Power BI与AI Builder：低代码和无代码的机器学习体验

1. Power BI中的认知服务与自定义模型

1.1 集成的认知服务

Power BI中集成的首批认知服务包括情感分析、关键短语提取、语言检测和图像标记，这些服务能够从文档、非结构化文本、图像以及社交媒体源等来源中提取信息。具体功能如下：
- 图像标记 ：识别图像中的对象、人物、动物、动作、风景和位置（室内和室外），并返回一个或多个标签。
- 语言检测 ：返回多达120种语言的语言名称和ISO标识符，可用于翻译数据或排除不符合特定语言要求的数据。
- 关键短语提取 ：从非结构化文本中提取关键短语，对较大篇幅的文本效果更佳。
- 情感分析 ：使用机器学习分类，给出0（负面）到1（正面）之间的分数，对一两个句子的分析效果更好。

AI洞察结果会作为新列添加到表中。如果提取了多个图像标签或关键短语，每个标签或短语会在一行中返回，同时复制原始行的其余数据。

1.2 使用自定义机器学习模型

可以从Power BI调用在Azure机器学习中构建的自定义模型，但需要满足以下条件：
1. 数据科学家生成Python模式文件，并将其与部署的模型Web服务一起发布。
2. 数据科学家授予你对模型的访问权限，你需要对Azure订阅和机器学习工作区具有读取权限。

在Power BI Desktop或在线服务中启动Power Query编辑器会话时，Power Query会发现你有权访问的所有Azure机器学习模型，并将它们作为动态Power Query函数公开。操作步骤如下：
1. 在功能区的“主页”或“添加列”选项卡上的AI洞察库中选择“Azure机器学习”，深入了解这些函数。
2. 也可以在高级编辑器中调用M函数。

使用模型对Power BI Desktop中的数据进行评分时，模型的预测结果会显示在单独的列中，可用于报告和可视化。该列名称会根据模型名称自动生成，建议将其重命名为更具描述性的名称，如“预测结果”。

此外，Power BI Desktop可以运行Python和R脚本，并将它们创建的数据集导入数据模型，其中可以包括运行机器学习模型的脚本。

1.3 构建自定义模型

Power BI Premium中分析的数据可用于训练机器学习模型，这些模型可用于处理数据流中的新数据。这利用了Azure机器学习中的自动监督机器学习功能，但无需Azure机器学习订阅，可直接从Power BI构建、验证和调用模型。

AutoML集成到Power BI数据流中，可创建二元预测、通用分类和回归模型。训练这些模型需要使用存储在数据流中的二元、类别和数值数据，且行需要标记已知的历史结果。具体步骤如下：
1. 选择数据流表“操作”列中的ML图标，选择“添加机器学习模型”。
2. 在向导中选择要预测的字段和适用的实体。
3. AutoML会建议模型类型和输入列，并对与输出高度相关的输入发出警告，可在命名模型并训练之前进行更改。

如果对模型报告中的性能满意，可在数据流刷新时将其应用于任何新的或更新的数据。操作方法如下：
1. 在模型报告中选择“应用”，选择要运行模型的表。
2. 或在“机器学习模型”选项卡的操作下点击“应用ML模型”。

这将创建两个新的数据流表：一个包含预测结果，另一个包含模型对每行评分的个性化解释。

1.4 未来展望

未来，可以使用Jupyter Notebook从Power BI导出机器学习模型，而不仅仅是嵌入报告。这意味着了解某个领域的分析师可以创建机器学习模型原型，如果证明有用且受欢迎，可以将其交给数据科学家进一步完善和标准化，供更多人使用。

2. AI Builder简介

2.1 AI Builder概述

认知服务通过提供预打包的API，使没有机器学习专业知识的开发人员能够使用AI。AI Builder则将其中一部分AI服务提供给非专业开发人员，通过将其打包用于低代码和无代码场景，使他们能够轻松地将AI添加到业务流程或应用程序中。

AI Builder的低代码界面用于训练、测试和发布模型，集成在Power Apps Studio和Power Automate网站中。其预测模型为Dynamics 365的某些功能提供支持，名片读取器模型与Dynamics集成，因为名片详细信息在该系统中特别有用。

2.2 AI Builder模型类型

AI Builder模型可用于处理文本和图像，或自动化任务，如处理客户申请、构建联系人列表、填写费用报告、盘点库存、处理基本支持请求或获取社交媒体上对产品或组织的提及警报。最受欢迎的模型是表单处理。

AI Builder模型分为以下几类：
- 预建模型 ：适用于常见业务场景，无需训练即可使用。包括处理文本的模型（如关键短语提取、语言检测、情感分析和翻译），以及从图像中提取文本并处理的模型（如文本识别、收据处理、ID读取器和名片读取器）。
- 自定义模型 ：当有特定于组织或场景的数据时，可使用自定义模型。包括预测、表单处理和对象检测模型，可识别和计数图像中的对象，如常见物品、零售货架上的产品或品牌标志。

2.3 预建模型的定制

有两个预建的AI Builder模型可以进行定制，以更好地处理自己的数据：
- 实体提取 ：识别文本中的特定数据，从文档中获取结构化信息。预建模型可识别约25种不同的实体，如年龄、重量、持续时间、人员或组织名称等。可以修改这些实体类型，排除无用的实体或创建自己的实体。
- 类别分类 ：确定文档中的信息类型，用于理解产品评论、路由请求、处理反馈、检测垃圾邮件和离题内容，或丰富用于预测分析或客户流失模型的数据。预建模型最初涵盖客户反馈，可将文本标记为问题、赞扬、客户服务请求等。可以训练自定义模型，最多支持200个类别。

要确定是否需要为实体提取或分类训练自定义模型，可在Power Apps中使用自己的文本测试预建模型。如果结果不够准确，可以创建自定义模型进行改进。

2.4 引入外部模型

还可以在AI Builder中使用来自Lobe的机器学习模型，或引入来自Azure机器学习的自定义模型，通过调用REST端点实现。

3. 训练自定义表单处理模型

3.1 训练流程

训练AI Builder中的自定义模型，大致步骤相似，需要足够的数据进行训练，并将其存储在Dataverse中。以训练自定义表单处理模型为例，具体步骤如下：
1. 创建模型 ：在Power Apps或Power Automate中，打开AI Builder并选择“构建”。如果在Power Apps中创建画布应用，可以选择所需的模型类型，然后点击“新建模型”打开AI Builder。选择要处理的数据类型（文档、文本、结构化数据或图像），并选择要提取的信息类型，这里创建表单处理模型以从表单中提取自定义数据。为模型命名，并指定表单上的字段、表格和复选框的位置及内容。
2. 准备数据 ：训练表单处理模型至少需要五个相同格式（JPEG、PNG或首选PDF）的样本文档。如果有信息相似但布局不同的表单（如不同供应商的发票），可以将它们包含在一个模型中。为要从表单中提取的字段和表格创建名称，AI Builder会识别样本文档中的所有字段和表格，通过绘制选择框为每个字段或表格单元格标记名称。
3. 模型学习 ：在处理示例的过程中，AI Builder可能会开始建议字段或表格名称，可确认或更改这些建议以进一步训练模型。

3.2 模型的更新与改进

AI Builder作为云服务，会经常更新和改进。最初，表单处理仅支持英语，现在支持超过70种语言。早期不支持表单上的复选框和复杂表格，现在这些功能已得到支持。

如果使用SharePoint Syntex服务管理大量内容，它与AI Builder和Power Automate集成，可从SharePoint文档库开始创建和使用AI Builder表单处理模型，并自动化表单处理。这需要为使用这些库的每个人提供SharePoint Syntex许可证，因为它允许具有库编辑权限的任何用户创建表单处理模型。创建模型会在库中为表单上的字段创建新列（如果它们不存在），并创建一个Power Automate流，将AI Builder从表单中提取的信息转换为文档元数据。将表单图像上传到文档库后，它会自动处理并转换为SharePoint中的结构化数据。

3.3 模型评估与优化

训练自定义模型可能需要多次尝试，结果取决于训练数据。完成模型训练后，可能需要更多不同示例的数据。需要确保数据在各个类别和结果之间大致平衡、多样化，且没有意外的相关性。

首次完成模型训练后，可以在“详细信息”页面上查看性能和质量分数，也可以选择“快速测试”查看模型的实际运行情况。如果对模型质量满意，在“上次训练版本”下选择“发布”；如果认为可以通过更多数据改进模型，选择“立即重新训练”更新模型；选择“新版本”可再次创建和训练模型，每个模型可以有一个已训练但未发布的版本和一个已发布的版本。

3.4 费用支付

AI Builder是一种Power Platform产品，需要拥有Power Apps、Power Automate或Dynamics 365许可证，以创建Dataverse环境才能使用。同时，需要根据使用量付费。Power Apps或Power Automate订阅许可证包含一些AI Builder信用额度，其他Microsoft产品（如SharePoint Syntex）也提供信用额度。可以以100万个为单位按月购买信用额度，目前每个单位费用为500美元。信用额度适用于整个Power Platform租户，而非单个用户，管理员可以选择立即提供信用额度，或将其分配给包含要使用它们的应用或流的环境。如果要估算各种应用程序所需的AI Builder容量，可以使用AI Builder计算器。例如，训练和测试模型以及处理1000个表单大约需要100万个信用额度，但具体取决于模型的复杂性和重新训练的频率。

以下是一个简单的mermaid流程图，展示训练自定义表单处理模型的主要步骤：

graph LR
    A[创建模型] --> B[准备数据]
    B --> C[模型学习]
    C --> D[模型评估]
    D -->|满意| E[发布模型]
    D -->|不满意| F[重新训练模型]
    F --> C

4. 使用AI Builder模型

4.1 模型共享

大多数发布的模型可在Power Apps和Power Automate中供自己使用。如果要让其他用户使用这些模型，需要在AI Builder的“模型”页面上共享它们，但其他用户无法查看你的训练数据，也不能编辑或重新训练模型。如果其他人要使用你创建的使用AI Builder模型的应用程序，需要同时与他们共享模型和应用程序。

4.2 在Power Automate中使用AI Builder

Power Automate是Microsoft的无代码机器人流程自动化工具，具有标准和高级连接器。AI Builder的所有模型都可作为转换在Power Automate中使用，可以将它们作为模板流，使用默认流或根据具体需求进行修改。

操作步骤如下：
1. 训练和测试模型后，将其发布，在Power Automate流中它将作为连接器出现。点击“在流中使用”，从AI Builder模型创建工具进入流设计屏幕。
2. 例如，将流连接到电子邮件邮箱，自动化提交费用的流程。当收到带有附件的邮件时，使用“收据处理”模型从附件收据中提取数据，并将其输入到账户系统中，同时通知负责费用审批的经理。
3. AI Builder预测模型可以按计划生成预测，也可以立即运行，预测结果存储在Dataverse中。如果需要按需预测，可以在Power Automate中创建一个流，通过在“新建步骤”的操作列表中选择“预测”，实时调用AI Builder的预测模型。

在Power Automate菜单栏中选择“构建”，可以选择预建模型或训练五种不同的基本模型：类别分类、实体提取、表单处理、对象检测和预测。大多数模型侧重于处理文本，体现了Microsoft在Power Platform中基于解决方案的AI方法。

以下是一个使用AI Builder在Power Automate中处理邮件收据的表格示例：
| 步骤 | 操作 | 说明 |
| ---- | ---- | ---- |
| 1 | 连接流到邮箱 | 接收带有附件的邮件 |
| 2 | 使用收据处理模型 | 从附件收据中提取数据 |
| 3 | 输入数据到账户系统 | 将数据分配给发件人 |
| 4 | 通知经理 | 告知费用审批相关信息 |

4.3 使用文档自动化入门套件

选择Power Automate中的文档自动化入门套件，会启动一系列流程来处理和管理自定义文档。该解决方案的核心是从邮箱获取文档，提取数据，并将结果传递给业务应用程序，如客户关系管理或企业资源规划系统。具体流程如下：
1. 流程监控邮箱，当收到带有附件的邮件时，将文档传递给AI Builder。
2. AI Builder使用表单处理工具根据设置的文档格式提取数据，然后将数据传递给用户进行验证，并传递给应用程序API。
3. 该流程依赖Power Platform的Dataverse进行文档存储，管理文档队列。运行流程后，会为文档设置状态标志，指示其准备好进行处理。
4. 另一个预配置的流程处理文档内容，使用AI Builder提取标记的数据字段，将数据存储在Dataverse的表中。处理完文档后，更改其状态，指示数据正在验证。
5. 需要在流程中添加自己的验证规则，如果文档未通过检查，将其传递给Power App进行手动验证；如果提取的数据通过自动验证，将其存储在另一个Dataverse表中，可通过另一个流程将其传递给应用程序。

4.4 在Power App中使用AI Builder

Power Apps提供了另一种低代码方式来使用AI Builder。使用Power Apps工具，通过预定义组件构建应用程序用户界面，连接器和操作将它们链接到外部应用程序和服务，包括AI Builder。基于Excel函数和SQL的声明性函数编程语言可用于为UI添加业务逻辑，将其与数据和服务链接，并响应用户交互。

目前，几乎所有AI Builder模型都可在Power Apps中使用（未来还会增加更多），主要适用于画布应用，但名片读取器模型也可用于模型驱动应用。发票处理模型需要Power Automate流，可以从Power App中调用该流。AI Builder预测模型按需运行，生成的预测结果写入Dataverse存储，Power App可以像使用其他Dataverse数据一样使用这些预测结果。

在Power App画布应用中集成AI Builder模型的步骤如下：
1. 从“插入”菜单中选择AI Builder，将预建模型拖放到应用程序画布上。例如，“名片读取器”会在画布上添加一个新控件，可上传名片图像。
2. 也可以使用自定义模型，训练表单处理器和对象检测器模型以供应用程序使用。
3. 在控件的“OnChange”属性中添加代码，将其链接到数据连接器。模型会将数据提取到一组预定义属性中，可用于提取和传输特定数据，如名字和邮政编码。

还可以通过公式栏在Power Apps Studio中集成一些AI Builder模型，目前适用于一些语言模型，未来可能会涵盖更多场景，包括情感分析、实体提取、关键短语提取、语言检测和类别分类。公式栏有一个属性列表，显示所选控件的属性，以及一个公式字段，用于构建为所选属性计算的公式，可包括值、条件格式、应用程序操作（如导航到应用程序中的不同屏幕或运行Power Automate流）或调用连接器以调用AI Builder模型。

以下是一个表格，总结在Power App中可用的AI Builder模型：
| 模型类型 | 适用场景 |
| ---- | ---- |
| 名片读取器 | 适用于画布应用和模型驱动应用 |
| 类别分类 | 画布应用 |
| 实体提取 | 画布应用 |
| 关键短语提取 | 画布应用 |
| 收据处理 | 画布应用 |
| 情感分析 | 画布应用 |
| 文本识别 | 画布应用 |
| 表单处理 | 画布应用 |
| 对象检测 | 画布应用 |

graph LR
    A[Power App] --> B[AI Builder模型]
    B -->|调用| C[Dataverse]
    C -->|数据存储| D[预测结果]
    A -->|使用| D

通过以上内容，我们了解了Power BI中的认知服务和自定义模型构建，以及AI Builder的功能、模型训练和使用方法。这些工具为非专业开发人员提供了低代码和无代码的方式，将AI集成到业务流程和应用程序中，提高工作效率和数据处理能力。

5. AI Builder模型使用的进一步探讨

5.1 模型使用的灵活性

AI Builder模型在Power Apps和Power Automate中的使用具有很高的灵活性。在Power Automate中，除了前面提到的使用方式，还可以结合多个AI Builder模型来处理复杂的业务场景。例如，在处理客户申请时，可以先使用实体提取模型识别申请中的关键信息，再使用类别分类模型对申请进行分类，最后根据分类结果使用不同的流程进行处理。

操作步骤如下：
1. 在Power Automate中创建一个新的流。
2. 添加实体提取模型作为第一个步骤，将输入数据传递给该模型。
3. 将实体提取模型的输出作为类别分类模型的输入，添加类别分类模型步骤。
4. 根据类别分类模型的输出结果，使用条件判断步骤，为不同的分类结果设置不同的后续处理流程。

5.2 模型与业务流程的深度结合

要将AI Builder模型深度融入业务流程，需要对业务流程有深入的理解。以销售流程为例，可以使用AI Builder预测模型预测客户购买的可能性，然后根据预测结果调整销售策略。

操作步骤如下：
1. 收集历史销售数据，包括客户信息、购买记录等，存储在Dataverse中。
2. 使用AI Builder创建预测模型，以客户购买可能性为预测目标，训练模型。
3. 在销售流程中，当获取到新的客户信息时，调用预测模型进行预测。
4. 根据预测结果，将客户分为高、中、低购买可能性组。
5. 为不同组别的客户制定不同的销售策略，如对高购买可能性客户提供个性化的优惠方案，对低购买可能性客户进行市场培育。

5.3 模型的持续优化

随着业务的发展和数据的积累，需要对AI Builder模型进行持续优化。可以通过定期评估模型的性能，收集新的数据进行重新训练，以提高模型的准确性和适用性。

操作步骤如下：
1. 定期（如每月或每季度）评估模型的性能，查看预测结果与实际结果的差异。
2. 收集新的数据，包括新的业务案例、客户反馈等，添加到训练数据集中。
3. 重新训练模型，使用更新后的数据集。
4. 再次评估新模型的性能，与旧模型进行对比，如果性能提升，则使用新模型替换旧模型。

6. AI Builder与其他服务的集成优势

6.1 与SharePoint Syntex的集成

前面提到SharePoint Syntex与AI Builder和Power Automate集成，用于处理大量文档。这种集成的优势在于可以充分利用SharePoint Syntex的内容管理能力和AI Builder的模型处理能力，实现文档的自动化处理和结构化数据提取。

具体流程如下：
1. 用户将文档上传到SharePoint文档库。
2. SharePoint Syntex触发Power Automate流，将文档传递给AI Builder。
3. AI Builder使用表单处理模型提取文档中的数据。
4. 提取的数据存储在Dataverse中，并更新文档的元数据。
5. 其他业务流程可以根据元数据和提取的数据进行进一步的处理，如数据验证、业务规则执行等。

6.2 与Dynamics 365的集成

AI Builder预测模型为Dynamics 365的某些功能提供支持，如业务卡片读取器模型与Dynamics集成。这种集成可以提高数据的准确性和业务流程的自动化程度。

例如，当使用业务卡片读取器模型读取名片信息后，信息可以直接同步到Dynamics 365的联系人管理系统中，减少手动输入的工作量，提高数据的准确性。

操作步骤如下：
1. 在Power Apps中使用业务卡片读取器模型读取名片信息。
2. 将读取的信息通过Power Automate流传递到Dynamics 365的联系人管理系统中。
3. 在Dynamics 365中设置相应的规则，对导入的信息进行验证和处理，如自动分配给销售代表、更新联系人状态等。

7. 总结与展望

7.1 总结

Power BI和AI Builder为非专业开发人员提供了强大的工具，通过低代码和无代码的方式将AI集成到业务流程和应用程序中。Power BI中的认知服务和自定义模型构建功能，使数据处理和分析更加智能化。AI Builder则提供了丰富的模型和简单易用的界面，方便用户训练、测试和发布模型，处理文本、图像等数据，实现业务流程的自动化。

7.2 展望

随着技术的不断发展，AI Builder和相关工具将不断完善和扩展。未来可能会有更多的AI服务集成到AI Builder中，支持更多的语言和数据类型，提供更强大的模型训练和优化功能。同时，与其他Microsoft服务的集成也将更加紧密，为用户提供更全面的解决方案。

以下是一个mermaid流程图，展示AI Builder与其他服务集成的整体架构：

graph LR
    A[SharePoint Syntex] --> B[AI Builder]
    B --> C[Power Automate]
    B --> D[Dynamics 365]
    B --> E[Power Apps]
    C --> F[Dataverse]
    E --> F
    D --> F
    F -->|数据存储| G[业务应用]

通过以上内容，我们全面了解了Power BI和AI Builder的功能、使用方法以及与其他服务的集成优势。这些工具为企业和个人提供了便捷、高效的方式，将AI技术应用到实际业务中，提升竞争力和工作效率。

以下是一个表格，总结AI Builder在不同场景下的应用：
| 场景 | 适用模型 | 操作步骤 |
| ---- | ---- | ---- |
| 处理邮件收据 | 收据处理模型 | 连接流到邮箱，使用模型提取数据，输入到账户系统，通知经理 |
| 客户申请处理 | 实体提取模型、类别分类模型 | 先使用实体提取，再使用类别分类，根据分类结果处理 |
| 销售预测 | 预测模型 | 收集历史数据，训练模型，预测新客户，制定销售策略 |
| 名片信息同步 | 业务卡片读取器模型 | 读取名片信息，通过流传递到Dynamics 365 |
| 文档处理 | 表单处理模型 | 上传文档到SharePoint，通过Syntex触发AI Builder提取数据 |