Introducción
Los modelos semánticos proporcionan una base para informes, paneles y experiencias basadas en inteligencia artificial en Microsoft Fabric y Power BI. Cuando un modelo semántico funciona bien, los usuarios pueden navegar fácilmente por los informes y tener respuestas confiables de inteligencia artificial. Cuando no es así, los informes se cargan lentamente, los usuarios pierden confianza y los flujos de trabajo de inteligencia artificial pueden agotar el tiempo de espera o generar errores en su totalidad o proporcionar respuestas inexactas o incompletas.
Los problemas de rendimiento pueden provenir de muchos lugares: un cálculo DAX costoso, una tabla con millones de valores únicos en una sola columna o un objeto visual que solicita demasiados datos a la vez. El desafío no es saber que algo es lento, pero saber dónde está el cuello de botella y cómo corregirlo.
Supongamos que trabaja en una organización de análisis minorista que ha migrado recientemente sus informes a Microsoft Fabric. El equipo creó modelos semánticos para dar soporte a paneles ejecutivos, informes a nivel de tienda y el chat de Copilot para la exploración de datos en lenguaje natural. En semanas, los usuarios empiezan a informar de que varios paneles tardan 30 segundos o más en cargarse. El equipo ejecutivo observa que las respuestas del chat de Copilot agotan el tiempo de espera. Los informes funcionan, pero son demasiado lentos. La tarea es buscar los cuellos de botella, corregirlos y comprobar las mejoras. Necesita un enfoque sistemático que abarque la optimización de DAX, la eficacia del modelo de datos y las estrategias de agregación.
En este módulo, aprenderá a utilizar el Analizador de rendimiento para diagnosticar elementos visuales lentos e identificar la causa raíz de los problemas de rendimiento. Explorará técnicas para optimizar los cálculos DAX, reducir la cardinalidad e implementar agregaciones. También aprenderá un enfoque de solución de problemas sistemático para problemas comunes de rendimiento.
Al final de este módulo, puede diagnosticar problemas de rendimiento en un modelo semántico y aplicar correcciones dirigidas que mejoran la velocidad de las consultas para los usuarios humanos y las experiencias basadas en inteligencia artificial.