Introduktion

Semantiska modeller är grunden för analys i Microsoft Fabric. De definierar hur data struktureras, beräknas och används i rapporter, instrumentpaneler och AI-upplevelser. En modell som fungerar för ett litet team i Power BI Desktop betjänar inte automatiskt hundratals användare i flera datalager. När datavolymerna växer, teamen expanderar och förbrukningsmönstren ändras måste designbesluten bakom modellen ändras.

Anta att en organisation skalar sin analysplattform i Microsoft Fabric. Deras data bor i lakehouses och lager, och deras befintliga semantiska modeller byggdes i Power BI Desktop för små team. Nu måste dessa modeller hantera större datamängder, fler samtidiga användare och bredare förbrukningsmönster. Modellerna fungerar i sin aktuella storlek, men de har inte utformats för skalning.

I den här modulen fattar du designbeslut som förbereder en semantisk modell för skalning. Du börjar med att välja rätt lagringsläge för hur data flödar in i modellen. Sedan designar du star-schemarelationer för tydlighet och prestanda. Därefter utformar du beräkningar som förblir högpresterande och underhållsbara när datavolymerna och teamstorleken växer. Slutligen konfigurerar du inställningar som styr hur modellen hanterar stora datamängder, samtidiga frågor och åtkomst till externa verktyg.

I slutet av den här modulen kan du utforma semantiska modeller som använder rätt lagringsläge, följa bästa praxis för star-schema, inkludera skalbara beräkningsmönster och konfigureras för växande datavolymer och förbrukningskrav. Modeller som är utformade för skalning gynnar även AI-förbrukningen, eftersom AI kräver samma saker från en modell: aktuella data, tydliga relationer, beskrivande strukturer och kapacitet för att hantera ytterligare frågebelastning.