Modèles sémantiques et compatibilité tierce

Cet article explique ce que sont les modèles sémantiques Power BI, comment ils diffèrent des bases de données relationnelles et comment les approches Power BI prennent en charge les modèles sémantiques tiers.

Modèles sémantiques Power BI

Les modèles sémantiques Power BI constituent la source de vérité faisant autorité pour l’analyse ad hoc et la création de rapports dans d’innombrables organisations. Basés sur la technologie de modélisation sémantique BI la plus largement adoptée sur le marché, les modèles sémantiques Power BI offrent une surface d’API mature, des performances et une scalabilité exceptionnelles pour l’analyse interactive sur des données massives, ainsi qu’un écosystème prospère de développeurs, de partenaires et d’outils tiers.

Métriques métier pour la réutilisation

Les modèles sémantiques hautement organisés exposent les données d’entreprise à l’aide de conventions d’affectation de noms conviviales, d’une logique métier complexe pour les calculs sophistiqués, de relations déduites, de hiérarchies utilisateur, de traductions de métadonnées, etc. Avec des performances de requête très rapides, les utilisateurs peuvent découper et déserer des jeux de données massifs à la vitesse de la pensée. Ensemble, ces fonctionnalités favorisent la confiance et prennent des décisions cohérentes au sein de l’organisation.

Les modèles sémantiques Power BI sont des accélérateurs pour la BI compatible avec l’IA

Les modèles sémantiques Power BI constituent une partie clé de Fabric IQ. Les questions sur les données en langage naturel sont plus cohérentes et plus facilement quand l’IA peut s’appuyer sur la logique métier encapsulée par des modèles sémantiques. Les LLMs sont déjà familiarisés avec les interfaces API bien définies pour les métadonnées et les requêtes, permettant la modélisation et la consommation basée sur des agents. Les modèles sémantiques Power BI sont déjà déployés à grande échelle sur de nombreuses grandes organisations et ont été optimisés pour accélérer la consommation basée sur l’IA à l’échelle de l’entreprise.

Les modèles sémantiques peuvent également mettre en place des expériences Microsoft 365 Copilot, notamment Microsoft 365 Copilot Chat et Microsoft 365 Copilot Collègue, afin que les utilisateurs puissent poser des questions professionnelles et recevoir des réponses contextuelles basées sur des définitions métier régies directement au sein de Microsoft 365 Copilot.

Les fonctionnalités récentes étendent l’écosystème de modèles sémantiques pour les scénarios agentiques et de développement :

• Les compétences de l’agent pour Power BI permettent aux agents IA de créer, de modifier et de gérer des modèles sémantiques par le biais du langage naturel.
• La vue TMDL offre une expérience basée sur le code pour la modification des métadonnées de modèle sémantique dans Power BI Desktop.
• Fabric Apps (préversion) permet aux développeurs de créer des applications personnalisées sur des modèles sémantiques.

Engagement envers les normes ouvertes et la plateforme

Avec le mode de stockage Direct Lake , les modèles sémantiques Power BI font partie intégrante de l’engagement de Microsoft Fabric à ouvrir des formats standard à l’aide de Delta Lake Parquet, Iceberg et OneLake. Cet engagement permet aux clients d’éviter le verrouillage des formats de stockage de fournisseurs propriétaires. Les modèles sémantiques Power BI permettent une connectivité open platform pour un large éventail d’outils de visualisation de données tiers grâce à la compatibilité avec le point de terminaison XMLA. Les utilisateurs finaux peuvent effectuer une analyse ad hoc à partir de leur outil de choix sans avoir besoin de créer des copies locales de données. Les modèles sémantiques Power BI sont hautement programmables à l’aide de points de terminaison REST Fabric pour les opérations CRUD, l’exécution des requêtes, la gestion des actualisations, la prise en charge du notebook Python avec la liaison sémantique, la programmabilité .NET à l’aide du modèle objet tabulaire (TOM) et des définitions ouvertes de métadonnées à l’aide du langage TMDL (Tabular Model Definition Language) pour l’automatisation.

Bases de données relationnelles et modèles sémantiques

Une base de données relationnelle (par exemple, SQL Server) est conçue pour stocker et organiser les données dans des tables structurées. Il définit la façon dont les données sont stockées physiquement et accessibles, sans se concentrer sur la signification métier. L’algèbre relationnelle définit comment interroger ces données à l’aide d’opérations telles que la sélection et les jointures pour filtrer et combiner des tables et des vues.

Un modèle sémantique fournit une couche conviviale pour l’entreprise sur les données d’entreprise, en utilisant des noms clairs, des relations déduites et des métriques prédéfinies. Les calculs courants tels que les comparaisons de temps, les ratios et les mesures financières sont réutilisables, ce qui permet aux utilisateurs non techniques d’effectuer une analyse ad hoc en créant des rapports ou en soumettant des questions par le biais d’agents IA, tout en prenant en charge des décisions cohérentes et approuvées.

La précision des résultats est d’une importance primordiale

Les clients Power BI s’appuient sur la précision des métriques de modèle sémantique pour les décisions métier critiques, avec des calculs de modèle sémantique servant de source définitive de vérité. L’exactitude des réponses est essentielle pour favoriser la confiance et prendre des décisions cohérentes au sein des organisations clientes. En conséquence, toute prise en charge des modèles sémantiques tiers doit être implémentée par le biais d’une approche d’intégration qui garantit l’exactitude sémantique et préserve l’intégrité des résultats retournés aux utilisateurs.

Compatibilité avec les modèles sémantiques tiers

Power BI prend uniquement en charge les modèles sémantiques tiers suivants :

• SAP BW
• SAP HANA, lorsqu’il est traité comme une source multidimensionnelle
• AtScale

Certains fournisseurs sont pris en charge en tant que sources de base de données relationnelles via des modèles sémantiques DirectQuery. Toutefois, cette prise en charge ne s’étend pas nécessairement à leurs modèles sémantiques. Power BI prend uniquement en charge les modèles sémantiques tiers indiqués précédemment.

Modèle d’utilisation du modèle sémantique DirectQuery

DirectQuery est mis en surbrillance ici, car, s’il est superposé avec des modèles sémantiques tiers, il peut entraîner des résultats incorrects en raison d’une évaluation en temps réel sur la source de données sous-jacente.

Le diagramme suivant illustre un modèle d’utilisation de modèle sémantique DirectQuery :

1. Les utilisateurs interagissent avec des visuels dans des rapports Power BI ou envoient des questions de données via un agent IA.

2. Les requêtes DAX sont générées et soumises au modèle sémantique Power BI s’exécutant en mode DirectQuery.

3. Le modèle sémantique traduit les requêtes DAX en requêtes SQL et les fédère en base de données relationnelle sous-jacente. La base de données source effectue le traitement des requêtes.

Les modèles sémantiques de couches ( où un modèle tiers se trouve entre le modèle sémantique Power BI et la base de données relationnelle) ne sont généralement pas pris en charge. De même, les fournisseurs de modèles sémantiques tiers ne prennent généralement pas en charge la superposition des modèles sémantiques Power BI de cette façon.

Les modèles sémantiques DirectQuery prennent généralement en charge les sources relationnelles, mais pas les modèles sémantiques tiers pour garantir la précision

Les modèles sémantiques Power BI en mode DirectQuery prennent en charge des centaines de bases de données relationnelles tierces (voir connecteurs Power Query). La plupart des connecteurs ne prennent pas en charge les modèles sémantiques tiers, car ils produisent des résultats incorrects pour les utilisateurs. Les modèles sémantiques DirectQuery s’appuient généralement sur l’algèbre relationnelle dans la source pour la correction. Par exemple, les modèles sémantiques définissent des relations déduites pour les chemins d’agrégation prédéfinis. La combinaison de relations déduites dans un modèle sémantique tiers avec celles d’un modèle sémantique DirectQuery peut générer des valeurs incorrectes même pour des mesures simples.

Power BI se connecte à SQL Server Analysis Services multidimensionnel et tabulaire et à Azure Analysis Services, sans nécessiter de modèle sémantique DirectQuery intermédiaire. Pour plus d’informations, consultez la comparaison entre Live Connect et DirectQuery.

Résumé

Les modèles sémantiques Power BI sont omniprésents dans l’entreprise BI, représentant des dizaines de millions de modèles sémantiques actifs. Ils fournissent une couche haute performance adaptée aux entreprises sur les données, agissant comme une source fiable de vérité pour les insights pilotés par l’IA tout en prenant en charge les normes ouvertes et les vastes zones d'interface API.

Contrairement aux bases de données relationnelles, qui se concentrent sur le stockage et la structure des données, les modèles sémantiques ajoutent de la signification, des relations déduites et des calculs, ce qui facilite la consommation des utilisateurs non techniques. La précision est essentielle, de sorte que les intégrations , notamment avec les modèles sémantiques tiers, doivent préserver la justesse. Power BI prend en charge les sources de données relationnelles en mode DirectQuery. La superposition de modèles sémantiques n'est généralement pas prise en charge, car combiner plusieurs couches sémantiques peut entraîner des résultats incorrects pour les clients.