หมายเหตุ
การเข้าถึงหน้านี้ต้องได้รับการอนุญาต คุณสามารถลอง ลงชื่อเข้าใช้หรือเปลี่ยนไดเรกทอรีได้
การเข้าถึงหน้านี้ต้องได้รับการอนุญาต คุณสามารถลองเปลี่ยนไดเรกทอรีได้
Note
คุณลักษณะนี้อยู่ในการแสดงตัวอย่างสาธารณะ การแสดงตัวอย่างนี้จะมีให้โดยไม่มีข้อตกลงระดับบริการ และไม่แนะนําสําหรับปริมาณงานการผลิต คุณลักษณะบางอย่างอาจไม่ได้รับการสนับสนุนหรืออาจมีความสามารถที่จํากัด สําหรับข้อมูลเพิ่มเติม โปรดดู ข้อกําหนดการใช้งานเพิ่มเติมสําหรับตัวอย่าง Microsoft Azure
กราฟใน Microsoft Fabric แปลงข้อมูลที่มีโครงสร้างที่จัดเก็บไว้ใน OneLake ให้เป็นกราฟแบบจําลองที่สามารถคิวรีได้ คิวรีกราฟโดยใช้เครื่องมือแบบวิชวลหรือเครื่องมือที่ใช้ GQL ที่ทํางานผ่านกลไกจัดการทั่วไปเพื่อสร้างผลลัพธ์แบบภาพ แบบตาราง หรือแบบเป็นโปรแกรม
บทความนี้อธิบายสถาปัตยกรรมกราฟและอธิบายโฟลว์ข้อมูลแบบ end-to-end จากแหล่งที่มาไปยังข้อมูลเชิงลึก
ไดอะแกรมต่อไปนี้แสดงโฟลว์ข้อมูลแบบ end-to-end จากแหล่งที่มาไปยังข้อมูลเชิงลึก:
แหล่งข้อมูล
ข้อมูลมาจากระบบภายนอก เช่น บริการ Azure แพลตฟอร์มระบบคลาวด์อื่นๆ หรือแหล่งข้อมูลภายในองค์กร กราฟใน Microsoft Fabric ทํางานกับข้อมูลจากแหล่งข้อมูลเหล่านี้หลังจากที่คุณนําเข้าไปยัง OneLake ซึ่งกราฟสามารถอ่านได้
ที่เก็บข้อมูลใน OneLake
คุณจัดเก็บข้อมูลที่นําเข้าใน OneLake เป็นตารางแหล่งข้อมูลแบบตารางในเลคเฮาส์ กราฟจะนําเข้าข้อมูลจากตารางเลคเฮาส์ของคุณเมื่อคุณบันทึกโมเดล คุณจึงไม่จําเป็นต้องตั้งค่าไปป์ไลน์ ETL แยกต่างหากหรือย้ายข้อมูลไปยังฐานข้อมูลภายนอก
การสร้างแบบจําลองกราฟ
ในขั้นตอนการสร้างแบบจําลองกราฟ คุณกําหนด Schema กราฟโดยระบุ:
- ประเภทโหนด: เอนทิตีในข้อมูลของคุณ เช่น ลูกค้า ผลิตภัณฑ์ หรือใบสั่ง
- ประเภทขอบ: ความสัมพันธ์ระหว่างเอนทิตี เช่น "การซื้อ" "มี" หรือ "ผลิต"
- การแม็ปตาราง: วิธีที่คําจํากัดความของโหนดและเอดจ์แมปกับตารางต้นทางต้นแบบ
ขั้นตอนนี้จะสร้างโครงสร้างกราฟคุณสมบัติที่มีป้ายชื่อ สร้างแบบจําลองกราฟให้เสร็จสมบูรณ์ก่อนที่คุณจะสืบค้นกราฟ สําหรับคําแนะนําในการตัดสินใจสร้างแบบจําลองเหล่านี้ โปรดดู ออกแบบ Schema กราฟ
Note
ขณะนี้กราฟไม่รองรับวิวัฒนาการสคีมา ถ้าคุณจําเป็นต้องทําการเปลี่ยนแปลงโครงสร้าง เช่น การเพิ่มคุณสมบัติใหม่ การแก้ไขป้ายชื่อ หรือการเปลี่ยนชนิดความสัมพันธ์ ให้นําเข้าข้อมูลต้นฉบับที่อัปเดตลงในแบบจําลองใหม่
กราฟที่สืบค้นได้
เมื่อคุณบันทึกแบบจําลอง กราฟจะนําเข้าข้อมูลจากตารางเลคเฮาส์พื้นฐาน และสร้างกราฟที่สืบค้นได้และปรับให้เหมาะสมกับการอ่าน โครงสร้างกราฟนี้ได้รับการปรับให้เหมาะสมสําหรับการจับคู่การสํารวจและรูปแบบ ซึ่งช่วยให้สามารถสืบค้นกราฟได้อย่างรวดเร็วและมีประสิทธิภาพในทุกขนาด
การเขียนแบบสอบถาม
คุณเขียนแบบสอบถามกับกราฟที่สืบค้นได้โดยใช้หนึ่งในสองประสบการณ์:
- ตัวสร้างแบบสอบถาม: อินเทอร์เฟซแบบโต้ตอบที่มองเห็นได้สําหรับการสํารวจโหนดและความสัมพันธ์โดยไม่ต้องเขียนโค้ด สําหรับข้อมูลเพิ่มเติม ให้ดูที่ การสอบถามกราฟด้วยตัวสร้างแบบสอบถาม
- ตัวแก้ไขโค้ด: ตัวแก้ไขแบบข้อความสําหรับการเขียนแบบสอบถาม GQL (Graph Query Language) โปรดดูข้อมูลเพิ่มเติมที่หัวข้อสืบค้นกราฟด้วย GQL
ทั้งสองตัวเลือกกําหนดเป้าหมายกราฟอ้างอิงเดียวกัน เลือกประสบการณ์การเขียนที่เหมาะกับเวิร์กโฟลว์ของคุณ
การดําเนินการสืบค้น
คุณเรียกใช้การสืบค้นผ่านเลเยอร์การดําเนินการทั่วไปที่รองรับ:
- จีคิวแอล: สืบค้นกราฟโดยใช้มาตรฐานสากลสําหรับภาษาแบบสอบถามกราฟ (ISO/IEC 39075)
- ภาษาธรรมชาติเป็น GQL (NL2GQL) (พรีวิว): แปลคําถามภาษาธรรมชาติเป็นแบบสอบถาม GQL เพิ่มกราฟใน Microsoft Fabric เป็นแหล่งข้อมูลใน Fabric Data Agent เพื่อเปิดใช้งานการให้เหตุผล AI ที่ขับเคลื่อนด้วยกราฟ สําหรับรายละเอียดเกี่ยวกับวิธีการทํางานของ NL2GQL โปรดดูประกาศการใช้เหตุผล AI ที่ขับเคลื่อนด้วยกราฟ
- การดําเนินการตาม REST: เรียกใช้คิวรีโดยทางโปรแกรมโดยใช้ API คิวรี GQL
เคล็ดลับ
เลือกเส้นทางการค้นหาของคุณ: ใช้ GQL หรือ REST สําหรับการเข้าถึงข้อมูลกราฟโดยตรงแบบเป็นโปรแกรมพร้อมการควบคุมโครงสร้างการสืบค้นอย่างเต็มที่ ใช้ NL2GQL (พรีวิว) ผ่าน Fabric Data Agent เมื่อคุณต้องการการเข้าถึงภาษาธรรมชาติ ซึ่งเหมาะสําหรับ AI การสนทนาและสถานการณ์ผู้ช่วยความรู้
เลเยอร์นี้จะเรียกใช้ตรรกะการสืบค้นกับกราฟที่สืบค้นได้และส่งกลับผลลัพธ์
ผลลัพธ์คิวรี
คุณจะได้รับผลลัพธ์ในรูปแบบต่อไปนี้อย่างน้อยหนึ่งรูปแบบ ทั้งนี้ขึ้นอยู่กับวิธีที่คุณสอบถามกราฟ
- ไดอะแกรมกราฟภาพ: การแสดงภาพแบบโต้ตอบของโหนดและความสัมพันธ์
- ชุดผลลัพธ์แบบตาราง: ข้อมูลที่มีโครงสร้างในแถวและคอลัมน์
- การตอบสนองแบบเป็นโปรแกรม: เอาต์พุต JSON สําหรับ REST หรือการใช้ดาวน์สตรีม
สํารวจผลลัพธ์แบบโต้ตอบ แชร์เป็นชุดคิวรีแบบอ่านอย่างเดียว หรือใช้ในเครื่องมือและแอปพลิเคชันอื่นๆ