Introduction

Les modèles sémantiques fournissent une base pour les rapports, les tableaux de bord et les expériences basées sur l’IA dans Microsoft Fabric et Power BI. Lorsqu’un modèle sémantique fonctionne correctement, les utilisateurs peuvent facilement naviguer dans des rapports et avoir des réponses d’IA fiables. Si ce n’est pas le cas, les rapports se chargent lentement, les utilisateurs perdent confiance et les flux de travail IA peuvent expirer ou échouer entièrement ou fournir des réponses inexactes ou incomplètes.

Les problèmes de performances peuvent provenir de nombreux endroits : un calcul DAX coûteux, une table avec des millions de valeurs uniques dans une seule colonne ou un visuel qui demande trop de données à la fois. Le défi n’est pas de savoir que quelque chose est lent, mais de savoir où se trouve le goulot d’étranglement et comment le corriger.

Supposons que vous travaillez dans une organisation d’analyse de la vente au détail qui a récemment migré ses rapports vers Microsoft Fabric. L’équipe a créé des modèles sémantiques pour prendre en charge les tableaux de bord exécutifs, les rapports au niveau du magasin et Copilot conversation pour l’exploration des données en langage naturel. Dans les semaines, les utilisateurs commencent à signaler que plusieurs tableaux de bord prennent 30 secondes ou plus à charger. La direction constate que les réponses du chat Copilot prennent trop de temps. Les rapports fonctionnent, mais ils sont trop lents. Votre tâche consiste à trouver les goulots d’étranglement, à les corriger et à vérifier les améliorations. Vous avez besoin d’une approche systématique qui couvre l’optimisation DAX, l’efficacité du modèle de données et les stratégies d’agrégation.

Dans ce module, vous allez apprendre à utiliser l’analyseur de performance pour diagnostiquer les lenteurs des visuels et identifier la cause principale des problèmes de performance. Vous explorez des techniques pour optimiser les calculs DAX, réduire la cardinalité et implémenter des agrégations. Vous découvrez également une approche de résolution systématique des problèmes de performances courants.

À la fin de ce module, vous pouvez diagnostiquer les problèmes de performances dans un modèle sémantique et appliquer des correctifs ciblés qui améliorent la vitesse des requêtes pour les utilisateurs humains et les expériences basées sur l’IA.