Saiba como Utilizar o Copilot no Microsoft Fabric

Nível: Principiante

Saiba como começar a utilizar as capacidades do Copilot no Microsoft Fabric e como o Copilot funciona nas cargas de trabalho do Microsoft Fabric. Este tutorial orienta-o ao longo de vários cenários em que Microsoft Copilot excels, desde a geração de códigos e consultas até à análise e visualização de dados.

Além disso, vai aprender como várias pessoas como Engenheiros de Dados, Cientistas de Dados, Analistas de Dados e Engenheiros/Utilizadores de BI podem utilizar as capacidades copilot para acelerar as tarefas diárias, ao utilizar o Copilot nas cargas de trabalho do Microsoft Fabric.

No final deste tutorial, terá uma base sólida para compreender como Microsoft Copilot pode melhorar a sua produtividade em várias tarefas.

Os exercícios neste tutorial incluem:

• Criar uma transformação de dados inteligente com o Copilot para o Data Factory
• Acelerar tarefas de engenharia de dados com o Copilot para Engenharia de Dados
• Criar modelos analíticos com o Copilot para Ciência de Dados

Experiências para o Copilot no Microsoft Fabric

• Co-piloto do Data Factory
• Copilot para Engenharia de Dados e Ciência de Dados
• Copilot para Data Warehouse
• Copilot for Real-Time Intelligence
• Copilot para o Power BI

Co-piloto do Data Factory

• 61 minutos restantes

Olá! E bem-vindo ao Exercício Copilot for Data Factory!

Neste exercício, vai aprender a utilizar o Copilot for Data Factory para criar novas transformações para consultas existentes, fornecer resumos de consultas existentes, criar novas consultas que referenciem as existentes, gerar novos dados e criar consultas complexas para segmentar e dados.

Também irá aprender a escrever pedidos eficazes para utilizar melhor as capacidades do Copilot. Abaixo, também incluímos um vídeo passo a passo para guiá-lo visualmente ao longo do exercício.

Para concluir este exercício, tem de ativar o copilot no Microsoft Fabric.

Também tem de transferir os recursos necessários para este exercício a partir desta ligação.

Cenário: um engenheiro de dados pretende carregar e transformar vendas e dados de clientes num Lakehouse. O engenheiro tem de:

• Compreende as consultas já existentes.
• Crie transformações para consultas existentes para adicionar novas colunas para ajudar a uma análise mais aprofundada.
• Limpe os dados para remover valores vazios.
• Crie uma nova consulta com uma lista de todas as datas do ano de 2012 para segmentar e dados.

O vídeo seguinte mostra o processo geral que percorre neste exercício:

Vamos começar!

Utilizar o Copilot para o Data Factory

Objetivo: compreenda como utilizar o Copilot para o Data Factory para criar novas transformações para consultas existentes, fornecer resumos de consultas existentes, criar novas consultas que referenciem as existentes, gerar novos dados e criar consultas complexas para segmentar e dados.

Execute os seguintes passos:

1. Com o comutador de experiências no canto inferior esquerdo da área de trabalho do Microsoft Fabric, mude para a experiência do Data Factory . Na experiência do Data Factory, crie um novo item do Dataflow Gen2

2. Carregue os dados necessários ao selecionar Obter Dados e selecione a opção Texto/CSV e, em seguida, carregue os ficheiros csv *Recursos Humanos, Vendas, Pessoa, Cliente, Compra e Produtos.

3. Os seus dados são carregados para o fluxo de dados como consultas. Em seguida, no separador Base Selecione o botão Copilot . Esta ação abre o painel Copilot no lado direito do ecrã. A partir daqui, verá que Copilot sugere pedidos e também lhe fornece a capacidade de introduzir os seus próprios pedidos.

   

4. Agora, temos de começar a realizar algumas transformações de dados. mas antes de começarmos, precisamos de compreender algumas das consultas existentes. Utilizamos o Copilot para fornecer resumos destas consultas. Selecione a Sales consulta e, em seguida, no canto inferior esquerdo, se o painel Copilot, selecione o ícone de linha de comandos inicial e, em seguida, a opção Descrever esta consulta . Submeta o pedido e reveja a descrição fornecida pela Copilot. Pode repetir este processo para as outras consultas.

   Observação

   Certifique-se de que a consulta à qual pretende que o Copilot ajude/responda esteja selecionada antes de submeter o pedido.

5. Agora que compreendemos os dados com que estamos a trabalhar; Agora podemos começar a trabalhar nas várias transformações. Primeiro, tem de permitir que a sua equipa obtenha as receitas geradas pelas vendas para que possam criar melhores modelos e visualizações mais tarde. Para tal, selecione Sales a consulta e introduza o seguinte pedido na caixa de texto no painel Copilot:

   "Adicione uma coluna "Receita Bruta" que seja um produto de "PreçoUnitário" e "OrderQty", o resultado é arredondado para duas casas decimais.

6. Submeta o texto. Copilot devolve uma resposta card com um breve resumo das alterações efetuadas e também adiciona uma nova coluna à consulta. Dedique algum tempo a rever as alterações efetuadas.

   

   Repare na resposta card também lhe fornecer um undo botão para lhe permitir reverter as alterações efetuadas, se necessário.

7. Tem de obter o valor monetário do valor de desconto atribuído a cada venda. Para tal, submeta o seguinte pedido:

   Adicione uma coluna "Valor de Desconto" que seja um produto de "Receita Bruta" e "UnitPriceDiscount", o resultado é arredondado para duas casas decimais.

8. Tenha em atenção que, depois de o Copilot responder a este pedido com a resposta card e as alterações associadas à consulta, o Undo botão na resposta anterior card já não está disponível. Isto acontece porque o Copilot só lhe permite anular a última alteração que efetuou.

9. Para uma melhor análise, precisa de ter outra coluna que obtenha o valor da receita gerada, tendo em conta o valor de desconto. Pode utilizar o Copilot para adicionar uma nova coluna que irá obter a diferença entre as colunas Receita Bruta e Valor de Desconto e arredondar o resultado para duas casas decimais?

10. Também tem de compreender o efeito que o número de dias de envio tem nas vendas e nas receitas geradas. Para tal, utilize o Copilot para adicionar uma nova coluna personalizada para obter a diferença entre as colunas OrderDate e ShipDate.

11. Como resultado das transformações efetuadas nos passos anteriores, a Sales consulta deve agora ter estas outras colunas

    

12. Em seguida, mude manualmente o nome das seguintes consultas:

    • Cliente para DimCustomer
    • Comprar para DimShipping
    • Produtos para DimProducts

13. Em seguida, tem de criar uma tabela de dimensões que lhe permita analisar cada loja com base nas vendas. Para tal, selecione a Sales consulta e submeta o seguinte pedido:

    Crie uma nova consulta e selecione apenas as colunas "StoreKey" e "StoreName" e mantenha valores exclusivos. E remover valores vazios

14. O Copilot cria uma nova consulta com o nome query. Mude o nome desta consulta para DimStore.

15. Em seguida, precisa de ter uma tabela de dimensões que lhe permita armazenar as informações dos funcionários para utilização nas visualizações. Para tal, selecione a Human Resources consulta e submeta o seguinte pedido e, em seguida, mude o nome da Human Resources consulta para DimEmployee

    Adicione um passo à consulta para manter valores exclusivos de "EmployeeKey" e remover linhas vazias

16. Assim que os dois passos acima estiverem concluídos, deverá ter as seguintes consultas no fluxo de dados:

    

17. Em seguida, precisa de uma tabela de dimensões que lhe permita segmentar os seus dados com base para ver o desempenho das vendas ao longo de um Trimestre, Ano e Ano Fiscal. Para tal, adicione manualmente uma nova consulta ao selecionar Introduzir Dados no separador base e atribua o nome à primeira coluna DateKey.

    

18. Assim que a consulta for criada, submeta o seguinte pedido para que o Copilot gere dados para a coluna DateKey

    Adicione um passo à consulta para adicionar valores de data à coluna "DateKey" a partir de 1/1/2012 a 31/12/2013

19. Altere o tipo da coluna DateKey para Date.

20. Agora, tem de dividir os valores de data em Dias, Mês, MonthName e Ano para uma melhor análise. Pode fazê-lo com o seguinte pedido:

    Adicionar novas colunas "Dia", "Mês" e "Ano"

21. Em seguida, tem de conseguir identificar o início do Ano Fiscal para uma melhor análise ao analisar o desempenho das vendas. Para tal, utilize o seguinte pedido:

    Adicione 1 a "Ano" se o mês "Data" for maior ou igual a 7 e mantenha como se o mês "Data" fosse menor ou igual a 6. Armazene o resultado numa nova coluna "Ano Fiscal" e utilize os dois últimos dígitos do resultado para combiná-los com o prefixo "FY"

22. Por fim, também quer ver o desempenho das vendas com base em cada trimestre do ano fiscal. Tem de ter uma coluna Quarter na tabela. Para tal, utilize o seguinte pedido:

    Adicione uma coluna "Trimestre" com valores como "Q1" quando o "Mês" for igual a 7 ou 8 ou 9, "Q2" quando o "Mês" for igual a 10, 11 ou 12, "T3" quando o "Mês" for igual a 1 ou 2 ou 3, "T4" quando o "Mês" for igual a 4 ou 5 ou 6

23. Mude o nome da consulta para DimDate. Neste momento, a consulta DimDate deverá ter o seguinte aspeto:

    

24. Por fim, adicione um Lakehouse como destino para todas as consultas no fluxo de dados e, em seguida, publique o fluxo de dados.

Parabéns!

Pronto! Concluiu o tutorial e aprendeu a utilizar o Copilot for Data Factory para criar novas transformações para consultas existentes, fornecer resumos de consultas existentes, criar novas consultas que referenciam as existentes, gerar novos dados e criar consultas complexas para segmentar e dados.

Lembre-se de que está a utilizar o Copilot, não o Autopilot. Estas ferramentas estão lá para ser o seu assistente no seu trabalho do dia-a-dia em vez de fazer trabalho por si.

Quais foram os seus pensamentos sobre estes exercícios? Do que gostaria de ver mais? Informe-nos nos comentários do vídeo incorporado.

Copilot para Engenharia de Dados & Ciência de Dados

• 31 minutos restantes

Bem-vindo ao Copilot para Engenharia de Dados & Ciência de Dados exercício no Microsoft Fabric!

Este exercício é o segundo no tutorial Copilot no Microsoft Fabric. Neste exercício, vai aprender como o Copilot pode ser utilizado nos blocos de notas das cargas de trabalho Engenharia de Dados e Ciência de Dados para gerar fragmentos de código, fornecer uma explicação para código existente, sugerir visualizações de dados, sugerir modelos de machine learning analíticos e muito mais.

Também irá aprender a escrever pedidos eficazes para utilizar melhor as capacidades do Copilot em diversos cenários. Também é incluído um vídeo passo a passo para guiá-lo visualmente ao longo do exercício.

Tal como no exercício anterior, para concluir este exercício, tem de ativar o Copilot no Microsoft Fabric e garantir que tem os recursos necessários para este exercício. Se ainda não o fez, pode transferir os recursos necessários a partir desta ligação.

Também precisa das seguintes tabelas carregadas no Lakehouse do exercício anterior:

• DimCustomer
• DimProducts
• Vendas
• DimShipping
• DimStore
• DimDate
• DimEmployee
• Pessoa

Cenário: um engenheiro de dados/cientista de dados está a tentar analisar a demografia dos clientes. O engenheiro tem de:

• Compreenda o código existente que carrega e transforma os dados do cliente.
• Transforme os dados para remover valores vazios e adicionar novas colunas para ajudar a uma análise mais aprofundada.
• Visualize os dados do cliente através de vários dados demográficos.
• Crie um modelo de machine learning para prever a probabilidade de um cliente comprar uma bicicleta para ajudar a equipa de marketing a criar uma campanha direcionada.

O vídeo seguinte mostra o processo geral que percorre neste exercício:

Vamos começar!

Copilot para Engenharia de Dados & Ciência de Dados

Objetivo: compreenda como utilizar o Copilot em blocos de notas para Engenharia de Dados e Ciência de Dados cargas de trabalho para gerar fragmentos de código, fornecer uma explicação para código existente, sugerir visualizações de dados, sugerir modelos de machine learning analíticos e muito mais.

Para concluir este exercício, execute os seguintes passos:

1. Abra o Lakehouse no qual os dados do Data Factory no exercício anterior são carregados. Na pasta Tabelas, abra a Person tabela.

   

2. Esta ação abre a Person tabela. O último col umn, com o nome Demographics, contém a demografia de cada pessoa como dados XML. Nos próximos passos, vamos transformar estes dados para extraí-los para a sua própria tabela e criar um modelo analítico.

3. A partir dos recursos que transferiu, irá utilizar o bloco de notas *[load_demographics.ipynb] neste exercício.

4. Com o comutador de experiências na parte inferior da área de trabalho Recursos de Infraestrutura, mude para a experiência de Engenharia de Dados. A partir daqui, selecione o item Importar bloco de notas . No painel que é aberto, selecione o botão Carregar e carregue o ficheiro load_demographics.ipynb .

5. Na barra de navegação à esquerda, selecione a área de trabalho e abra o bloco de notas load_demographics . Selecione Lakehouses como a sua origem de dados no explorador e selecione Adicionar. Selecione a opção Lakehouse Existente e selecione Adicionar novamente. Escolha o Lakehouse onde os seus dados estão armazenados e selecione Adicionar para finalizar. O explorador apresenta o Lakehouse com todas as tabelas do exercício anterior.

6. O bloco de notas que carregamos contém algum código existente, utilizamos o Copilot para nos ajudar a compreender este código existente e os DataFrames no código antes de iniciar quaisquer outras tarefas de transformação. Antes de continuar na primeira célula, certifique-se de que muda o nome do Lakehouse na instrução Select para corresponder ao nome do lakehouse.

7. Adicione capacidades copilot ao selecionar o botão Copilot no friso do menu. Esta ação abre o painel Copilot no lado direito do ecrã.

8. Selecione o botão Começar no painel Copilot. Esta ação adiciona uma célula no início do bloco de notas, com código que adiciona os pacotes necessários para utilizar o Copilot no bloco de notas.

   

9. Execute a célula de código para adicionar os pacotes necessários ao bloco de notas. Depois de concluído, dedure algum tempo para rever o resultado; Isto inclui a secção Privacidade dos Dados & Segurança e Chat_Magics. Vamos utilizar o Chat_Magics nos próximos passos.

10. Execute a célula seguinte que carrega os dados das Persontabelas , DimProductse Sales para o DataFrame.

11. Adicione o seguinte comando chat-magics no início das duas células seguintes e execute ambas as células.

    %%chat

    Explicar este bloco de código passo a passo

12. Para a primeira célula, Copilot explica como estamos a executar várias associações e a mudar o nome das colunas. Na saída da segunda célula, Copilot explica como estamos a analisar os dados XML e a transformá-los num DataFrame estruturado. Repara nas menções do Copilot, a utilização de uma UDF? O que é um UDF?

13. No painel Copilot aberto à direita, submeta o seguinte pedido:

    O que é um UDF?

14. Antes de continuar, vamos adicionar alguns comentários nestas células para melhorar a legibilidade. Remova o chat_magics de chat em ambas as células e substitua pelo seguinte chat_magics:

    %%add_comments

15. Execute as células para adicionar os comentários.

    Observação

    Certifique-se de que revê os comentários adicionados às células para garantir que estão corretos e que o código não foi alterado de forma alguma.

16. Execute ambas as células.

17. Utilize o Copilot para compreender o DataFrame df_cust_details criado nos passos acima. Submeta o seguinte pedido:

    %describe

    df_cust_details

18. Confirme que as colunas que Copilot descreve na saída existem no DataFrame ao executar a seguinte linha de código numa nova célula:

    display(df_cust_details)

19. Repare que tem TotalPurchaseYTD todos os valores vazios. Temos de o remover. Adicione uma nova célula e execute o seguinte pedido:

    %%code

    Remover a coluna TotalPurchaseYTD

20. Copilot gera o código para remover a coluna, rever o código e executar a célula para remover a coluna.

21. Adicione uma nova coluna denominada Idade, Utilize o painel Copilot e submeta o seguinte pedido para obter o código para adicionar a coluna:

    Adicionar uma coluna "idade" a df_cust_details utilizando 2012 como o ano atual

22. Dedquira algum tempo para rever o código gerado e a explicação fornecida pelo Copilot e, em seguida, utilize o botão inserir código na resposta card para adicionar o código a uma nova célula e executar a célula.

    

23. Uma vez que queremos criar um modelo analítico para prever a probabilidade de um cliente comprar uma bicicleta, precisamos de transformar os dados para adicionar uma nova coluna que indique se um cliente comprou ou não uma bicicleta. Utilize o painel Copilot para submeter o seguinte pedido:

    Adicione uma nova coluna "IsBikeBuyer" com um valor de 1 para linhas em que "ProductCategory" é "Bicicletas" e 0 caso contrário.

24. Reveja o código gerado pelo Copilot e a explicação fornecida e, em seguida, utilize o botão inserir código na resposta card para adicionar o código a uma nova célula. Se o código gerado criar um novo DataFrame para os dados filtrados, mude o nome do DataFrame novamente para df_cust_details. Execute a célula.

25. Com o painel Copilot, selecione o ícone de guia de pedido e, em seguida, a opção Sugerir visualizações de dados . Na caixa de texto do pedido, substitua por [YOUR_DATA_NAME]df_cust_details e submeta o pedido.

26. Escolha uma das visualizações sugeridas e utilize o painel Copilot ou Chat_Magics para gerar código para a visualização.

27. Tome tempo e experimente as outras opções fornecidas pelo Copilot no guia de pedidos.

28. Utilize o Chat_Magics para guardar o DataFrame numa tabela no Lakehouse.

    %%code

    guardar o df_cust_details numa nova tabela do Lakehouse

29. Reveja o código gerado por Copilot e mude o nome da tabela para um nome mais adequado, se necessário. Execute a célula para guardar o DataFrame numa nova tabela no Lakehouse.

30. Atualize o explorador de Origens de Dados para ver a nova tabela criada no Lakehouse.

31. Por fim, como podemos utilizar o Copilot para ajudar a equipa de marketing a criar uma campanha direcionada ao prever a probabilidade de um cliente comprar uma bicicleta? Utilize o painel Copilot para submeter o seguinte pedido:

    Sugira como podemos criar um modelo preditivo de machine learning com df_cust_details para prever se um cliente pode comprar uma bicicleta ou não para ajudar a Adventure Works, a loja de bicicletas, criar uma campanha de marketing direcionada, a coluna "IsBikeBuyer" é a coluna de destino.

32. Reveja cuidadosamente o código gerado pelo Copilot e a explicação fornecida. Utilize o botão inserir código no card de resposta para adicionar o código a uma nova célula e executar a célula.

Parabéns!

Pronto! Concluiu com êxito o Copilot para Engenharia de Dados & Ciência de Dados exercício no Microsoft Fabric. Aprendeu a utilizar o Copilot em blocos de notas para gerar fragmentos de código, fornecer uma explicação para código existente, sugerir visualizações de dados, sugerir modelos de machine learning analíticos e muito mais.

Lembre-se de que está a utilizar o Copilot, não o Autopilot. Estas ferramentas estão lá para ser o seu assistente no seu trabalho do dia-a-dia em vez de fazer trabalho por si.

Quais foram os seus pensamentos sobre estes exercícios? Do que gostaria de ver mais? Informe-nos nos comentários do vídeo incorporado.

Parabéns!

• 100% concluído!

Concluiu este tutorial

Parabéns por concluir o tutorial! Aprendeu agora a Utilizar o Copilot no Microsoft Fabric nas várias cargas de trabalho.