Zusammenfassung

  • 2 Minuten

In diesem Modul haben Sie untersucht, was sich ändert, wenn semantische Modelle größere Datasets, gleichzeitige Benutzer und breitere Verbrauchsmuster in Microsoft Fabric verarbeiten müssen. Die Herausforderung war klar: Modelle, die für kleine Teams in Power BI Desktop entwickelt wurden, können die Anforderungen einer Skalierung nicht automatisch bewältigen.

Sie haben gelernt, vier wichtige Designentscheidungen zu treffen. Zuerst haben Sie Direct Lake als Standardspeichermodus ausgewählt und verstanden, wenn Import-, DirectQuery- oder Zusammengesetztmodelle die bessere Wahl sind. Anschließend haben Sie Sternschemabeziehungen für Klarheit und Leistung entwickelt, einschließlich referenzieller Integrität, inaktiver Beziehungen und quellübergreifender Verbindungen. Als Nächstes haben Sie skalierbare Berechnungen mithilfe von Berechnungsgruppen entwickelt, um die Verbreitung, Variablen und Benennungskonventionen zu reduzieren, um die Teamerhaltung zu unterstützen, und Aggregationen zur Verarbeitung großer Datenvolumes. Schließlich haben Sie Einstellungen konfiguriert, die steuern, wie das Modell große Datasets, gleichzeitige Abfragen und zugriff auf externe Tools verarbeitet.

Zusammen bereiten diese Entscheidungen ein semantisches Modell für die Skalierung vor. Sie bereiten es auch auf den KI-Verbrauch vor, da KI dieselben Anforderungen an ein Modell stellt wie Skalierbarkeit: aktuelle Daten, klare Beziehungen, beschreibende Strukturen und Kapazität.

Weitere Informationen