Agrégations automatiques

Les agrégations automatiques utilisent le Machine Learning (ML) de pointe pour optimiser en permanence les modèles sémantiques DirectQuery pour optimiser les performances maximales des requêtes de rapport. Les agrégations automatiques sont basées sur l’infrastructure d’agrégations définies par l’utilisateur existante d’abord introduite avec des modèles composites pour Power BI. Contrairement aux agrégations définies par l’utilisateur, les agrégations automatiques ne ™nécessitent pas de compétences étendues en matière de modélisation des données et d’optimisation des requêtes pour configurer et gérer. Les agrégations automatiques sont à la fois autoapprenantes et auto-optimisées. Ils permettent aux propriétaires de modèles de n’importe quel niveau de compétence d’améliorer les performances des requêtes, en fournissant des visualisations de rapport plus rapides pour les modèles volumineux.

Avec les agrégations automatiques :

• Les visualisations de rapport sont plus rapides : un pourcentage optimal de requêtes de rapport est retourné par un cache d’agrégations en mémoire géré automatiquement au lieu des systèmes de source de données back-end. Les requêtes hors norme qui ne sont pas retournées par le cache en mémoire sont transmises directement à la source de données à l’aide de DirectQuery.
• Architecture équilibrée : par rapport au mode DirectQuery pur, la plupart des résultats de requête sont retournés par le moteur de requête Power BI et le cache d’agrégations en mémoire. La charge de traitement des requêtes sur les systèmes de source de données aux heures de création de rapports maximales peut être considérablement réduite, ce qui signifie une scalabilité accrue dans le back-end de source de données.
• Configuration simple : les propriétaires de modèles peuvent activer l’apprentissage automatique des agrégations et planifier une ou plusieurs actualisations pour le modèle. Avec la première formation et l’actualisation, les agrégations automatiques commencent à créer une infrastructure d’agrégations et des agrégations optimales. Le système s’ajuste automatiquement au fil du temps.
• Réglage précis « Avec une interface utilisateur simple et intuitive dans les paramètres du modèle, vous pouvez estimer les gains de performances d’un pourcentage différent des requêtes retournées par le cache des agrégations en mémoire et apporter des ajustements pour des gains encore plus importants. Un seul contrôle de curseur vous permet d'affiner facilement votre environnement.

Spécifications

Plans pris en charge

Les agrégations automatiques sont prises en charge pour Les modèles Power BI Premium par capacité, Premium par utilisateur et Power BI Embedded .

Sources de données prises en charge

Les agrégations automatiques sont prises en charge pour les sources de données suivantes :

• Azure SQL Database
• Pool SQL dédié Azure Synapse
• SQL Server 2019 ou version ultérieure
• Google BigQuery
• Snowflake
• Databricks
• Amazon Redshift

Modes pris en charge

Les agrégations automatiques sont prises en charge pour les modèles en mode DirectQuery. Les modèles de modèle composite avec les tables d’importation et les connexions DirectQuery sont pris en charge. Les agrégations automatiques sont prises en charge uniquement pour la connexion DirectQuery.

Permissions

Pour activer et configurer des agrégations automatiques, vous devez être le propriétaire du modèle. Les administrateurs d’espace de travail peuvent prendre le relais en tant que propriétaire pour configurer les paramètres d’agrégation automatique.

Configuration des agrégations automatiques

Les agrégations automatiques sont configurées dans les paramètres du modèle. La configuration est simple : activez l’apprentissage automatique des agrégations et planifiez une ou plusieurs actualisations. Avant de configurer des agrégations automatiques pour votre modèle, veillez à lire entièrement cet article. Il fournit une bonne compréhension du fonctionnement des agrégations automatiques et peut vous aider à déterminer si les agrégations automatiques sont appropriées pour votre environnement. Lorsque vous êtes prêt pour obtenir des instructions pas à pas sur la façon d’activer l’apprentissage des agrégations automatiques, de configurer une planification d’actualisation et d’ajuster votre environnement, consultez Configurer des agrégations automatiques.

Avantages

Avec DirectQuery, chaque fois qu’un utilisateur de modèle ouvre un rapport ou interagit avec une visualisation de rapport, les requêtes DAX (Data Analysis Expressions) sont passées au moteur de requête, puis à la source de données principale en tant que requêtes SQL. La source de données doit calculer et retourner les résultats pour chaque requête. Par rapport aux modèles en mode importation stockés en mémoire, les allers-retours de source de données DirectQuery peuvent être à la fois longs et gourmands en processus, ce qui provoque souvent des temps de réponse de requête lents dans les visualisations de rapport.

Lorsqu’elles sont activées pour un modèle DirectQuery, les agrégations automatiques peuvent améliorer les performances des requêtes de rapport en évitant les allers-retours de requête de source de données. Les résultats de requête pré-agrégés sont automatiquement retournés par un cache d’agrégations en mémoire plutôt que d’être envoyés à et retournés par la source de données. La quantité de données pré-agrégées dans le cache d’agrégations en mémoire est une petite fraction de la quantité de données conservées dans les tables de faits et de détails de la source de données. Le résultat n’est pas seulement de meilleures performances de requête de rapport, mais également une charge réduite sur les systèmes de source de données back-end. Avec les agrégations automatiques, seules une petite partie des requêtes de rapport et ad hoc qui nécessitent des agrégations non incluses dans le cache en mémoire sont passées à la source de données back-end, comme avec le mode DirectQuery pur.

Gestion automatique des requêtes et des agrégations

Bien que les agrégations automatiques éliminent la nécessité de créer des tables d’agrégation définies par l’utilisateur et simplifient considérablement l’implémentation d’une solution de données pré-agrégée, une connaissance plus approfondie des processus et dépendances sous-jacents est utile pour comprendre le fonctionnement des agrégations automatiques. Power BI s’appuie sur les éléments suivants pour créer et gérer des agrégations automatiques.

Journal des requêtes

Power BI effectue le suivi des requêtes de modèle et de rapport utilisateur dans un journal des requêtes. Pour chaque modèle, Power BI gère sept jours de données de journal de requête. Les données du journal des requêtes sont transférées chaque jour. Le journal des requêtes est sécurisé et non visible pour les utilisateurs ou via le point de terminaison XMLA.

Opérations d’entraînement

Dans le cadre de la première opération d’actualisation planifiée du modèle pour votre fréquence sélectionnée (jour ou semaine), Power BI lance d’abord une opération d’entraînement qui évalue le journal des requêtes pour garantir que les agrégations dans le cache des agrégations en mémoire s’adaptent à la modification des modèles de requête. Les tables d’agrégation en mémoire sont créées, mises à jour ou supprimées, et des requêtes spéciales sont envoyées à la source de données pour déterminer les agrégations à inclure dans le cache. Toutefois, les données d’agrégation calculées ne sont pas chargées dans le cache en mémoire pendant l’entraînement. Elles sont chargées pendant l’opération d’actualisation suivante.

Par exemple, si vous choisissez une fréquence de jour et que la planification s’actualise à 4 h 00, 9 h 00, 2 h 00 et 17 h 00, seule l’actualisation de 4 h 00 chaque jour inclut à la fois une opération d’entraînement et une opération d’actualisation. Les actualisations planifiées suivantes de 9h00, 2h00 et 17h00 sont des opérations d’actualisation uniquement qui mettent à jour les agrégations existantes dans le cache.

Bien que les opérations d’apprentissage évaluent les requêtes passées à partir du journal des requêtes, les résultats sont suffisamment précis pour garantir que les requêtes futures sont couvertes. Toutefois, il n’existe aucune garantie que les futures requêtes seront retournées par le cache d’agrégations en mémoire, car ces nouvelles requêtes peuvent être différentes de celles dérivées du journal des requêtes. Ces requêtes non retournées par le cache des agrégations en mémoire sont transmises à la source de données à l’aide de DirectQuery. En fonction de la fréquence et du classement de ces nouvelles requêtes, les agrégations pour celles-ci peuvent être incluses dans le cache d’agrégations en mémoire avec la prochaine opération d’entraînement.

L’opération d’entraînement a une limite de temps de 60 minutes. Si l’entraînement ne parvient pas à traiter l’intégralité du journal des requêtes dans le délai imparti, une notification est consignée dans l’historique d’actualisation du modèle et l'entraînement reprend lorsqu'il est relancé. Le cycle d’entraînement se termine et remplace les agrégations automatiques existantes lorsque l’intégralité du journal des requêtes est traitée.

Opérations d’actualisation

Comme décrit précédemment, une fois l’opération d’entraînement terminée dans le cadre de la première actualisation planifiée pour votre fréquence sélectionnée, Power BI effectue une opération d’actualisation qui interroge et charge les données d’agrégations nouvelles et mises à jour dans le cache des agrégations en mémoire et supprime toutes les agrégations qui ne sont plus classées suffisamment élevées (comme déterminé par l’algorithme d’entraînement). Toutes les actualisations suivantes pour votre fréquence de jour ou de semaine choisies sont des opérations d’actualisation uniquement qui interrogent la source de données pour mettre à jour les données d’agrégation existantes dans le cache. À l’aide de notre exemple précédent, les actualisations planifiées de 9h00, 2h00 et 17h00 pour cette journée sont uniquement des opérations d’actualisation.

Les actualisations planifiées régulièrement tout au long de la journée (ou de la semaine) garantissent que les données d’agrégation dans le cache sont plus à jour avec les données à la source de données principale. Grâce aux paramètres du modèle, vous pouvez planifier jusqu’à 48 actualisations par jour pour vous assurer que les requêtes de rapport retournées par le cache d’agrégations obtiennent des résultats en fonction des données actualisées les plus récentes de la source de données back-end.

Caution

Les opérations d’entraînement et d’actualisation sont des processus et des ressources intensives pour le service Power BI et les systèmes de source de données. L’augmentation du pourcentage de requêtes qui utilisent des agrégations signifie que davantage d’agrégations doivent être interrogées et calculées à partir de sources de données pendant les opérations d’entraînement et d’actualisation, ce qui augmente la probabilité d’une utilisation excessive des ressources système et peut entraîner des délais d’expiration. Pour en savoir plus, consultez Réglage fin.

Formation à la demande

Comme mentionné précédemment, un cycle d’entraînement peut ne pas se terminer dans les limites de temps d’un cycle d’actualisation des données unique. Si vous ne ™souhaitez pas attendre le prochain cycle d’actualisation planifié qui inclut l’entraînement, vous pouvez également déclencher une formation automatique d’agrégations à la demande en sélectionnant Entraîner et Actualiser maintenant dans les paramètres du modèle. En utilisant Train and Refresh Now déclenche simultanément une opération d’entraînement et une opération d’actualisation. Vérifiez l’historique d’actualisation du modèle pour voir si l’opération actuelle est terminée avant d’exécuter une autre opération d’entraînement et d’actualisation à la demande, si nécessaire.

Historique des actualisations

Chaque opération d’actualisation est enregistrée dans l’historique d’actualisation du modèle. Des informations importantes sur chaque actualisation sont affichées, y compris le nombre d’agrégations de mémoire dans le cache qui consomment pour le pourcentage de requête configuré. Pour afficher l’historique des actualisations, dans la page Paramètres du modèle, sélectionnez Historique des actualisations. Si vous souhaitez explorer un peu plus loin, sélectionnez Afficher les détails.

En vérifiant régulièrement l’historique des actualisations, vous pouvez vous assurer que vos opérations d’actualisation planifiées se terminent dans une période acceptable. Vérifiez que les opérations d’actualisation se terminent correctement avant le début de l’actualisation planifiée suivante.

Échecs d’apprentissage et d’actualisation

Bien que Power BI effectue des opérations d’entraînement et d’actualisation dans le cadre de la première actualisation planifiée pour la fréquence de jour ou de semaine que vous choisissez, ces opérations sont implémentées en tant que transactions distinctes. Si une opération d’entraînement ne peut pas traiter entièrement le journal des requêtes dans ses limites de temps, Power BI va actualiser les agrégations existantes (et les tables régulières dans un modèle composite) à l’aide de l’état d’entraînement précédent. Dans ce cas, l’historique d’actualisation indique que l’actualisation a réussi et que le processus de formation va reprendre le traitement du journal des requêtes lors du prochain démarrage de la formation. Les performances des requêtes peuvent être moins optimisées si les modèles de requête de rapport client ont changé et que les agrégations n’ont pas encore été ajustées, mais que le niveau de performances atteint doit toujours être beaucoup mieux qu’un modèle DirectQuery pur sans agrégations.

Si une opération d’entraînement nécessite trop de cycles pour terminer le traitement du journal des requêtes, envisagez de réduire le pourcentage de requêtes qui utilisent le cache d’agrégations en mémoire dans les paramètres du modèle. Cela réduit le nombre d’agrégations créées dans le cache, mais permet d’obtenir plus de temps pour l’entraînement et l’actualisation des opérations. Pour en savoir plus, consultez Réglage fin.

Si l’entraînement réussit, mais que l’actualisation échoue, l’actualisation entière est marquée comme ayant échoué, car le résultat est un cache d’agrégations en mémoire indisponible.

Lors de la planification de l’actualisation, vous pouvez spécifier des notifications par e-mail en cas d’échecs d’actualisation.

Agrégations définies par l’utilisateur et automatiques

Les agrégations définies par l’utilisateur dans Power BI peuvent être configurées manuellement en fonction des tables agrégées masquées dans le modèle. La configuration des agrégations définies par l’utilisateur est souvent complexe, nécessitant un plus grand niveau de modélisation des données et d’optimisation des requêtes. En revanche, les agrégations automatiques éliminent cette complexité dans le cadre d’un système piloté par l’IA. Contrairement aux agrégations définies par l’utilisateur qui restent statiques, Power BI gère en permanence les journaux des requêtes et à partir de ces journaux détermine les modèles de requête basés sur des algorithmes de modélisation prédictive machine learning (ML). Les données pré-agrégées sont calculées et stockées en mémoire en fonction de l’analyse du modèle de requête. Avec les agrégations automatiques, les modèles sont à la fois capables de s'auto-entraîner et de s'auto-optimiser. À mesure que les modèles de requête de rapport client changent, les agrégations automatiques s’ajustent, hiérarchisent et mettant en cache ces agrégations utilisées le plus souvent.

Étant donné que les agrégations automatiques sont basées sur l’infrastructure d’agrégations définies par l’utilisateur existante, il est possible d’utiliser les agrégations définies par l’utilisateur et automatiques ensemble dans le même modèle. Les modélisateurs de données qualifiés peuvent définir des agrégations pour les tables à l’aide de DirectQuery, d’importation (avec ou sans actualisation incrémentielle) ou de modes de stockage double, tout en ayant en même temps les avantages d’agrégations plus automatiques pour les requêtes sur les connexions DirectQuery qui n’atteignent ™pas les tables d’agrégation définies par l’utilisateur. Cette flexibilité permet des architectures équilibrées qui peuvent réduire les charges de requête et éviter les goulots d’étranglement.

Les agrégations créées dans le cache en mémoire par l’algorithme d’apprentissage des agrégations automatiques sont identifiées comme les agrégations System. L’algorithme d’apprentissage crée et supprime uniquement ces System agrégations, car les requêtes de création de rapports sont analysées et les ajustements sont effectués pour maintenir les agrégations optimales pour le modèle. Les agrégations définies par l'utilisateur et automatiques sont actualisées lors de la mise à jour. Seules les agrégations créées par des agrégations automatiques et marquées comme agrégations générées par le système sont incluses dans le traitement automatique des agrégations.

Mise en cache des requêtes et agrégations automatiques

Power BI Premium prend également en charge la mise en cache des requêtes dans Power BI Premium/Embedded pour gérer les résultats des requêtes. La mise en cache des requêtes est une fonctionnalité différente des agrégations automatiques. Avec la mise en cache des requêtes, Power BI Premium utilise son service de mise en cache local pour implémenter la mise en cache, tandis que les agrégations automatiques sont implémentées au niveau du modèle. Avec la mise en cache des requêtes, le service met uniquement en cache les requêtes pour le chargement initial de la page de rapport. Par conséquent, les performances des requêtes ne sont pas améliorées lorsque les utilisateurs interagissent avec un rapport. En revanche, les agrégations automatiques optimisent la plupart des requêtes de rapport en pré-mettant en cache les résultats des requêtes agrégées, y compris celles générées lorsque les utilisateurs interagissent avec des rapports. La mise en cache des requêtes et les agrégations automatiques peuvent être activées pour un modèle, mais il n’est probablement pas nécessaire.

Surveiller avec Azure Log Analytics

Azure Log Analytics (LA) est un service dans Azure Monitor que Power BI peut utiliser pour enregistrer les journaux d’activité. Avec la suite Azure Monitor, vous pouvez collecter, analyser et agir sur les données de télémétrie à partir de vos environnements Azure et locaux. Il offre un stockage à long terme, une interface de requête ad hoc et un accès API pour permettre l’exportation et l’intégration des données à d’autres systèmes. Pour plus d’informations, consultez Utilisation d’Azure Log Analytics dans Power BI.

Si Power BI est configuré avec un compte Azure LA, comme décrit dans Configuration d’Azure Log Analytics pour Power BI, vous pouvez analyser le taux de réussite de vos agrégations automatiques. Entre autres choses, vous pouvez déterminer si les requêtes de rapport sont répondues à partir du cache en mémoire.

Pour utiliser cette possibilité, téléchargez le modèle PBIT et connectez-le à votre compte Log Analytics, comme décrit dans ce billet de blog Power BI. Dans le rapport, vous pouvez afficher les données à trois niveaux différents : vue résumée, vue au niveau de la requête DAX et vue au niveau de la requête SQL.

L’image suivante montre la page récapitulative de toutes les requêtes. Comme vous pouvez le voir, le graphique marqué affiche le pourcentage de requêtes totales satisfaites par les agrégations et celles qui ont dû utiliser la source de données.

L’étape suivante pour approfondir consiste à examiner l’utilisation d’agrégations au niveau d’une requête DAX. Cliquez avec le bouton droit sur une requête DAX dans la liste (en bas à gauche) >Explorer l’historique>des requêtes.

Cela vous fournira une liste de toutes les requêtes pertinentes. Explorez jusqu’au niveau suivant pour afficher plus de détails d’agrégation.

Application Lifecycle Management

Du développement au test et à la production, les modèles avec agrégations automatiques activées ont des exigences particulières pour les solutions ALM.

Pipelines de déploiement

Avec les pipelines de déploiement, Power BI peut copier les modèles avec leur configuration de modèle de l’étape actuelle dans l’étape cible. Toutefois, les agrégations automatiques doivent être réinitialisées à l’étape cible, car les paramètres ne sont pas transférés de l’étape actuelle à la phase cible. Vous pouvez également déployer du contenu par programmation à l’aide des API REST des pipelines de déploiement. Pour en savoir plus sur ce processus, consultez Automatiser votre pipeline de déploiement à l’aide d’API et devOps.

Solutions ALM personnalisées

Si vous utilisez une solution ALM personnalisée basée sur des points de terminaison XMLA, gardez à l’esprit que votre solution peut être en mesure de copier des tables d’agrégations générées par le système et créées par l’utilisateur dans le cadre des métadonnées du modèle. Toutefois, vous devez activer les agrégations automatiques après chaque étape de déploiement à l’étape cible manuellement. Power BI conserve la configuration si vous remplacez un modèle existant.

Note

Si vous chargez ou republiez un modèle dans le cadre d’un fichier Power BI Desktop (.pbix), les tables d’agrégation créées par le système sont perdues, car Power BI remplace le modèle existant par toutes ses métadonnées et données dans l’espace de travail cible.

Modification d’un modèle

Après avoir modifié un modèle avec des agrégations automatiques activées via des points de terminaison XMLA, tels que l’ajout ou la suppression de tables, Power BI conserve toutes les agrégations existantes qui peuvent être et supprimer celles qui ne sont plus nécessaires ou pertinentes. Les performances des requêtes peuvent être affectées jusqu’à ce que la phase d’entraînement suivante soit déclenchée.

Éléments de métadonnées

Les modèles avec agrégations automatiques activées contiennent des tables d’agrégations générées par le système uniques. Les tables d’agrégations ne sont pas visibles par les utilisateurs dans les outils de création de rapports. Ils sont visibles via le point de terminaison XMLA en utilisant des outils avec les bibliothèques clientes Analysis Services version 19.22.5 et ultérieures. Lorsque vous utilisez des modèles avec des agrégations automatiques activées, veillez à mettre à niveau vos outils de modélisation et d’administration des données vers la dernière version des bibliothèques clientes. Pour SQL Server Management Studio (SSMS), effectuez une mise à niveau vers SSMS version 18.9.2 ou ultérieure. Les versions antérieures de SSMS ne sont pas en mesure d’énumérer des tables ou de générer des scripts sur ces modèles.

Les tables d’agrégations automatiques sont identifiées par une SystemManaged propriété de table, qui est une nouveauté du modèle d’objet tabulaire (TOM) dans les bibliothèques clientes Analysis Services version 19.22.5 et ultérieures. L’extrait de code suivant montre la SystemManaged propriété définie pour true les tables d’agrégations automatiques et false pour les tables régulières.

using System;
using System.Collections.Generic;
using System.Linq;
using Microsoft.AnalysisServices.Tabular;

namespace AutoAggs
{
    class Program
    {
        static void Main(string[] args)
        {
            string workspaceUri = "<Specify the URL of the workspace where your model resides>";
            string datasetName = "<Specify the name of your dataset>";

            Server sourceWorkspace = new Server();
            sourceWorkspace.Connect(workspaceUri);
            Database dataset = sourceWorkspace.Databases.GetByName(datasetName);

            // Enumerate system-managed tables.
            IEnumerable<Table> aggregationsTables = dataset.Model.Tables.Where(tbl => tbl.SystemManaged == true);


            if (aggregationsTables.Any())
            {
                Console.WriteLine("The following auto aggs tables exist in this dataset:");
                foreach (Table table in aggregationsTables)
                {
                    Console.WriteLine($"\t{table.Name}");
                }
            }
            else
            {
                Console.WriteLine($"This dataset has no auto aggs tables.");
            }

            Console.WriteLine("\n\rPress [Enter] to exit the sample app...");
            Console.ReadLine();
        }
    }
}

L’exécution de cet extrait de code génère des tables d’agrégations automatiques actuellement incluses dans le modèle dans une console.

Gardez à l’esprit que les tables d’agrégations changent constamment à mesure que les opérations d’entraînement déterminent les agrégations optimales à inclure dans le cache des agrégations en mémoire.

Important

Power BI gère entièrement les objets de table générés automatiquement par le système. Ne supprimez pas ou ne modifiez pas ces tables vous-même. Cela peut entraîner une dégradation des performances.

Power BI gère la configuration du modèle en dehors du modèle. La présence d’une table d’agrégations gérées par le système dans un modèle ne signifie pas nécessairement que le modèle est activé pour l’apprentissage automatique des agrégations. En d’autres termes, si vous scriptez une définition de modèle complète pour un modèle avec des agrégations automatiques activées et créez une nouvelle copie du modèle (avec un autre nom/espace de travail/capacité), le nouveau modèle résultant n’est pas activé pour l’apprentissage automatique des agrégations. Vous devez toujours activer l’apprentissage automatique des agrégations pour le nouveau modèle dans les paramètres du modèle.

Considérations et limitations

Lorsque vous utilisez des agrégations automatiques, gardez à l’esprit les éléments suivants :

• Les agrégations ne prennent pas en charge les paramètres de requête M dynamique.
• Les requêtes SQL générées pendant la phase d’apprentissage initiale peuvent générer une charge significative pour l’entrepôt de données. Si la formation continue d’être incomplète et que vous pouvez vérifier du côté de l’entrepôt de données que les requêtes rencontrent une expiration du délai d’attente, envisagez d’augmenter temporairement la capacité de votre entrepôt de données pour répondre à la demande de formation.
• Les agrégations stockées dans le cache des agrégations en mémoire peuvent ne pas être calculées sur les données les plus récentes de la source de données. Contrairement à DirectQuery pur, et plus comme les tables d’importation régulières, il existe une latence entre les mises à jour de la source de données et les données d’agrégation stockées dans le cache des agrégations en mémoire. Bien qu’il y ait toujours un certain degré de latence, il peut être atténué par le biais d’une planification d’actualisation efficace.
• Pour optimiser les performances, définissez toutes les tables de dimension sur Double mode et laissez les tables de faits en mode DirectQuery.
• Les agrégations automatiques ne sont pas disponibles avec Power BI Pro, Azure Analysis Services ou SQL Server Analysis Services.
• Power BI ne prend pas en charge le téléchargement de modèles avec des agrégations automatiques activées. Si vous avez téléchargé ou publié un fichier Power BI Desktop (.pbix) dans Power BI, puis activé les agrégations automatiques, vous ne pouvez plus télécharger le fichier PBIX. Veillez à conserver une copie du fichier PBIX localement.
• Les agrégations automatiques avec des tables externes dans Azure Synapse Analytics ne sont pas prises en charge. Vous pouvez énumérer des tables externes dans Synapse à l’aide de la requête SQL suivante : SELECT SCHEMA_NAME(schema_id) AS schema_name, name AS table_name FROM sys.external_tables.
• Les agrégations automatiques sont disponibles uniquement pour les modèles utilisant des métadonnées améliorées. Si vous souhaitez activer les agrégations automatiques pour un modèle plus ancien, mettez à niveau d’abord le modèle pour améliorer les métadonnées. Pour plus d’informations, consultez Utilisation des métadonnées de modèle améliorées.
• N’activez pas les agrégations automatiques si la source de données DirectQuery est configurée pour l’authentification unique et utilise des vues de données dynamiques ou des contrôles de sécurité pour limiter les données qu’un utilisateur est autorisé à accéder. Les agrégations automatiques ne connaissent pas ces contrôles au niveau de la source de données, ce qui rend impossible de s’assurer que les données correctes sont fournies par utilisateur. L’entraînement consigne un avertissement dans l’historique d’actualisation indiquant qu'il a détecté une source de données configurée pour l’authentification unique et a ignoré les tables utilisant cette source de données. Si possible, désactivez l'authentification unique pour ces sources de données afin de profiter pleinement des performances de requêtes optimisées par les agrégations automatiques.
• N’activez pas les agrégations automatiques si le modèle contient uniquement des tables hybrides pour éviter une surcharge de traitement inutile. Une table hybride utilise à la fois les partitions d’importation et une partition DirectQuery. Un scénario courant est une actualisation incrémentielle avec des données en temps réel dans lesquelles une partition DirectQuery extrait des transactions à partir de la source de données qui s’est produite après la dernière actualisation des données. Toutefois, Power BI importe des agrégations pendant l’actualisation. Les agrégations automatiques ne peuvent pas inclure de transactions qui se sont produites après la dernière actualisation des données. L’entraînement enregistre un avertissement dans l’historique d’actualisation indiquant que des tables hybrides ont été détectées et ignorées.
• Les colonnes calculées ne sont pas prises en compte pour les agrégations automatiques. Si vous utilisez une colonne calculée en mode DirectQuery, par exemple en utilisant la COMBINEVALUES fonction DAX pour créer une relation basée sur plusieurs colonnes de deux tables DirectQuery, les requêtes de rapport correspondantes n’atteignent pas le cache des agrégations en mémoire.
• Les agrégations automatiques sont disponibles uniquement dans le service Power BI. Power BI Desktop ne crée pas de tables d’agrégations générées par le système.
• Si vous modifiez les métadonnées d’un modèle avec des agrégations automatiques activées, les performances des requêtes peuvent se dégrader jusqu’à ce que le processus d’entraînement suivant soit déclenché. En guise de meilleure pratique, vous devez supprimer les agrégations automatiques, apporter les modifications, puis réentraîner.
• Ne modifiez pas ou supprimez les tables d’agrégations générées par le système, sauf si vous avez des agrégations automatiques désactivées et que vous nettoyez le modèle. Le système prend en charge la gestion de ces objets.

Communauté

Power BI dispose d’une communauté dynamique où les MVP, les professionnels du décisionnel et les pairs partagent une expertise dans les groupes de discussion, les vidéos, les blogs et bien plus encore. Lorsque vous découvrez les agrégations automatiques, veillez à consulter ces autres ressources :

• Communauté Power BI
• Rechercher « Agrégations automatiques Power BI » sur Bing

Contenu connexe

• Configurer des agrégations automatiques
• Agrégations définies par l’utilisateur
• DirectQuery dans Power BI
• Bibliothèques clientes Analysis Services