Otomatik toplamalar

Otomatik toplamalar, DirectQuery semantik modellerini en yüksek rapor sorgusu performansı için sürekli iyileştirmek için en son düzey makine öğrenmesini (ML) kullanır. Otomatik toplamalar, ilk olarak Power BI için bileşik modellerle kullanıma sunulan mevcut kullanıcı tanımlı toplamalar altyapısının üzerine kurulmuştur. Kullanıcı tanımlı toplamalardan farklı olarak, otomatik toplamalar yapılandırmak ve korumak için kapsamlı veri modelleme ve sorgu iyileştirme becerileri gerektirmez. Otomatik toplamalar hem kendi kendine eğitme hem de kendi kendine iyileştirmedir. Sorgu performansını geliştirmek için herhangi bir beceri düzeyindeki model sahiplerine olanak tanıyarak büyük modeller için daha hızlı rapor görselleştirmeleri sağlar.

Otomatik toplamalarla:

• Rapor görselleştirmeleri daha hızlıdır- Rapor sorgularının en iyi yüzdesi, arka uç veri kaynağı sistemleri yerine otomatik olarak tutulan bellek içi toplamalar önbelleği tarafından döndürülür. Bellek içi önbellek tarafından döndürülmeyen aykırı değerler sorguları DirectQuery kullanılarak doğrudan veri kaynağına geçirilir.
• Dengeli mimari - Saf DirectQuery moduyla karşılaştırıldığında, sorgu sonuçlarının çoğu Power BI sorgu altyapısı ve bellek içi toplamalar önbelleği tarafından döndürülür. Yoğun raporlama zamanlarında veri kaynağı sistemlerindeki sorgu işleme yükü önemli ölçüde azaltılabilir ve bu da veri kaynağı arka uçta ölçeklenebilirliğin artması anlamına gelir.
• Kolay kurulum - Model sahipleri otomatik toplamalar eğitimini etkinleştirebilir ve model için bir veya daha fazla yenileme zamanlayabilir. İlk eğitim ve yenileme ile otomatik toplamalar bir toplama çerçevesi ve en uygun toplamalar oluşturmaya başlar. Sistem zaman içinde otomatik olarak kendini ayarlar.
• İnce ayar – Model ayarlarında basit ve sezgisel bir kullanıcı arabirimiyle, bellek içi toplamalar önbelleğinden döndürülen sorguların farklı bir yüzdesi için performans kazançlarını tahmin edebilir ve daha da büyük kazançlar için ayarlamalar yapabilirsiniz. Tek bir slayt çubuğu denetimi, ortamınızda kolayca ince ayar yapmanızı sağlar.

Gereksinimler

Desteklenen planlar

Otomatik toplamalar kapasite, Kullanıcı başına Premium ve Power BI Embedded modelleri başına Power BI Premium için desteklenir.

Desteklenen veri kaynakları

Otomatik toplamalar aşağıdaki veri kaynakları için desteklenir:

• Azure SQL Veritabanı
• Azure Synapse Ayrılmış SQL havuzu
• SQL Server 2019 veya üzeri
• Google BigQuery
• Snowflake
• Databricks
• Amazon Redshift

Desteklenen modlar

DirectQuery modu modelleri için otomatik toplamalar desteklenir. Hem içeri aktarma tablolarına hem de DirectQuery bağlantılarına sahip bileşik model modelleri desteklenir. Otomatik toplamalar yalnızca DirectQuery bağlantısı için desteklenir.

İzinler

Otomatik toplamaları etkinleştirmek ve yapılandırmak için Model sahibi olmanız gerekir. Çalışma alanı yöneticileri, otomatik toplama ayarlarını yapılandırmak için sahip olarak devralabilir.

Otomatik toplamaları yapılandırma

Otomatik toplamalar model Ayarlar yapılandırılır. Yapılandırma basittir; otomatik toplamalar eğitimini etkinleştirin ve bir veya daha fazla yenileme zamanlayın. Modeliniz için otomatik toplamaları yapılandırmadan önce bu makaleyi tamamen okuduğunuzdan emin olun. Otomatik toplamaların nasıl çalıştığı hakkında iyi bir anlayış sağlar ve otomatik toplamaların ortamınız için uygun olup olmadığını belirlemenize yardımcı olabilir. Otomatik toplamalar eğitimini etkinleştirme, yenileme zamanlaması yapılandırma ve ortamınız için ince ayar yapma hakkında adım adım yönergelere hazır olduğunuzda bkz . Otomatik toplamaları yapılandırma.

Sosyal haklar

DirectQuery ile, model kullanıcısı bir raporu her açtığında veya bir rapor görselleştirmesiyle etkileşime geçtiğinde, Veri Çözümleme İfadeleri (DAX) sorguları sorgu altyapısına ve ardından arka uç veri kaynağına SQL sorguları olarak geçirilir. Veri kaynağının her sorgu için sonuçları hesaplaması ve döndürmesi gerekir. Bellek içinde depolanan içeri aktarma modu modelleriyle karşılaştırıldığında, DirectQuery veri kaynağı gidiş dönüşleri hem zaman hem de işlem açısından yoğun olabilir ve genellikle rapor görselleştirmelerinde yavaş sorgu yanıt sürelerine neden olabilir.

DirectQuery modeli için etkinleştirildiğinde, otomatik toplamalar veri kaynağı sorgu gidiş dönüşlerinden kaçınarak rapor sorgusu performansını artırabilir. Önceden toplanmış sorgu sonuçları, veri kaynağına gönderilmek ve veri kaynağı tarafından döndürülmek yerine otomatik olarak bellek içi toplamalar önbelleği tarafından döndürülür. Bellek içi toplamalar önbelleğindeki önceden toplanmış veri miktarı, aslında tutulan veri miktarının küçük bir bölümü ve veri kaynağındaki ayrıntı tablolarıdır. Sonuç yalnızca daha iyi rapor sorgusu performansı değil, aynı zamanda arka uç veri kaynağı sistemlerindeki yükün azalmasıdır. Otomatik toplamalarla, yalnızca bellek içi önbelleğe dahil edilmeyen toplamalar gerektiren raporun ve geçici sorguların yalnızca küçük bir bölümü, tıpkı saf DirectQuery modunda olduğu gibi arka uç veri kaynağına geçirilir.

Otomatik sorgu ve toplama yönetimi

Otomatik toplamalar, kullanıcı tanımlı toplama tabloları oluşturma gereksinimini ortadan kaldırır ve önceden toplanmış bir veri çözümü uygulamayı önemli ölçüde basitleştirirken, otomatik toplamaların nasıl çalıştığını anlamak için temel işlemler ve bağımlılıklar hakkında daha ayrıntılı bilgi sahibi olmak yararlı olur. Power BI, otomatik toplamaları oluşturmak ve yönetmek için aşağıdakilere dayanır.

Sorgu günlüğü

Power BI, sorgu günlüğündeki model ve kullanıcı raporu sorgularını izler. Her model için Power BI yedi günlük sorgu günlüğü verilerini tutar. Sorgu günlüğü verileri her gün iletilir. Sorgu günlüğü güvenlidir ve kullanıcılara veya XMLA uç noktası üzerinden görünmez.

Eğitim işlemleri

Seçtiğiniz sıklık (Gün veya Hafta) için ilk zamanlanmış model yenileme işleminin bir parçası olarak Power BI, bellek içi toplamalar önbelleğindeki toplamaların değişen sorgu desenlerine uyum sağladığından emin olmak için sorgu günlüğünü değerlendiren bir eğitim işlemi başlatır. Bellek içi toplama tabloları oluşturulur, güncelleştirilir veya bırakılır ve önbelleğe eklenecek toplamaları belirlemek için veri kaynağına özel sorgular gönderilir. Ancak hesaplanan toplama verileri eğitim sırasında bellek içi önbelleğe yüklenmez; sonraki yenileme işlemi sırasında yüklenir.

Örneğin, bir Gün sıklığı seçerseniz ve zamanlama 04:00, 09:00, 19:00 ve 19:00'da yenilenirse, her gün yalnızca 04:00 yenilemesi hem eğitim işlemini hem de yenileme işlemini içerir. Sonraki 09:00, 14:00 ve 19:00 için zamanlanmış yenilemeler yalnızca önbellekteki mevcut toplamaları güncelleştiren yenileme işlemleridir.

Eğitim işlemleri sorgu günlüğünden geçmiş sorguları değerlendirirken, gelecekteki sorguların ele alındığından emin olmak için sonuçlar yeterince doğru olur. Ancak bu yeni sorgular sorgu günlüğünden türetilen sorgulardan farklı olabileceğinden gelecekteki sorguların bellek içi toplamalar önbelleği tarafından döndürüleceğinin garantisi yoktur. Bellek içi toplamalar önbelleği tarafından döndürülmeyen sorgular DirectQuery kullanılarak veri kaynağına geçirilir. Bu yeni sorguların sıklığına ve derecelendirmesine bağlı olarak, bunlar için toplamalar bir sonraki eğitim işlemiyle bellek içi toplamalar önbelleğine dahil edilebilir.

Eğitim işleminin zaman sınırı 60 dakikadır. Eğitim, sorgu günlüğünün tamamını zaman sınırı içinde işleyemiyorsa, model Yenileme geçmişine bir bildirim kaydedilir ve eğitim bir sonraki başlatıldığında devam eder. Sorgu günlüğünün tamamı işlendiğinde eğitim döngüsü tamamlanır ve mevcut otomatik toplamaların yerini alır.

Yenileme işlemleri

Daha önce açıklandığı gibi, seçtiğiniz sıklık için ilk zamanlanmış yenilemenin bir parçası olarak eğitim işlemi tamamlandıktan sonra Power BI, yeni ve güncelleştirilmiş toplama verilerini sorgulayan ve bellek içi toplamalar önbelleğine yükleyen bir yenileme işlemi gerçekleştirir ve artık yeterince yüksek derecelendirilmemiş toplamaları kaldırır (eğitim algoritması tarafından belirlendiği gibi). Seçtiğiniz Gün veya Hafta sıklığı için sonraki tüm yenilemeler yalnızca önbellekteki mevcut toplama verilerini güncelleştirmek için veri kaynağını sorgulayan yenileme işlemleridir. Önceki örneğimizi kullanarak, o gün için 09:00, 14:00 ve 19:00 zamanlanmış yenilemeleri yalnızca yenileme işlemleridir.

Gün (veya hafta) boyunca düzenli olarak zamanlanan yenilemeler, önbellekteki toplama verilerinin arka uç veri kaynağındaki verilerle daha güncel olmasını sağlar. Model Ayarlar aracılığıyla, toplamalar önbelleği tarafından döndürülen rapor sorgularının arka uç veri kaynağından en son yenilenen verilere göre sonuç aldığından emin olmak için günde en fazla 48 yenileme zamanlayabilirsiniz.

Dikkat

Eğitim ve yenileme işlemleri hem Power BI hizmeti hem de veri kaynağı sistemleri için yoğun işlem ve kaynak kullanır. Toplamaları kullanan sorguların yüzdesini artırmak, eğitim ve yenileme işlemleri sırasında veri kaynaklarından daha fazla toplamanın sorgulanması ve hesaplanması gerektiği anlamına gelir; bu da sistem kaynaklarının aşırı kullanımı olasılığını artırır ve zaman aşımlarına neden olabilir. Daha fazla bilgi edinmek için bkz . İnce ayarlama.

İsteğe bağlı eğitim

Daha önce belirtildiği gibi, bir eğitim döngüsü tek bir veri yenileme döngüsünün zaman sınırları içinde tamamlanmayabilir. Eğitimi içeren bir sonraki zamanlanmış yenileme döngüsüne kadar beklemek istemiyorsanız, model Ayarlar Şimdi Eğit ve Şimdi Yenile'yi seçerek isteğe bağlı otomatik toplamalar eğitimini de tetikleyebilirsiniz. Şimdi Eğit ve Yenile'yi kullandığınızda hem eğitim işlemi hem de yenileme işlemi tetiklenir. Gerekirse başka bir isteğe bağlı eğitim ve yenileme işlemi çalıştırmadan önce geçerli işlemin tamamlanıp tamamlanmadığını görmek için modelin Yenileme geçmişini denetleyin.

Yenileme geçmişi

Her yenileme işlemi model Yenileme geçmişine kaydedilir. Önbellekteki bellek toplamalarının yapılandırılan sorgu yüzdesi için tüketilen sayısı da dahil olmak üzere her yenileme hakkında önemli bilgiler gösterilir. Yenileme geçmişini görüntülemek için model Ayarlar sayfasında Yenileme geçmişi'ni seçin. Biraz daha detaya gitmek istiyorsanız Ayrıntıları göster'i seçin.

Yenileme geçmişini düzenli olarak denetleyerek zamanlanmış yenileme işlemlerinizin kabul edilebilir bir süre içinde tamamlanmasını sağlayabilirsiniz. Bir sonraki zamanlanmış yenileme başlamadan önce yenileme işlemlerinin başarıyla tamamlandığından emin olun.

Eğitim ve yenileme hataları

Power BI, seçtiğiniz gün veya hafta sıklığı için ilk zamanlanmış yenilemenin bir parçası olarak eğitim ve yenileme işlemleri gerçekleştirse de, bu işlemler ayrı işlemler olarak uygulanır. Bir eğitim işlemi sorgu günlüğünü kendi zaman sınırları içinde tam olarak işleyemiyorsa Power BI, önceki eğitim durumunu kullanarak mevcut toplamaları (ve bileşik modeldeki normal tabloları) yenilemeye devam edecektir. Bu durumda yenileme geçmişi yenilemenin başarılı olduğunu gösterir ve eğitim bir sonraki başlatmada sorgu günlüğünü işlemeye devam edecektir. İstemci raporu sorgu desenleri değiştiyse ve toplamalar henüz ayarlanmadıysa sorgu performansı daha az iyileştirilebilir, ancak elde edilen performans düzeyi herhangi bir toplama olmadan saf bir DirectQuery modelinden çok daha iyi olmalıdır.

Bir eğitim işlemi sorgu günlüğünü işlemeyi tamamlamak için çok fazla döngü gerektiriyorsa, model Ayarlar bellek içi toplamalar önbelleğini kullanan sorguların yüzdesini azaltmayı göz önünde bulundurun. Bu, önbellekte oluşturulan toplama sayısını azaltır, ancak eğitim ve yenileme işlemlerinin tamamlanması için daha fazla zaman sağlar. Daha fazla bilgi edinmek için bkz . İnce ayarlama.

Eğitim başarılı olursa ancak yenileme başarısız olursa, sonuç kullanılamayan bir bellek içi toplama önbelleği olduğundan yenilemenin tamamı Başarısız olarak işaretlenir.

Yenilemeyi zamanlarken, yenileme hataları varsa e-posta bildirimlerini belirtebilirsiniz.

Kullanıcı tanımlı ve otomatik toplamalar

Power BI'da kullanıcı tanımlı toplamalar , modeldeki gizli toplanan tablolar temelinde el ile yapılandırılabilir. Kullanıcı tanımlı toplamaları yapılandırmak genellikle karmaşıktır ve daha yüksek düzeyde veri modelleme ve sorgu iyileştirme becerileri gerektirir. Öte yandan otomatik toplamalar, yapay zeka destekli bir sistemin parçası olarak bu karmaşıklığı ortadan kaldırır. Statik kalan kullanıcı tanımlı toplamalardan farklı olarak, Power BI sürekli olarak sorgu günlüklerini korur ve bu günlüklerden sorgu desenlerini makine öğrenmesi (ML) tahmine dayalı modelleme algoritmalarına göre belirler. Önceden toplanan veriler sorgu deseni analizine göre hesaplanır ve bellek içinde depolanır. Otomatik toplamalarla modeller hem kendi kendine eğitilir hem de kendi kendine iyi duruma getirilir. İstemci raporu sorgu desenleri değiştikçe, otomatik toplamalar en sık kullanılan toplamaları ayarlar, öncelik sırasına ekler ve önbelleğe alır.

Otomatik toplamalar mevcut kullanıcı tanımlı toplamalar altyapısının üzerine oluşturulduğundan, aynı modelde hem kullanıcı tanımlı hem de otomatik toplamaları birlikte kullanmak mümkündür. Becerikli veri modelleyicileri DirectQuery, İçeri Aktarma (Artımlı yenileme ile veya olmadan) veya İkili depolama modlarını kullanarak tablolar için toplamalar tanımlayabilir ve aynı zamanda kullanıcı tanımlı toplama tablolarına isabet etmeyen DirectQuery bağlantıları üzerinden sorgular için daha otomatik toplamaların avantajlarından yararlanabilir. Bu esneklik, sorgu yüklerini azaltabilen ve performans sorunlarını önleyebilecek dengeli mimariler sağlar.

Otomatik toplamalar eğitim algoritması tarafından bellek içi önbellekte oluşturulan toplamalar toplamalar olarak System tanımlanır. Eğitim algoritması, raporlama sorguları analiz edilirken ve model için en uygun toplamaları korumak için ayarlamalar yapıldığında yalnızca bu System toplamaları oluşturur ve siler. Hem kullanıcı tanımlı hem de otomatik toplamalar yenileme ile yenilenir. Yalnızca otomatik toplamalar tarafından oluşturulan ve sistem tarafından oluşturulan toplamalar olarak işaretlenen toplamalar otomatik toplama işlemlerine dahil edilir.

Sorgu önbelleğe alma ve otomatik toplamalar

Power BI Premium, sorgu sonuçlarını korumak için Power BI Premium/Embedded'da Sorgu önbelleğe almayı da destekler. Sorgu önbelleğe alma, otomatik toplamalardan farklı bir özelliktir. Sorgu önbelleğe alma ile Power BI Premium, yerel önbelleğe alma hizmetini kullanarak önbelleğe almayı uygularken, otomatik toplamalar model düzeyinde uygulanır. Sorgu önbelleğe alma ile hizmet yalnızca ilk rapor sayfası yüküne yönelik sorguları önbelleğe alır, bu nedenle kullanıcılar bir raporla etkileşime geçtiğinde sorgu performansı geliştirilir. Buna karşılık, otomatik toplamalar, kullanıcılar raporlarla etkileşime geçtiğinde oluşturulan sorgular da dahil olmak üzere toplu sorgu sonuçlarını önceden önbelleğe alarak çoğu rapor sorgusunu en iyi duruma getirmektedir. Sorgu önbelleğe alma ve otomatik toplamalar model için etkinleştirilebilir, ancak büyük olasılıkla gerekli değildir.

Azure Log Analytics ile izleme

Azure Log Analytics (LA), Power BI'ın etkinlik günlüklerini kaydetmek için kullanabileceği Bir Azure İzleyici hizmetidir. Azure İzleyici paketi ile Azure ve şirket içi ortamlarınızdan telemetri verilerini toplayabilir, analiz edebilir ve üzerinde işlem yapabilirsiniz. Veri dışarı aktarmaya ve diğer sistemlerle tümleştirmeye olanak sağlamak için uzun vadeli depolama, geçici bir sorgu arabirimi ve API erişimi sunar. Daha fazla bilgi edinmek için bkz . Power BI'da Azure Log Analytics'i kullanma.

Power BI bir Azure LA hesabıyla yapılandırılmışsa, Power BI için Azure Log Analytics'i yapılandırma bölümünde açıklandığı gibi otomatik toplamalarınızın başarı oranını analiz edebilirsiniz. Diğer şeylerin yanı, rapor sorgularının bellek içi önbellekten yanıtlenip yanıt alınmadığını belirleyebilirsiniz.

Bu özelliği kullanmak için bu Power BI blog gönderisinde açıklandığı gibi PBIT şablonunu indirin ve log analytics hesabınıza bağlayın. Raporda verileri üç farklı düzeyde görüntüleyebilirsiniz: Özet görünümü, DAX sorgu düzeyi görünümü ve SQL sorgu düzeyi görünümü.

Aşağıdaki görüntüde tüm sorgular için özet sayfası gösterilmektedir. Gördüğünüz gibi işaretli grafik, toplamalar tarafından karşılanan toplam sorguların yüzdesini ve veri kaynağını kullanmak zorunda kalanları gösterir.

Daha derine inmek için bir sonraki adım, toplamaların DAX sorgu düzeyinde kullanımına bakmaktır. Listeden bir DAX sorgusuna sağ tıklayın (sol alt) >Sorgu geçmişinde detaylandırma>.

Bu size tüm ilgili sorguların listesini sağlar. Daha fazla toplama ayrıntısı göstermek için bir sonraki düzeye gitme.

Uygulama Yaşam Döngüsü Yönetimi

Geliştirmeden teste ve testten üretime kadar otomatik toplamaları etkinleştirilen modellerin ALM çözümleri için özel gereksinimleri vardır.

Dağıtım işlem hatları

Dağıtım işlem hatlarıyla Power BI, model yapılandırmasına sahip modelleri geçerli aşamadan hedef aşamaya kopyalayabilir. Ancak, ayarlar geçerli aşamadan hedef aşamaya aktarılmadıkça otomatik toplamaların hedef aşamada sıfırlanması gerekir. Ayrıca, dağıtım işlem hatları REST API'lerini kullanarak içeriği program aracılığıyla da dağıtabilirsiniz. Bu işlem hakkında daha fazla bilgi edinmek için bkz . API'leri ve DevOps'yi kullanarak dağıtım işlem hattınızı otomatikleştirme.

Özel ALM çözümleri

XMLA uç noktalarını temel alan özel bir ALM çözümü kullanıyorsanız, çözümünüzün sistem tarafından oluşturulan ve kullanıcı tarafından oluşturulan toplama tablolarını model meta verilerinin bir parçası olarak kopyalayabileceğini unutmayın. Ancak, hedef aşamadaki her dağıtım adımından sonra otomatik toplamaları el ile etkinleştirmeniz gerekir. Mevcut bir modelin üzerine yazarsanız Power BI yapılandırmayı korur.

Not

Power BI Desktop (.pbix) dosyasının bir parçası olarak bir modeli karşıya yükler veya yeniden yayımlarsanız, Power BI mevcut modeli hedef çalışma alanında tüm meta verileri ve verileriyle değiştirdiği için sistem tarafından oluşturulan toplama tabloları kaybolur.

Modeli değiştirme

XmlA uç noktaları aracılığıyla etkinleştirilmiş otomatik toplamalar içeren bir modeli değiştirdikten (tablo ekleme veya kaldırma gibi), Power BI olabilecek tüm mevcut toplamaları korur ve artık gerekli veya ilgili olmayanları kaldırır. Sonraki eğitim aşaması tetiklenene kadar sorgu performansı etkilenebilir.

Meta veri öğeleri

Otomatik toplamaların etkinleştirildiği modeller, sistem tarafından oluşturulan benzersiz toplama tabloları içerir. Toplama tabloları, raporlama araçlarındaki kullanıcılara görünmez. Analysis Services istemci kitaplıkları sürüm 19.22.5 ve üzeri olan araçlar kullanılarak XMLA uç noktası üzerinden görülebilirler. Otomatik toplamaların etkinleştirildiği modellerle çalışırken, veri modelleme ve yönetim araçlarınızı istemci kitaplıklarının en son sürümüne yükselttiğinizden emin olun. SQL Server Management Studio (SSMS) için SSMS sürüm 18.9.2 veya sonraki bir sürüme yükseltin. SSMS'nin önceki sürümleri tabloları numaralandıramaz veya bu modellerin betiğini oluşturamaz.

Otomatik toplama tabloları, Analysis Services istemci kitaplıkları sürüm 19.22.5 ve sonraki sürümlerdeki Tablosal Nesne Modeli'nde (TOM) yeni olan bir SystemManaged tablo özelliğiyle tanımlanır. Aşağıdaki kod parçacığı, SystemManaged otomatik toplama tabloları ve false normal tablolar için olarak ayarlanan true özelliği gösterir.

using System;
using System.Collections.Generic;
using System.Linq;
using Microsoft.AnalysisServices.Tabular;

namespace AutoAggs
{
    class Program
    {
        static void Main(string[] args)
        {
            string workspaceUri = "<Specify the URL of the workspace where your model resides>";
            string datasetName = "<Specify the name of your dataset>";

            Server sourceWorkspace = new Server();
            sourceWorkspace.Connect(workspaceUri);
            Database dataset = sourceWorkspace.Databases.GetByName(datasetName);

            // Enumerate system-managed tables.
            IEnumerable<Table> aggregationsTables = dataset.Model.Tables.Where(tbl => tbl.SystemManaged == true);


            if (aggregationsTables.Any())
            {
                Console.WriteLine("The following auto aggs tables exist in this dataset:");
                foreach (Table table in aggregationsTables)
                {
                    Console.WriteLine($"\t{table.Name}");
                }
            }
            else
            {
                Console.WriteLine($"This dataset has no auto aggs tables.");
            }

            Console.WriteLine("\n\rPress [Enter] to exit the sample app...");
            Console.ReadLine();
        }
    }
}

Bu kod parçacığının yürütülmesi, şu anda konsolda modele dahil edilen otomatik toplama tablolarının çıkışını oluşturur.

Eğitim işlemleri bellek içi toplamalar önbelleğine eklenecek en uygun toplamaları belirlediği için toplama tablolarının sürekli değiştiğini unutmayın.

Önemli

Power BI, sistem tarafından oluşturulan tablo nesnelerini otomatik toplamaları tam olarak yönetir. Bu tabloları kendiniz silmeyin veya değiştirmeyin. Bunu yapmak performansın düşmesine neden olabilir.

Power BI, model yapılandırmasını modelin dışında tutar. Modelde sistem tarafından yönetilen toplamalar tablosunun bulunması, modelin aslında otomatik toplama eğitimi için etkinleştirildiği anlamına gelmez. Başka bir deyişle, otomatik toplamalar etkinleştirilmiş bir model için tam model tanımı betiği oluşturur ve modelin yeni bir kopyasını oluşturursanız (farklı bir ad/çalışma alanı/kapasite ile), yeni sonuçta elde edilen model otomatik toplama eğitimi için etkinleştirilmez. Yine de model Ayarlar yeni model için otomatik toplamalar eğitimini etkinleştirmeniz gerekir.

Dikkat edilecekler ve sınırlamalar

Otomatik toplamaları kullanırken aşağıdakileri göz önünde bulundurun:

• Toplamalar Dinamik M Sorgu Parametrelerini desteklemez.
• İlk eğitim aşamasında oluşturulan SQL sorguları, veri ambarı için önemli bir yük oluşturabilir. Eğitim tamamlanmaya devam ederse ve veri ambarı tarafında sorguların zaman aşımıyla karşılaştığını doğrulayabilirseniz, eğitim talebini karşılamak için veri ambarınızın ölçeğini geçici olarak artırmayı göz önünde bulundurun.
• Bellek içi toplamalar önbelleğinde depolanan toplamalar, veri kaynağındaki en son veriler üzerinde hesaplanmayabilir. Saf DirectQuery'den farklı olarak ve normal içeri aktarma tabloları gibi, veri kaynağındaki güncelleştirmelerle bellek içi toplamalar önbelleğinde depolanan toplama verileri arasında bir gecikme vardır. Her zaman bir miktar gecikme süresi olsa da, etkili bir yenileme zamanlaması aracılığıyla azaltılabilir.
• Performansı daha da iyileştirmek için tüm boyut tablolarını İkili mod olarak ayarlayın ve olgu tablolarını DirectQuery modunda bırakın.
• Otomatik toplamalar Power BI Pro, Azure Analysis Services veya SQL Server Analysis Services ile kullanılamaz.
• Power BI, otomatik toplamaların etkinleştirildiği modelleri indirmeyi desteklemez. Power BI Desktop (.pbix) dosyasını Power BI'a yüklediyseniz veya yayımladıysanız ve ardından otomatik toplamaları etkinleştirdiyseniz, PBIX dosyasını artık indiremezsiniz. PBIX dosyasının bir kopyasını yerel olarak tuttuğunuzdan emin olun.
• Azure Synapse Analytics'te dış tablolarla otomatik toplamalar desteklenmez. Aşağıdaki SQL sorgusunu kullanarak Synapse'te dış tabloları numaralandırabilirsiniz: SELECT SCHEMA_NAME(schema_id) AS schema_name, name AS table_name FROM sys.external_tables.
• Otomatik toplamalar yalnızca gelişmiş meta veriler kullanan modeller için kullanılabilir. Eski bir model için otomatik toplamaları etkinleştirmek istiyorsanız, önce modeli gelişmiş meta veriye yükseltin. Daha fazla bilgi edinmek için bkz . Gelişmiş model meta verilerini kullanma.
• DirectQuery veri kaynağı çoklu oturum açma için yapılandırılmışsa ve kullanıcının erişmesine izin verilen verileri sınırlamak için dinamik veri görünümlerini veya güvenlik denetimlerini kullanıyorsa otomatik toplamaları etkinleştirmeyin. Otomatik toplamalar bu veri kaynağı düzeyi denetimlerinin farkında değildir ve bu da kullanıcı başına doğru verilerin sağlandığından emin olunmasını imkansız hale getirir. Eğitim, yenileme geçmişinde çoklu oturum açma için yapılandırılmış bir veri kaynağı algılayıp bu veri kaynağını kullanan tabloları atlayan bir uyarıyı günlüğe kaydeder. Mümkünse, otomatik toplamaların sağlayabilecek iyileştirilmiş sorgu performansından tam olarak yararlanmak için bu veri kaynakları için SSO'yu devre dışı bırakın.
• Modelde gereksiz işleme ek yükünü önlemek için yalnızca karma tablolar varsa otomatik toplamaları etkinleştirmeyin. Karma tablo hem içeri aktarma bölümlerini hem de DirectQuery bölümünü kullanır. Yaygın bir senaryo, DirectQuery bölümünün son veri yenilemesinden sonra oluşan veri kaynağından işlemleri getirdiği gerçek zamanlı verilerle artımlı yenilemedir. Ancak Power BI yenileme sırasında toplamaları içeri aktarır. Otomatik toplamalar, son veri yenileme işleminden sonra gerçekleşen işlemleri içeremez. Eğitim, yenileme geçmişinde karma tabloları algılayıp atlayan bir uyarıyı günlüğe kaydeder.
• Hesaplanmış sütunlar otomatik toplamalar için dikkate alınmaz. DirectQuery modunda, iki DirectQuery tablosundan COMBINEVALUES birden çok sütunu temel alan bir ilişki oluşturmak için DAX işlevini kullanmak gibi bir hesaplanmış sütun kullanırsanız, ilgili rapor sorguları bellek içi toplamalar önbelleğine isabet etmez.
• Otomatik toplamalar yalnızca Power BI hizmeti kullanılabilir. Power BI Desktop sistem tarafından oluşturulan toplama tabloları oluşturmaz.
• Otomatik toplamalar etkinleştirilmiş bir modelin meta verilerini değiştirirseniz, sonraki eğitim işlemi tetiklenene kadar sorgu performansı düşebilir. En iyi yöntem olarak, otomatik toplamaları bırakmalı, değişiklikleri yapmalı ve sonra yeniden eğitmelisiniz.
• Otomatik toplamalar devre dışı bırakılmadığı ve modeli temizlediğiniz sürece sistem tarafından oluşturulan toplama tablolarını değiştirmeyin veya silmeyin. Sistem bu nesneleri yönetme sorumluluğunu üstlenir.

Topluluk

Power BI, MVP'lerin, BI uzmanlarının ve iş ortaklarının tartışma grupları, videolar, bloglar ve daha fazlası konusunda uzmanlık paylaştığı canlı bir topluluğa sahiptir. Otomatik toplamalar hakkında bilgi edinmek için şu diğer kaynaklara göz attığınızdan emin olun:

• Power BI Topluluğu
• Bing'de "Power BI otomatik toplamaları" araması

İlgili içerik

• Otomatik toplamaları yapılandırma
• Kullanıcı tanımlı toplamalar
• Power BI'da DirectQuery
• Analysis Services istemci kitaplıkları