --> 00:08:43.200
Het is niet wispelturig, het is touwkundig stuurloos.

00:08:43.380 --> 00:08:48.360
De waarheid, een semantisch model fungeert als een tweetalige tolk tussen menselijke taal en DAX of SQL logica.

00:08:48.560 --> 00:08:50.520
Het brengt intentie op één lijn met berekeningen.

00:08:50.780 --> 00:08:52.620
Wanneer het ontbreekt, moet Copilot gokken.

00:08:52.780 --> 00:08:55.080
En grote taalmodellen zijn berucht trotse gokkers.

00:08:55.300 --> 00:08:57.400
Ze assembleren waarschijnlijke joins in plaats van nauwkeurige...

00:08:57.920 --> 00:09:00.280
...en ze vertrouwen kolomnamen veel meer dan jouw bedrijfsdefinities.

00:09:00.280 --> 00:09:02.880
In het ene model verwijst boekingen naar reserveringen.

00:09:03.040 --> 00:09:04.780
In het andere telt het voltooide reizen.

00:09:05.000 --> 00:09:06.560
Voor Copilot zijn dat synonieme.

00:09:06.720 --> 00:09:09.560
Je vroeg net om boekingen per kwartaal en het gaf je ze allebei.

00:09:09.740 --> 00:09:10.380
Efficiënt fout.

00:09:10.660 --> 00:09:12.060
Vergelijk twee architecturen.

00:09:12.300 --> 00:09:14.960
In een kaal data warehouse kijkt Copilot direct in tabellen.

00:09:15.140 --> 00:09:16.680
Het ziet datum, bedrag, type.

00:09:16.940 --> 00:09:18.860
Mooie zelfstandige naamwoorden, nul context.

00:09:19.100 --> 00:09:20.600
Het zoekt vervolgens naar patronen.

00:09:20.760 --> 00:09:21.900
Verkoop is gelijk aan bedrag.

00:09:22.040 --> 00:09:24.820
Per regio is gelijk aan welk veld dan ook dat naar geografie ruikt.

00:09:25.000 --> 00:09:27.720
In een semantisch model zijn die velden echter geciviliseerd.

00:09:27.720 --> 00:09:32.380
Verkoopbedrag bevat een DAX maatstaf die de scope, valuta en aggregatielogica definieert.

00:09:32.580 --> 00:09:34.840
Regio heeft expliciet vastgelegde relaties.

00:09:35.060 --> 00:09:38.140
Dus, wanneer je diezelfde vraag stelt, tast Copilot niet in het duister.

00:09:38.320 --> 00:09:40.380
Het bewandelt een verlicht pad dat jij hebt geplavijd.

00:09:40.580 --> 00:09:43.920
Fabrics 2025 gereedschapskist geeft je hier zelfs wapens voor.

00:09:44.140 --> 00:09:47.700
Direct leek voor modellering met lage latentie, DAX voor maatstaflogica,

00:09:47.960 --> 00:09:51.920
synonieme voor touwkundige flexibiliteit en berekeningsgroepen voor consistentie.

00:09:52.120 --> 00:09:54.160
Zie synoniemen als een elastische woordenschat.

00:09:54.160 --> 00:09:57.320
Als gebruikers spreken van netto inkomen, maar jouw maatstaf is winst,

00:09:57.320 --> 00:09:58.380
dan hernoem je de kolom niet.

00:09:58.560 --> 00:09:59.920
Je leert Copilot de vertaling.

00:10:00.480 --> 00:10:02.200
Berekeningsgroepen dwingen vervolgens grammatica af,

00:10:02.380 --> 00:10:05.360
zodat tijdintelligentie of valuta-omrekening een uniform worden toegepast.

00:10:05.600 --> 00:10:07.940
Samen vormen ze het basissysteem van het taalmodel.

00:10:08.120 --> 00:10:10.320
Maar weinigen nemen de moeite om dit goed in te richten.

00:10:10.500 --> 00:10:14.180
Ze dumpen tabellen in Fabric en gaan ervan uit dat de AI van Copilot nuances begrijpt.

00:10:14.420 --> 00:10:15.560
Spoiler, dat doet het niet.

00:10:15.740 --> 00:10:18.680
Het model leidt je KPIs niet af uit morele overtuiging.

00:10:18.860 --> 00:10:20.640
Het leidt ze af uit metadata-tags.

00:10:20.640 --> 00:10:24.640
Als je maatstaven niet hebt gelabeld, relaties niet hebt beschreven of de berekeningsvolgorde niet hebt gespecificeerd,

00:10:25.380 --> 00:10:26.540
gaat Copilot improviseren.

00:10:27.320 --> 00:10:30.580
De informatie is charmant in jazzclubs, maar rampzalig in bedrijfsanalyses.

00:10:30.740 --> 00:10:32.240
Dus, hoe dwing je semantiek af?

00:10:32.400 --> 00:10:34.340
Begin met het olde ten van je modelwoordenschat.

00:10:34.520 --> 00:10:38.640
Elke maatstaf heeft een consistente definitie nodig, centraal opgeslagen en universeel verwezen.

00:10:38.860 --> 00:10:41.160
Weersta de verleiding om kolommen per rapport te hernoemen.

00:10:41.400 --> 00:10:43.980
Gebruik in plaats daarvan aliassen in de semantische laag.

00:10:44.140 --> 00:10:49.420
Bouw berekeningsgroepen voor alle algemene logica, zoals totale tot op heden, voortschrijdende gemiddelden en wisselkoersen.

00:10:49.420 --> 00:10:54.080
Voeg vervolgens synoniemen toe, zodat de natuurlijke taal-engine van Copilot niet zijn eigen correlaties verzint.

00:10:54.240 --> 00:10:57.060
Verbind nu semantiek met de instructiearchitectuur van Copilot.

00:10:57.280 --> 00:11:01.260
Fabric biedt twee niveaus van controle, instructies voor gegevensbronnen en agentinstructies.

00:11:01.440 --> 00:11:06.240
Instructies voor gegevensbronnen verduidelijken schema-specifieke zaken, joints, verwijzingen naar maatstaven en voorkeursnamen,

00:11:06.400 --> 00:11:08.880
terwijl agentinstructies de toon, het formaat en de beperkingen bepalen.

00:11:09.100 --> 00:11:12.960
Deze werken samen via grounding prompts die volledig afhankelijk zijn van semantische afstemming.

00:11:12.960 --> 00:11:19.880
Als je semantische model de totale verkoop duidelijk definieert, kunnen gegevensbroninstructies die definitie afdwingen wanneer Copilot een SQL-query schrijft.

00:11:20.020 --> 00:11:24.020
De agentinstructie zorgt ervoor dat de reactie beknopt, in tabelvorm of samengevat blijft.

00:11:24.020 --> 00:11:29.640
Combineer ze en je vervangt chaos door protocol. Zonder semantiek is elk antwoord van Copilot een improvisatie.

00:11:29.840 --> 00:11:35.060
Met semantiek wordt elk antwoord bewijslast. Je bent geen prompts aan het fine-tunen, je bent logica aan het onderwijzen.

00:11:35.280 --> 00:11:40.600
Zodra je Copilot een consistent woordenboek geeft, stijgt de nauwkeurigheid omdat onzekerheid nergens meer kan schuilen.

00:11:40.800 --> 00:11:45.540
Nu Copilot de taal begrijpt, gaan we het discipline leren, de gedragsregels die het eerlijk houden.

00:11:45.780 --> 00:11:48.700
Discipline voor machines, gegevens en agentinstructies.

00:11:48.860 --> 00:11:52.480
Copilot begrijpt eindelijk je woordenschat, maar heeft nog steeds manieren nodig.

00:11:52.760 --> 00:11:55.560
Semantiek leert betekenis, instructies leren gedrag.

00:11:55.720 --> 00:12:01.980
En in Microsoft Fabric worden die gedragingen gevormd via twee verschillende lijnen instructies voor gegevensbronnen en agentinstructies.

00:12:02.160 --> 00:12:05.320
De een structureert de hond, de ander traint hem om niet op de meubels te kauwen.

00:12:05.520 --> 00:12:08.640
Begin met instructies voor gegevensbronnen, de schema specifieke geboden.

00:12:08.880 --> 00:12:12.980
Deze liggen het dichtst bij de data en vertellen Copilot precies hoe je model geïnterpreteerd moet worden.

00:12:12.980 --> 00:12:17.500
Herinner je je de eerdere chaos met weer joins nog? Instructies voor gegevensbronnen zijn waar je dat oplost.

00:12:17.640 --> 00:12:22.800
Je specificeert dat temperatuur en neerslaggegevens gekoppeld moeten worden op basis van de ophoudgeografie-ID en de datum-ID.

00:12:23.060 --> 00:12:25.740
Dit haalt het gissen uit het model en vervangt het door verplichting.

00:12:25.960 --> 00:12:32.440
Fabric leest die declaraties telkens wanneer Copilot SQL of DAX opstelt, zodat elke query via de juiste sleutels verloopt.

00:12:32.660 --> 00:12:38.040
Zie ze als de relationele grondwet, onveranderlijke juridische teksten die bepalen hoe entiteiten verbinding mogen maken.

00:12:38.300 --> 00:12:41.260
Deze instructies verwerken ook synoniemen en maatstafdefinities.

00:12:41.260 --> 00:12:45.940
Stel dat je analisten termen als totale verkoop, eerlijk bedrag en bruto ontvangsten door elkaar gebruiken.

00:12:46.100 --> 00:12:48.440
Voor mensen betekenen die allemaal min of meer hetzelfde.

00:12:48.600 --> 00:12:51.380
Voor Copilot zijn het afzonderlijke variabelen die om aandacht strijden.

00:12:51.580 --> 00:12:54.100
Onder de instructies voor de gegevensbron breng je ze op één lijn.

00:12:54.280 --> 00:12:57.460
Wanneer totale verkoop wordt genoemd, gebruik dan het totale eerlijke bedrag.

00:12:57.660 --> 00:13:00.820
Nu stopt je AI met semantische roulette en begint consistent te antwoorden.

00:13:01.060 --> 00:13:04.400
Ze kunnen zelfs groeperingslogica definiëren voor categorische analyses.

00:13:04.780 --> 00:13:08.620
Wanneer een gebruiker vraagt naar verkoop per temperatuur, kun je bereiken vooraf definiëren.

00:13:08.620 --> 00:13:15.100
Onder 32 graden staat gelijk aan vriespunt, tot 53 koud, 53 tot 72 mild, enzovoort.

00:13:15.300 --> 00:13:20.040
Zonder dat geeft Copilot eindeloze numerieke waarden terug, waardoor de gebruiker verdringt in details.

00:13:20.340 --> 00:13:25.900
Door deze categorieën direct in je instructies in te sluiten, creëer je voorspelbare aggregatie en reproduceerbare logica.

00:13:26.120 --> 00:13:29.620
Wat je hier eigenlijk doet, is latente metadata omzetten in expliciete regels.

00:13:29.820 --> 00:13:34.520
De dataagent van Fabric verwerkt deze voordat queries worden geconstrueerd, waarbij ze als onfrikbare waarheid worden behandeld.

00:13:34.680 --> 00:13:37.780
Het ontbreken ervan is de reden waarom eerdere queries vertekende resultaten gaven.

00:13:37.780 --> 00:13:40.700
Het genereert de volkomen geldige SQL voor de verkeerde vraag.

00:13:40.840 --> 00:13:46.460
Met correct geschreven data-instructies blijven de queries van Copilot verankerd in bedrijfsregels in plaats van touwkundige waarschijnlijkheid.

00:13:46.660 --> 00:13:50.940
Laten we nu een laag hoger gaan naar agent-instructies, de etikettencursus voor LLM-gedrag.

00:13:51.100 --> 00:13:56.540
Terwijl instructies voor gegevensbronnen Copilot vertellen wat de data betekent, bepalen agent-instructies hoe het moet reageren.

00:13:56.700 --> 00:13:59.700
Ze definiëren presentatie, stijl en analytische rijkwijten.

00:13:59.900 --> 00:14:02.980
Je kunt instrueren, vat altijd samen met een beknopte tabel.

00:14:02.980 --> 00:14:06.840
Of verduidelijk bij meerdere bronnen de herkomst voor aggregatie.

00:14:07.360 --> 00:14:12.400
In wezen transformeer je Copilot van een overijverige stagiair naar een gedisciplineerde analist.

00:14:12.620 --> 00:14:16.240
Denk aan de regel voor de top 5 rijen uit het afstemmen van de data-agent.

00:14:16.440 --> 00:14:22.060
In plaats van duizenden records terug te geven, zeg je, toon alleen de top 5, tenzij de gebruiker anders verzoekt.

00:14:22.260 --> 00:14:27.360
De AI dwingt beknoptheid af, waardoor de gemiddelde manager niet door een databoekwerk hoeft te scrollen.

00:14:27.360 --> 00:14:32.180
Nog een nuttige richtlijn, geef altijd een samenvatting bovenaan elk antwoord.

00:14:32.900 --> 00:14:34.760
Dit fungeert als metacommentaar.

00:14:34.900 --> 00:14:41.120
Copilot legt uit wat het laat zien, zodat gebruikers kunnen verifiëren of maatstaven, joints en filters overeenkomen met de verwachtingen.

00:14:41.300 --> 00:14:45.760
Het verandert onzichtbare redeneringen in zichtbare bevestiging, wat cruciaal is voor vertrouwen.

00:14:46.000 --> 00:14:46.980
Let op het samenspel.

00:14:47.240 --> 00:14:50.960
Data-instructies bepalen de feiten, agent-instructies bepalen de toon.

00:14:51.200 --> 00:14:53.400
Samen vormen ze de ethische code van Copilot.

00:14:53.400 --> 00:14:57.800
De data-agent combineert deze tot een samengestelde prompt telkens wanneer een vraag wordt beantwoord.

00:14:57.940 --> 00:14:59.580
Het taalmodel improviseert niet.

00:14:59.740 --> 00:15:01.860
Het conditioneert zichzelf via jouw regels.

00:15:02.080 --> 00:15:03.540
Nu komt governance om de hoek kijken.

00:15:03.820 --> 00:15:06.780
Deze instructies kunnen niet in anarchistische individuele kopieën leven.

00:15:06.980 --> 00:15:12.640
Als elke Fabric-gebruiker synonieme naar eigen smaak aanpast, herintroduceer je de babel die je maandenlang hebt geëlimineerd.

00:15:12.800 --> 00:15:16.900
Je krijgt vijf definities voor winst en nul overeenstemming tijdens kwartaalbeoordelingen.

00:15:17.400 --> 00:15:18.620
Centraliseer instructiesets.

00:15:18.620 --> 00:15:24.340
Publiceer ze via de beheerwerkruimte van Fabric, valideer ze via peer review en vergrendel ze met versiebeheer.

00:15:24.820 --> 00:15:27.740
Flexibiliteit zonder governance is rebellievermond als innovatie.

00:15:27.980 --> 00:15:31.120
Natuurlijk vervallen zelfs deze regels als je ze nooit controleert.

00:15:31.320 --> 00:15:34.780
De slimme aanpak is om instructiekwaliteit als codekwaliteit te behandelen.

00:15:35.000 --> 00:15:37.100
Test na elke wijziging het gedrag van Copilot.

00:15:37.400 --> 00:15:39.600
Stel twee keer dezelfde vraag na het wissen van de cache.

00:15:39.760 --> 00:15:41.540
Kijk of het dezelfde SQL herhaalt.

00:15:41.760 --> 00:15:43.120
Onderzoek de gegenereerde queries.

00:15:43.120 --> 00:15:46.240
Zorg dat ze de afgedwongen joins en juiste maatstaven reflecteren.

00:15:46.400 --> 00:15:48.980
Als de output afwijkt, bekijk dan je instructies opnieuw.

00:15:49.140 --> 00:15:55.140
Zelfs de technici van Microsoft geven toe dat deze tuning meer kunst dan wetenschap is, wat een vleiende afkorting is voor constant debuggen.

00:15:55.280 --> 00:15:57.100
Hier schieten voorbeeldqueries je te hulp.

00:15:57.280 --> 00:16:03.780
Zij zijn het antwoord van Fabric opvangrails, waarmee je kanonieke SQL-fragmenten kunt vastleggen voor veel voorkomende analytische intenties.

00:16:04.040 --> 00:16:09.200
Stel dat je weet dat de totale omzet per temperatuur bucket altijd een dubbele join op geografie en datum moet uitvoeren.

00:16:09.380 --> 00:16:11.180
Je legt dat vast als een voorbeeldquery.

00:16:11.180 --> 00:16:16.900
Wanneer gebruikers een variatie van die zin vragen, ontstelt Copilot improvisatie en hergebruikt het jouw exacte logica.

00:16:17.100 --> 00:16:23.540
Het is het AI-equivalent van het verstrekken van vooraf goedgekeurde formulieren, telkens correct ingevuld, ongeschikt voor creatieve sabotage.

00:16:23.780 --> 00:16:29.180
Na verloop van tijd kun je een bibliotheek van deze voorbeeldcuries opbouwen, waardoor Copilot verandert van een generalist in een domeinexpert.

00:16:29.960 --> 00:16:31.100
Zie het als spiergeheugen.

00:16:31.320 --> 00:16:36.540
De AI leert geleidelijk wat correct aanvoelt door herhaling en beperking, in plaats van door vrije genialiteit.

00:16:36.720 --> 00:16:39.960
Toch kunnen de slimste instructies architecturale fouten niet goedmaken.

00:16:39.960 --> 00:16:48.020
Als je datapijplijn wankelt onder inconsistente medaillenlagen of ontbrekende semantiek, zijn al deze van rails als strenge toespraken op een zinkend schip.

00:16:48.100 --> 00:16:51.020
Instructies beperken taal, ze kunnen geen waarheid uitvinden.

00:16:51.280 --> 00:16:52.680
Daarom is Toeningen gesloten lus.

00:16:52.820 --> 00:16:57.300
Architectuur bepaalt betrouwbaarheid, semantiek bepaalt betekenis en instructies bepalen gehoorzaamheid.

00:16:57.460 --> 00:16:59.700
De pragmatische workflow ziet er als volgt uit.

00:16:59.700 --> 00:17:09.600
Bouw schone medaillenlagen, definieer een nauwkeurig semantisch model, codeer die definities in databron instructies, temper de persoonlijkheid van Copilot via agentinstructies en test onophoudelijk.

00:17:09.760 --> 00:17:13.680
Elk anomalie die je vroeg detecteert, bespaart je later de boze e-mail van een leidinggevende.

00:17:13.900 --> 00:17:15.620
Dus, ja, discipline is belangrijk.

00:17:15.820 --> 00:17:16.900
Het is niet glamoureus.

00:17:17.080 --> 00:17:18.280
Het is geen AI-magie.

00:17:18.460 --> 00:17:28.020
Het is regelhandhaving, cash-wissen, consistentietests en de incidentele zelfwaarderingstest wanneer je AI nog steeds volhoudt dat totale omzet gelijk is aan bruto winst plus terugbetalingen plus wonderen.

00:17:28.020 --> 00:17:31.600
Maar zodra de discipline beklijft, wordt Copilot griezelig betrouwbaar.

00:17:31.740 --> 00:17:36.200
De hallucinaties nemen af, de joints gedragen zich en je dashboard stoppen met je te misleiden.

00:17:36.380 --> 00:17:45.020
Je kunt de regels binnen Fabric aanpassen, maar de eerlijkheid van Copilot hangt af van de architectuur buiten Fabric, het systemische beheer dat toeziet op de waarheid in je hele datalandschap.

00:17:45.180 --> 00:17:46.880
En dat is precies waar we nu naartoe gaan.

00:17:47.080 --> 00:17:50.040
Het systemische medicijn bouwen voor verifiëerbare waarheid.

00:17:50.280 --> 00:17:51.160
Laten we uitzoomen.

00:17:51.400 --> 00:17:55.460
Na alle tune, synoniemen en AI-gehoorzaamheidstraining blijft er één hard feit.

00:17:55.460 --> 00:17:58.900
De waarheid van Copilot hangt af van de integriteit van je ecosysteem.

00:17:59.040 --> 00:18:05.880
Je kunt het trainen, berispen en belonen, maar als de architectuur rondom Fabric datacorruptie toelaat, zal de AI nog steeds beleefd liegen.

00:18:06.120 --> 00:18:13.180
Wat je nodig hebt is een systemisch medicijn, governance, afdeling, winging van herkomst en architecturale discipline die liegen fysiek onmogelijk maken.

00:18:13.380 --> 00:18:19.460
Op architecturaal niveau slaagt Fabric alleen als alles erboven en eronder hetzelfde morele kompas van datahygiene deelt.

00:18:19.640 --> 00:18:21.580
Dat begint bij het afdwingen van schema's.

00:18:21.580 --> 00:18:26.760
Elke dataset in je lakehouse en warehouse heeft gedefinieerde sleutels, datatypes en relaties nodig.

00:18:26.940 --> 00:18:30.020
Om veranderlijke contracten die beschrijven hoe entiteiten in elkaar grijpen.

00:18:30.180 --> 00:18:33.500
Een afwijking in één tabel mag niet ongemerkt doorwerken naar je goldlaag.

00:18:33.700 --> 00:18:38.500
Schema afdeling winging vangt dit op als een code linter en stopt de opname totdat de definities weer kloppen.

00:18:38.660 --> 00:18:40.720
In de praktijk vertraagt dit de ontwikkeling niet.

00:18:40.840 --> 00:18:44.300
Het voorkomt stille corruptie voordat het doorcijpelt in de antwoorden van Copilot.

00:18:44.660 --> 00:18:46.760
Introduceer vervolgens semantische versiebeheer.

00:18:46.760 --> 00:18:48.720
Behandel je datamodellen als software.

00:18:48.920 --> 00:18:55.280
Elke keer dat je een definitie wijzigt, een kolom hernoemt, een formule aanpast of een relatie verandert, verhoog je de versie.

00:18:55.500 --> 00:19:03.260
Fabric herkent niet automatisch de filosofische impact als omzet is bruto minus kortingen veranderd in omzet is netto na belasting.

00:19:03.760 --> 00:19:04.660
Dat moeten mensen doen.

00:19:04.920 --> 00:19:10.460
Versiebeheer bewaart de herkomstgeschiedenis, waardoor je kunt achterhalen welke Copilot antwoorden gebaseerd waren op verouderde semantiek.

00:19:10.700 --> 00:19:13.620
Zonder dit kun je nooit controleren wanneer een leugen in omloop is gekomen.

00:19:13.820 --> 00:19:15.920
Koppel nu de afdeling winging aan documentatie.

00:19:15.920 --> 00:19:19.220
Microsoft Purview of de One Lake Data Catalogus is geen behang.

00:19:19.380 --> 00:19:22.420
Het is het institutionele geheugen dat schema-amnesie voorkomt.

00:19:22.880 --> 00:19:27.720
Gecertificeerde datasets in deze catalogie fungeren als de enige toegestaande bronnen voor Copilot en Power BI.

00:19:27.940 --> 00:19:31.460
Zie ze als notariele actes, juridisch bindende weergave van de waarheid.

00:19:31.620 --> 00:19:35.020
Als een dataset niet gecertificeerd is, zou Copilot deze niet mogen aanraken.

00:19:35.220 --> 00:19:41.380
Door Purview metadata te integreren met Fabric Data Agents, zorg je dat elk AI-gestuurde query een verifiëerbare herkomst heeft.

00:19:41.380 --> 00:19:45.480
Wanneer iemand vraagt, waar komt dit getal vandaan, kun je daadwerkelijk antwoord geven.

00:19:45.720 --> 00:19:50.060
Schakel voor contextuele continuïteit tussen systemen Mirroring en Digital Twin Modellering in.

00:19:50.240 --> 00:19:56.680
Mirroring replaceert externe bronnen zoals SQL Server, Cosmos DB of PostgreSQL in real-time naar Fabric met behoud van schema en actualiteit.

00:19:57.520 --> 00:20:00.680
Het is het immuunsysteem van Fabric tegen datalatentie en discrepanties.

00:20:00.920 --> 00:20:04.340
Digital Twin Modellering, onlangs geïntroduceerd, gaat nog een stap verder.

00:20:04.580 --> 00:20:08.580
Het bouwt een live digitale tegenhanger van fysieke of zakelijke omgevingen.

00:20:08.580 --> 00:20:15.240
Copilot kan vervolgens deze tweelingen bevragen en relaties begrijpen, zoals hoe fabrieksproductie transportvertragingen beïnvloedt.

00:20:15.300 --> 00:20:19.480
Dit houdt de redenering gebaseerd op gesynchroniseerde realiteit, niet op verouderde gegevens.

00:20:19.680 --> 00:20:22.340
Maar zelfs de beste architectuur verwatert na verloop van tijd.

00:20:22.580 --> 00:20:28.080
Daarom voer je periodieke waarheidsadits uit rituele controles waarbij AI-outputs worden getoetst aan de bron van waarheid.

00:20:28.240 --> 00:20:33.760
Je kiest representatieve queries, voert ze handmatig of via opgeslagen SQL opnieuw uit en vergelijkt de resultaten.

00:20:33.760 --> 00:20:39.900
Elke afwijking duidt op architecturale entropie, corrupte verbindingen, verlopen maatstaven of verouderde herkomst.

00:20:40.060 --> 00:20:42.300
Zie het als een leugendetector test voor Copilot.

00:20:42.520 --> 00:20:48.800
Als je dit per kwartaal doet, kun je instructiesets en semantiek opnieuw kalibreren voordat wantrouwen uitmondt in genante situaties in de bestuurskamer.

00:20:49.040 --> 00:20:54.980
Cruciaal is dat alle lagen van je analytics, stack, bie, copilot en fabric werkruimte uit één semantische bron moeten putten.

00:20:55.580 --> 00:20:56.860
Schaduwdatasets zijn de vijand.

00:20:56.860 --> 00:21:02.300
Elke keer dat een ambitieuze afdeling een model kloomt om sneller te werken, creëert het een nieuw dialect van de waarheid.

00:21:02.440 --> 00:21:08.060
Plotseling spreken PowerBee, Copilot en Excel Copilot 3 ligt verschillende talen over hetzelfde omzetcijfer.

00:21:08.260 --> 00:21:16.580
De oplossing is afgedwongen eenheid, gecentraliseerde semantiek in één model, alleen lezen blootgesteld aan downstream gebruikers en beleidsnaleving gekoppeld aan dataset-certificering.

00:21:16.780 --> 00:21:21.260
Als Johnny van Sales een aangepaste metriek wil, onderhandelt hij via governance, niet via zijkanalen.

00:21:21.500 --> 00:21:23.040
Sluit ten slotte de leercyclus.

00:21:23.040 --> 00:21:28.400
Governance is geen statisch papierwerk, het is een voortdurende dialoog tussen menselijke analisten en AI-agenten.

00:21:28.580 --> 00:21:33.660
Mensen stemmen af, Copilot voert uit, mensen verifiëren en Copilot verbetert door bijgewerkte context.

00:21:33.900 --> 00:21:37.400
Elke iteratie leert het systeem hoe waarheidsgetrouwe uitvoering eruit ziet.

00:21:37.620 --> 00:21:41.940
Na verloop van tijd wordt deze feedback onzichtbare infrastructuur, de stijger voor nauwkeurigheid.

00:21:42.160 --> 00:21:45.060
Wanneer je deze volwassenheid bereikt, gebeurt er iets buitengewoons.

00:21:45.220 --> 00:21:51.060
Copilot voelt niet langer aan als een onvoorspelbaar orakel en begint zich te gedragen als een junior-analyst, snel, consistent en beleidsgetrouw.

00:21:51.060 --> 00:21:57.760
De hallucinaties verdampen, niet omdat AI plotseling eerlijk werd, maar omdat oneerlijkheid niet meer in de structuur past.

00:21:57.960 --> 00:22:03.200
De waarheid werd de weg van de minste weerstand, dus de systemische remedie is geen glamour, maar governance.

00:22:03.480 --> 00:22:07.940
Schema-handhaving houdt de basis recht, semantische versiebeheer onthoudt de geschiedenis.

00:22:08.140 --> 00:22:12.720
Purfuse-certificering bewaakt de integriteit en semantiek uit één bron behoudt de samenhang.

00:22:12.720 --> 00:22:17.700
Spiegeling verbindt de realiteit met de reflectie, waarheid zal het houden, beide gesynchroniseerd.

00:22:17.900 --> 00:22:21.240
Daartussen hoeft Copilot niet te verzinnen, hij rapporteert simpelweg.

00:22:21.460 --> 00:22:25.780
Zodra je de waarheid structureel hebt afgedwongen, heb je het recht verdiend om inzichten te automatiseren.

00:22:26.020 --> 00:22:30.560
En dat brengt ons bij de laatste lee, machines leren de waarheid te spreken door ontwerp, niet door overtuiging.

00:22:30.720 --> 00:22:32.600
Copilot leren de waarheid te spreken.

00:22:32.800 --> 00:22:35.520
Copilot was nooit onbetrouwbaar, hij was gehoorzaam.

00:22:35.520 --> 00:22:38.500
Hij gaf trouw antwoord op welke chaos je ook had gecodeerd.

00:22:38.660 --> 00:22:42.820
Zodra je hem een gedisciplineerde architectuur, consistente semantiek en expliciete instructies geeft,

00:22:42.980 --> 00:22:45.940
stopt hij met hallucineren, niet uit moraliteit, maar uit onvermijdelijkheid.

00:22:46.100 --> 00:22:47.400
Dit is de blijvende vergelijking.

00:22:47.560 --> 00:22:52.700
Schone medaillenlagen plus semantische discipline plus beheerde instructies staan gelijk aan verifiëerbare AI-waarheid.

00:22:52.920 --> 00:22:57.660
Elimineer dubbelzinnigheid bij de bron, documenteer betekenis nauwkeurig, test output regelmatig

00:22:57.660 --> 00:23:00.020
en Copilot wordt een spiegel die enkel feiten weergeeft.

00:23:00.200 --> 00:23:04.580
Als je fabricomgeving nog steeds tegen strijdigheden fluistert, is dit je oproep om deze te auditen.

00:23:04.580 --> 00:23:09.160
Handhaaf schema contracten, certificeer datasets, versie is semantiek en voordriemaandelijkse

00:23:09.160 --> 00:23:10.020
waarheidsadits uit.

00:23:10.220 --> 00:23:13.840
Zie vervolgens hoe Copilot transformeert van een zelfverzekerde improvisator naar een berekenbare

00:23:13.840 --> 00:23:14.260
collega.

00:23:14.680 --> 00:23:16.660
Nauwkeurigheid is geen magie, het is onderhoud.

00:23:16.920 --> 00:23:19.860
Bouw een structuur die zo hecht is dat leugens er fysiek niet doorheen kunnen.

00:23:20.120 --> 00:23:23.280
Doe dat en elke toekomstige prompt levert geen verhalen op, maar feiten.

00:23:23.520 --> 00:23:27.180
Als dit je uren of mogelijke genante situaties heeft bespaard, beloon dan de inspanning.

00:23:27.380 --> 00:23:29.440
Abonneer je op de M365 Show.

00:23:29.640 --> 00:23:32.600
Wij zijn gespecialiseerd in het daadwerkelijk betrouwbaar maken van Microsoft's AI.

00:23:32.600 --> 00:23:35.820
De volgende tutorial duikt nog dieper in de engineering van Copilot nauwkeurigheid.

00:23:36.000 --> 00:23:37.800
Efficiëntie behoort toe aan de gedisciplineerde.

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