Introduction
语义模型为Microsoft Fabric和Power BI中的报表、仪表板和 AI 提供支持的体验提供了基础。 当语义模型性能良好时，用户可以轻松导航报表并获取可靠的 AI 答案。 当条件不满足时，报告加载会变得缓慢，用户可能会失去信任，而 AI 流程可能会超时或完全失败，或者提供不准确或不完整的响应。
性能问题可能来自许多位置：昂贵的 DAX 计算、单个列中具有数百万个唯一值的表，或一次请求过多数据的视觉对象。 挑战不是知道某个东西很慢，而是知道瓶颈在哪里以及如何修复它。
假设你在最近将其报告迁移到Microsoft Fabric的零售分析组织工作。 该团队构建了语义模型，以支持执行仪表板、应用商店级报表和Copilot聊天，以便进行自然语言数据探索。 在几周内，用户开始报告多个仪表板需要 30 秒或更多时间才能加载。 执行团队注意到 Copilot 聊天的响应超时了。报告系统功能正常，但处理速度太慢。 你的任务是找到瓶颈，修复这些瓶颈，并验证改进。 你需要一种系统的方法，涵盖 DAX 优化、数据模型效率和聚合策略。
在本模块中，你将了解如何使用性能分析器诊断性能缓慢的视觉对象，并确定性能问题的根本原因。 您可以探索优化 DAX 计算的技术、减少基数的方法以及实现聚合的手段。 你还将了解一种系统故障排除方法，用于解决常见的性能问题。
在本模块结束时，你将能够诊断语义模型中的性能问题，并应用有针对性的修补程序，以提高人类用户和 AI 驱动的体验的查询速度。