الملخص
في هذه الوحدة، استكشفت ما يتغير عندما تحتاج النماذج الدلالية إلى التعامل مع مجموعات بيانات أكبر، ومستخدمين أكثر تزامنا، وأنماط استهلاك أوسع في Microsoft Fabric. كان التحدي واضحا: النماذج المصممة للفرق الصغيرة في Power BI Desktop لا تتعامل تلقائيا مع ما يأتي مع الحجم.
تعلمت اتخاذ أربعة قرارات تصميم حاسمة. أولا، اخترت Direct Lake كوضع تخزين افتراضي وفهمت متى تكون نماذج الاستيراد أو DirectQuery أو النماذج المركبة هي الخيار الأفضل. ثم صممت علاقات مخطط النجوم من أجل الوضوح والأداء، بما في ذلك النزاهة المرجعية، والعلاقات غير النشطة، والروابط بين المصادر. بعد ذلك، صممت حسابات قابلة للتوسع باستخدام مجموعات حسابية لتقليل انتشار القياسات، والمتغيرات وقواعد التسمية لدعم قابلية صيانة الفريق، والتجميعات للتعامل مع أحجام البيانات الكبيرة. وأخيرا، قمت بإعداد إعدادات تتحكم في كيفية تعامل النموذج مع مجموعات البيانات الكبيرة، والاستعلامات المتزامنة، والوصول إلى الأدوات الخارجية.
معا، تعد هذه القرارات نموذجا دلاليا للمقياس. كما أنهم يجهزون النموذج لاستهلاكه، لأن الذكاء الاصطناعي يطلب نفس الأشياء من النموذج الذي يفرضه المقياس: البيانات الحالية، العلاقات الواضحة، الهياكل الوصفية، والسعة.