Décrire Real-Time Intelligence de Microsoft Fabric ?

• 10 minutes

La solution Real-Time Intelligence de Microsoft Fabric fournit une solution de streaming de bout en bout pour l’analyse de données rapide à l’échelle du service Fabric. Optimisé pour les données de séries chronologiques, il prend en charge le partitionnement et l’indexation automatiques de n’importe quel format de données.

Real-Time Intelligence assure des performances élevées pour les données dont la taille peut aller de quelques gigaoctets à plusieurs pétaoctets. Il peut gérer des données de différentes sources et de formats divers. La charge de travail Real-Time Intelligence de Fabric peut être utilisée pour des solutions d’IoT et d’analytique des journaux d’activité dans de nombreux secteurs d’activité : fabrication, pétrole et gaz, automobile, etc.

Comprendre Real-Time Intelligence dans Microsoft Fabric

Service complètement managé, Real-Time Intelligence est optimisé pour les données de séries chronologiques en streaming. Avec Real-Time Intelligence, vos recherches bénéficient de performances homogènes dans tous les types de données à grande échelle, y compris les données structurées, non structurées ou semi-structurées. En outre, il est intégré à l’ensemble de la suite de fonctionnalités Fabric, ce qui permet un workflow rationalisé du chargement des données à leur visualisation.

Grâce à Real-Time Intelligence dans Fabric vous pouvez :

• Ingérer des données de n’importe quelle source, dans n’importe quel format de données.
• Exécuter des requêtes analytiques directement sur des données brutes sans avoir à créer de modèles de données complexes ni de scripts pour transformer les données.
• Importer des données avec le streaming par défaut qui permet une analyse des données avec des performances élevées, une faible latence et un haut degré d’actualisation.
• Les données importées font l’objet d’un partitionnement par défaut (basé sur le temps et sur le hachage) et d’une indexation par défaut.
• Utiliser des structures de données polyvalentes et interroger du texte structuré, semi-structuré ou libre.
• Interroger des données brutes sans transformation avec des performances élevées, un temps de réponse incroyablement faible et une grande variété d’opérateurs.
• Prendre en charge une quantité illimitée de données, allant de quelques gigaoctets à plusieurs pétaoctets, avec une mise à l’échelle illimitée en ce qui concerne les requêtes et les utilisateurs simultanés.
• Tirer parti d’une intégration transparente avec d’autres charges de travail et éléments dans Microsoft Fabric.

Explorer le monde des données en temps réel avec le hub en temps réel

Le hub en temps réel sert de passerelle et permet de découvrir et de contrôler le flux de vos données en streaming. C’est un catalogue dynamique qui inclut :

Visualiser des insights de données grâce aux tableaux de bord en temps réel

Vous pouvez visualiser les insights de données via des ensembles de requêtes KQL, des tableaux de bord en temps réel et des rapports Power BI, avec une transition rapide de l’ingestion des données à leur visualisation. Ces visualisations satisfont aux besoins des débutants et des experts et leur permettent de représenter leurs données sous forme de graphiques et de tableaux avec un codage minimal. Les utilisateurs peuvent avoir recours à des repères visuels pour filtrer et agréger les résultats des requêtes, en utilisant une suite complète de visualisations intégrées. Les insights sont accessibles dans les rapports Power BI et les tableaux de bord en temps réel, qui peuvent incorporer des alertes basées sur les insights de données.

Vous pouvez également définir des alertes dans des visualisations non tabulaires dans les tableaux de bord en temps réel, en mode d’édition, pour fournir des notifications lorsque le seuil que vous avez défini est atteint.

Vous pouvez être notifié des alertes dans Microsoft Teams ou via l’envoi d’un e-mail.

Langage de requête Kusto (KQL)

Le langage de requête Kusto (KQL) est un langage déclaratif qui permet d’analyser et d’extraire des insights à partir de données structurées, semi-structurées et non structurées. KQL a été spécifiquement conçu pour mener efficacement et rapidement des recherches dans les données de journaux à grande échelle, ce qui le rend parfaitement adapté à l’analytique données basée sur le cloud. Nous explorerons une syntaxe KQL de base plus loin dans ce module, mais pour l’instant, examinons les avantages de KQL dans Microsoft Fabric :

• Rend l’exploration et l’analyse des données plus efficaces en permettant aux utilisateurs de travailler avec des sources de données hétérogènes et de visualiser les résultats de différentes manières.
• Prend en charge les analyses reproductibles en permettant aux utilisateurs de créer des notebooks avec le noyau Kusto pour capturer le code, les résultats et le contexte de l’analyse.
• Améliore l’expérience de résolution des problèmes DevOps en permettant aux utilisateurs de créer des runbooks ou des playbooks dans des notebooks avec le noyau Kusto pour détailler comment résoudre et atténuer les problèmes à l’aide de données de télémétrie.
• Enrichit le flux DevOps en permettant aux utilisateurs d’ajouter des fichiers KQL et des fichiers de notebook KQL à leurs dépôts Git et pipelines CI/CD.
• Fournit des conseils et vous aide à créer des requêtes de recherche de A à Z dans l’éditeur KQL qui identifie rapidement les erreurs potentielles et vous guide dans la résolution des problèmes.
• Permet de coller rapidement et directement dans l’éditeur des requêtes longues et complexes si vous les recevez d’autres sources.
• Permet de filtrer, de présenter et d’agréger vos données à l’aide de fonctions et d’opérateurs divers faciles à lire et à créer.