Introduzione

I modelli semantici offrono una base per report, dashboard ed esperienze basate sull'intelligenza artificiale in Microsoft Fabric e Power BI. Quando un modello semantico offre prestazioni soddisfacenti, gli utenti possono esplorare facilmente i report e avere risposte affidabili all'intelligenza artificiale. Quando ciò non accade, i report vengono caricati lentamente, gli utenti perdono fiducia e i flussi di lavoro di intelligenza artificiale possono interrompersi completamente o fallire, fornendo risposte imprecise o incomplete.

I problemi di prestazioni possono provenire da molte posizioni: un calcolo DAX costoso, una tabella con milioni di valori univoci in una singola colonna o un oggetto visivo che richiede una quantità eccessiva di dati contemporaneamente. La sfida non è sapere che qualcosa è lento, ma sapere dove è il collo di bottiglia e come risolverlo.

Supponiamo che tu lavori in un'organizzazione di analisi al dettaglio che ha recentemente migrato i suoi report a Microsoft Fabric. Il team ha creato modelli semantici per supportare dashboard esecutivi, report a livello di archivio e Copilot chat per l'esplorazione dei dati in linguaggio naturale. Entro settimane, gli utenti iniziano a segnalare che il caricamento di più dashboard richiede 30 secondi o più. Il team esecutivo nota che le risposte di Copilot Chat generano timeout. I report funzionano, ma sono troppo lenti. L'obiettivo è trovare i colli di bottiglia, risolverli e verificare i miglioramenti. È necessario un approccio sistematico che copre l'ottimizzazione DAX, l'efficienza del modello di dati e le strategie di aggregazione.

Questo modulo spiega come usare l'analizzatore prestazioni per diagnosticare gli oggetti visivi lenti e identificare la causa radice dei problemi di prestazioni. Si esplorano le tecniche per ottimizzare i calcoli DAX, ridurre la cardinalità e implementare le aggregazioni. Si apprenderà anche un approccio sistematico per la risoluzione dei problemi di prestazioni comuni.

Al termine di questo modulo, è possibile diagnosticare i problemi di prestazioni in un modello semantico e applicare correzioni mirate che migliorano la velocità delle query sia per gli utenti umani che per le esperienze basate sull'intelligenza artificiale.