Forhåndsvisning av AutoML-kode først |
I Fabric Data Science muliggjør den nye AutoML-funksjonen automatisering av arbeidsflyten for maskinlæring. AutoML eller Automatisert maskinlæring er et sett med teknikker og verktøy som automatisk kan lære opp og optimalisere maskinlæringsmodeller for en gitt data- og oppgavetype. |
Brukeropplevelse for autoML-lavkode i Fabric (forhåndsversjon) |
AutoML, eller Automatisert maskinlæring, er en prosess som automatiserer de tidkrevende og komplekse oppgavene med å utvikle maskinlæringsmodeller. Den nye automl-opplevelsen med lav kode støtter en rekke oppgaver, inkludert regresjon, prognoser, klassifisering og flerklasseklassifisering. Kom i gang ved å opprette modeller med Automatisert ML (forhåndsversjon). |
Azure Data Factory-element |
Nå kan du hente den eksisterende Azure Data Factory (ADF) til Fabric-arbeidsområdet. Med denne nye forhåndsvisningsfunksjonen kan du koble til den eksisterende Azure Data Factory fra Fabric-arbeidsområdet. Velg «Opprett Azure Data Factory» i Fabric Data Factory-arbeidsområdet, og du kan administrere Azure-datafabrikkene direkte fra Fabric-arbeidsområdet. |
Forhåndsvisning av kapasitetsutvalg |
Kapasitetsadministratorer kan nå opprette egendefinerte utvalg (forhåndsversjon) basert på arbeidsbelastningskravene, noe som gir detaljert kontroll over databehandlingsressurser. Egendefinerte utvalg for Dataingeniør ing og datavitenskap kan angis som spark pool-alternativer i innstillinger for arbeidsområdespark og miljøelementer. |
Forhåndsvisning av kode-første hyperparameterjustering |
I Fabric Data Science er FLAML nå integrert for hyperparameterjustering, for øyeblikket en forhåndsvisningsfunksjon. Fabrics flaml.tune funksjon effektiviserer denne prosessen, og tilbyr en kostnadseffektiv og effektiv tilnærming til hyperparameterjustering. |
Copilot in Fabric er tilgjengelig over hele verden |
Copiloti Fabric er nå tilgjengelig for alle kunder, inkludert Copilot for Power BI, Data Factory, Data Science &Dataingeniør ing og Sanntidsintelligens. Les mer i oversikten i Copilot Fabric. |
Kopier jobb |
Kopier-jobben (forhåndsvisning) har fordeler med den eldre Kopier-aktiviteten. Hvis du vil ha mer informasjon, kan du se Kunngjøringsversjon: Kopier jobb i Microsoft Fabric. Hvis du vil ha en opplæring, kan du se Lær hvordan du oppretter en kopieringsjobb (forhåndsversjon) i Data Factory for Microsoft Fabric. |
Forhåndsvisning av Data Factory Apache Airflow-jobber |
Apache Airflow-jobb (forhåndsversjon) i Data Factory, drevet av Apache Airflow, tilbyr sømløs redigering, planlegging og overvåkingsopplevelse for Python-baserte dataprosesser definert som Directed Acyclic Graphs (DAGs). Hvis du vil ha mer informasjon, kan du se Hurtigstart: Opprette en dataarbeidsflyt. |
Datasamlebåndfunksjoner i Copilot for Data Factory (forhåndsversjon) |
De nye datasamlebåndfunksjonene for Copilot Data Factory er nå tilgjengelige i forhåndsversjon. Disse funksjonene fungerer som en AI-ekspert for å hjelpe brukere med å bygge, feilsøke og vedlikeholde datasamlebånd. |
Forhåndsvisning av Data Wrangler for Spark DataFrames |
Data Wrangler støtter nå Spark DataFrames i forhåndsvisning, brukere kan nå redigere Spark DataFrames i tillegg til pandas DataFrames med Data Wrangler. |
Ai-ferdigheter for datavitenskap (forhåndsversjon) |
Nå kan du bygge dine egne generative AI-opplevelser over dataene dine i Fabric med AI-ferdigheten (forhåndsversjon)! Du kan bygge spørsmål og svare på AI-systemer over Lakehouses og Warehouses. Hvis du vil ha mer informasjon, kan du se Innføring i ai-ferdigheter i Microsoft Fabric: Nå i forhåndsvisning. Kom i gang ved å prøve eksempel på kunstig intelligens med AdventureWorks-datasettet. |
Dataflyt gen2 med CI/CD og Git-integrasjon |
Dataflyt gen2 støtter nå kontinuerlig integrasjon/kontinuerlig distribusjon (CI/CD) og Git-integrasjon. Med denne forhåndsvisningsfunksjonen kan du opprette, redigere og behandle dataflyter i et Git-repositorium som er koblet til stoffarbeidsområdet. I tillegg kan du bruke funksjonen for utrullingssamlebånd til å automatisere distribusjon av dataflyter fra arbeidsområdet til andre arbeidsområder. Du kan også bruke API-en Fabric Create, Read, Update, Delete og List (CRUDL) til å administrere Dataflyt gen2. |
Deltakolonnetilordning i endepunktet for SQL-analyse |
SQL Analytics-endepunktet støtter nå Delta-tabeller med kolonnetilordning aktivert. Hvis du vil ha mer informasjon, kan du se Delta-kolonnetilordning og begrensninger for SQL Analytics-endepunktet. Denne funksjonen er en forhåndsvisningsfunksjon. |
Domener i OneLake (forhåndsversjon) |
Domener i OneLake hjelper deg med å organisere dataene i et logisk datanett, slik at forbundsstyring og optimalisering for forretningsbehov. Nå kan du opprette underdomener, standarddomener for brukere og flytte arbeidsområder mellom domener. Hvis du vil ha mer informasjon, kan du se Fabric-domener. |
Høy samtidighetsmodus for notatblokker i pipeliner (forhåndsversjon) |
Høy samtidighetsmodus for notatblokker i pipeliner gjør det mulig for brukere å dele Spark-økter på tvers av flere notatblokker i et datasamlebånd. Med høy samtidighetsmodus kan brukere utløse datasamlebåndjobber, og disse jobbene pakkes automatisk inn i eksisterende økter med høy samtidighet. |
Fabric Gateway gjør det mulig for OneLake-snarveier til lokale data |
Koble til lokale datakilder med en lokal datagateway for Fabric på en maskin i miljøet ditt, med nettverkssynlighet for S3-kompatibel eller Google Cloud Storage-datakilde. Deretter oppretter du snarveien og velger gatewayen. Hvis du vil ha mer informasjon, kan du se Opprette snarveier til lokale data. |
Fabric Spark-kobling for Fabric Data Warehouse i Spark Runtime (forhåndsversjon) |
Fabric Spark-koblingen for Data Warehouse (forhåndsvisning) gjør det mulig for en Spark-utvikler eller en dataforsker å få tilgang til og arbeide med data fra et lager eller sql analytics-endepunkt i lakehouse (enten fra samme arbeidsområde eller fra tvers av arbeidsområder) med en forenklet Spark API. |
Fabric Spark Diagnostic Emitter (forhåndsversjon) |
Fabric Apache Spark Diagnostic Emitter (forhåndsversjon) gjør det mulig for Apache Spark-brukere å samle logger, hendelseslogger og måledata fra Spark-programmene og sende dem til ulike destinasjoner, inkludert Azure Event Hubs, Azure Storage og Azure Log Analytics. |
Fabric SQL-database (forhåndsvisning) |
SQL-database i Microsoft Fabric (forhåndsvisning) er en utviklervennlig transaksjonsdatabase, basert på Azure SQL Database, som lar deg enkelt opprette den operative databasen i Fabric. En SQL-database i Fabric bruker SQL Database Engine som Azure SQL Database. Se gjennom en beslutningsveiledning for SQL-databaser. |
Mappe i forhåndsvisning av arbeidsområde |
Som organisasjonsenhet i arbeidsområdet tar mappen for seg dette smertepunktet ved å angi en hierarkisk struktur for organisering og administrasjon av elementene. Hvis du vil ha mer informasjon, kan du se Opprette mapper i arbeidsområder (forhåndsversjon). |
Isfjelldata i OneLake ved hjelp av Snowflake og snarveier (forhåndsversjon) |
Nå kan du bruke isfjellformaterte data på tvers av Microsoft Fabric uten databevegelse eller duplisering, i tillegg til at Snowflake har lagt til muligheten til å skrive Iceberg-tabeller direkte til OneLake. Hvis du vil ha mer informasjon, kan du se Bruke Iceberg-tabeller med OneLake. |
Trinnvis oppdatering for Dataflyt Gen2 (forhåndsversjon) |
Trinnvis oppdatering for dataflyter Gen2 i Fabric Data Factory er utformet for å optimalisere datainntak og transformasjon, spesielt ettersom dataene fortsetter å utvides. Hvis du vil ha mer informasjon, kan du se Kunngjøringsvisning: Trinnvis oppdatering i Dataflyt gen2. |
Aktiver ekstern datasamlebånd (forhåndsversjon) i datasamlebånd |
Nå kan du bruke aktiviteten Aktiver datasamlebånd (forhåndsvisning) til å kalle opp datasamlebånd fra Azure Data Factory eller Synapse Analytics-datasamlebånd. Med denne funksjonen kan du bruke eksisterende ADF- eller Synapse-datasamlebånd inne i et Fabric-datasamlebånd ved å kalle det innebygd gjennom denne nye Aktiver pipeline-aktiviteten. |
Lakehouse schemas-funksjon |
Lakehouse-skjemafunksjonen (forhåndsvisning) introduserer støtte for datasamlebånd for å lese skjemainformasjonen fra Lakehouse-tabeller og støtter skriving av data i tabeller under angitte skjemaer. Lakehouse-skjemaer lar deg gruppere tabellene sammen for bedre dataoppdagelse, tilgangskontroll og mer. |
Støtte for Lakehouse for git-integrasjon og utrullingssamlebånd (forhåndsversjon) |
Lakehouse integreres nå med livssyklusadministrasjonsfunksjonene i Microsoft Fabric, noe som gir et standardisert samarbeid mellom alle medlemmer av utviklingsteamet gjennom hele produktets liv. Livssyklusbehandling forenkler en effektiv produktversjonsprosess og utgivelsesprosess ved kontinuerlig å levere funksjoner og feilrettinger i flere miljøer. |
Administrerte virtuelle nettverk (forhåndsversjon) |
Administrerte virtuelle nettverk er virtuelle nettverk som opprettes og administreres av Microsoft Fabric for hvert Fabric-arbeidsområde. |
Microsoft 365-koblingen støtter nå inntak av data i Lakehouse (forhåndsversjon) |
Microsoft 365-koblingen støtter nå inninntak av data i Lakehouse-tabeller. |
Administrator-API-er for Microsoft Fabric |
Fabric Admin API-er er utformet for å effektivisere administrative oppgaver. Det første settet med fabric admin API-er er skreddersydd for å forenkle oppdagelsen av arbeidsområder, stoffelementer og brukertilgangsdetaljer. |
Speiling i Forhåndsvisning av Microsoft Fabric |
Med databasespeiling i Fabric kan du enkelt hente databasene til OneLake i Microsoft Fabric, aktivere sømløs null-ETL, nær sanntidsinnsikt på dataene dine – og låse opp lager, BI, AI og mer. Hvis du vil ha mer informasjon, kan du se Hva er speiling i stoff? |
Opprinnelig kjøringsmotor på Runtime 1.3 (forhåndsversjon) |
Opprinnelig kjøringsmotor for Fabric Runtime 1.3 er nå tilgjengelig i forhåndsvisning, og tilbyr overlegen spørringsytelse på tvers av databehandling, ETL, datavitenskap og interaktive spørringer. Ingen kodeendringer kreves for å øke hastigheten på kjøringen av Apache Spark-jobbene dine når du bruker den opprinnelige kjøringsmotoren. |
Nestede vanlige tabelluttrykk (CTE-er) (forhåndsvisning) |
Fabric Warehouse og SQL Analytics endepunkt støtter både standard- og sekvensielle og nestede CTE-er. Selv om CTE-er generelt er tilgjengelige i Microsoft Fabric, er nestede vanlige tabelluttrykk (CTE) i Fabric-datalageret for øyeblikket en forhåndsvisningsfunksjon. |
Feilsøking av notatblokk i vscode.dev (forhåndsversjon) |
Nå kan du plassere breakpoints og feilsøke notatblokkkoden med Synapse VS Code – Ekstern utvidelse i vscode.dev. Denne oppdateringen starter først med Fabric Runtime 1.3. |
OneLake-datatilgangsroller |
OneLake-datatilgangsroller for lakehouse er i forhåndsversjon. Rolletillatelser og bruker-/gruppetilordninger kan enkelt oppdateres gjennom et nytt brukergrensesnitt for mappesikkerhet. |
OneLake SAS (forhåndsvisning) |
Støtte for kortvarig, brukerdelegert OneLake SAS er nå i forhåndsversjon. Denne funksjonaliteten gjør det mulig for programmer å be om en brukerdelegeringsnøkkel støttet av Microsoft Entra ID, og deretter bruke denne nøkkelen til å konstruere et OneLake SAS-token. Dette tokenet kan leveres for å gi delegert tilgang til et annet verktøy, en node eller en annen bruker, noe som sikrer sikker og kontrollert tilgang. |
Åpne speiling (forhåndsvisning) |
Åpen speiling gjør det mulig for alle programmer å skrive endringsdata direkte til en speilet database i Fabric, basert på de åpne speilende offentlige API-ene og tilnærmingen. Åpen speiling er utformet for å være utvidbar, tilpassbar og åpen. Det er en kraftig funksjon som utvider speiling i Stoff basert på åpent Delta Lake bordformat. Hvis du vil komme i gang, kan du se Opplæring: Konfigurere Åpne speilede databaser i Microsoft Fabric. |
Forhåndsbygde Azure AI-tjenester i Fabric Preview |
Forhåndsvisningen av forhåndsbygde AI-tjenester i Fabric er en integrasjon med Azure AI-tjenester, tidligere kjent som Azure Cognitive Services. Forhåndsbygde Azure AI-tjenester gir enkel forbedring av data med forhåndsbygde AI-modeller uten forutsetninger. For øyeblikket er forhåndsbygde AI-tjenester i forhåndsversjon og inkluderer støtte for Microsoft Azure OpenAI-tjenesten, Azure AI Language og Azure AI Translator. |
Purview Data Loss Prevention policyer har blitt utvidet til Fabric lakehouses |
Utvidelse av Microsoft Purviews policyer for hindring av tap av data (DLP) til Fabric Lakehouses er nå i forhåndsversjon. |
Policyer for hindring av tap av purview-data støtter nå begrensningshandlingen for semantiske modeller |
Begrensning av tilgang basert på sensitivt innhold for semantiske modeller, som nå er i forhåndsvisning, hjelper deg med å automatisk oppdage sensitiv informasjon når den lastes opp til Fabric lakehouses og semantiske modeller. |
Instrumentbord i sanntid og underliggende KQL-databaser får tilgang til separasjon (forhåndsversjon) |
Med separate tillatelser for instrumentbord og underliggende data har administratorer nå fleksibilitet til å tillate brukere å vise instrumentbord uten å gi tilgang til rådataene. |
Reserver maksimale kjerner for jobber (forhåndsversjon) |
Med en ny innstilling på arbeidsområdenivå kan du reservere maksimale kjerner for aktive jobber for Spark-arbeidsbelastninger. Hvis du vil ha mer informasjon, kan du se Modus for høy samtidighet i Apache Spark for Fabric. |
REST API-er for forhåndsvisning av Fabric Data Factory-rørledninger |
REST-API-ene for Fabric Data Factory Pipelines er nå i forhåndsversjon. REST API-er for Data Factory-datasamlebånd gjør det mulig å utvide den innebygde funksjonen i Fabric for å opprette, lese, oppdatere, slette og liste datasamlebånd. |
Sikker datastrømming med administrerte private endepunkter i Eventstream (forhåndsvisning) |
Ved å opprette et stoffadministrert privat endepunkt kan du nå koble Eventstream til Azure-tjenestene dine, for eksempel Azure Event Hubs eller IoT Hub, i et privat nettverk eller bak en brannmur. Hvis du vil ha mer informasjon, kan du se Sikker datastrømming med administrerte private endepunkter i Eventstream (forhåndsvisning). |
Semantisk modelloppdateringsaktivitet (forhåndsvisning) |
Bruk semantisk modelloppdateringsaktivitet til å oppdatere et Power BI-datasett (forhåndsvisning), den mest effektive måten å oppdatere semantiske stoffmodeller på. |
Utløpskontroll for økt i innstillinger for arbeidsområde for interaktive kjøringer av notatblokker (forhåndsversjon) |
Med en ny utløpskontroll for økter i Dataingeniør ing/Science-arbeidsområdeinnstillinger kan du angi maksimal utløpstidsgrense for interaktive økter for notatblokker. Som standard utløper økter etter 20 minutter, men nå kan du tilpasse den maksimale utløpsvarigheten. |
Del funksjon for Fabric AI-ferdigheter (forhåndsversjon) |
Med «Del»-funksjonen for Fabric AI-ferdigheten (forhåndsversjon) kan du dele AI-ferdigheten med andre ved hjelp av en rekke tillatelsesmodeller. |
Del Fabric AI-ferdigheten (forhåndsversjon) |
Med delingsfunksjonalitet for stoff-AI-ferdigheten (forhåndsvisning) kan du dele AI-ferdigheten med andre ved hjelp av en rekke tillatelsesmodeller. |
Forhåndsvisning av Spark Run Series Analysis |
Med analysefunksjonene for sparkovervåkingskjøringsserier kan du analysere kjøringsvarighetstrenden og ytelsessammenligningen for regelmessige kjøringsforekomster for Pipeline Spark-aktivitet og gjentakende Spark-kjøreaktiviteter, fra samme notatblokk eller Spark Job Definition. |
Forhåndsvisning av Splunk-tillegg |
Microsoft Fabric-tillegget for Splunk gjør det mulig for brukere å innta logger fra Splunk-plattformen til en Fabric KQL DB ved hjelp av Kusto python SDK. |
Tags |
Koder (forhåndsvisning) hjelper administratorer med å kategorisere og organisere data, forbedre søkeevnen til dataene dine og øke suksessratene og effektiviteten for sluttbrukere. |
Oppgaveflyter i Microsoft Fabric (forhåndsversjon) |
Forhåndsvisningen av oppgaveflyter i Microsoft Fabric er aktivert for alle Microsoft Fabric-brukere. Når du utformer et dataprosjekt med Fabric-aktivitetsflyter, trenger du ikke lenger å bruke en tavle til å skissere de ulike delene av prosjektet og tilhørende sammenhenger. I stedet kan du bruke en aktivitetsflyt til å bygge og hente denne nøkkelinformasjonen inn i selve prosjektet. |
varchar(max) og varbinary(max) support in preview |
Støtte for datatypene varchar(max) og varbinary(max) i Warehouse er nå i forhåndsversjon. Hvis du vil ha mer informasjon, kan du se Kunngjøring av offentlig forhåndsversjon av VARCHAR(MAX) og VARBINARY(MAX) i Fabric Data Warehouse. |
Terraform Provider for Fabric (forhåndsversjon) |
Terraform-leverandøren for Microsoft Fabric er nå i forhåndsversjon. Terraform-leverandøren for Microsoft Fabric støtter oppretting og administrasjon av mange stoffressurser. Hvis du vil ha mer informasjon, kan du se Kunngjøring av den nye Terraform-leverandøren for Microsoft Fabric. |
T-SQL-støtte i Fabric-notatblokker (forhåndsversjon) |
Med funksjonen T-SQL-notatblokk i Microsoft Fabric (forhåndsvisning) kan du skrive og kjøre T-SQL-kode i en notatblokk. Du kan bruke dem til å behandle komplekse spørringer og skrive bedre markdown-dokumentasjon. Den tillater også direkte kjøring av T-SQL på tilkoblet lager eller SQL Analytics-endepunkt. Hvis du vil ha mer informasjon, kan du se Redigere og kjøre T-SQL-notatblokker. |
Lagringsgjenopprettingspunkter og gjenoppretting på plass |
Nå kan du opprette gjenopprettingspunkter og utføre en plasseringsgjenoppretting av et lager til et tidligere tidspunkt. Gjenoppretting på stedet er en viktig del av gjenopprettingen av datalageret, som gjør det mulig å gjenopprette datalageret til en tidligere kjent pålitelig tilstand ved å erstatte eller overskrive det eksisterende datalageret som gjenopprettingspunktet ble opprettet fra. |
Lagerkildekontroll (forhåndsvisning) |
Ved hjelp av Git-integrering og/eller distribusjonssamlebånd med lageret kan du administrere utvikling og distribusjon av versjonslagerobjekter. Du kan bruke SQL Database Projects-utvidelsen som er tilgjengelig i Azure Data Studio og Visual Studio Code. Hvis du vil ha mer informasjon om lagerkildekontroll, kan du se CI/CD med Warehouses in Microsoft Fabric. |