Гринфилд лейкхаус в Microsoft Fabric

В этом примере рабочей нагрузки описывается решение greenfield для создания масштабируемой платформы данных с помощью Microsoft Fabric и проектной парадигмы lakehouse. Структура — это платформа, которая интегрирует хранилище данных, обработку и аналитику. Greenfield lakehouse предоставляет возможность для создания эффективной и адаптируемой к будущим изменениям экосистемы данных с чистого листа.

Архитектура

Скачайте файл Visio для этой архитектуры.

Поток данных

Следующий поток данных соответствует предыдущей схеме.

Эта архитектура отражает архитектуру Лямбда, которая разделяет обработку данных на два уровня:

• Слой пакетной обработки большого объема, который периодически обрабатывается для исторического анализа

• Платформа обработки потоков с низкой задержкой и высокой пропускной способностью для аналитики в режиме реального времени.

Пакетный процесс обработки управляет полным набором данных, что обеспечивает согласованность данных и поддерживает сложный исторический анализ. Путь обработки потока принимает и обрабатывает данные практически в режиме реального времени, что делает его идеальным для панелей мониторинга и обнаружения аномалий. Этот двухуровневый подход предоставляет аналитические сведения в режиме реального времени, сохраняя надежную запись для последующего изучения.

Холодный путь для пакетной аналитики

Хранилище данных использует реляционную семантику SQL и функции в качестве обычного подхода для анализа исторических данных. Но этот шаблон претерпел изменения, и лейкхаус стал отраслевым стандартом для пакетного анализа данных. «Лейкхаус» основан на форматах файлов с открытым исходным кодом. В отличие от традиционного хранилища данных, он поддерживает структурированные, полуструктурированные и неструктурированные данные. Вычислительный слой в lakehouse обычно основан на фреймворке Apache Spark, что является предпочтённой системой для обработки больших данных благодаря его распределённой вычислительной возможности и высокой производительности. Fabric предоставляет собственный интерфейс lakehouse, основанный на формате файла Delta Lake с открытым исходным кодом и управляемой средой выполнения Spark.

Реализация lakehouse обычно использует архитектуру медальона. В этой архитектуре бронзовый слой содержит необработанные данные, серебряный слой содержит проверенные и дедупликированные данные, а золотой слой содержит высокоуровневые данные для вариантов использования для бизнеса. Этот подход работает во всех организациях и отраслях. Архитектура медальона является стандартным подходом, но вы можете адаптировать его для ваших потребностей. Эта архитектура создает lakehouse, используя нативные компоненты Fabric.

Шаг 1. Прием данных с помощью фабрики данных

Функция Фабрика данных Azure в Fabric предоставляет возможности службы Фабрика данных Azure, которая широко используется службой интеграции данных. Служба Data Factory в основном предоставляет возможности оркестрации с помощью конвейеров. Но функция в Fabric предоставляет как конвейеры, так и потоки данных.

• Конвейеры данных предоставляют встроенные возможности оркестрации данных для создания гибких рабочих процессов данных, которые соответствуют вашим потребностям предприятия.

• Потоки данных предоставляют графический интерфейс, аналогичный Power Query, который поддерживает более 300 встроенных преобразований данных, включая операции на основе ИИ. Используйте потоки данных для записи данных в родные хранилища данных в Fabric, как озерные дома, складские помещения, базы данных Azure SQL и базы данных Kusto.

В зависимости от ваших требований можно использовать любую из этих возможностей для создания платформы приема на основе метаданных. Вы можете подключить данные из различных исходных систем по определенному расписанию или с помощью триггеров событий.

Шаг 2. Преобразование данных

Вы можете подготовить и преобразовать данные двумя способами. Если вы предпочитаете использовать кодовый интерфейс, используйте записные книжки Spark. Если вы предпочитаете использовать низкокодовый или безкодовый интерфейс, используйте потоки данных.

Используйте записные книжки Fabric для разработки заданий Spark. Они предоставляют интерактивную веб-поверхность, которую инженеры данных используют для написания кода. Они также предоставляют визуализации и поддерживают текст Markdown. Инженеры данных записывают код для приема, подготовки и преобразования данных. Специалисты по обработке и анализу данных могут использовать записные книжки для создания, отслеживания и развертывания моделей машинного обучения.

Каждая рабочая область в Fabric включает начальный пул Spark для заданий Spark по умолчанию. Начальные пулы обеспечивают быструю инициализацию сеанса Spark, как правило, в течение 5–10 секунд без ручной настройки. Вы также можете настроить пулы Spark в соответствии с требованиями к проектированию данных. Размер узлов, автоматическое масштабирование и динамическое выделение исполнителей на основе требований задания Spark. Для настроек среды выполнения Spark используйте среды для настройки свойств вычислений, выбора разных сред выполнения и настройки зависимостей пакета библиотеки на основе требований рабочей нагрузки.

Используйте потоки данных для извлечения данных из различных источников, преобразования их с помощью многих операций и при необходимости загрузки их в место назначения. Традиционно инженеры данных тратят значительное время на извлечение, преобразование и загрузку данных в используемый формат для нижестоящей аналитики. Поток данных 2-го поколения предоставляет повторно используемый способ обработки задач извлечения, преобразования и загрузки (ETL) с помощью визуальных подсказок в Power Query Online. Поток данных сохраняет все шаги преобразования. Чтобы выполнить другие задачи или загрузить данные в другое место после преобразования, создайте конвейер данных и добавьте действие потока данных 2-го поколения в оркестрацию конвейера.

Горячий путь для аналитики в режиме реального времени

Обработка данных в режиме реального времени помогает принимать своевременные решения и действовать на основе последних аналитических сведений для улучшения операций и взаимодействия с клиентами. Аналитика Real-Time Fabric предоставляет эту возможность. Он объединяет несколько функций Fabric и делает их доступными через центр анализа в реальном времени. Центр Real-Time Intelligence предоставляет единое место для потоковой передачи данных в реальном времени по всей вашей организации.

Real-Time Intelligence поддерживает визуализацию и анализ данных для сценариев на основе событий, потоковой передачи данных и журналов данных. Он подключает данные на основе времени из различных источников с помощью каталога соединителей без кода и предоставляет решение для приема данных, преобразования, хранилища, аналитики, визуализации, отслеживания, искусственного интеллекта и действий в режиме реального времени. Имя функции использует фразу в режиме реального времени, но данные не требуют потоковой передачи с высокими скоростями или объемами. Real-Time Intelligence предоставляет решения на основе событий, а не решения на основе расписания.

Шаг 3. Прием в режиме реального времени

Поток событий — это функция Fabric, которая предоставляет безкоды́й способ получения событий в режиме реального времени из различных источников и отправки их в разные назначения. Он поддерживает фильтрацию данных, преобразование, агрегирование и маршрутизацию на основе содержимого. Вы также можете использовать его для создания новых потоков из существующих потоков и совместного использования их в организации с помощью центра аналитики Real-Time. Потоки событий поддерживают несколько источников данных и пунктов назначения. Соединители можно использовать для внешних источников, таких как кластеры Apache Kafka, веб-каналы отслеживания изменений базы данных (CDC), потоковые источники Amazon Web Services (AWS), такие как Kinesis, и Google Cloud Pub/Sub.

Создайте поток событий, добавьте источники данных событий в поток, при необходимости добавьте преобразования для преобразования данных события, а затем перенаправьте данные в поддерживаемые назначения. Лейкхаус Fabric является одним из таких мест назначения. Вы можете преобразовать события в режиме реального времени перед приемом их в озеро. Система преобразует события в режиме реального времени в формат Delta Lake и сохраняет их в предназначенных таблицах lakehouse. Этот шаблон поддерживает сценарии хранения данных и исторический анализ быстро перемещаемых данных.

Шаг 4. Аналитика в режиме реального времени

Для потоковой передачи данных в Real-Time Intelligence используйте Fabric Activator или eventhouses в зависимости от варианта использования.

Активатор Fabric — это компонент, который позволяет реагировать в режиме реального времени на определенные условия данных. Эти ответы могут включать уведомления по электронной почте или Microsoft Teams, пользовательские рабочие процессы через Power Automate или любой элемент Fabric, инициируемый непосредственно из активатора. Активаторы поддерживают сценарии наблюдаемости. Например, можно настроить активатор для реагирования на входящие данные потоковой передачи в потоках событий.

Хранилище событий — это коллекция одной или нескольких баз данных Kusto Query Language (KQL). Базы данных KQL обрабатывают временные потоковые события структурированных, полуструктурированных и неструктурированных данных. Система автоматически индексирует и секционирует данные на основе времени приема, который обеспечивает быстрые и сложные возможности аналитических запросов, даже во время приема данных в режиме реального времени. Fabric предоставляет хранящиеся данные в хранилищах событий в OneLake для использования другими процессами Fabric. Чтобы запросить эти данные, используйте различные низкокодовые или бескодовое варианты в Fabric, включая родной KQL и T-SQL в запросах KQL.

Панели мониторинга данных в режиме реального времени предоставляют немедленную информацию из потоков данных, поступающих в ваши eventhouses. Вы можете добавить различные типы визуальных элементов на панель мониторинга, например диаграммы и графы, и настроить их в соответствии с вашими потребностями. панели мониторинга аналитики Real-Time помогают выявлять тенденции и аномалии в высокоскоростных данных, поступающих в хранилище событий. Они отличаются от панелей мониторинга Power BI, которые хорошо работают для рабочих нагрузок бизнес-аналитики (BI).

Шаг 5. Обслуживание данных

Различные варианты low-code или pro-code используют данные из Озера Fabric и событийных хранилищ.

Конечная точка аналитики SQL

Конечная точка SQL аналитики автоматически создается для каждого lakehouse в Fabric. Конечная точка аналитики SQL доступна только для чтения. Чтобы изменить данные, перейдите в режим Lakehouse и используйте Spark. Конечную точку SQL-аналитики можно использовать непосредственно на портале Fabric для запроса данных, переключившись с режима lakehouse на режим SQL. Вы также можете подключиться к конечной точке с помощью строки подключения SQL Lakehouse из клиентских средств, таких как Power BI, Excel или SQL Server Management Studio. Эта опция поддерживает аналитиков данных и бизнес-аналитиков в команде по работе с данными.

Записные книжки Spark

Используйте записные книжки для взаимодействия с данными Lakehouse. Fabric предоставляет интерактивную веб-платформу, которую специалисты по данным могут использовать для написания кода. Эти работники могут применять расширенные визуализации и текст Markdown. Инженеры данных записывают код для приема данных, подготовки данных и преобразования данных. Специалисты по обработке и анализу данных используют записные книжки для изучения данных, создания экспериментов и моделей машинного обучения, а также отслеживания и развертывания моделей. Этот вариант поддерживает профессиональных инженеров и специалистов по обработке и анализу данных.

Power BI

Каждый "лейкхаус" в Fabric включает предварительно созданную семантическую модель по умолчанию. Система автоматически создает ее при настройке lakehouse и загрузке данных в нее. Эта модель наследует бизнес-логику из lakehouse, чтобы упростить создание отчетов и панелей мониторинга Power BI непосредственно в интерфейсе Lakehouse. Вы также можете создавать пользовательские семантические модели в таблицах Lakehouse для удовлетворения конкретных бизнес-требований. При создании отчетов Power BI в лейкхаусе можно использовать режим Direct Lake, который не требует импорта данных отдельно. Этот режим позволяет получать производительность в памяти в отчетах без перемещения данных из lakehouse.

Режим Direct Lake в Power BI обеспечивает значительные преимущества в производительности и задержке. Но в некоторых сценариях данных требуется вернуться в режим DirectQuery для выполнения конкретных запросов. В следующих примерах сценариев можно активировать резервный вариант DirectQuery:

• Статистические данные таблицы семантической модели превышают связанные ограничения емкости.

• Семантическая модель применяет безопасность на уровне строк (RLS).

• Семантическая модель запрашивает представление в конечной точке аналитики SQL.

Для обработки этих резервных сценариев используйте конечную точку аналитики SQL в качестве источника данных для Power BI. Если включить Direct Lake в конечной точке аналитики SQL, запросы семантической модели автоматически возвращаются в режим DirectQuery, где Direct Lake не поддерживается.

Пользовательские API

Ткань обеспечивает интерфейс API для своих элементов. OneLake предоставляет открытый доступ ко всем элементам Fabric через API и пакеты SDK Azure Data Lake Storage. Вы можете получить доступ к данным в OneLake с помощью любого API, пакета SDK или средства, совместимого с Data Lake Storage, с помощью URI OneLake. Вы можете загрузить данные в lakehouse с помощью Обозреватель службы хранилища Azure или считать таблицу Delta с помощью ярлыка из Azure Databricks. OneLake также поддерживает драйвер файловой системы BLOB-объектов Azure для обеспечения большей совместимости с Data Lake Storage и хранилищем BLOB-объектов Azure. Чтобы использовать потоковую передачу данных в подчиненных приложениях, можно отправить данные потока событий в пользовательскую конечную точку API. Затем вы можете потреблять потоковые данные из Fabric, используя Центры событий Azure, протокол AMQP или протокол Kafka.

Power Automate (платформа автоматизации рабочих процессов)

Power Automate — это платформа приложений с низким кодом, которую можно использовать для автоматизации повторяющихся задач и управления данными. Активатор Fabric поддерживает потоки Power Automate в качестве назначения. Эта интеграция разблокирует множество вариантов использования и позволяет запускать подчиненные действия с помощью соединителей для систем Майкрософт и других производителей.

Компоненты

• Fabric — это облачная платформа аналитики данных, которая объединяет прием данных, преобразование, анализ и визуализацию для предприятий. В этой архитектуре Fabric служит основой для создания и управления data lakehouse, поддерживающего интеграцию во всех задачах, связанных с данными.

  • OneLake — это центральный центр данных в Fabric, разработанный как открытое озеро данных. В этой архитектуре он хранит структурированные и неструктурированные данные в собственном формате и функционирует как единый слой хранения для всех компонентов в архитектуре lakehouse.

  • Фабрика данных — это облачная служба ETL и оркестрации. В этой архитектуре автоматизируется перемещение данных и их преобразование из разных источников, что поддерживает как запланированное, так и управляемую событиями загрузку.

  • Инженер данных Fabric — это рабочая нагрузка в Fabric, которая предоставляет средства для сбора, хранения, обработки и анализа больших наборов данных. В этой архитектуре обеспечивается преобразование и подготовка данных в озерохранилище с помощью записных книжек Spark и конвейеров.

  • Обработка и анализ данных Fabric — это рабочая нагрузка в Fabric, которая предоставляет средства для создания моделей машинного обучения и создания аналитических сведений. В этой архитектуре она поддерживает экспериментирование, отслеживание моделей и развертывание в среде Lakehouse.

  • Хранилище данных Fabric — это реляционное хранилище корпоративного масштаба на основе озера данных. Все lakehouse в Fabric включают конечную точку SQL, обеспечивающую SQL-нативную семантику хранилища поверх lakehouse. Используйте хранилище данных для обслуживания курированных золотых данных из lakehouse. Аналитики данных могут использовать эту функцию для интерактивного анализа, а бизнес-пользователи могут создавать отчеты.

  Дополнительные сведения о приеме данных, управлении таблицами, подготовке данных, статистике и лучших практиках запросов в хранилищах и точках подключения аналитики SQL см. в рекомендациях по производительности хранилища данных.

  • Real-Time Аналитика — это функция, которая предоставляет возможности приема потоков и обработки. В этой архитектуре она поддерживает аналитику в режиме реального времени, записывая и анализируя данные в движении через потоки событий и активаторы.

  • Copilot в Fabric — это интерфейс естественного языка, который создает аналитические данные и визуализации. В этой архитектуре пользователи могут взаимодействовать с данными в Fabric и Power BI.

• Power BI — это средство бизнес-аналитики для создания панелей мониторинга и отчетов. В этой архитектуре она визуализирует данные lakehouse с использованием семантических моделей и режима Direct Lake для повышения производительности в оперативной памяти.

Альтернативные варианты

Fabric предоставляет полный набор инструментов. Но в зависимости от ваших потребностей вы можете воспользоваться функциональными возможностями, которые предоставляют альтернативные службы в экосистеме Azure.

• Azure Databricks может заменить или дополнить возможности машинного проектирования данных Fabric. Она предоставляет облачную среду Spark для крупномасштабной обработки данных. Кроме того, она обеспечивает общее управление ресурсами данных и возможностями для поддержки ключевых вариантов использования, таких как обработка и анализ данных, машинное обучение, ИИ и аналитика на основе SQL.

• Машинное обучение Azure может заменить или дополнить собственные средства обработки и анализа данных. Машинное обучение расширяет возможности экспериментирования и управления Fabric посредством размещения моделей для онлайн-вывода, мониторинга смещения и пользовательских приложений искусственного интеллекта.

Подробности сценария

Эта архитектура применяется к следующим сценариям:

• Организации, начинающие с нуля без ограничений наследственных систем.

• Организации, которые предпочитают простой шаблон, который балансирует затраты, сложность и производительность.

• Организациям, которые нуждаются в простой, экономичной и высокопроизводительной платформе данных, которая отвечает требованиям к отчетам, аналитике и машинному обучению.

• Организации, которые хотят интегрировать данные из нескольких источников для единого представления.

Эта архитектура не рекомендуется использовать для следующих сценариев:

• Команды с опытом работы с SQL или реляционными базами данных, которые имеют ограниченные навыки для работы со Spark.

• Организации, которые переносятся из устаревшей системы или хранилища данных на современную платформу.

Рекомендации

Эти рекомендации реализуют основные принципы платформы Azure Well-Architected Framework, которая представляет собой набор руководящих принципов, которые можно использовать для улучшения качества рабочей нагрузки. Для получения дополнительной информации см. Well-Architected Framework.

Надежность

Надежность помогает гарантировать, что ваше приложение может выполнять обязательства, которые вы выполняете для клиентов. Дополнительные сведения см. в контрольном списке проверки проектирования на надежность.

Структура автоматически реплицирует ресурсы в зонах доступности без необходимости настройки. Например, во время сбоя на уровне зоны для восстановления зоны не требуется никаких действий. В поддерживаемых регионах Fabric может самовосстанавливаться и автоматически перебалансировать, чтобы воспользоваться преимуществами зоны с оптимальными условиями.

Безопасность

Безопасность обеспечивает гарантии от преднамеренного нападения и неправильного использования ценных данных и систем. Для получения дополнительной информации см. список проверки дизайна безопасности.

Вы можете использовать Fabric для управления, контроля и аудита параметров безопасности в соответствии с изменяющимися потребностями и требованиями. Рассмотрим следующие ключевые рекомендации по безопасности:

• Проверки подлинности: Настройте единый вход (SSO) в Идентификаторе Microsoft Entra для предоставления доступа с различных устройств и расположений.

• Управление доступом на основе ролей (RBAC): Реализуйте управление доступом на основе рабочей области, чтобы управлять доступом к определенным наборам данных и взаимодействовать с ними.

• Безопасность сети: Используйте элементы управления безопасности сети для входящих и исходящих подключений Fabric при подключении к данным или службам в пределах сети или за ее пределами. К ключевым функциям относятся условный доступ Microsoft Entra, частные ссылки, доступ к доверенной рабочей области и управляемые частные конечные точки.

• Журналы аудита: Используйте подробные журналы аудита, которые Структура предоставляет для отслеживания действий пользователей и обеспечения подотчетности на платформе.

Дополнительные сведения см. в разделе "Безопасность в Fabric".

Оптимизация затрат

Оптимизация затрат фокусируется на способах сокращения ненужных расходов и повышения эффективности работы. Дополнительные сведения см. в контрольном списке для проверки проекта по оптимизации затрат.

Используйте предварительно настроенную оценку в калькуляторе цен Azure, чтобы получить начальную оценку стоимости этой архитектуры. Настройте значения, чтобы соответствовать ожидаемой рабочей нагрузке.

Fabric предоставляет резервирование емкости для заданного количества единиц емкости (ЦЕ). Однолетнее резервирование поможет сократить затраты на использование емкости Fabric.

Чтобы максимально увеличить использование емкости Fabric, рассмотрите следующие рекомендации.

• Оптимизация SKU F. Чтобы определить правильный размер емкости, можно резервировать пробные емкости или SKU модели F с оплатой по мере использования. Используйте эти параметры для измерения фактической емкости перед покупкой зарезервированного экземпляра. Запустите пробный проект концепции (POC) в рамочных условиях с репрезентативной рабочей нагрузкой, отслеживайте использование CU и экстраполируйте результаты, чтобы оценить использование CU для продакшн среды. Fabric поддерживает масштабирование. Вы можете начать с консервативного размера емкости и увеличить масштаб, если вам нужна дополнительная емкость.

• Отслеживайте шаблоны использования. Регулярно отслеживайте и анализируйте использование, чтобы определить пиковые и непиковые часы. Этот подход поможет вам понять, когда вы используете свои ресурсы чаще всего, чтобы можно было планировать некритические задачи в нерабочее время, избегая пиков использования CU.

• Оптимизируйте запросы и рабочие нагрузки, чтобы свести к минимуму ненужные вычислительные ресурсы. Оптимизируйте запросы выражений анализа данных (DAX), код Python и другие операции.

• Используйте функции «bursting» и сглаживания платформы Fabric для работы с операциями, требующими значительных ресурсов ЦП, без необходимости перехода на более высокий уровень SKU. Этот подход поможет вам управлять затратами при сохранении производительности. Чтобы получить более подробную информацию, см. раздел "Оценка и оптимизация вашей емкости Fabric".

• Настройка оповещений и уведомлений. Создайте упреждающие оповещения, чтобы администраторы емкости могли отслеживать высокую загрузку вычислительных ресурсов и управлять ими. Этот подход помогает им быстро реагировать на предотвращение перерасхода затрат.

• Реализуйте управление рабочими нагрузками. Запланировать выполнение длительных задач в разнесенные по времени интервалы на основе доступности ресурсов и системного спроса для оптимизации использования мощностей. Дополнительные сведения см. в разделе "Управление рабочими нагрузками".

Имейте в виду следующие соображения:

• Цены на Data Lake Storage зависят от объема хранимых данных и частоты его использования. Пример ценообразования включает 1 терабайт (ТБ) сохраненных данных и других предположений транзакций. 1 ТБ относится к размеру озера данных, а не к размеру исходной устаревшей базы данных.

• Цены на Fabric основаны на цене емкости SKU Fabric F или цене Premium за одного пользователя. Бессерверные емкости используют ЦП и память из приобретенной выделенной мощности.

• Event Hubs выставляют счета по уровню, выделенным единицам пропускной способности и полученному входящему трафику. В примере предполагается 1 единица пропускной способности в уровне "Стандартный" на 1 миллион событий в течение месяца.

Эффективность работы

Операционное совершенство охватывает процессы, которые обеспечивают развертывание приложения и его работу в производственной среде. Дополнительные сведения см в Контрольном списке проектного контроля для достижения операционного совершенства.

Fabric предоставляет множество компонентов для управления платформой данных. Каждый из этих компонентов поддерживает уникальные операции, которые можно просмотреть в приложении метрик емкости Fabric. Используйте это приложение для мониторинга потребления емкости и принятия обоснованных решений о том, как использовать ресурсы емкости.

Уровень производительности

Эффективность производительности — это способность рабочей нагрузки эффективно масштабироваться в соответствии с требованиями пользователей. См. дополнительные сведения в контрольном списке для проверки проектирования на эффективность работы.

Fabric предоставляет несколько функций для оптимизации производительности в своих компонентах. Эти средства и методики помогут эффективно управлять вычислительными ресурсами, предотвращать перегрузку и принимать обоснованные решения о масштабировании и оптимизации рабочих нагрузок.

Рассмотрим следующие ключевые возможности эффективности производительности в Fabric:

• Бурстинг и сглаживание помогают обеспечивать, чтобы ресурсоемкие операции ЦП работали быстрее, не требуя более высокого номера SKU. Эти действия можно запланировать в любое время.

• Регулирование потребления ресурсов задерживает или отклоняет операции, когда нагрузка на ЦП постоянно превышает ограничение SKU.

• Приложение "Метрики емкости Fabric" предоставляет средства для визуализации использования емкости, оптимизации производительности артефактов и оптимизации элементов с высоким уровнем вычислений. Приложение отличает интерактивные операции, такие как запросы DAX, от фоновых операций, таких как обновления семантической модели. Это разграничение позволяет производить оптимизацию, ориентированную на каждый тип операции.

Соавторы

Корпорация Майкрософт поддерживает эту статью. Следующие авторы написали эту статью.

Основные авторы:

• Амит Чандра | Архитектор облачных решений
• Николас Мур | Архитектор облачных решений

Чтобы просмотреть неопубликованные профили LinkedIn, войдите в LinkedIn.

Следующие шаги

• Что такое OneLake?
• Что такое фабрика данных?
• Что такое проектирование данных?
• Что такое обработка и анализ данных?
• Что такое аналитика в режиме реального времени?
• Что такое Power BI?
• Введение в Copilot в Fabric

Связанные ресурсы

• Что такое озеро данных?
• Хранение и аналитика данных
• Использование Fabric для разработки корпоративного решения бизнес-аналитики