Condividi tramite

Che cos'è il collegamento semantico?

  • Articolo

Il collegamento semantico è una funzionalità che consente di stabilire una connessione tra i modelli semantici e Synapse Data Science in Microsoft Fabric. L'uso del collegamento semantico è supportato solo in Microsoft Fabric.

  • Per Spark 3.4 e versioni successive, il collegamento semantico è disponibile nel runtime predefinito quando si usa Fabric e non è necessario installarlo.

  • Per Spark 3.3 o versione successiva o per eseguire l'aggiornamento alla versione più recente del collegamento semantico, eseguire il comando seguente:

    %pip install -U semantic-link

Gli obiettivi principali del collegamento semantico sono:

  • Facilitare la connettività dei dati.
  • Abilitare la propagazione delle informazioni semantiche.
  • Integrazione senza problemi con gli strumenti consolidati usati dai data scientist, ad esempio i notebook.

Il collegamento semantico consente di mantenere le conoscenze del dominio sulla semantica dei dati in modo standardizzato che consente di velocizzare l'analisi dei dati e ridurre gli errori.

Il flusso di dati del collegamento semantico inizia con modelli semantici che contengono dati e informazioni semantiche. Il collegamento semantico consente di colmare il divario tra Power BI e l'esperienza di data science di Synapse.

Diagramma che mostra il flusso di dati da Power BI ai notebook in Synapse Data Science e di nuovo in Power BI.

Il collegamento semantico consente di usare modelli semantici di Power BI nell'esperienza di data science di Synapse per eseguire attività come l'analisi statistica approfondita e la modellazione predittiva con tecniche di Machine Learning. È possibile archiviare l'output del lavoro di data science in OneLake usando Apache Spark e inserire l'output archiviato in Power BI usando Direct Lake.

Connettività Power BI

Un modello semantico funge da singolo modello a oggetti tabulari che fornisce origini affidabili per le definizioni semantiche, ad esempio le misure di Power BI. Il collegamento semantico si connette ai modelli semantici negli ecosistemi seguenti, semplificando il funzionamento dei data scientist nel sistema con cui hanno più familiarità.

  • Ecosistema Pandas Python, tramite la libreria SemPy Python.
  • Ecosistema Apache Spark , tramite il connettore nativo Spark. Questa implementazione supporta vari linguaggi, tra cui PySpark, Spark SQL, R e Scala.

Applicazioni di informazioni semantiche

Le informazioni semantiche nei dati includono categorie di dati di Power BI, ad esempio indirizzo e codice postale, relazioni tra tabelle e informazioni gerarchica.

Queste categorie di dati includono metadati propagati dal collegamento semantico nell'ambiente di data science synapse per consentire nuove esperienze e gestire la derivazione dei dati.

Alcune applicazioni di esempio di collegamento semantico includono:

  • Suggerimenti intelligenti di funzioni semantiche predefinite.
  • Integrazione innovativa per l'aumento dei dati con le misure di Power BI, usando misure aggiuntive.
  • Strumenti per la convalida della qualità dei dati in base alle relazioni tra tabelle e dipendenze funzionali all'interno delle tabelle.

Il collegamento semantico è uno strumento potente che consente agli analisti aziendali di usare i dati in modo efficace in un ambiente di data science completo.

Il collegamento semantico semplifica la collaborazione tra data scientist e business analyst eliminando la necessità di riabilitare la logica di business incorporata nelle misure di Power BI. Questo approccio garantisce che entrambe le parti possano lavorare in modo efficiente e produttivo, ottimizzando il potenziale delle informazioni dettagliate basate sui dati.

Struttura dei dati FabricDataFrame

FabricDataFrame è la struttura di dati primaria usata dal collegamento semantico per propagare informazioni semantiche dai modelli semantici nell'ambiente di data science synapse.

Diagramma che mostra il flusso di dati dai connettori ai modelli semantici a FabricDataFrame alle funzioni semantiche.

La classe FabricDataFrame:

  • Supporta tutte le operazioni pandas.
  • Sottoclassa il dataframe pandas e aggiunge metadati, ad esempio informazioni semantiche e derivazione.
  • Espone funzioni semantiche e il metodo add-measure che consente di usare le misure di Power BI nel lavoro di data science.

Contenuto correlato