Introduction

Les modèles sémantiques constituent la base de l’analytique dans Microsoft Fabric. Ils définissent la façon dont les données sont structurées, calculées et consommées dans les rapports, les tableaux de bord et les expériences IA. Un modèle qui fonctionne pour une petite équipe dans Power BI Desktop ne sert pas automatiquement des centaines d'utilisateurs dans plusieurs magasins de données. Lorsque les volumes de données augmentent, les équipes augmentent et les modèles de consommation changent, les décisions de conception derrière le modèle doivent changer.

Supposons qu’une organisation met à l’échelle sa plateforme d’analytique dans Microsoft Fabric. Leurs données vivent dans des lakehouses et des entrepôts, et leurs modèles sémantiques existants ont été créés dans Power BI Desktop pour les petites équipes. À présent, ces modèles doivent gérer des jeux de données plus volumineux, des utilisateurs plus simultanés et des modèles de consommation plus larges. Les modèles fonctionnent à leur taille actuelle, mais ils n’ont pas été conçus pour la mise à l’échelle.

Dans ce module, vous prenez les décisions de conception qui préparent un modèle sémantique pour la mise à l’échelle. Vous commencez par choisir le mode de stockage approprié pour la façon dont les données circulent dans le modèle. Ensuite, vous concevez des relations de schéma en étoile pour la clarté et la performance. Ensuite, vous concevez des calculs qui restent performants et gérables à mesure que les volumes de données et la taille de l’équipe augmentent. Enfin, vous configurez les paramètres qui contrôlent la façon dont le modèle gère les jeux de données volumineux, les requêtes simultanées et l’accès aux outils externes.

À la fin de ce module, vous pouvez concevoir des modèles sémantiques qui utilisent le mode de stockage approprié, suivre les bonnes pratiques de schéma en étoile, inclure des modèles de calcul évolutifs et être configurés pour augmenter les volumes de données et les demandes de consommation. Les modèles conçus pour une mise à l’échelle bénéficient également de la consommation de l’IA, car l’IA demande les mêmes éléments à partir d’un modèle : données actuelles, relations claires, structures descriptives et capacité à gérer une charge de requête supplémentaire.