Microsoft Fabric'te Gerçek Zamanlı Zekaya Geçiş

Genel bakış

Time Series Insights, geçmiş veriler üzerinde operasyonel analiz ve raporlama sağlayan bir hizmettir. Veri alımı, depolama, bağlamsallaştırma, analiz ve sorgulama özellikleri sunar. Gerçek Zamanlı Zeka'ya geçişin bir parçası olarak, bu özelliklerin tümü Gerçek Zamanlı Zeka'daki zaman serisi veritabanı eventhouse'a geçirilerek karşılanabilir ve hatta geliştirilebilir.

Geçiş adımları

Time Series Insights,farklı geçiş adımlarıyla 1. Nesil ve 2. Nesil şeklinde iki teklif sunar.

Mimari gözden geçirme, belirli özellikler hakkında netleştirme gibi Microsoft'tan daha fazla geçiş kılavuzuna ihtiyacınız varsa lütfen isteğinizi buradan doldurun. Microsoft, isteğinizi değerlendirir ve gerekli geçiş ayrıntılarını ve desteği tartışmak için en kısa sürede sizinle iletişime geçer.

Time Series Insights 1. Nesil

Time Series Insights 1. Nesil'in soğuk Depolama veya hiyerarşi özelliği yoktur. Tüm verilerin sabit bir saklama süresi vardır. Önerilen geçiş yolu, Eventhouse'a paralel veri alımı ayarlamaktır. Sabit veri saklama süresi geçtikten sonra Time Series Insights ortamı silinebilir, eventhouse aynı verileri içerecektir.

1. Bir Eventhouse oluşturun.
2. Azure Event Hubs'tan Eventhouse'a paralel alım ayarlayın.
3. Sabit saklama süresi boyunca verileri almaya devam edin.
4. Eventhouse'ı kullanmaya başlayın.
5. Time Series Insights ortamını silin. Ayrıntılı SSS ve mühendislik deneyimleri, Time Series Insights 1. Nesil'i Gerçek Zamanlı Zeka'ya geçirme bölümünde özetlenmiştir

Time Series Insights 2. Nesil

Time Series Insights 2. Nesil, müşterinin aboneliğinde blob olarak Parquet biçimini kullanarak tüm verileri soğuk depolama alanında depolar. Verileri geçirmek için müşterinin GetData deneyimini kullanarak blobu alıp Eventhouse'a aktarması gerekir.

1. Bir Eventhouse oluşturun.
2. Veri alımını Eventhouse'a yönlendirin.
3. Time Series Insights soğuk verilerini içeri aktar.
4. Eventhouse'ı kullanmaya başlayın.
5. Time Series Insights Ortamını silin.

Ayrıntılı SSS ve mühendislik deneyimi, TSI 2. Nesil'i Gerçek Zamanlı Zeka'ya geçirme bölümünde özetlenmiştir

Veri tüketimi ve görselleştirme

Verilerinizi başarıyla geçirip kaynaklarınızdan sürekli veri alımı oluşturduktan sonra, çeşitli araçları ve teknolojileri kullanarak verileri kullanabilirsiniz. Bu modüller şunlardır:

• Power BI: Power BI, verilerinize dayalı etkileşimli görselleştirmeler ve raporlar oluşturmanıza olanak tanıyan güçlü bir iş zekası aracıdır. Power BI'ı Gerçek Zamanlı Zeka ortamınıza bağlayabilir ve verilerinizden içgörü elde etmek için zengin özellik kümesini kullanabilirsiniz.

• KQL Sorgu Kümeleri: KQL (Kusto Sorgu Dili), Azure Veri Gezgini ve diğer Azure hizmetlerinde kullanılan bir sorgu dilidir. KQL ile verilerinizi Gerçek Zamanlı Zeka'da analiz etmek ve işlemek için güçlü sorgular yazabilirsiniz.

• Gerçek Zamanlı Panolar: Gerçek Zamanlı Zeka, gerçek zamanlı panolar oluşturmak için yerleşik destek sağlar. Bu panolar, verilerinizi gerçek zamanlı olarak izlemenize ve görselleştirmenize olanak tanıyarak size güncel içgörüler ve analizler sağlar. Bu panoları ihtiyaçlarınıza ve gereksinimlerinize uyacak şekilde özelleştirebilirsiniz.

• KustoTrender: Özel zaman serisi panoları için JavaScript kitaplığı

• Özel Uygulamalar için SDK'lar: Doku Gerçek Zamanlı Zeka, C#, Java Java ve Node.js gibi çeşitli programlama dilleri için SDK'lar (Yazılım Geliştirme Setleri) sunar. Bu SDK'lar, Gerçek Zamanlı Zeka'yı özel uygulamalarınızla tümleştirmenize olanak sağlayan bir dizi kitaplık ve araç sağlar. Veri alımı, sorgulama ve diğer işlemleri program aracılığıyla gerçekleştirmek için bu SDK'ları kullanabilirsiniz.

Zaman Serisi Modelinin Geçişi

Time Series Insights 2. Nesil, varlıkları ve ilişkilerini hiyerarşi olarak tanımlayan Time Series Modeli olarak bilinen bir modeli kullanarak ham zaman serisi verilerini bağlamsallaştırma özelliği sunar. Eventhouse içindeki Kusto Graph Semantiğini kullanarak Zaman Serisi Modeli hiyerarşisini grafik olarak modellemek mümkündür. Bu, grafik içindeki varlıkların çapraz geçişini sağlar ve zaman serisi verilerinin bağlamsallaştırılmasını kolaylaştırır.