Power BI可與 Real-Time Intelligence 整合，為需要高刷新率或大量資料的使用者提供更佳的效能。 本文描述了即時智慧範例體驗，這是從 Power BI 進入即時智慧的切入點。
當與 Real-Time Intelligence 整合時，Power BI 可以利用流數據提供最新的洞察。 Real-Time Intelligence 管理串流資料的攝取、轉換與儲存，並在 Power BI 中提供分析與視覺化功能。 此整合提供全面且完全整合的解決方案，可用於具有大量資料或高重新整理頻率的使用案例的即時資料分析和視覺效果。
Real-Time Intelligence 是Fabric產品組合中一項強大的服務，能幫助你提取洞察並視覺化動態數據。 它提供事件驅動案例、串流資料和資料記錄的端對端解決方案。
深入了解 Real-Time Intelligence。
建立範例
當語意模型重新整理的頻率高於特定閾值時，會看到泡泡快顯視窗邀請您嘗試 Real-Time Intelligence 中的範例。
選取 [嘗試範例]，在 Real-Time Intelligence 中開始建置範例端對端解決方案。 已新增下列元件：
- 事件串流
- Eventhouse
- KQL 資料庫
- KQL 查詢集
- 即時儀表板
- Power BI 報告
此解決方案是以串流範例資料為基礎，展示 Real-Time Intelligence 解決方案的易用和強大功能。 建置完成後，對話框隨即開啟，其中包含每個範例項目的連結，它們會在導覽列的新索引標籤中開啟。
- 選取項目的名稱，以在 Real-Time Intelligence 中開啟它。
- 選取 [探索] 以關閉對話框，然後移至範例的 KQL 資料庫視窗。
主檢視窗格中的長條圖和資料表會在資料重新整理時自動更新。
Real-Time Intelligence 解決方案的元件
Real-Time Intelligence 範例的元件如下：
Event stream：事件串流是用來擷取資料並將你的即時資料轉為Microsoft Fabric的引擎。 可以轉換資料，並透過篩選將資料路由傳送至各個目的地。 深入了解事件資料流。
Eventhouse：Eventhouse 是儲存和分析資料的位置。 Eventhouse 的設計旨在有效率地處理即時資料流。 Eventhouse 可以保存一或多個 KQL 資料庫。 它們專為以時間為基礎的大量串流事件量身打造，其中包含結構化、半結構化和非結構化資料。 深入了解 Eventhouse。
KQL 資料庫：KQL 資料庫是儲存和管理資料的位置。 它可讓您即時查詢資料，並提供強大的工具來進行資料探索和分析。 KQL 資料庫支援各種資料原則和轉換。 深入了解 KQL 資料庫。
KQL 查詢集：可以使用 KQL 查詢集來執行查詢、檢視及自訂 KQL 資料庫中資料的查詢結果。 進一步了解 KQL 查詢集。
即時儀表板：即時儀表板在組成的圖塊中提供各種目標和資料點的即時更新快照。 每個磚都有基礎查詢和可視化表示。 它可讓您以即時方式將資料可視化，同時提供深入解析並實現資料探索。 瞭解更多有關即時儀表板的信息。
Power BI：建立即時報告，顯示由 Real-Time Intelligence 管理的事件串流及 KQL 資料庫資料。 報告透過 Azure Data Explorer（Kusto）連接器透過 DirectQuery 連接到 KQL 資料庫，該連接器同時支援 Azure Data Explorer 與 Fabric KQL 資料庫。 動態 M 查詢參數會將濾波器與時間粒度參數推送至 KQL 資料庫，因此視覺化會收到彙整結果而非原始事件。
在 Real-Time Intelligence 中建立自己的解決方案
可以使用自己的資料來實作此解決方案。 在開始之前，你需要一個workspace，並且有啟用 Microsoft Fabric 的capacity。
要設定自己的即時儀表板，請依照 Real-Time Intelligence 教學課程。 以下為步驟摘要：
- 建立 Eventhouse 並設定環境。
- 建立事件串流並將資料帶入 KQL 資料庫。
- 建立 KQL 查詢集並查詢資料。
- 建立即時儀表板並以可視化方式探索資料
-
建立Power BI報告。
- 透過 Azure Data Explorer （Kusto） 連接器使用 DirectQuery 連接 KQL 資料庫，該連接器同時支援 Azure Data Explorer 與 Fabric KQL 資料庫。
- 使用動態 M 查詢參數將時間範圍與頻箱大小傳遞至 KQL 查詢，使Power BI接收到彙總序列（例如
make-series或summarize），而非原始事件。 - 在 KQL 中使用
series_decompose_anomalies等函數進行異常偵測，並將計算結果回傳給Power BI視覺化。
小提示
對於大量時間序列資料，請使用參數化 M 查詢的查詢摺疊，以便在 KQL 中執行篩選和聚合。 避免匯入高流量的原始事件資料——僅將彙總資料集回傳至視覺化以提升互動效能。