Nota:
El acceso a esta página requiere autorización. Puede intentar iniciar sesión o cambiar directorios.
El acceso a esta página requiere autorización. Puede intentar cambiar los directorios.
Nota:
Esta característica actualmente está en su versión preliminar pública. Esta versión preliminar se ofrece sin un contrato de nivel de servicio y no es aconsejable usarla para cargas de trabajo de producción. Es posible que algunas características no sean compatibles o que tengan sus funcionalidades limitadas. Para obtener más información, vea Supplemental Terms of Use for Microsoft Azure Previews.
Graph en Microsoft Fabric transforma los datos estructurados almacenados en OneLake en un grafo modelado y consultable. Consulte el grafo usando herramientas visuales o basadas en GQL que se ejecutan a través de un motor común para generar resultados visuales, tabulares o programáticos.
En este artículo se describe la arquitectura del grafo y se explica el flujo de datos de extremo a extremo, desde la fuente hasta los insights.
En el siguiente diagrama se muestra el flujo de datos de extremo a extremo, desde el origen hasta las perspectivas.
Orígenes de datos
Los datos se originan en sistemas externos, como servicios de Azure, otras plataformas en la nube o orígenes locales. El grafo en Microsoft Fabric funciona con datos de estas fuentes después de ingerirlos en OneLake, donde el grafo puede leerlos.
Almacenamiento en OneLake
Los datos ingeridos se almacenan en OneLake como tablas de origen tabulares en un lago. El grafo ingiere datos de las tablas de lakehouse al guardar el modelo, por lo que no es necesario configurar una canalización ETL independiente ni mover datos a una base de datos externa.
Modelado de grafos
En el paso de modelado de grafos, debe definir el esquema del grafo especificando:
- Tipos de nodo: Entidades de los datos, como clientes, productos o pedidos.
- Tipos perimetrales: Relaciones entre entidades, como "compras", "contiene" o "produce".
- Asignaciones de tablas: Cómo se asignan las definiciones de nodo y borde a las tablas de origen subyacentes.
Este paso crea la estructura del grafo etiquetado de propiedades. Complete el modelado del grafo antes de consultarlo. Para obtener instrucciones sobre cómo tomar estas decisiones de modelado, consulte Diseño de un esquema de grafos.
Nota:
Actualmente, Graph no admite la evolución del esquema. Si necesita realizar cambios estructurales(por ejemplo, agregar nuevas propiedades, modificar etiquetas o cambiar tipos de relación), volver a usar los datos de origen actualizados en un nuevo modelo.
Gráfico consultable
Al guardar el modelo, el grafo ingiere datos de las tablas de lakehouse subyacentes y construye un grafo consultable optimizado para lectura. Esta estructura de grafos está optimizada para la coincidencia de patrones y recorridos, lo que permite consultas de grafos rápidas y eficaces a escala.
Creación de consultas
Las consultas se crean en el grafo consultable mediante una de estas dos experiencias:
- Generador de consultas: Interfaz visual e interactiva para explorar nodos y relaciones sin escribir código. Para obtener más información, consulte Consulta del grafo con el generador de consultas.
- Editor de código: Editor basado en texto para escribir consultas de GQL (lenguaje de consulta de Graph ). Para obtener más información, consulte Consulta del gráfico con GQL.
Ambas opciones tienen como destino el mismo gráfico subyacente. Elija la experiencia de creación que se adapte al flujo de trabajo.
Ejecución de la consulta
Las consultas se ejecutan a través de una capa de ejecución común que admite:
- GQL: Consulta el gráfico mediante el estándar internacional para el lenguaje de consulta de grafos (ISO/IEC 39075).
- Lenguaje natural a GQL (NL2GQL) (versión preliminar): Traduce preguntas de lenguaje natural en consultas GQL. Agregue un grafo en Microsoft Fabric como origen de datos en el Agente de datos de Fabric para habilitar el razonamiento de inteligencia artificial con grafos. Para obtener más información sobre cómo funciona NL2GQL, consulte el anuncio de razonamiento de IA con tecnología gráfica.
- Ejecución basada en REST: Ejecuta consultas mediante programación mediante la API de consulta de GQL.
Sugerencia
Elija la ruta de acceso de consulta: Use GQL o REST para el acceso directo y mediante programación a los datos de grafos con control total sobre la estructura de consultas. Use NL2GQL (versión preliminar) a través del Fabric Data Agent cuando necesite un acceso a lenguaje natural, ideal para escenarios de inteligencia artificial conversacional y asistente de conocimiento.
Esta capa ejecuta la lógica de consulta en el gráfico consultable y devuelve resultados.
Resultados de la consulta
Dependiendo de cómo consulte el gráfico, recibirá resultados en uno o varios de los siguientes formatos:
- Diagramas de gráficos visuales: Visualizaciones interactivas de nodos y relaciones.
- Conjuntos de resultados tabulares: Datos estructurados en filas y columnas.
- Respuestas programáticas: Salida JSON para consumo REST o descendente.
Explore los resultados de forma interactiva, compártelos como conjuntos de consultas de solo lectura o úselos en otras herramientas y aplicaciones.