Fabric Real-Time Intelligence의 운영 에이전트는 조직이 실시간 데이터를 즉시 실행 가능한 의사 결정으로 전환하는 데 도움이 됩니다. 수동 모니터링 및 개입에 의존하는 대신 에이전트를 사용하여 주요 메트릭을 지속적으로 추적하고, 인사이트를 표시하고, 대상 작업을 권장합니다. 이를 통해 팀은 신속하게 대응하고 대규모 작업을 최적화할 수 있습니다. 각 작업 에이전트는 특정 비즈니스 프로세스를 위해 설계된 전용 패브릭 항목입니다.
명확한 지침 및 데이터 원본을 사용하여 에이전트를 구성하면 조직 전체에서 여러 에이전트를 가상 전문가로 배포할 수 있습니다. 이 모듈식 접근 방식은 모든 중요한 프로세스를 모니터링하고 지속적으로 개선하며, 권장되는 작업을 전략적 목표에 맞게 유지합니다.
이 문서에서는 Real-Time Intelligence에서 AI 운영 에이전트를 만들고 사용하는 방법을 알아봅니다. 작업 에이전트는 실시간 데이터를 모니터링하고 실행 가능한 결정을 제안합니다.
필수 조건
이벤트 하우스를 사용하는 경우 이벤트 하우스의 KQL 데이터베이스 입니다.
Microsoft Teams 계정.
운영 에이전트, Microsoft Copilot 및 Azure OpenAI에 대해 Fabric 관리자 권한이 사용하도록 설정되었습니다.
데이터 에이전트 테넌트 설정에 설명된 대로 AI에 대해 지역 간 처리 및 스토리지를 사용하도록 설정합니다. 이 필수 조건은 Fabric 용량이 미국 또는 EU 지역에서 프로비전되지 않은 경우에만 적용됩니다.
메모
샘플 데이터에 대한 작업 에이전트를 시도하려면 Real-Time Intelligence 엔드 투 엔드 샘플을 설정합니다. 운영 에이전트는 포함된 Eventhouse를 모니터링할 수 있습니다.
작업 에이전트 만들기
패브릭 홈페이지에서 줄임표(...) 아이콘을 선택한 다음 만들기를 선택합니다.
만들기에서 Real-Time Intelligence 섹션으로 이동하여 Operations 에이전트를 선택합니다.
새 작업 에이전트에서 에이전트의 이름을 입력하고 만들 작업 영역을 선택합니다.
만들기를 선택하여 작업 에이전트를 만듭니다.
작업 에이전트 구성
에이전트 설정 시 다음 정보를 제공하여 작업 에이전트를 구성하고 데이터에 맞게 조정합니다.
에이전트의 동작 및 의사 결정 프로세스를 안내하는 구체적인 지침을 제공합니다. 예를 들어 비즈니스 목표와 일치하는 조건을 감지하면 에이전트에 경고를 보내도록 지시할 수 있습니다.
에이전트가 분석하고 모니터링할 수 있는 관련 데이터 원본을 선택합니다. 이 선택을 통해 에이전트는 인사이트를 생성하는 데 필요한 정확하고 최신 정보에 액세스할 수 있습니다.
기본적으로 운영 에이전트는 모니터링하는 조건이 충족되면 Teams에서 메시지를 보낼 수 있습니다. 필요에 따라 권장하고 수행할 수 있는 추가 작업을 구성할 수 있습니다. 자세한 내용은 Operations 에이전트 작업을 참조하세요.
구성을 마치면 에이전트를 저장하고 플레이북 생성을 선택합니다. 플레이북은 사용자가 정의한 목표, 지침, 데이터 및 작업을 간략하게 설명하므로 에이전트는 해당 작업을 이해합니다.
기본 데이터에서 매핑하는 속성과 필드를 볼 수 있습니다. 규칙을 검토할 때 기본 열이 아닌 속성의 이름을 참조하는 규칙이 표시될 수 있습니다. 모델 및 규칙이 요구 사항과 일치하는지 확인합니다.
플레이북에는 에이전트가 모니터링하는 개념과 평가되는 규칙 또는 조건이 표시됩니다.
Copilot 채팅을 사용하여 작업 에이전트의 지침 및 규칙 구성
모든 목표, 규칙 및 임계값을 직접 구성하는 대신 기본 제공 Copilot 채팅을 사용하여 에이전트를 대화형으로 설정할 수 있습니다. 리본에서 채팅을 엽니다.
먼저 "터빈 모니터링 및 모터 온도가 너무 높아지면 경고"와 같이 에이전트가 자연어로 수행하려는 작업을 설명합니다. 채팅은 의도를 해석하고, 선택한 데이터 원본에 대해 근거를 지정하며, 에이전트의 플레이북을 구성하는 목표, 지침 및 규칙으로 변환하는 데 도움이 됩니다. 수동 구성과 함께 채팅을 사용할 수 있으므로 직접 지침을 입력하거나 Copilot 초안을 작성하고 구체화하도록 요청할 수 있습니다.
채팅은 지침을 구체화하고 모니터링 논리로 전환하는 데 가장 유용합니다. 조건을 설명할 때 Copilot 규칙과 쿼리를 제안하고, 명령이 명확하지 않거나, 사용할 수 없는 데이터를 참조하거나, 지원되지 않는 조건이나 작업을 요청하는 등 주의가 필요한 경우를 알려줍니다. 이 피드백 루프는 런타임에 간격을 검색하는 대신 에이전트를 시작하기 전에 과정을 수정하는 데 도움이 됩니다. 각 규칙마다 이를 뒷받침하는 명시적 쿼리가 있으므로, Copilot이 생성하는 내용을 검사하고 논리를 직접 검증할 수 있습니다.
구성은 반복적입니다. Copilot 규칙, 쿼리 및 작업을 제안하면 후속 질문을 하여 지침을 구체화하거나 임계값을 조정하거나 모니터링 범위를 좁힐 수 있습니다. 진행하는 동안 플레이북이 업데이트됩니다. 플레이북에 에이전트가 감시하려는 내용과 응답 방법이 반영될 때까지 이 제안-명확히-구체화 루프를 계속합니다. 만족하면 결과 목표, 규칙, 데이터 원본 및 작업을 검토합니다. 그런 다음 에이전트를 저장하고 시작합니다.
에이전트 시작
에이전트의 동작을 조정하려면 목표 또는 지침을 업데이트하고 에이전트를 다시 저장합니다. 구성에 만족하면 도구 모음에서 시작을 선택하여 에이전트를 시작합니다. 중지를 선택하여 중지합니다.
중요합니다
에이전트는 해당 작성자의 위임된 ID 및 사용 권한으로 작동합니다. 받는 사람이 추천을 승인하면 에이전트는 작성자의 권한을 사용하여 작성자를 대신하여 작업을 실행합니다.
운영 에이전트 규칙 이해
에이전트는 데이터 원본에 대해 각 규칙에 대한 쿼리를 실행합니다. 이 쿼리를 통해 규칙이 기본 열, 속성 및 논리에 매핑되는 방식을 정확하게 확인할 수 있습니다. 쿼리를 검토하면 에이전트가 올바른 속성을 평가하고, 의도한 조건을 적용하고, 올바른 데이터를 읽는지 확인할 수 있습니다. 이렇게 하면 에이전트가 시작하기 전에 올바른 항목을 찾는지 확인합니다.
코드 복사 옵션을 사용하여 KQL 쿼리 세트 항목 또는 온톨로지 그래프 쿼리 편집기에 붙여넣어 데이터에 대해 테스트할 수 있습니다. KQL의 경우 startTime 및 endTime 매개 변수를 최근 타임스탬프(또는 KQL now() 함수)로 바꿔 데이터에 대해 유효성을 검사해야 합니다.
작업 에이전트는 5분마다 규칙의 쿼리를 실행하고 규칙이 충족되는 시기를 정의하는 조건에 대해 결과를 추적합니다. 조건은 두 범주로 구분되며, 차이는 규칙 신호 빈도를 결정합니다.
- 상태 조건은 속성의 현재 값이 조건을 충족할 때마다 충족됩니다. 값이 해당 상태로 유지되는 한 만족을 유지하므로 조건이 지속되는 동안 반복적으로 신호를 보낼 수 있습니다. "온도가 80 이상"과 같은 상태에 있는 것을 염려할 때 상태 조건을 사용합니다.
- 전환 조건은 null 값의 변경을 포함하여 속성이 조건을 충족하지 않는 것에서 충족으로 변경되는 순간에만 충족됩니다. 전환마다 한 번만 신호를 보내며, 값이 해당 조건을 벗어났다가 다시 그 조건에 진입하기 전까지는 다시 신호를 보내지 않습니다. "온도가 80보다 커집니다."와 같이 변화에 관심이 있을 때 전환 조건을 사용합니다.
예를 들어 값이 임계값을 초과한 상태로 유지되는 동안에는 초과가 모든 평가에서 충족되는 반면, 상향 교차는 값이 임계값 아래에서 위로 이동할 때에만 충족됩니다. 진행 중인 상태에 응답할지 또는 상태 변경에 응답할지와 일치하는 조건을 선택합니다.
다음 표에서는 사용 가능한 조건에 대해 설명합니다.