De sju Fabric-arbetsbelastningarna (del 2)

Introduktion till Microsoft Fabric

Alex Kuntz

Technical Instructional Designer

De sju Fabric-upplevelserna

• Data Factory, Data Engineering och Data Warehouse fokuserar på datainmatning
• Övriga arbetsbelastningar fokuserar mer på dataanalys och rapportering

Data Science

• Skriv Spark-kod för datautforskning och databearbetning
• Stöder flera språk, till exempel Python (PySpark), Scala, SparkSQL och SparkR

Data Science

• Används för att skapa ML-modeller och utvärdera deras prestanda

• Förbereder modellinsikter för verktyg som Power BI

Data Science

Power BI

• Lanserades 2011, men är nu integrerat i Fabric-miljön.
• Används för att skapa dashboards och visualiseringar som driver affärsvärde
• Används av Business Intelligence-utvecklare
• Hämtar data från OneLake Lakehouses och Warehouses

Real Time Intelligence

• Lagringsalternativ byggt för att hantera realtidshändelseströmmar
• Använder OneLake och Delta-Parquet-formatet, precis som Lakehouses och Warehouses

Real Time Intelligence

• Lagringsalternativ byggt för att hantera realtidshändelseströmmar
• Använder OneLake och Delta-Parquet-formatet, precis som Lakehouses och Warehouses

• Matar in data i realtid och skickar det vidare till ett Eventhouse
• Liknar DataFlow, men för dataströmmar

Real Time Intelligence

• Definiera åtgärder som reagerar på mönster eller villkor i data
• Till exempel:
  • Ett IoT-verktyg övervakar artiklar i ett fysiskt lager
  • Antalet artiklar överskrider ett tröskelvärde – lagret är för fullt!
  • Ett e-postmeddelande till chefen skickas via Activator

Branschlösningar

• Verktyg anpassade för specifika användningsfall, till exempel inom detaljhandel eller datastyrning.

Nu kör vi en övning!

Introduktion till Microsoft Fabric