Fabric data agent

Wat is een Fabric data agent?

Een Fabric data agent is iets dat je binnen Microsoft Fabric bouwt en dat vragen over je data beantwoordt in gewone taal. Je richt hem op een handvol databronnen, je geeft hem instructies en voorbeeldvragen mee, je publiceert hem, en dan kunnen je collega's hem dingen beginnen vragen.

Microsoft maakt hier een vergelijking die goed werkt. Een data agent instellen voelt sterk aan als een Power BI-rapport bouwen. Je ontwerpt hem, je verfijnt hem, je test hem, en daarna deel je hem met mensen die de leidingen erachter nooit te zien krijgen. Het verschil is dat een rapport de vragen beantwoordt waar je op voorhand aan gedacht hebt, en dat een agent probeert te antwoorden op de vragen waar je niet aan gedacht hebt.

Twee dingen in die beschrijving wegen zwaarder dan de rest. De agent leest alleen, wat betekent dat hij enkel queries genereert die iets opzoeken en nooit iets dat data aanmaakt, wijzigt of verwijdert. En hij draait als de persoon die de vraag stelt, met diens rechten, dus je row level security en je column level security blijven precies werken zoals voordien. Een agent is dus geen achterpoortje rond de toegangsregels die je al hebt.

Hoe een data agent een vraag beantwoordt

Achter één vraag zit een korte ketting van beslissingen.

1. Hij leest de vraag en toetst ze af
   Voor er iets draait, wordt de vraag getoetst aan de beveiligingsregels, aan het beleid rond verantwoorde AI, en aan de rechten van wie ze stelt.

2. Hij kiest een databron
   De agent leest het schema van de bronnen die hij mag zien en beslist welke bij de vraag past. Jouw instructies sturen die keuze, dus je kan financiële vragen naar het semantisch model sturen, ruwe verkenning naar de lakehouse, en logvragen naar de KQL-database.

3. Hij schrijft de query
   Per soort bron roept de agent een andere tool aan. Hij gebruikt natural language to SQL voor een lakehouse of een warehouse, natural language to DAX voor een Power BI semantisch model, natural language to KQL voor een KQL-database, en een Microsoft Graph-query voor organisatiedata.

4. Hij valideert de query en voert ze uit
   Het systeem controleert de gegenereerde query op vorm en op beleid, en voert ze dan uit. Het resultaat komt terug als een leesbaar antwoord, meestal met een klein tabelletje of een korte samenvatting.

Je gebruikers krijgen de SQL, de DAX of de KQL nooit te zien. Dat is precies de bedoeling, maar het is ook de reden waarom het instelwerk zo zwaar weegt. Het enige beeld dat de agent van jouw bedrijf heeft, is het schema plus wat jij de moeite genomen hebt om op te schrijven.

Hoe een data agent verschilt van een Copilot

Fabric heeft allebei, en teams halen ze voortdurend door elkaar.

Een Copilot in Fabric staat vast ingesteld en helpt je met je eigen werk in de tool waar je op dat moment in staat. Hij kan notebookcode genereren, een warehousequery opzetten, of een rapport samenvatten. Je kan zijn gedrag niet bijsturen.

Een data agent is een apart item dat je zelf instelt. Hij bevraagt data over OneLake en je semantische modellen heen, hij draagt jouw instructies mee, en je kan hem ook van buiten Fabric aanroepen: vanuit Microsoft 365 Copilot, vanuit Copilot Studio, vanuit Microsoft Foundry, of vanuit Teams. Andere orkestratielagen en multi-agentopstellingen kunnen hem ook oproepen, terwijl de agent zelf alleen leest en binnen je governance blijft.

Simpel gezegd: een Copilot helpt de persoon die bouwt, en een data agent bedient de mensen die vragen stellen.

Wat je instelt

Databronnen
Je kan er tot vijf aanhangen per agent, in eender welke combinatie van lakehouses, warehouses, KQL-databases, Power BI semantische modellen, gespiegelde databases, ontologieën en Microsoft Graph. Je kan er vijf semantische modellen op zetten, of je kan er twee semantische modellen combineren met een lakehouse en een KQL-database.

Tabellen
Per bron kies je welke tabellen de agent mag gebruiken. Bij een lakehouse gaat het over tabellen en niet over losse bestanden, dus een CSV die in de bestandenzone staat, bestaat niet voor de agent tot je ze inlaadt of als tabel aanbiedt. Die tabellijst kort houden is de goedkoopste manier die er is om je accuraatheid op te krikken.

Instructies
Dit is vrije tekst die stuurt welke bron gekozen wordt en die je woordenschat uitlegt. Hier schrijf je op dat jullie boekjaar in april start, of dat "klant" bij jullie de facturatiepartij is en niet het leveradres.

Voorbeeldqueries
Dat zijn paren van een vraag en de query die ze beantwoordt, tot 100 per databron. Ze leren de agent de vorm van je data veel beter aan dan instructies dat doen. Op moment van schrijven werken ze nog niet voor Power BI semantische modellen.

Governance en beheer

Omdat de agent de rechten van de vraagsteller gebruikt, erft hij het toegangsmodel dat je al hebt in plaats van het te vervangen. Daarbovenop gelden je Microsoft Purview-regels op de onderliggende bronnen. Data loss prevention op een warehouse kan een query tegenhouden, en toegangsbeperkingen kunnen gevoelige assets volledig uit een antwoord houden. Vragen en antwoorden kunnen ook onder Purview-audit en eDiscovery vallen.

Microsoft beschrijft het gedrag als een stapel met een duidelijke volgorde van voorrang. Je tenantbeleid gaat boven de workspacegovernance, die gaat boven de instructies die jij de agent meegaf, en die gaan boven wat de gebruiker intypt. Als iemand de agent dus vraagt om zijn eigen regels te negeren, dan haalt die persoon het niet van een beheerder.

Voor het dagelijkse beheer gedraagt een data agent zich zoals de andere items in Fabric. Je krijgt Git-integratie, zodat je je instructies en voorbeeldqueries kan versioneren. Je krijgt deployment pipelines om hem van ontwikkeling naar productie te duwen. En je krijgt ingebouwde diagnostiek, zodat je kan zien hoe hij een bron gekozen en een query gebouwd heeft.

Waar moet je op letten bij een Fabric data agent

Hij is gemaakt om te antwoorden en niet om te exporteren. Antwoorden worden afgekapt op 25 rijen en 25 kolommen, en eerdere antwoorden in hetzelfde gesprek kleuren de antwoorden die volgen. Als iemand dus "alle lijnen van dit jaar" vraagt en daarna een vervolgvraag stelt, dan redeneert die persoon op een afgeknot resultaat. Een nieuw gesprek starten lost dat meestal op.

Hij kan niet overweg met ongestructureerde data. PDF, Word en tekstbestanden vallen buiten zijn bereik. Als het antwoord dat je collega nodig heeft in een contract zit, dan is een data agent het verkeerde gereedschap en heb je een retrieval-opstelling nodig.

Enkel Engels, op moment van schrijven. Vragen, instructies en voorbeeldqueries werken allemaal het best in het Engels. Voor een Nederlandstalig of Franstalig bedrijf is dat een echte vraag rond adoptie en geen voetnoot.

Capaciteit en regio zijn harde voorwaarden. Je hebt een betaalde F2-capaciteit of hoger nodig, en de capaciteit van de databron moet in dezelfde regio zitten als de capaciteit van de agent. Een lakehouse in North Europe met een agent in France Central loopt gewoon vast.

De kwaliteit volgt de moeite die je erin steekt. Een agent die op elke tabel in een workspace gericht staat zonder één enkele instructie, gaat je teleurstellen. De teams die er echt waarde uit halen, behandelen de instructies en de voorbeeldqueries als iets dat ze onderhouden, en niet als een opzetstap die je één keer doet.