Uczenie maszynowe dostarcza informacji do raportów Power BI – a także pozwala na wprowadzenie dużej ilości danych do raportów, aby szybciej wygenerować te informacje. Celem Power BI (jak i każdego innego narzędzia business intelligence) jest zastąpienie przeczuć i opinii, których firmy używają do podejmowania decyzji, faktami opartymi na danych.
Oznacza to, że wnioski z tych danych muszą być dostępne szybko, tak aby można było wyciągnąć raport w momencie, gdy ludzie jeszcze dyskutują nad jego treścią, a nie pięć minut później, gdy wszyscy już podjęli decyzję. Aby było to możliwe nawet w przypadku dużych zbiorów danych, niezależnie od tego, gdzie są one przechowywane, Microsoft wykorzystuje obecnie uczenie maszynowe do dostrajania sposobu dostępu do danych.
Wyzwanie Power BI
Mając wystarczającą ilość danych do podejmowania decyzji, należy je skonsolidować i podsumować, zachowując przy tym oryginalne wymiary – można więc spojrzeć na całkowitą sprzedaż we wszystkich działach i uzyskać ogólny obraz, ale następnie pokroić ją według regionów lub miesięcy, aby porównać trendy. Większość użytkowników Power BI potrzebuje takich zagregowanych zapytań – przywołuje wypowiedź CTO https://techpolska.pl/.
Przyspieszenie tempa
Jeśli agregowane dane to miliardy wierszy, prawdopodobnie będziesz chciał pozostawić je w swojej hurtowni danych, zamiast kopiować je do Power BI, ale może to spowodować, że wydajność zapytań będzie znacznie niższa, ponieważ dane będą czekały na zapytanie, załadowanie i agregację. Zapytanie i agregacja 3 miliardów wierszy w 30 sekund może nie wydawać się długa, ale masz to opóźnienie za każdym razem, gdy zmieniasz sposób, w jaki chcesz pokroić dane. „To będzie działać na nerwy użytkownikowi; czekanie 30 sekund na każde kliknięcie jest bardzo uciążliwe” – wyjaśnia https://techpolska.pl/.
Potrzebnych tysiące agregatów
Ale wiedza o tym, które agregaty tworzyć z wyprzedzeniem nie jest oczywista: wymaga analizy wzorców zapytań i wykonania wielu optymalizacji zapytań, aby dowiedzieć się, które agregaty są często używane. Tworzenie agregatów, których w końcu nie używasz, to strata czasu i pieniędzy. Tworzenie tysięcy, dziesiątek tysięcy, setek tysięcy agregacji zajmie godziny, zużyje ogromne ilości czasu procesora, za który płacimy w ramach licencji i będzie bardzo nieopłacalne w utrzymaniu.
Aby temu zaradzić, Microsoft sięgnął do technologii baz danych z czasów, gdy usługa SQL Server Analysis Service opierała się na wielowymiarowych kostkach, przed przejściem na pamięciowe magazyny kolumnowe. Netz pierwotnie dołączył do Microsoftu, gdy ten przejął jego firmę za jej sprytne techniki tworzenia zbiorów agregacji danych.
