Jak działa wykres w Microsoft Fabric

Graf w Microsoft Fabric przekształca dane ustrukturyzowane przechowywane w usłudze OneLake w modelowany wykres z możliwością wykonywania zapytań. Przeprowadzanie zapytań do grafu za pomocą narzędzi opartych na wizualizacji lub GQL, które działają na wspólnym silniku, w celu wygenerowania wyników wizualnych, tabelarycznych lub programistycznych.

W tym artykule opisano architekturę grafu i wyjaśniono kompleksowe przepływy danych ze źródła do szczegółowych informacji.

Na poniższym diagramie przedstawiono pełny przepływ danych ze źródła do szczegółowych informacji:

Dane przepływają ze źródeł zewnętrznych do magazynu OneLake jako tabelaryczne tabele źródłowe. W kroku modelowania grafu zdefiniujesz typy węzłów, typy krawędzi i mapowania tabel w celu utworzenia grafu właściwości z etykietą. Zapisanie modelu powoduje utworzenie wykresu z możliwością wykonywania zapytań zoptymalizowanego pod kątem przechodzenia. Zapytania są tworzone przy użyciu konstruktora zapytań lub edytora kodu, a następnie są wykonywane za pomocą GQL, NL2GQL lub REST. Wyniki są zwracane jako diagramy grafu wizualnego, tabelaryczne zestawy wyników lub programowe odpowiedzi JSON.

Źródła danych

Dane pochodzą z systemów zewnętrznych, takich jak usługi Azure, inne platformy w chmurze lub źródła lokalne. Graf w Microsoft Fabric współpracuje z danymi z tych źródeł po zaimportowaniu ich do OneLake, gdzie graf może je odczytać.

Przechowywanie w OneLake

Przechowujesz pozyskane dane w usłudze OneLake jako tabelaryczne tabele źródłowe w „lakehouse”. Graf pozyskuje dane z tabel lakehouse podczas zapisywania modelu, więc nie trzeba konfigurować oddzielnego potoku ETL ani przenosić danych do zewnętrznej bazy danych.

Modelowanie grafu

W kroku modelowania grafu zdefiniujesz schemat grafu, określając:

• Typy węzłów: Jednostki w danych, takie jak klienci, produkty lub zamówienia.
• Typy krawędzi: Relacje między jednostkami, takimi jak "zakupy", "zawiera" lub "tworzy".
• Mapowania tabel: Sposób mapowania definicji węzłów i krawędzi na bazowe tabele źródłowe.

W tym kroku zostanie utworzona etykietowana struktura grafu właściwości. Ukończ modelowanie grafu przed wykonaniem zapytania względem grafu. Aby uzyskać wskazówki dotyczące podejmowania tych decyzji dotyczących modelowania, zobacz Projektowanie schematu grafu.

Uwaga / Notatka

Wykres obecnie nie obsługuje ewolucji schematu. Jeśli musisz wprowadzić zmiany strukturalne — takie jak dodawanie nowych właściwości, modyfikowanie etykiet lub zmienianie typów relacji — ponownie zaimportuj zaktualizowane dane źródłowe do nowego modelu.

Wykres z możliwością wykonywania zapytań

Podczas zapisywania modelu graf pozyskuje dane z bazowych tabel lakehouse i tworzy zoptymalizowany pod kątem odczytu graf z możliwością wykonywania zapytań. Ta struktura grafu jest zoptymalizowana pod kątem przechodzenia i dopasowywania wzorców, co umożliwia szybkie i wydajne zapytania grafu na dużą skalę.

Tworzenie zapytań

Możesz tworzyć zapytania do grafu przy użyciu jednego z dwóch środowisk.

• Konstruktor zapytań: Wizualny, interaktywny interfejs do eksplorowania węzłów i relacji bez pisania kodu. Aby uzyskać więcej informacji, zobacz Wykonywanie zapytań względem grafu za pomocą konstruktora zapytań.
• Edytor kodu: Edytor oparty na tekście do pisania zapytań języka GQL (Graph Query Language). Aby uzyskać więcej informacji, zobacz Query the graph with GQL (Wykonywanie zapytań względem grafu za pomocą biblioteki GQL).

Obie opcje są przeznaczone dla tego samego wykresu bazowego. Wybierz środowisko tworzenia, które pasuje do przepływu pracy.

Wykonywanie zapytania

Zapytania są uruchamiane za pośrednictwem wspólnej warstwy wykonywania, która obsługuje:

• GQL: Wykonuje zapytanie względem grafu przy użyciu międzynarodowego standardu dla języka zapytań grafów (ISO/IEC 39075).
• Język naturalny do GQL (NL2GQL) (wersja zapoznawcza): Tłumaczy pytania języka naturalnego na zapytania GQL. Dodaj graf w Microsoft Fabric jako źródło danych w Agent Danych Fabric w celu włączenia rozumowania sztucznej inteligencji opartej na grafach. Aby uzyskać szczegółowe informacje na temat działania NL2GQL, zobacz ogłoszenie dotyczące wnioskowania sztucznej inteligencji opartego na grafach.
• Wykonywanie oparte na protokole REST: Programowo uruchamia zapytania przy użyciu interfejsu API zapytań GQL.

Wskazówka

Wybierz ścieżkę zapytania: Użyj GQL lub REST w celu bezpośredniego, programowego dostępu do danych grafu z pełną kontrolą nad strukturą zapytań. Używaj NL2GQL (wersja wstępna) za pośrednictwem agenta danych Fabric, gdy potrzebujesz dostępu do języka naturalnego, co jest idealne w scenariuszach konwersacyjnej sztucznej inteligencji i asystenta wiedzy.

Ta warstwa uruchamia logikę zapytania względem grafu z możliwością wykonywania zapytań i zwraca wyniki.

Wyniki zapytania

W zależności od tego, jak wykonujesz zapytanie względem grafu, otrzymujesz wyniki w co najmniej jednym z następujących formatów:

• Diagramy grafów wizualnych: Interaktywne wizualizacje węzłów i relacji.
• Tabelaryczne zestawy wyników: Dane ustrukturyzowane w wierszach i kolumnach.
• Odpowiedzi programowe: Dane wyjściowe JSON dla użycia REST lub dla celów downstream.

Eksploruj wyniki interaktywnie, udostępniaj je jako zestawy zapytań tylko do odczytu lub używaj ich w innych narzędziach i aplikacjach.

Treści powiązane

• Omówienie programu Graph
• Przewodnik szybkiego startu dla grafu
• Samouczek: wprowadzenie do grafu