Sammanfattning
I den här modulen utforskade du vilka ändringar som behövs när semantiska modeller behöver hantera större datamängder, fler samtidiga användare och bredare förbrukningsmönster i Microsoft Fabric. Utmaningen var tydlig: modeller som skapats för små team i Power BI Desktop hanterar inte automatiskt vad som kommer med skala.
Du har lärt dig att fatta fyra viktiga designbeslut. Först valde du Direct Lake som standardlagringsläge och förstod när import-, DirectQuery- eller sammansatta modeller är det bättre valet. Sedan utformade du starschemarelationer för tydlighet och prestanda, inklusive referensintegritet, inaktiva relationer och anslutningar mellan källor. Därefter har du utformat skalbara beräkningar med hjälp av beräkningsgrupper för att minska måttspridning, variabler och namngivningskonventioner för att stödja teamets underhåll och aggregeringar för att hantera stora datavolymer. Slutligen konfigurerade du inställningar som styr hur modellen hanterar stora datamängder, samtidiga frågor och åtkomst till externa verktyg.
Tillsammans förbereder dessa beslut en semantisk modell för skalning. De förbereder den också för AI-förbrukning eftersom AI kräver samma saker från en modell som skalan gör: aktuella data, tydliga relationer, beskrivande strukturer och kapacitet.