M365Con 2027 – conférence en ligne gratuite · 11–22 Jan 2027 · 120 sessions m365con.net

Blog · Mirko Peters

Qu’est-ce qu’un modèle sémantique dans Fabric ? Lakehouse, Warehouse, Data Factory et bases de la sécurité

Par ·

Une explication claire du modèle sémantique dans Microsoft Fabric, de son lien avec le lakehouse, le warehouse, Data Factory et les couches de sécurité de Fabric, d’après Microsoft Learn.

Traduit automatiquement par IA à partir de l'article original. Lire l'original en anglais

Un modèle sémantique dans Fabric est la couche qui transforme des tables brutes en données exploitables par les rapports. Microsoft Learn décrit un modèle sémantique Power BI comme une source de données prête pour le reporting et la visualisation. Il s’appuie sur les données d’un lakehouse, d’un warehouse ou d’une autre source, et y ajoute des relations, des calculs et des règles de sécurité. Cet article présente d’abord cette couche, puis les éléments qui l’entourent : le lakehouse, le warehouse, Data Factory et le modèle de sécurité.

Points clés

  • Un modèle sémantique est une donnée prête pour le reporting. Il contient des données ou des requêtes, la conception du modèle (relations, calculs) et, en option, des règles de sécurité au niveau des lignes.
  • Un lakehouse traite des données structurées et non structurées avec Spark. Un warehouse repose sur T-SQL et prend en charge les transactions multi-tables. Les deux stockent des tables Delta sur OneLake.
  • Chaque lakehouse dispose d’un point de terminaison d’analyse SQL en lecture seule. Depuis le 5 septembre 2025, un modèle sémantique par défaut n’est plus créé automatiquement avec un lakehouse.
  • Data Factory dans Fabric déplace, transforme et orchestre les données à l’aide de tâches de copie, de Dataflow Gen2, de la mise en miroir et de pipelines.
  • Fabric authentifie chaque requête avec Microsoft Entra ID et contrôle l’accès au moyen des rôles d’espace de travail, des autorisations sur les éléments, de la sécurité au niveau des données et des étiquettes de confidentialité.

Une remarque sur les sources : la page Power BI consultée pour la définition du modèle sémantique ne mentionne ni Direct Lake, ni l’ancien nom des modèles sémantiques. Cet article ne les traite donc pas.

Ce que contient un modèle sémantique

Microsoft Learn énumère trois éléments qu’un modèle sémantique contient :

  • Données. Les modèles sémantiques peuvent stocker des données importées, émettre des requêtes pass-through vers les sources sous-jacentes, ou faire les deux.
  • Conception du modèle. Elle comprend les requêtes de préparation des données, les relations et les calculs.
  • Règles de sécurité au niveau des lignes (RLS). Les modèles peuvent appliquer une RLS pour filtrer l’accès aux données de certains utilisateurs.

La page décrit aussi la manière dont les modèles sont créés et tenus à jour. Vous pouvez vous connecter à un modèle existant, importer un fichier Power BI Desktop, importer un classeur Excel ou un fichier CSV, ou utiliser les API push ou de streaming. Les modèles développés dans Power BI Desktop utilisent l’un des trois modes de stockage : Import, DirectQuery ou Composite. Les modèles en mode Import doivent être actualisés pour rester à jour ; ils s’actualisent selon une planification ou à la demande dans le service Power BI. Ils doivent utiliser des passerelles lorsque la source n’est pas directement accessible depuis Internet.

Lakehouse : fichiers et tables réunis au même endroit

Selon Learn, un lakehouse dans Fabric associe l’évolutivité d’un data lake aux capacités de requête d’un entrepôt. Il organise les données en deux dossiers de premier niveau : Tables pour les tables Delta gérées et Files pour les données non structurées ou non Delta. Delta Lake apporte les transactions ACID, l’application du schéma et le voyage dans le temps.

Lorsque vous créez un lakehouse, Fabric génère un point de terminaison d’analyse SQL. Il est en lecture seule et n’affiche que les tables Delta, y compris celles auxquelles on accède via des raccourcis OneLake. Les fichiers Parquet ou CSV n’apparaissent pas tant que vous ne les avez pas convertis en Delta. Depuis ce point de terminaison, vous pouvez créer un modèle sémantique Power BI.

Microsoft annonce également un changement : depuis le 5 septembre 2025, les modèles sémantiques par défaut ne sont plus créés automatiquement avec un lakehouse, et ceux qui existaient sont devenus des modèles sémantiques indépendants au plus tard le 30 novembre 2025. En pratique, vous créez et nommez désormais vous-même le modèle sémantique.

Entrepôt : T-SQL et transactions

Fabric Data Warehouse est décrit comme un entrepôt relationnel à l’échelle de l’entreprise, bâti sur une base de data lake. Les données sont stockées sous forme de tables Delta. Le développement se fait principalement en T-SQL, avec la prise en charge des transactions ACID multi-tables, des vues matérialisées, des fonctions et des procédures stockées. Le stockage et le calcul sont séparés.

Learn distingue deux éléments d’entreposage :

| Élément | Fonctionnalité | |---|---| | Entrepôt | Prise en charge complète des transactions, y compris DDL et DML | | Point de terminaison d’analyse SQL | Peut interroger les objets de données sans pouvoir modifier les données. Généré automatiquement pour chaque lakehouse. |

Lequel choisir

Les recommandations de Microsoft sont brèves. Un entrepôt convient à une solution à l’échelle de l’entreprise, avec une mise en place minimale et peu de réglages de performances, et il fonctionne au mieux avec des données structurées et semi-structurées. Un lakehouse convient aux grands volumes de données non structurées provenant de sources variées, surtout lorsque Spark est l’outil principal. La page consacrée au lakehouse précise qu’il ne prend pas en charge les transactions multi-tables, contrairement à un entrepôt. Les deux stockent les données Delta sur OneLake et utilisent le même moteur SQL pour les requêtes T-SQL.

Data Factory dans Fabric

Learn présente Data Factory dans Microsoft Fabric comme la nouvelle génération d’Azure Data Factory. Il se connecte à plus de 170 sources de données et couvre le déplacement, la transformation et l’orchestration :

| Tâche | Éléments | |---|---| | Déplacer | Tâche de copie (la solution privilégiée pour un déplacement simplifié), activité de copie, mise en miroir | | Transformer | Dataflow Gen2 avec plus de 300 transformations, activités de pipeline, tâche dbt | | Orchestrer | Pipelines avec boucles, conditions, planifications et déclencheurs d’événements, ainsi qu’Apache Airflow |

La mise en miroir crée une réplique quasi temps réel d’une base de données opérationnelle au sein d’OneLake. La page indique que le SLA des pipelines Fabric est équivalent à celui des pipelines Azure Data Factory, mais elle renvoie vers un guide distinct pour la liste complète des différences, que je n’ai pas consulté ici.

Sécurité de Fabric par couches

La présentation de la sécurité de Fabric décrit les couches suivantes :

  1. Authentification. Chaque requête est authentifiée avec Microsoft Entra ID, et l’accès conditionnel peut ajouter des contrôles tels que MFA ou des restrictions de localisation.
  2. Paramètres du locataire. Les administrateurs contrôlent les fonctionnalités pour l’ensemble de l’organisation et peuvent les déléguer aux capacités, aux espaces de travail et aux domaines.
  3. Rôles d’espace de travail. Les espaces de travail constituent la principale limite d’accès. Les rôles administrateur, membre et contributeur peuvent utiliser tous les éléments. Les lecteurs n’ont pas accès à OneLake.
  4. Autorisations des éléments. Les utilisateurs sans rôle dans l’espace de travail peuvent recevoir un élément partagé avec un accès restreint.
  5. Sécurité au niveau des données. La sécurité au niveau des lignes, des colonnes et des objets limite ce que voient les lecteurs. Les données au repos dans OneLake sont chiffrées.
  6. Sécurité réseau. Les liens privés bloquent l’accès public et restreignent l’accès à un réseau virtuel. Les points de terminaison privés gérés permettent des connexions sécurisées aux sources de données sans les exposer au réseau public.
  7. Étiquettes de confidentialité. Les étiquettes Microsoft Purview suivent les données d’un élément à l’autre et persistent lors de l’export vers PBIX, Excel, PowerPoint et PDF.

Le tableau de la page indique que les lecteurs peuvent voir tous les éléments de l’espace de travail, mais n’ont pas accès à OneLake. Pour le comportement exact, consultez la page sur le modèle d’autorisations.

Une façon simple de commencer

  1. Chargez les données brutes dans un lakehouse, à l’aide d’une tâche de copie, d’un pipeline ou d’un Dataflow Gen2.
  2. Utilisez le point de terminaison d’analyse SQL pour les vérifications en T-SQL, ou un entrepôt si vous avez besoin d’écritures et de transactions T-SQL complètes.
  3. Créez un modèle sémantique avec les relations, les calculs et la sécurité au niveau des lignes (RLS).
  4. Créez des rapports à partir du modèle, et vérifiez les rôles et les étiquettes des espaces de travail avant de partager.

Articles connexes

Sources

Suivre le podcastApple PodcastsSpotify

FAQ

Qu’est-ce qu’un modèle sémantique dans Fabric ?

Microsoft Learn décrit les modèles sémantiques Power BI comme une source de données prête pour le reporting et la visualisation. Un modèle peut stocker des données importées, émettre des requêtes pass-through vers la source, ou les deux. Il contient également la conception du modèle, y compris les requêtes de préparation des données, les relations et les calculs, et il peut appliquer une sécurité au niveau des lignes.

Un nouveau lakehouse crée-t-il toujours un modèle sémantique par défaut ?

Non. La page Microsoft Learn consacrée au lakehouse indique que, depuis le 5 septembre 2025, les modèles sémantiques par défaut ne sont plus créés automatiquement lors de la création d’un lakehouse. Les modèles sémantiques par défaut existants ont été dissociés de leurs éléments parents au plus tard le 30 novembre 2025 et sont devenus des modèles sémantiques indépendants.

Faut-il choisir un lakehouse ou un warehouse ?

Selon Microsoft Learn, il faut choisir un warehouse pour une solution à l’échelle de l’entreprise, reposant sur un format standard ouvert, avec une configuration minimale et peu de réglages. Il faut choisir un lakehouse pour de gros volumes de données non structurées provenant de sources diverses, en particulier lorsque Spark est votre outil principal. Les deux utilisent le même moteur SQL pour les requêtes T-SQL, et vous pouvez ajouter l’autre élément ultérieurement.

Qu’est-ce que le point de terminaison d’analyse SQL ?

Microsoft Learn indique que Fabric génère automatiquement un point de terminaison d’analyse SQL lors de la création d’un lakehouse. Ce point de terminaison est en lecture seule, permet d’interroger les tables Delta en T-SQL et de créer un modèle sémantique Power BI par-dessus. Seules les tables Delta y apparaissent.

Comment Fabric gère-t-il la sécurité ?

La présentation de la sécurité de Microsoft Learn décrit plusieurs couches : l’authentification Microsoft Entra ID, les paramètres d’administration au niveau du locataire, les rôles d’espace de travail, les autorisations sur les éléments, la sécurité OneLake, la sécurité au niveau des lignes, des colonnes et des objets, les contrôles réseau, et les étiquettes de confidentialité Purview qui suivent les données d’un élément à l’autre.

Entités dans cet article

Sujets de cet article :

Microsoft Fabric – Outil d’analyse et de BI de Microsoft Modèle sémantique – Concept Fabric lakehouse – Produit Fabric Data Warehouse – Produit

Articles associés

Autres articles sur Microsoft Fabric :

RSS