บทนำ
แบบจําลองความหมายเป็นรากฐานของการวิเคราะห์ใน Microsoft Fabric พวกเขากําหนดวิธีจัดโครงสร้าง คํานวณ และใช้ข้อมูลในรายงาน แดชบอร์ด และประสบการณ์ AI แบบจําลองที่ทํางานสําหรับทีมขนาดเล็กใน Power BI Desktop จะไม่ให้บริการผู้ใช้หลายร้อยรายโดยอัตโนมัติในที่เก็บข้อมูลหลายแห่ง เมื่อปริมาณข้อมูลเพิ่มขึ้นทีมขยายตัวและรูปแบบการใช้เปลี่ยนไปการตัดสินใจออกแบบที่อยู่เบื้องหลังโมเดลจําเป็นต้องเปลี่ยนแปลง
สมมติว่าองค์กรกําลังปรับขนาดแพลตฟอร์มการวิเคราะห์ใน Microsoft Fabric ข้อมูลของพวกเขาอยู่ในเลคเฮาส์และคลังสินค้า และแบบจําลองความหมายที่มีอยู่ของพวกเขาถูกสร้างขึ้นใน Power BI Desktop สําหรับทีมขนาดเล็ก ตอนนี้โมเดลเหล่านั้นจําเป็นต้องจัดการกับชุดข้อมูลที่ใหญ่ขึ้น ผู้ใช้พร้อมกันมากขึ้น และรูปแบบการบริโภคที่กว้างขึ้น โมเดลทํางานในขนาดปัจจุบัน แต่ไม่ได้ออกแบบมาสําหรับขนาด
ในโมดูลนี้ คุณจะทําการตัดสินใจในการออกแบบที่เตรียมแบบจําลองความหมายสําหรับมาตราส่วน คุณเริ่มต้นด้วยการเลือกโหมดที่เก็บข้อมูลที่เหมาะสมสําหรับวิธีที่ข้อมูลไหลเข้าสู่แบบจําลอง จากนั้นคุณออกแบบความสัมพันธ์แบบสคีมาของดาวเพื่อความชัดเจนและประสิทธิภาพ ถัดไป คุณออกแบบการคํานวณที่มีประสิทธิภาพและบํารุงรักษาได้เมื่อปริมาณข้อมูลและขนาดทีมเพิ่มขึ้น สุดท้าย คุณกําหนดการตั้งค่าที่ควบคุมวิธีที่แบบจําลองจัดการชุดข้อมูลขนาดใหญ่ คิวรีพร้อมกัน และการเข้าถึงเครื่องมือภายนอก
ในตอนท้ายของโมดูลนี้ คุณสามารถออกแบบแบบจําลองความหมายที่ใช้โหมดการจัดเก็บข้อมูลที่เหมาะสม ทําตามแนวทางปฏิบัติที่ดีที่สุดของ Schema แบบดาว รวมรูปแบบการคํานวณที่ปรับขนาดได้ และกําหนดค่าสําหรับปริมาณข้อมูลที่เพิ่มขึ้นและความต้องการการใช้ โมเดลที่ออกแบบมาสําหรับการปรับขนาดยังเป็นประโยชน์ต่อการใช้ AI เนื่องจาก AI ต้องการสิ่งเดียวกันจากโมเดล: ข้อมูลปัจจุบัน ความสัมพันธ์ที่ชัดเจน โครงสร้างเชิงพรรณนา และความสามารถในการจัดการโหลดคิวรีเพิ่มเติม