Como gerar Anotações de Colunas em Copilot no Fabric: passo a passo

João Barros 11 de November de 2026 6 min de leitura

Este tutorial mostra como usar o Copilot no Fabric para gerar anotações (column annotations) automáticas numa tabela do Lakehouse. Documentar colunas com descrições e tipos é útil para descoberta, governação e para que equipas saibam o significado dos dados. Anotações consistentes ajudam a reduzir o tempo de onboarding de novos utilizadores (p.ex. 30-50% menos tempo até compreender um dataset) e facilitam a integração com ferramentas como Power BI e processos ETL.

Pré-requisitos

Conta com acesso ao Microsoft Fabric e permissões para editar um Lakehouse (pelo menos papel de Owner ou Data Curator).
Tabela de dados carregada no Lakehouse (por exemplo CSV importado como tabela). Exemplos típicos: tabela "Sales" com colunas order_id, price, currency, customer_email, order_date.
Copilot activado na sua instância do Fabric e com permissões para aceder ao contexto do Lakehouse.
Noções básicas de SQL (SELECT, ALTER) e dos conceitos de metadados (semantic types, comentários de coluna).
Sugestão: mostre ao Copilot uma amostra de 100–1000 registos para melhores exemplos e deteção de padrões.

Passo 1: Identificar a tabela e o objectivo das anotações

Escolha a tabela no Lakehouse cuja documentação quer melhorar. Decida o nível de detalhe: descrição curta (1–2 frases), semantic_type (ex.: currency, email, iso-country), exemplo de valor, e regras de validação (regex ou validações simples). Por exemplo, para 10 colunas críticas (p.ex. order_id, price, customer_email) pode pedir descrições detalhadas; para 50 colunas menos críticas, descrições curtas podem bastar. Anote também o público-alvo: analistas, engenheiros ou utilizadores de negócio — isso condiciona a linguagem usada nas descrições.

Passo 2: Abrir Copilot no contexto da tabela

Navegue para a lista de ficheiros do Lakehouse, seleccione a tabela e abra o painel do Copilot (ícone Copilot no canto superior direito do UI do Lakehouse). Abrir o Copilot no contexto da tabela permite-lhe referenciar colunas e amostras automaticamente — o modelo pode ler os primeiros N registos e inferir formatos. Se não conseguir abrir no contexto, copie manualmente um esquema ou amostra para o prompt.

Passo 3: Criar um prompt orientado para anotações

Escreva um prompt claro que peça descrições, semantic_type e exemplos para cada coluna. Prefira um formato estruturado (JSON) para facilitar a aplicação posterior. Explique o comprimento desejado das descrições e o inventário de semantic_type aceitáveis (p.ex. currency, email, iso-country, datetime, id, postcode, phone, person-name). Inclua também que sejam geradas rule_suggestion como regex ou checks SQL simples.

{
  "prompt": "Analisa as colunas da tabela 'Sales' e gera metadados em JSON. Para cada coluna, devolve: name, description (1-2 frases), semantic_type (ex: currency, email, iso-country), example_value e rule_suggestion (regex ou validação SQL). Usa amostras dos primeiros 100 registos se necessário.",
  "output_format": "json"
}

Exemplos de rule_suggestion: email -> "^[^@\s]+@[^@\s]+\.[^@\s]+$"; price -> "^\\d+(\\.\\d{2})?$" (valor com duas casas decimais). Estas regras ajudam a automatizar checks de qualidade.

Passo 4: Executar Copilot e rever o resultado

Submeta o prompt e aguarde a resposta do Copilot (normalmente segundos a 1-2 minutos, dependendo do tamanho da amostra). O output deverá ser um JSON com uma entrada por coluna. Reveja cada campo: as descrições devem ser concisas e correctas; os semantic_type úteis para descoberta; os example_value representativos (não valores vazios) e as rule_suggestion concretas e testáveis. Se encontrar um semantic_type incorrecto, anote-o para corrigir no próximo prompt.

Exemplo de snippet gerado (conceptual):

{
  "columns": [
    {"name": "price", "description": "Preço unitário da venda em euros.", "semantic_type": "currency", "example_value": "19.99", "rule_suggestion": "^\\d+(\\.\\d{1,2})?$"},
    {"name": "customer_email", "description": "Email do cliente usado para contacto.", "semantic_type": "email", "example_value": "cliente@example.com", "rule_suggestion": "^[^@\\s]+@[^@\\s]+\\.[^@\\s]+$"}
  ]
}

Passo 5: Ajustar e iterar o prompt em caso de erros comuns

Erros comuns: descrições demasiado vagas, semantic_type genéricos (ex.: string) ou exemplos irrelevantes. Refine o prompt pedindo maior detalhe ou limitando o escopo a colunas específicas. Por exemplo, se o Copilot não detectou correctamente formatos de data, peça explicitamente "date format ISO 8601 ou DD/MM/YYYY". Itere até obter qualidade aceitável — normalmente 2–3 iterações para conjuntos de 10–20 colunas.

{
  "prompt": "Foca nas colunas 'price', 'currency', 'customer_email'. Para cada uma, devolve: name, description (2 frases), semantic_type (currency/email), example_value (do dataset) e rule_suggestion. Se não houver exemplos, devolve null."
}

Passo 6: Converter o JSON gerado em alterações na tabela

Depois de validar o JSON, aplique as anotações usando a API do Fabric (se disponível) ou através do UI do Lakehouse. Uma abordagem simples é gerar um script SQL que actualize comentários de coluna. Se tiver 20 colunas, gere 20 comandos ALTER automaticamente a partir do JSON.

-- Exemplo conceptual: aplicar descrição via SQL
ALTER TABLE Sales ALTER COLUMN price SET COMMENT 'Preço unitário em euros, sem IVA';
-- Para múltiplas colunas, gerar dinamicamente com base no JSON do Copilot

Se preferir validar as rule_suggestion antes de aplicar, execute checks SQL como:

SELECT COUNT(*) AS invalid_emails FROM Sales WHERE NOT (customer_email REGEXP '^[^@\s]+@[^@\s]+\.[^@\s]+$');

Verificar o resultado

Confirme que as descrições aparecem no catálogo do Lakehouse e que ferramentas como Power BI ou Data Insights mostram as anotações. Teste também as sugestões de validação executando os checks (p.ex. contar registos que falham regex). Registe métricas antes/depois (p.ex. número de registos inválidos) para medir impacto. Se implementar num pipeline ETL, adicione estas validações como passos automáticos e registe alertas quando a percentagem de erros ultrapassar um limiar (p.ex. 1%).

Conclusão

Ao usar o Copilot no Fabric para gerar anotações de colunas ganha tempo e uniformidade na documentação dos dados; o próximo passo é automatizar este fluxo (ex.: agendar revisões mensais) e integrar as rule_suggestion em pipelines ETL. Dica prática: comece por um subconjunto crítico de 5–10 colunas, valide resultados e depois escale para o catálogo completo. Mantenha sempre um ciclo de revisão humana para garantir qualidade semântica — quer experimentar gerar anotações para um subconjunto crítico primeiro?