Apprendre à utiliser Copilot dans Microsoft Fabric

Niveau : Débutant

Découvrez comment commencer à utiliser les fonctionnalités Copilot dans Microsoft Fabric et comment Copilot fonctionne dans les charges de travail Microsoft Fabric. Ce tutoriel vous guide à travers différents scénarios où Microsoft Copilot excelle, de la génération de code et de requête à l’analyse et à la visualisation des données.

En outre, vous découvrez comment différents personnages tels que les ingénieurs données, les scientifiques des données, les analystes données et les ingénieurs/utilisateurs décisionnels peuvent utiliser les fonctionnalités de Copilot pour accélérer leurs tâches quotidiennes, en utilisant Copilot dans les charges de travail Microsoft Fabric.

À la fin de ce tutoriel, vous disposerez d’une base solide pour comprendre comment Microsoft Copilot pouvez améliorer votre productivité sur différentes tâches.

Les exercices de ce didacticiel sont les suivants :

• Création d’une transformation de données intelligente à l’aide de Copilot pour Data Factory
• Accélération des tâches d’ingénierie des données à l’aide de Copilot pour Ingénieurs de données
• Création de modèles analytiques à l’aide de Copilot pour Science des données

Expériences pour Copilot dans Microsoft Fabric

• Copilot pour Data Factory
• Copilote pour Ingénieurs de données et Science des données
• Copilot pour Data Warehouse
• Copilote pour Real-Time Intelligence
• Copilot pour Power BI

Copilot pour Data Factory

• 61 minutes restantes

Bonjour, Et bienvenue dans l’exercice Copilot for Data Factory !

Dans cet exercice, vous allez apprendre à utiliser Copilot for Data Factory pour créer de nouvelles transformations pour des requêtes existantes, fournir des résumés des requêtes existantes, créer de nouvelles requêtes qui référencent des requêtes existantes, générer de nouvelles données et créer des requêtes complexes à découper et désintégresser les données.

Vous apprenez également à écrire des invites efficaces pour mieux utiliser les fonctionnalités de Copilot. Ci-dessous, nous incluons également une vidéo pas à pas pour vous guider visuellement tout au long de l’exercice.

Pour effectuer cet exercice, vous devez activer copilote dans Microsoft Fabric.

Vous devez également télécharger les ressources requises pour cet exercice à partir de ce lien.

Scénario : Un ingénieur données cherche à charger et à transformer les données des ventes et des clients en lakehouse. L’ingénieur doit :

• Comprend les requêtes déjà existantes.
• Créez des transformations pour les requêtes existantes afin d’ajouter de nouvelles colonnes afin de faciliter l’analyse.
• Nettoyez les données pour supprimer les valeurs vides.
• Créez une requête avec une liste de toutes les dates de l’année 2012 pour découper et dés les données.

La vidéo suivante montre le processus global que vous suivez dans cet exercice :

Commençons !

Utilisation de Copilot pour Data Factory

Objectif : Comprendre comment utiliser Copilot for Data Factory pour créer de nouvelles transformations pour des requêtes existantes, fournir des résumés des requêtes existantes, créer de nouvelles requêtes qui référencent des requêtes existantes, générer de nouvelles données et créer des requêtes complexes pour découper et désintégresser les données.

Procédez comme suit :

1. À l’aide du sélecteur d’expériences en bas à gauche de l’espace de travail Microsoft Fabric, basculez vers l’expérience Data Factory . Dans l’expérience Data Factory, créez un élément Dataflow Gen2

2. Chargez les données requises en sélectionnant Obtenir les données, puis choisissez l’option Texte/CSV, puis chargez les fichiers csv *Ressources humaines, Ventes, Personne, Client, Achats et Produits .

3. Vos données sont chargées dans votre flux de données en tant que requêtes. Ensuite, sous l’onglet Accueil, sélectionnez le bouton Copilot . Cela ouvre le panneau Copilot sur le côté droit de l’écran. À partir de là, vous voyez que Copilot suggère des invites et vous permet également d’entrer vos propres invites.

   

4. Maintenant, nous devons commencer à effectuer certaines transformations de données. mais avant de commencer, nous devons comprendre certaines des requêtes existantes. Nous utilisons Copilot pour fournir des résumés de ces requêtes. Sélectionnez la Sales requête, puis, en bas à gauche si le panneau Copilot, sélectionnez l’icône d’invite de démarrage, puis l’option Décrire cette requête . Envoyez l’invite et passez en revue la description fournie par Copilot. Vous pouvez répéter ce processus pour les autres requêtes.

   Remarque

   Assurez-vous que la requête que Copilot doit aider/répondre est sélectionnée avant d’envoyer l’invite.

5. Maintenant que nous avons une compréhension des données avec laquelle nous travaillons ; nous pouvons maintenant commencer à travailler sur les différentes transformations. Tout d’abord, vous devez permettre à votre équipe d’obtenir le chiffre d’affaires généré par les ventes afin qu’elle puisse créer de meilleurs modèles et visualisations ultérieurement. Pour ce faire, sélectionnez Sales requête et entrez l’invite suivante dans la zone de texte du panneau Copilot :

   'Ajoutez une colonne 'Gross Revenue' qui est un produit de 'UnitPrice' et 'OrderQty', le résultat est arrondi à deux décimales.

6. Envoyez le texte. Copilot retourne une réponse carte avec un bref résumé des modifications apportées et ajoute également une nouvelle colonne à la requête. Prenez un moment pour passer en revue les modifications apportées.

   

   Notez que la réponse carte également vous fournir un undo bouton pour vous permettre d’annuler les modifications apportées si nécessaire.

7. Vous devez obtenir la valeur monétaire du montant de la remise accordée à chaque vente. Pour ce faire, envoyez l’invite suivante :

   Ajoutez une colonne « Valeur de remise » qui est un produit de « Revenu brut » et « UnitPriceDiscount », le résultat est arrondi à deux décimales.

8. Notez qu’une fois que Copilot a répondu à cette invite avec la réponse carte et les modifications associées à la requête, le Undo bouton de la carte de réponse précédente n’est plus disponible. En effet, Copilot vous permet uniquement d’annuler la dernière modification qu’il a apportée.

9. Pour une meilleure analyse, vous devez disposer d’une autre colonne qui obtiendra la valeur du chiffre d’affaires généré tout en tenant compte de la valeur de remise. Pouvez-vous utiliser Copilot pour ajouter une nouvelle colonne qui obtient la différence entre les colonnes Revenu brut et Valeur de remise et arrondit le résultat à deux décimales ?

10. Vous devez également comprendre l’effet du nombre de jours d’expédition sur les ventes et les revenus générés. Pour ce faire, utilisez Copilot pour ajouter une nouvelle colonne personnalisée afin d’obtenir la différence entre les colonnes OrderDate et ShipDate.

11. Suite aux transformations effectuées dans les étapes précédentes, la Sales requête doit maintenant avoir ces autres colonnes

    

12. Renommez ensuite les requêtes suivantes manuellement :

    • Customer to DimCustomer
    • Achat surDimShipping
    • Products to DimProducts

13. Ensuite, vous devez créer une table de dimension qui vous permet d’analyser chaque magasin en fonction des ventes. Pour ce faire, sélectionnez la Sales requête et envoyez l’invite suivante :

    Créez une requête et sélectionnez uniquement les colonnes « StoreKey » et « StoreName » et conservez des valeurs uniques. Et supprimez les valeurs vides

14. Copilot crée une requête nommée query. Renommez cette requête en DimStore.

15. Ensuite, vous devez disposer d’une table de dimension qui vous permet de stocker des informations sur les employés à utiliser dans vos visualisations. Pour ce faire, sélectionnez la Human Resources requête et envoyez l’invite suivante, puis renommez la Human Resources requête en DimEmployee

    Ajouter une étape à la requête pour conserver les valeurs uniques de « EmployeeKey » et supprimer les lignes vides

16. Une fois les deux étapes ci-dessus terminées, vous devez avoir les requêtes suivantes dans votre flux de données :

    

17. Ensuite, vous avez besoin d’une table de dimension qui vous permet de segmenter vos données en fonction de la performance des ventes sur un trimestre, une année et un exercice. Pour ce faire, ajoutez manuellement une nouvelle requête en sélectionnant Entrer des données sous l’onglet Accueil et nommez la première colonne DateKey.

    

18. Une fois la requête créée, envoyez l’invite suivante pour que Copilot génère des données pour la colonne DateKey

    Ajouter une étape à la requête pour ajouter des valeurs de date à la colonne « DateKey » entre le 1/1/2012 et le 31/12/2013

19. Remplacez le type de la colonne DateKey par Date.

20. À présent, vous devez fractionner les valeurs de date en Jours, Mois, MonthName et Year pour une meilleure analyse. Vous pouvez y parvenir à l’aide de l’invite suivante :

    Ajouter de nouvelles colonnes « Jour », « Mois » et « Année »

21. Ensuite, vous devez être en mesure d’identifier le début de l’année fiscale pour une meilleure analyse lors de l’examen des performances des ventes. Pour ce faire, utilisez l’invite suivante :

    Ajoutez 1 à « Année » si le mois « Date » est supérieur ou égal à 7 et conservez tel quelle si le mois « Date » est inférieur ou égal à 6. Stockez le résultat dans une nouvelle colonne « Année fiscale » et prenez les deux derniers chiffres du résultat en les combinant avec le préfixe « FY »

22. Enfin, vous souhaitez également voir les performances des ventes en fonction de chaque trimestre de l’exercice. Vous devez avoir une colonne Quarter dans la table. Pour ce faire, utilisez l’invite suivante :

    Ajoutez une colonne « Quarter » avec les valeurs « Q1 » lorsque le « Month » est égal à 7, 8 ou 9, « Q2 » lorsque le « Month » est égal à 10, 11 ou 12, « Q3 » lorsque le « Month » est égal à 1, 2 ou 3, « Q4 » lorsque le « Month » est égal à 4, 5 ou 6

23. Renommez la requête en DimDate. À ce stade, la requête DimDate doit ressembler à ceci :

    

24. Enfin, ajoutez un Lakehouse comme destination pour toutes les requêtes dans le flux de données, puis publiez le flux de données.

Félicitations !

C’est tout ! Vous avez terminé le tutoriel et appris à utiliser Copilot for Data Factory pour créer de nouvelles transformations pour des requêtes existantes, fournir des résumés des requêtes existantes, créer des requêtes qui référencent des requêtes existantes, générer de nouvelles données et créer des requêtes complexes pour découper et déserer les données.

N’oubliez pas que vous utilisez Copilot, et non Autopilot. Ces outils sont là pour être votre assistant dans votre travail quotidien plutôt que de faire du travail pour vous.

Que pensez-vous de ces exercices ? Qu’est-ce que vous aimeriez voir de plus ? Faites-le nous savoir dans les commentaires de la vidéo incorporée.

Copilot pour Ingénieurs de données & Science des données

• 31 minutes restantes

Bienvenue dans copilote pour Ingénieurs de données & Science des données exercice dans Microsoft Fabric !

Cet exercice est le deuxième du tutoriel Copilot dans Microsoft Fabric. Dans cet exercice, vous allez découvrir comment utiliser Copilot dans les notebooks pour les charges de travail Ingénieurs de données et Science des données pour générer des extraits de code, fournir une explication du code existant, suggérer des visualisations de données, suggérer des modèles d’apprentissage automatique analytiques, etc.

Vous apprenez également à écrire des invites efficaces pour mieux utiliser les fonctionnalités de Copilot dans divers scénarios. Une vidéo pas à pas est également incluse pour vous guider visuellement tout au long de l’exercice.

Comme dans l’exercice précédent, pour effectuer cet exercice, vous devez activer Copilot dans Microsoft Fabric et vérifier que vous disposez des ressources requises pour cet exercice. Si vous ne l’avez pas fait, vous pouvez télécharger les ressources requises à partir de ce lien.

Vous avez également besoin des tables suivantes chargées dans votre Lakehouse à partir de l’exercice précédent :

• DimCustomer
• DimProducts
• Ventes
• DimShipping
• DimStore
• DimDate
• DimEmployee
• Personne

Scénario : Un ingénieur données/scientifique des données cherche à analyser les données démographiques des clients. L’ingénieur doit :

• Comprendre le code existant qui charge et transforme les données client.
• Transformez les données pour supprimer les valeurs vides et ajouter de nouvelles colonnes pour faciliter l’analyse.
• Visualisez les données client selon différentes données démographiques.
• Créez un modèle Machine Learning pour prédire la probabilité qu’un client achète un vélo pour aider l’équipe marketing à créer une campagne ciblée.

La vidéo suivante montre le processus global que vous suivez dans cet exercice :

Commençons !

Copilot pour Ingénieurs de données & Science des données

Objectif : Comprendre comment utiliser Copilot dans les notebooks pour Ingénieurs de données et Science des données charges de travail afin de générer des extraits de code, fournir une explication du code existant, suggérer des visualisations de données, suggérer des modèles d’apprentissage automatique analytique, etc.

Pour effectuer cet exercice, procédez comme suit :

1. Ouvrez le Lakehouse dans lequel les données de Data Factory de l’exercice précédent sont chargées. Dans le dossier Tables, ouvrez la Person table.

   

2. La table s’ouvre Person . La dernière colonne, nommée Demographics, contient les données démographiques de chaque personne sous forme de données XML. Dans les étapes suivantes, nous allons transformer ces données pour les extraire dans leur propre table et créer un modèle analytique.

3. À partir des ressources que vous avez téléchargées, vous allez utiliser le notebook *[load_demographics.ipynb] dans cet exercice.

4. À l’aide du sélecteur d’expériences en bas de l’espace de travail Fabric, basculez vers l’expérience Ingénieurs de données. À partir de là, sélectionnez l’élément Importer le bloc-notes . Dans le panneau qui s’ouvre, sélectionnez le bouton Charger et chargez le fichier load_demographics.ipynb .

5. Dans la barre de navigation de gauche, sélectionnez votre espace de travail et ouvrez le bloc-notes load_demographics . Choisissez Lakehouses comme source de données dans l’explorateur, puis sélectionnez Ajouter. Sélectionnez l’option Lakehouse existant, puis sélectionnez à nouveau Ajouter . Choisissez le Lakehouse où vos données sont stockées, puis sélectionnez Ajouter pour finaliser. L’explorateur affiche lakehouse avec toutes les tables de l’exercice précédent.

6. Le notebook que nous avons chargé contient du code existant. Nous utilisons Copilot pour nous aider à comprendre ce code existant et les DataFrames dans le code avant de commencer d’autres tâches de transformation. Avant de continuer dans la première cellule, veillez à renommer lakehouse dans l’instruction Select pour qu’il corresponde au nom de votre Lakehouse.

7. Ajoutez des fonctionnalités Copilot en sélectionnant le bouton Copilot dans le ruban du menu. Le panneau Copilot s’ouvre sur le côté droit de l’écran.

8. Sélectionnez le bouton Prise en main dans le panneau Copilot. Cela ajoute une cellule au début du notebook, avec du code qui ajoute les packages requis pour utiliser Copilot dans le notebook.

   

9. Exécutez la cellule de code pour ajouter les packages requis au notebook. Une fois cette opération terminée, prenez le temps d’examiner la sortie ; Cela inclut la section relative à la confidentialité des données & sécurité et Chat_Magics. Nous utiliserons le Chat_Magics dans les étapes suivantes.

10. Exécutez la cellule suivante qui charge les données des Persontables , DimProductset Sales dans le DataFrame.

11. Ajoutez la commande chat-magics suivante au début des deux cellules suivantes, puis exécutez les deux cellules.

    %%chat

    Expliquer ce bloc de code étape par étape

12. Pour la première cellule, Copilot explique comment nous effectuons différentes jointures et renommage des colonnes. Dans la sortie de la deuxième cellule, Copilot explique comment nous analysons les données XML et les transformons en dataframe structuré. Remarquez-vous les mentions de Copilot, l’utilisation d’une fonction définie par l’utilisateur ? Qu’est-ce qu’une fonction définie par l’utilisateur ?

13. Dans le volet Copilot ouvert à droite, envoyez l’invite suivante :

    Qu’est-ce qu’une fonction définie par l’utilisateur ?

14. Avant de poursuivre, nous allons ajouter des commentaires dans ces cellules pour améliorer la lisibilité. Supprimez la chat_magics pour la conversation dans les deux cellules et remplacez par la chat_magics suivante :

    %%add_comments

15. Exécutez les cellules pour ajouter les commentaires.

    Remarque

    Veillez à passer en revue les commentaires ajoutés aux cellules pour vous assurer qu’ils sont exacts et que le code n’a pas été modifié d’aucune façon.

16. Exécutez les deux cellules.

17. Utilisez Copilot pour comprendre le DataFrame df_cust_details créé dans les étapes ci-dessus. Envoyez l’invite suivante :

    %describe

    df_cust_details

18. Vérifiez que les colonnes décrites par Copilot dans la sortie existent dans le DataFrame en exécutant la ligne de code suivante dans une nouvelle cellule :

    display(df_cust_details)

19. Vous remarquez que le TotalPurchaseYTD a toutes les valeurs vides, nous devons le supprimer. Ajoutez une nouvelle cellule et exécutez l’invite suivante :

    %%code

    Supprimer la colonne TotalPurchaseYTD

20. Copilot génère le code pour supprimer la colonne, examiner le code et exécuter la cellule pour supprimer la colonne.

21. Ajoutez une nouvelle colonne appelée Age, utilisez le panneau Copilot et envoyez l’invite suivante pour obtenir le code permettant d’ajouter la colonne :

    Ajouter une colonne « age » à df_cust_details en utilisant 2012 comme année en cours

22. Prenez le temps de passer en revue le code généré et l’explication fournie par Copilot, puis utilisez le bouton Insérer un code sur la réponse carte pour ajouter le code à une nouvelle cellule et exécuter la cellule.

    

23. Étant donné que nous voulons créer un modèle analytique pour prédire la probabilité qu’un client achète un vélo, nous devons transformer les données pour ajouter une nouvelle colonne qui indique si un client a acheté un vélo ou non. Utilisez le panneau Copilot pour envoyer l’invite suivante :

    Ajoutez une nouvelle colonne « IsBikeBuyer » avec la valeur 1 pour les lignes où « ProductCategory » est « Bikes » et 0 dans le cas contraire.

24. Passez en revue le code généré par Copilot et l’explication fournie, puis utilisez le bouton Insérer un code sur la réponse carte pour ajouter le code à une nouvelle cellule. Si le code généré crée un DataFrame pour les données filtrées, renommez le DataFrame en df_cust_details. Exécutez la cellule.

25. À l’aide du panneau Copilot, sélectionnez l’icône de repère d’invite, puis l’option Suggérer des visualisations de données . Dans la zone de texte de l’invite, remplacez par [YOUR_DATA_NAME]df_cust_details et envoyez l’invite.

26. Choisissez l’une des visualisations suggérées et utilisez le panneau Copilot ou Chat_Magics pour générer du code pour la visualisation.

27. Prenez le temps et essayez les autres options fournies par Copilot dans le guide d’invite.

28. Utilisez le Chat_Magics pour enregistrer le DataFrame dans une table du Lakehouse.

    %%code

    enregistrer le df_cust_details dans une nouvelle table lakehouse

29. Passez en revue le code généré par Copilot et renommez la table avec un nom plus approprié si nécessaire. Exécutez la cellule pour enregistrer le DataFrame dans une nouvelle table dans Lakehouse.

30. Actualisez l’Explorateur de sources de données pour voir la nouvelle table créée dans Lakehouse.

31. Enfin, comment pouvons-nous utiliser Copilot pour aider l’équipe marketing à créer une campagne ciblée en prédisant la probabilité qu’un client achète un vélo ? Utilisez le panneau Copilot pour envoyer l’invite suivante :

    Suggérez comment nous pouvons créer un modèle Machine Learning prédictif à l’aide de df_cust_details pour prédire si un client est susceptible d’acheter un vélo ou de ne pas aider Adventure Works, le magasin de vélos, créer une campagne marketing ciblée, la colonne « IsBikeBuyer » est la colonne cible.

32. Examinez attentivement le code généré par Copilot et l’explication fournie. Utilisez le bouton Insérer du code sur la réponse carte pour ajouter le code à une nouvelle cellule et exécuter la cellule.

Félicitations !

C’est tout ! Vous avez terminé l’exercice Copilot for Ingénieurs de données & Science des données dans Microsoft Fabric. Vous avez appris à utiliser Copilot dans des notebooks pour générer des extraits de code, fournir une explication du code existant, suggérer des visualisations de données, suggérer des modèles Machine Learning analytiques, etc.

N’oubliez pas que vous utilisez Copilot, et non Autopilot. Ces outils sont là pour être votre assistant dans votre travail quotidien plutôt que de faire du travail pour vous.

Que pensez-vous de ces exercices ? Qu’est-ce que vous aimeriez voir de plus ? Faites-le nous savoir dans les commentaires de la vidéo incorporée.

Félicitations !

• Tout est terminé !

Vous avez terminé ce tutoriel

Félicitations pour avoir terminé le tutoriel ! Vous avez maintenant appris à copiloter dans Microsoft Fabric sur les différentes charges de travail.