Inleiding

Semantische modellen vormen de basis van analyses in Microsoft Fabric. Ze definiëren hoe gegevens zijn gestructureerd, berekend en gebruikt in rapporten, dashboards en AI-ervaringen. Een model dat werkt voor een klein team in Power BI Desktop bedient niet automatisch honderden gebruikers over meerdere gegevensbronnen. Wanneer gegevensvolumes groeien, breiden teams uit en veranderen de verbruikspatronen, moeten de ontwerpbeslissingen achter het model veranderen.

Stel dat een organisatie het analyseplatform in Microsoft Fabric schaalt. Hun gegevens bevinden zich in lakehouses en magazijnen en hun bestaande semantische modellen zijn gebouwd in Power BI Desktop voor kleine teams. Deze modellen moeten nu grotere gegevenssets, meer gelijktijdige gebruikers en bredere verbruikspatronen verwerken. De modellen werken op hun huidige grootte, maar ze zijn niet ontworpen voor schaalvergroting.

In deze module maakt u de ontwerpbeslissingen die een semantisch model voorbereiden op schaal. U begint met het kiezen van de juiste opslagmodus voor de manier waarop gegevens in het model stromen. Vervolgens ontwerpt u stervormige schemarelaties voor duidelijkheid en prestaties. Vervolgens ontwerpt u berekeningen die presterend en onderhouden blijven naarmate gegevensvolumes en teamgrootte toenemen. Ten slotte configureert u instellingen die bepalen hoe het model grote gegevenssets, gelijktijdige query's en toegang tot externe hulpprogramma's verwerkt.

Aan het einde van deze module kunt u semantische modellen ontwerpen die gebruikmaken van de juiste opslagmodus, de aanbevolen procedures voor stervormige schema's volgen, schaalbare berekeningspatronen bevatten en worden geconfigureerd voor groeiende gegevensvolumes en verbruiksvereisten. Modellen die zijn ontworpen voor schaal, profiteren ook van AI-verbruik, omdat AI hetzelfde vereist als een model: huidige gegevens, duidelijke relaties, beschrijvende structuren en de capaciteit voor het afhandelen van extra querybelasting.