Wprowadzenie
Modele semantyczne są podstawą analizy w Microsoft Fabric. Określają one, w jaki sposób dane są ustrukturyzowane, obliczane i używane w raportach, pulpitach nawigacyjnych i środowiskach sztucznej inteligencji. Model, który działa dla małego zespołu w programie Power BI Desktop, nie obsługuje automatycznie setek użytkowników w wielu magazynach danych. Gdy woluminy danych rosną, zespoły rozszerzają się i zmieniają wzorce zużycia, decyzje projektowe związane z modelem muszą ulec zmianie.
Załóżmy, że organizacja skaluje swoją platformę analizy w Microsoft Fabric. Ich dane są przechowywane w magazynach typu lakehouse i hurtowniach danych, a ich istniejące modele semantyczne zostały utworzone w usłudze Power BI Desktop dla małych zespołów. Teraz te modele muszą obsługiwać większe zestawy danych, bardziej współbieżne użytkowników i szersze wzorce zużycia. Modele działają w obecnym rozmiarze, ale nie zostały zaprojektowane z myślą o rozbudowie.
W tym module podejmujesz decyzje projektowe, które przygotowują semantyczny model do skalowania. Zacznij od wybrania odpowiedniego trybu przechowywania, aby dowiedzieć się, jak dane przepływają do modelu. Następnie projektujesz relacje schematu gwiazdy w celu zapewnienia przejrzystości i wydajności. Następnie projektujesz obliczenia, które pozostają wydajne i konserwowalne w miarę wzrostu ilości danych i rozmiaru zespołu. Na koniec skonfigurujesz ustawienia, które kontrolują sposób obsługi dużych zestawów danych, współbieżnych zapytań i dostępu do narzędzi zewnętrznych.
Po ukończeniu tego modułu jesteś w stanie projektować modele semantyczne, które korzystają z odpowiedniego trybu przechowywania, stosują najlepsze praktyki schematu gwiazdy, uwzględniają skalowalne wzorce obliczeń oraz są skonfigurowane na rosnące ilości danych i zwiększone wymagania dotyczące użycia. Modele zaprojektowane do skalowania również korzystają na zastosowaniu sztucznej inteligencji, ponieważ sztuczna inteligencja wymaga od modelu tych samych czynników: bieżących danych, przejrzystych relacji, struktur opisowych i pojemności do obsługi dodatkowego obciążenia zapytań.