Resume
I dette modul undersøgte du, hvad der ændrer sig, når semantiske modeller skal håndtere større datasæt, flere samtidige brugere og bredere forbrugsmønstre i Microsoft Fabric. Udfordringen var klar: modeller bygget til små teams i Power BI Desktop håndterer ikke automatisk det, der følger med skalaen.
Du lærte at træffe fire afgørende designbeslutninger. Først valgte du Direct Lake som standard lagringstilstand og forstod, hvornår Import, DirectQuery eller kompositmodeller er det bedste valg. Derefter designede du stjerneskema-relationer for klarhed og ydeevne, herunder referentiel integritet, inaktive relationer og krydskildeforbindelser. Dernæst designede du skalerbare beregninger med beregningsgrupper for at reducere målspredning, variable og navngivningskonventioner for at understøtte teamets vedligeholdelse samt aggregeringer til at håndtere store datamængder. Endelig konfigurerede du indstillinger, der styrer, hvordan modellen håndterer store datasæt, samtidige forespørgsler og ekstern værktøjsadgang.
Sammen forbereder disse beslutninger en semantisk model for skalering. De forbereder det også til AI-forbrug, fordi AI kræver det samme fra en model, som skala gør: aktuelle data, klare relationer, beskrivende strukturer og kapacitet.