Sammendrag
I denne modulen utforsket du hva som endrer seg når semantiske modeller må håndtere større datasett, flere samtidige brukere og bredere forbruksmønstre i Microsoft Fabric. Utfordringen var klar: modeller laget for små team i Power BI Desktop håndterer ikke automatisk det som følger med skalering.
Du lærte å ta fire kritiske designbeslutninger. Først valgte du Direct Lake som standard lagringsmodus og forsto når Import, DirectQuery eller komposittmodeller er det beste valget. Deretter designet du stjerneskjema-relasjoner for klarhet og ytelse, inkludert referanseintegritet, inaktive relasjoner og krysskildeforbindelser. Deretter designet du skalerbare beregninger med beregningsgrupper for å redusere spredning av mål, variabler og navnekonvensjoner for å støtte teamets vedlikeholdbarhet, og aggregeringer for å håndtere store datamengder. Til slutt konfigurerte du innstillinger som styrer hvordan modellen håndterer store datasett, samtidige forespørsler og ekstern verktøytilgang.
Sammen forbereder disse beslutningene en semantisk modell for skalering. De forbereder den også for AI-bruk, fordi AI krever det samme fra en modell som skalering: nåværende data, klare relasjoner, beskrivende strukturer og kapasitet.