WEBVTT

00:00:00.000 --> 00:00:01.060
Bem-vindos a mais um episódio.

00:00:01.600 --> 00:00:04.880
O tópico de hoje é um que você provavelmente já ouviu em reuniões ou artigos de tecnologia,

00:00:04.960 --> 00:00:05.800
o Microsoft Fabric.

00:00:06.440 --> 00:00:09.120
Mas se você é como a maioria das pessoas, não tem certeza absoluta que ele realmente é.

00:00:09.760 --> 00:00:13.760
Seria apenas mais um produto da Microsoft, uma nova marca de algo antigo ou algo completamente diferente?

00:00:14.340 --> 00:00:15.460
Deixe-me dar a resposta curta.

00:00:15.820 --> 00:00:17.320
O Microsoft Fabric não é apenas mais um produto.

00:00:17.840 --> 00:00:21.440
É uma plataforma de dados completa, um lugar onde você pode realizar todo o seu trabalho com dados,

00:00:21.500 --> 00:00:24.520
armazenamento, transformação, análise e relatórios, tudo em um só lugar.

00:00:24.820 --> 00:00:24.920
Tudo.

00:00:25.540 --> 00:00:27.780
Ao final deste episódio, você entenderá o que é o Fabric,

00:00:27.780 --> 00:00:30.740
porque a Microsoft o criou e como as peças principais se encaixam.

00:00:31.280 --> 00:00:32.540
Pegue seu café e vamos começar.

00:00:33.500 --> 00:00:35.640
O jeito antigo, porque os dados eram fragmentados.

00:00:36.460 --> 00:00:39.680
Para entender porque o Fabric existe, você precisa entender o problema que ele resolve.

00:00:40.600 --> 00:00:44.180
Há 20 anos, se você gerenciasse uma empresa, compraria um servidor para armazenar dados,

00:00:44.540 --> 00:00:48.300
uma ferramenta separada para gerar relatórios e ainda outro produto para análise em tempo real.

00:00:49.200 --> 00:00:51.600
Antes que percebesse, você teria 5 sistemas diferentes,

00:00:51.720 --> 00:00:54.600
cada um com seu login, seu modo de trabalho e sua própria equipe de gestão.

00:00:55.320 --> 00:00:56.800
Por muito tempo, os dados viveram em silo.

00:00:56.800 --> 00:01:02.120
Dados de vendas ficavam em um sistema, dados de clientes em outro e dados financeiros em outro lugar totalmente diferente.

00:01:02.780 --> 00:01:04.780
Se você quisesse fazer uma pergunta que cruzasse sistemas,

00:01:04.980 --> 00:01:08.420
como quais clientes compram os produtos mais lucrativos, precisaria mover os dados.

00:01:09.360 --> 00:01:12.800
Exportar o sistema, transformar, carregar em outro, então repetir tudo quando os dados mudassem.

00:01:13.640 --> 00:01:16.960
Gastava-se mais tempo movendo dados entre sistemas do que realmente analisando-os.

00:01:17.380 --> 00:01:19.720
A integração de dados tornou-se um trabalho de tempo integral para equipes.

00:01:19.720 --> 00:01:24.580
A pior parte era que, a cada vez que se movia os dados, criava outra cópia, outra versão da verdade,

00:01:24.740 --> 00:01:27.700
e logo ninguém sabia qual cópia era a correta.

00:01:28.700 --> 00:01:31.460
A Microsoft observou essa fragmentação e fez uma pergunta simples.

00:01:31.900 --> 00:01:33.300
E se todos esses serviços trabalhassem juntos?

00:01:33.660 --> 00:01:37.040
E se em vez de costurar produtos separados, você tivesse uma plataforma que fizesse tudo?

00:01:37.460 --> 00:01:39.500
Essa pergunta foi o que levou ao Microsoft Fabric.

00:01:39.500 --> 00:01:42.200
O que é, de fato, o Microsoft Fabric?

00:01:42.700 --> 00:01:43.420
Então, o que é o Fabric?

00:01:43.780 --> 00:01:44.900
E que está a definição mais simples?

00:01:45.260 --> 00:01:48.080
O Microsoft Fabric é uma plataforma unificada de dados e análise.

00:01:48.640 --> 00:01:49.820
O único lugar para todo o seu trabalho com dados.

00:01:50.200 --> 00:01:51.900
Pense nele como um edifício comercial moderno.

00:01:52.100 --> 00:01:55.380
Cada ferramenta, como o Power BI ou Azure Synapse, é uma sala dentro desse edifício.

00:01:55.720 --> 00:01:58.960
Elas têm seus próprios propósitos imobiliários e ferramentas, mas todas fazem parte da mesma estrutura.

00:01:59.260 --> 00:02:01.380
Você não precisa sair do prédio para ir de uma sala para outra.

00:02:01.760 --> 00:02:02.280
Elas são hectares.

00:02:02.580 --> 00:02:03.300
É isso que o Fabric faz.

00:02:03.400 --> 00:02:07.500
Ele reúne engenharia de dados, integração de dados, data warehousing, análise em tempo real,

00:02:07.500 --> 00:02:09.580
e inteligência de negócios em uma única plataforma.

00:02:09.980 --> 00:02:11.860
Tudo é executado em uma única plataforma SaaS,

00:02:11.980 --> 00:02:14.160
o que significa que não há infraestrutura separada para gerenciar,

00:02:14.280 --> 00:02:16.360
nem servidores para provisionar ou redes para configurar.

00:02:16.780 --> 00:02:18.100
A Microsoft cuida de tudo isso para você.

00:02:18.440 --> 00:02:22.920
Desde o seu lançamento em 2023, o Fabric se tornou o produto de dados de crescimento mais rápido na história da Microsoft.

00:02:23.500 --> 00:02:27.160
Hoje, mais de 25 mil clientes o utilizam, incluindo 80% das empresas da Fortune 500.

00:02:27.680 --> 00:02:29.340
É uma grande adoção em um período muito curto.

00:02:29.740 --> 00:02:30.760
A principal diferença é esta.

00:02:30.760 --> 00:02:34.760
No passado, você comprava produtos separados e tentava fazer com que eles se comunicassem.

00:02:34.820 --> 00:02:36.980
Com o Fabric, você não precisa mais costurar diferentes serviços.

00:02:36.980 --> 00:02:39.800
É uma experiência única, um login único, uma forma única de trabalhar.

00:02:39.940 --> 00:02:40.560
Isso muda tudo.

00:02:41.600 --> 00:02:42.640
One Lake, a fundação.

00:02:43.400 --> 00:02:45.440
Agora, vamos falar sobre a base que faz tudo isso funcionar.

00:02:46.080 --> 00:02:48.140
No coração do Fabric está algo chamado One Lake.

00:02:48.840 --> 00:02:51.660
A maneira mais fácil de pensar no One Lake é como um OneDrive para seus dados.

00:02:52.100 --> 00:02:55.560
Você sabe como o OneDrive oferece um local para armazenar todos os seus arquivos pessoais?

00:02:55.640 --> 00:02:57.740
Cada aplicativo no seu computador pode acessar esses arquivos.

00:02:58.140 --> 00:02:59.300
O One Lake faz a mesma coisa,

00:02:59.300 --> 00:03:02.320
mas para os dados da sua organização, veja o que o torna poderoso.

00:03:02.680 --> 00:03:05.340
Cada carga de trabalho do Fabric, seja um lake house, um warehousing,

00:03:05.340 --> 00:03:08.680
um job de análise em tempo real, armazena automaticamente seus dados no One Lake.

00:03:09.080 --> 00:03:11.600
Você não precisa copiar nada manualmente ou configurar conexões.

00:03:12.140 --> 00:03:12.820
Simplesmente acontece.

00:03:13.280 --> 00:03:14.840
E existe apenas um One Lake por tenant.

00:03:15.280 --> 00:03:17.540
Uma única fonte da verdade para toda a sua organização.

00:03:18.240 --> 00:03:19.140
Agora, você pode estar pensando,

00:03:19.200 --> 00:03:20.540
e se eu quiser mudar de plataforma mais tarde?

00:03:20.960 --> 00:03:21.500
Estarei preso lá.

00:03:22.080 --> 00:03:22.740
A resposta é não.

00:03:23.160 --> 00:03:26.140
O One Lake armazena dados em formatos abertos como o Delta Parquet,

00:03:26.140 --> 00:03:28.940
um formato padrão da indústria usado pelo Databricks e Apache Spark.

00:03:29.360 --> 00:03:30.520
Você nunca fica preso ao Microsoft.

00:03:30.520 --> 00:03:33.020
Se você quiser mover seus dados para outro lugar, você pode.

00:03:33.400 --> 00:03:34.180
Os dados são seus.

00:03:35.100 --> 00:03:36.800
Mas é aqui que o One Lake fica realmente interessante.

00:03:37.020 --> 00:03:37.380
Atalhos.

00:03:37.980 --> 00:03:40.260
Um atalho é um ponteiro virtual para dados que residem em outro lugar.

00:03:40.660 --> 00:03:43.800
Você pode criar um atalho para dados armazenados no AWS 3, Google Cloud

00:03:43.800 --> 00:03:45.120
ou até mesmo em armazenamento local,

00:03:45.500 --> 00:03:47.560
e eles aparecem no One Lake como se estivessem armazenados lá.

00:03:48.080 --> 00:03:49.980
Nenhum movimento de dados é necessário, nenhuma duplicação.

00:03:50.980 --> 00:03:52.560
Você apenas aponta para eles e eles aparecem.

00:03:53.400 --> 00:03:55.700
O One Lake é construído sobre o Agile Data Lake Storage,

00:03:55.800 --> 00:03:57.820
o armazenamento em nuvem de nível empresarial da Microsoft.

00:03:57.820 --> 00:04:00.820
Mas você não gerencia essa infraestrutura, pois tudo é tratado como um serviço SaaS.

00:04:01.280 --> 00:04:03.960
Você não provisiona servidores nem configura redes, você apenas usa.

00:04:04.460 --> 00:04:05.260
Isso significa para você.

00:04:05.720 --> 00:04:07.860
Significa que você pode ter dados de várias fontes,

00:04:08.040 --> 00:04:08.900
armazenamento em nuvem,

00:04:09.140 --> 00:04:11.120
bancos de dados locais e plataformas de terceiros.

00:04:11.400 --> 00:04:13.180
Tudo em um só lugar, sem duplicação.

00:04:13.960 --> 00:04:14.440
Verdadeiro puto.

00:04:14.960 --> 00:04:18.620
Qualquer dado gravado no One Lake pode ser usado por qualquer carga de trabalho do Fabric imediatamente.

00:04:19.080 --> 00:04:21.280
Você grava uma vez e todas as ferramentas do Fabric podem visualizar.

00:04:21.620 --> 00:04:22.600
Essa é a mágica do One Lake.

00:04:23.320 --> 00:04:25.180
Lake Houses, o Hub de Engenharia de Dados.

00:04:25.540 --> 00:04:26.800
Então você tem seus dados no One Lake.

00:04:26.800 --> 00:04:28.100
Agora você precisa trabalhar com eles.

00:04:28.420 --> 00:04:29.400
É aí que o Lake House entra.

00:04:29.840 --> 00:04:30.800
E que está a definição, mas sim.

00:04:31.140 --> 00:04:34.500
Um Lake House é um armazenamento de dados que combina a flexibilidade de um Data Lake

00:04:34.500 --> 00:04:35.800
com a estrutura de um banco de dados.

00:04:36.320 --> 00:04:38.820
Em um Data Lake tradicional, você pode armazenar qualquer coisa,

00:04:38.920 --> 00:04:41.180
arquivos CSV brutos, documentos JSON, imagens, vídeos,

00:04:41.240 --> 00:04:42.880
mas é bagunçado, sem estrutura ou esquema,

00:04:42.960 --> 00:04:45.080
então você não consegue consultar facilmente.

00:04:45.620 --> 00:04:48.000
Em um banco de dados tradicional, tudo é estruturado e consultável,

00:04:48.060 --> 00:04:50.020
mas você só pode armazenar certos tipos de dados.

00:04:50.500 --> 00:04:51.480
Um Lake House oferece os dois.

00:04:51.480 --> 00:04:55.640
Você pode manter arquivos brutos, como CSV, JSON, ou até imagens em um Lake House.

00:04:56.280 --> 00:04:59.160
E você também pode armazenar tabelas estruturadas que pode consultar com SQL.

00:04:59.720 --> 00:05:00.440
Ambos vivem no erro.

00:05:00.900 --> 00:05:02.680
Essas tabelas usam o formato Delta Parque,

00:05:03.020 --> 00:05:06.200
o mesmo formato aberto e rápido usado pelo Databricks e outras grandes plataformas,

00:05:06.280 --> 00:05:07.840
projetado para lidar com grandes volumes de dados.

00:05:08.320 --> 00:05:09.960
Lake Houses suportam múltiplas de ferramentas.

00:05:10.340 --> 00:05:12.520
Você pode usar Spark para processamento de dados em larga escala.

00:05:12.880 --> 00:05:14.200
Você pode usar Python para aprendizado em máquina.

00:05:14.620 --> 00:05:16.080
Você pode usar SQL para consulta é simples.

00:05:16.540 --> 00:05:18.580
Qualquer ferramenta que você preferir, o Lake House pode lidar.

00:05:18.580 --> 00:05:22.060
Pense no Lake House como seu espaço de trabalho para criar pipeline de dados.

00:05:23.020 --> 00:05:25.880
Você traz dados brutos, transforma, limpa e prepara para análise.

00:05:26.600 --> 00:05:28.360
Você pode executar modelos de aprendizado de máquina nele.

00:05:28.660 --> 00:05:30.660
Você pode criar conjuntos de dados de treinamento, tudo é um som.

00:05:30.980 --> 00:05:33.400
Para engenheiros de dados que preferem um ambiente amigável a código,

00:05:33.600 --> 00:05:34.680
os Lake Houses suportam notebook.

00:05:35.220 --> 00:05:37.080
São documentos interativos onde você escreve código,

00:05:37.200 --> 00:05:39.840
vê resultados e documenta seu trabalho como caderno de laboratório para dados.

00:05:40.560 --> 00:05:42.460
Você pode escrever código Spark em uma célula,

00:05:42.460 --> 00:05:44.840
ver a saída na próxima e explicar o que fez na célula seguinte.

00:05:45.400 --> 00:05:48.060
O Lake House é o ponto de entrada para a maioria dos engenheiros de dados

00:05:48.060 --> 00:05:48.800
que trabalham no Fabric.

00:05:49.100 --> 00:05:50.500
É onde o trabalho pesado acontece.

00:05:50.840 --> 00:05:52.140
E, como armazena tudo num Lake,

00:05:52.220 --> 00:05:53.700
qualquer dado que você coloque em um Lake House

00:05:53.700 --> 00:05:56.320
fica imediatamente disponível para todas as outras cargas de trabalho do Fabric

00:05:56.320 --> 00:05:56.800
nos warehouses.

00:05:57.200 --> 00:05:59.700
Mecanismo de análise SQL, mecanismo de análise SQL.

00:05:59.860 --> 00:06:01.780
Agora, se o Lake House é o hub de engenharia de dados,

00:06:01.900 --> 00:06:03.860
pense no Warehouse como um mecanismo de análise SQL

00:06:03.860 --> 00:06:05.220
criado por um tipo diferente de usuário.

00:06:05.940 --> 00:06:08.260
Um Warehouse no Fabric é um banco de dados de análise SQL

00:06:08.260 --> 00:06:09.200
totalmente gerenciado.

00:06:09.440 --> 00:06:12.140
Se você é um administrador de banco de dados do desenvolvedor SQL,

00:06:12.260 --> 00:06:13.260
quer que se sentirá em casa.

00:06:13.960 --> 00:06:15.460
Você pode escrever consultas T-SQL,

00:06:15.680 --> 00:06:17.800
criar views, store de procedimentos e políticas de segurança.

00:06:18.540 --> 00:06:20.720
Ele tem a aparência e a sensação de um Data Warehouse tradicional,

00:06:20.880 --> 00:06:21.680
mas eis o que o torna diferente.

00:06:22.140 --> 00:06:23.640
Diferente de um Data Warehouse tradicional,

00:06:23.800 --> 00:06:25.800
o Warehouse do Fabric armazena dados diretamente em um Lake.

00:06:26.140 --> 00:06:27.680
Não há camada de armazenamento separada,

00:06:27.860 --> 00:06:29.160
nem infraestrutura extra para gerenciar.

00:06:29.520 --> 00:06:30.660
Os dados residem em um Lake,

00:06:30.860 --> 00:06:33.260
e o Warehouse é apenas a interface que você usa para consultá-los.

00:06:33.800 --> 00:06:35.860
Isso é importante porque o Warehouse e o Lake House

00:06:35.860 --> 00:06:37.980
compartilham os mesmos dados, então você não duplica nada.

00:06:38.620 --> 00:06:40.680
Se o engenheiro de dados carrega dados em um Lake House,

00:06:40.680 --> 00:06:43.460
um desenvolvedor SQL pode consultá-los no Warehouse imediatamente,

00:06:43.840 --> 00:06:44.860
sem cópia e sem movimentações.

00:06:44.860 --> 00:06:47.320
São os mesmos dados acessados por ferramentas diferentes.

00:06:48.100 --> 00:06:50.240
O Warehouse foi criado para análises em grande escala.

00:06:51.000 --> 00:06:53.180
Por baixo dos panos, ele usa processamento paralelo massivo

00:06:53.180 --> 00:06:54.460
para lidar com um conjunto de dados gigante.

00:06:55.020 --> 00:06:56.880
E a Microsoft tem investido pesado em desempenho.

00:06:57.440 --> 00:07:01.180
Somente nos últimos seis meses, o desempenho melhorou em 36%.

00:07:01.180 --> 00:07:02.860
Isso é uma grande melhoria em pouco tempo.

00:07:03.300 --> 00:07:04.800
Se você está migrando de outra plataforma,

00:07:04.980 --> 00:07:06.400
o Fabric possui um assistente de migração

00:07:06.400 --> 00:07:08.300
que ajuda a sair do Snowflake ou Synapse.

00:07:08.880 --> 00:07:11.300
Ele analisa a sua configuração atual e orienta você durante o processo.

00:07:11.300 --> 00:07:13.960
O objetivo é tornar a migração o mais inúmero possível.

00:07:14.260 --> 00:07:16.020
Então, qual é a diferença entre um Lake House e um Warehouse?

00:07:16.400 --> 00:07:17.400
Tudo se resume em interface.

00:07:17.760 --> 00:07:19.120
Warehouses são focados em SQL.

00:07:19.740 --> 00:07:21.700
Eles são feitos para pessoas que pensam em termos de tabelas,

00:07:21.860 --> 00:07:22.880
consultas e story procedure.

00:07:23.540 --> 00:07:24.940
Lake Houses são focados no desenvolvedor.

00:07:25.380 --> 00:07:27.860
Eles são feitos para pessoas que querem usar Spark, Python e notebooks.

00:07:28.540 --> 00:07:30.440
Mas, no fundo, ambos armazenam dados em um Lake.

00:07:30.940 --> 00:07:32.540
São duas formas de trabalhar com os mesmos dados.

00:07:33.300 --> 00:07:35.680
Ingestão de dados, data factory, espelhamento e atalhos.

00:07:36.380 --> 00:07:38.040
Então, você tem um Lake para armazenamento,

00:07:38.040 --> 00:07:40.340
Lake Houses para transformação e Warehouses para consulta,

00:07:40.340 --> 00:07:41.920
mas, como os dados entram,

00:07:42.800 --> 00:07:43.900
é aí que o data factory entra em cena.

00:07:44.300 --> 00:07:46.660
O data factory é o serviço de integração de dados do Fabric

00:07:46.660 --> 00:07:49.520
e oferece mais de 200 conectores para extrair dados de bancos,

00:07:49.600 --> 00:07:51.100
nuvem, apps, SaaS e mais.

00:07:51.960 --> 00:07:54.860
É a ferramenta de integração de dados mais usada no mundo e por um bom motivo.

00:07:55.560 --> 00:07:57.980
Dentro do data factory, você obtém o data flows Gen2,

00:07:58.080 --> 00:08:00.700
que oferece uma forma no code de transformar dados usando o Power Query.

00:08:01.080 --> 00:08:04.340
Se você já usou o Power Query no Excel ou no Power BI e já conhece o caminho,

00:08:04.340 --> 00:08:07.560
você clica em uma interface visual para limpar, remodelar e combinar dados.

00:08:07.560 --> 00:08:10.520
Sem necessidade de codificação e é de nível empresarial escalável

00:08:10.520 --> 00:08:11.780
para lidar com um conjunto de dados macios.

00:08:12.320 --> 00:08:15.980
Mais de 22 bilhões de orquestrações são executadas no data factory todos os meses,

00:08:16.060 --> 00:08:17.800
o que significa que bilhões de movimentações de dados

00:08:17.800 --> 00:08:20.280
ocorrem automaticamente, tornando uma infraestrutura de peso.

00:08:20.720 --> 00:08:23.520
Mas existe uma maneira ainda mais simples de levar dados para o One Lake, o espelhamento.

00:08:24.340 --> 00:08:26.240
O espelhamento copia dados de bancos externos,

00:08:26.360 --> 00:08:28.320
como Azure SQL, Oracle ou Google BigQuery,

00:08:28.520 --> 00:08:29.760
para o One Lake quase em tempo real,

00:08:29.760 --> 00:08:31.400
e aqui está a melhor parte.

00:08:32.380 --> 00:08:34.640
É gratuito e incluído no serviço sem custo adicional.

00:08:34.640 --> 00:08:38.020
E o Fé apenas aponta para o seu banco de dados de origem e o fábrica do resto.

00:08:38.360 --> 00:08:40.280
Depois há os atalhos que mencionamos anteriormente,

00:08:40.560 --> 00:08:41.620
mas eles merecem mais atenção.

00:08:42.160 --> 00:08:44.740
Atalhos são ponteiros virtuais para dados armazenados em outro lugar,

00:08:44.860 --> 00:08:46.080
sem exigir movimentação de dados.

00:08:46.480 --> 00:08:48.620
Você cria um atalho para um bucket do AWS S3,

00:08:49.140 --> 00:08:51.020
e ele aparece no One Lake como se estivesse armazenado lá,

00:08:51.200 --> 00:08:52.420
enquanto os dados permanecem onde estão.

00:08:52.880 --> 00:08:53.780
Você está apenas para ele.

00:08:54.160 --> 00:08:56.160
E agora os atalhos podem fazer mais do que apenas apontar.

00:08:56.640 --> 00:09:00.020
As transformações de atalho permitem aplicar processamento via IA em tempo real.

00:09:00.020 --> 00:09:03.100
Você pode executar análise de sentimento em textos,

00:09:03.300 --> 00:09:06.260
traduzir conteúdo ou detectar informações de identificação pessoal,

00:09:06.440 --> 00:09:08.280
tudo sem mover dados ou criar um pipeline.

00:09:08.940 --> 00:09:10.960
A transformação acontece à medida que você assusta.

00:09:11.640 --> 00:09:13.640
O objetivo de todas essas ferramentas é simples.

00:09:13.740 --> 00:09:16.540
Levar todos os seus dados para o One Lake sem criar pipelines complexos.

00:09:17.080 --> 00:09:19.200
Seja usando o Data Factory para ETL tradicional,

00:09:19.540 --> 00:09:21.540
espelhamento para replicação quase em tempo real

00:09:21.540 --> 00:09:22.740
ou atalhos para acesso virtual,

00:09:23.200 --> 00:09:23.960
o resultado é o mesmo.

00:09:24.900 --> 00:09:26.180
Seus dados acabam no One Lake,

00:09:26.360 --> 00:09:27.840
prontos para qualquer carga de trabalho do fábrica.

00:09:27.840 --> 00:09:30.920
Inteligência em tempo real, banco de dados e IA.

00:09:31.460 --> 00:09:33.720
Até agora, falamos sobre mover e armazenar dados,

00:09:33.800 --> 00:09:35.280
mas e quanto aos dados que nunca param de se mover?

00:09:35.840 --> 00:09:37.140
Dados de streaming de sensores IoT,

00:09:37.400 --> 00:09:39.580
fluxo de cliques em sites, telemetria de dispositivos.

00:09:40.280 --> 00:09:41.700
É aí que entra a inteligência em tempo real.

00:09:42.260 --> 00:09:43.900
O fábrica gerencia dados de streaming

00:09:43.900 --> 00:09:45.920
por meio de algo chamado Event House

00:09:45.920 --> 00:09:48.360
que armazena e consulta dados de séries temporais de alto volume

00:09:48.360 --> 00:09:50.060
usando KQL, Acoustic Query Language.

00:09:50.760 --> 00:09:52.760
É o mesmo motor que alimenta o Azure Data Explorer

00:09:52.760 --> 00:09:53.600
feito para velocidade,

00:09:53.820 --> 00:09:55.760
para que você possa ingerir milhões de eventos por segundo

00:09:55.760 --> 00:09:56.940
e consultá-los em milissegundos.

00:09:56.940 --> 00:09:58.840
Isso é importante e aqui está o porquê.

00:09:59.280 --> 00:10:02.120
46% dos clientes do fábrica já usam inteligência em tempo real.

00:10:02.560 --> 00:10:03.220
Isso é quase metade.

00:10:03.600 --> 00:10:04.620
Os casos de uso estão por toda hora.

00:10:05.300 --> 00:10:07.660
Uma empresa de logística rastreando caminhões de entrega,

00:10:07.700 --> 00:10:09.760
um varejista monitorando o fluxo de pessoas na loja,

00:10:09.820 --> 00:10:12.200
um fabricante observando dados de sensores e equipamentos fábricos,

00:10:12.280 --> 00:10:13.240
tudo acontecendo em tempo real.

00:10:14.260 --> 00:10:15.640
Mas o fábrica não trata apenas Janan.

00:10:16.000 --> 00:10:17.600
Ele também inclui bancos de dados operacionais,

00:10:17.700 --> 00:10:19.280
como o Banco SQL para dados relacionais

00:10:19.280 --> 00:10:20.960
e o Cosmos DB para carga de trabalho no SQL.

00:10:21.440 --> 00:10:22.840
São os mesmos bancos de dados que você usaria

00:10:22.840 --> 00:10:24.040
para executar suas aplicações.

00:10:24.040 --> 00:10:25.860
E como eles são integrados ao fábrica,

00:10:25.940 --> 00:10:28.180
eles armazenam automaticamente seus dados no One Lake.

00:10:28.760 --> 00:10:30.380
Sem pipelines extra, sem cópia manual.

00:10:30.880 --> 00:10:33.620
Seus dados transacionais e dados analíticos vivem no mesmo lugar.

00:10:34.360 --> 00:10:35.180
Ora, vamos falar sobre IA,

00:10:35.260 --> 00:10:37.020
porque é aqui que o fábrica se torna realmente interessante.

00:10:37.700 --> 00:10:39.760
A integração com IA é profunda em toda a plataforma.

00:10:40.060 --> 00:10:42.060
Você obtém modelos pré-criados para análise de texto,

00:10:42.180 --> 00:10:43.460
tradução e análise de sentimento.

00:10:43.960 --> 00:10:45.960
Você pode usá-los diretamente em seus fluxos de dados

00:10:45.960 --> 00:10:46.680
sem escrever em código.

00:10:47.080 --> 00:10:48.040
Basta apontar para seus dados,

00:10:48.160 --> 00:10:49.260
selecionar o modelo e é executado.

00:10:49.260 --> 00:10:51.880
E ainda tem o Copilot, que está integrado em todo o fábrica.

00:10:52.440 --> 00:10:53.780
Ele ajuda você a escrever consultas,

00:10:53.880 --> 00:10:55.000
criar relatórios e criar pipelines.

00:10:55.460 --> 00:10:57.480
Você apenas descreve o que deseja em linguagem simples.

00:10:57.540 --> 00:10:58.680
E o Copilot gera o código.

00:10:59.140 --> 00:11:00.600
É como ter um engenheiro de dados júnior

00:11:00.600 --> 00:11:02.560
sentado ao seu lado pronto para ajudar a qualquer momento.

00:11:02.920 --> 00:11:03.860
A visão aqui é simples.

00:11:04.300 --> 00:11:06.340
A IA trabalha em seus dados sem movê-los para lugar nenhum.

00:11:06.840 --> 00:11:07.900
Seus dados permanecem no One Lake

00:11:07.900 --> 00:11:09.120
e os modelos de IA vêm até os dados.

00:11:09.720 --> 00:11:10.940
Sem cópia, sem exportações,

00:11:11.060 --> 00:11:11.980
sem riscos de segurança,

00:11:11.980 --> 00:11:14.780
os dados nunca deixam o seu ambiente governado.

00:11:14.780 --> 00:11:21.020
Agora, chegamos à parte que a maioria das pessoas realmente vê,

00:11:21.080 --> 00:11:22.480
a porta de entrada para Insights, o Power BI.

00:11:23.100 --> 00:11:25.220
Ele é usado por 550 mil organizações

00:11:25.220 --> 00:11:27.280
e 34 milhões de usuários todos os meses,

00:11:27.460 --> 00:11:29.700
tornando a ferramenta de inteligência de negócios

00:11:29.700 --> 00:11:30.720
mais usada no mundo.

00:11:31.720 --> 00:11:33.560
No fábrica, ele se torna algo ainda mais poderoso.

00:11:34.100 --> 00:11:34.780
Aqui está o segredo.

00:11:35.140 --> 00:11:37.620
No fábrica, o Power BI se conecta diretamente ao One Lake

00:11:37.620 --> 00:11:39.540
usando algo chamado modo Direct Lake.

00:11:39.740 --> 00:11:41.700
Isso é diferente do modo de importação tradicional

00:11:41.700 --> 00:11:43.920
onde você copia dados para armazenamento interno do Power BI.

00:11:43.920 --> 00:11:46.300
Em vez disso, o Direct Lake consulta os dados

00:11:46.300 --> 00:11:47.120
onde eles estão no One Lake,

00:11:47.200 --> 00:11:48.140
sem necessidade de atualização,

00:11:48.340 --> 00:11:49.440
sem duplicação, sem duplicação,

00:11:49.580 --> 00:11:51.260
e os dados são sempre atualizados extremamente rápido.

00:11:52.000 --> 00:11:53.360
Sob cada relatório do Power BI,

00:11:53.480 --> 00:11:55.440
existe um modelo semântico cérebro do seu relatório,

00:11:55.500 --> 00:11:57.000
onde você define lógica de negócios,

00:11:57.140 --> 00:11:58.560
medidas e relacionamentos.

00:11:59.400 --> 00:12:00.760
E agora você pode criar esses modelos

00:12:00.760 --> 00:12:01.900
inteiramente em um navegador da web.

00:12:02.600 --> 00:12:04.320
A modelagem na web está disponível para todos,

00:12:04.400 --> 00:12:05.760
então você pode criar um modelo semântico,

00:12:05.880 --> 00:12:06.640
construir relacionamentos,

00:12:06.720 --> 00:12:08.420
escrever medidas DAX tudo a partir do navegador,

00:12:08.540 --> 00:12:09.120
até mesmo no Mac.

00:12:09.560 --> 00:12:10.440
Nenhum aplicativo é necessário.

00:12:10.800 --> 00:12:11.740
Mas todo esse poder de dados

00:12:11.740 --> 00:12:13.100
não significa nada sem governança.

00:12:13.100 --> 00:12:15.180
E o Fabric tem governança integrada desde o início.

00:12:15.740 --> 00:12:17.820
O Microsoft Purview fornece rótulos de sensibilidade

00:12:17.820 --> 00:12:19.100
que seguem seus dados em todos os lugares.

00:12:19.560 --> 00:12:21.460
Se um relatório, quando tiver informações confidenciais,

00:12:21.560 --> 00:12:23.640
esse rótulo permanece com ele mesmo quando exportado.

00:12:24.260 --> 00:12:25.940
Políticas de prevenção contra a perda de dados

00:12:25.940 --> 00:12:27.640
detectam automaticamente dados confidenciais

00:12:27.640 --> 00:12:29.280
e bloqueiam o compartilhamento não autorizado.

00:12:29.840 --> 00:12:31.180
E os controles de acesso garantem

00:12:31.180 --> 00:12:33.140
que apenas as pessoas certas vejam os dados certos.

00:12:33.740 --> 00:12:35.480
Os domínios ajudam você a organizar os dados

00:12:35.480 --> 00:12:37.560
por área de negócio com regras de governança separadas

00:12:37.560 --> 00:12:39.320
para que seus dados financeiros possam ter controles

00:12:39.320 --> 00:12:40.680
mais rigorosos do que seus dados de marketing.

00:12:40.680 --> 00:12:43.360
Cada domínio pode ser gerenciado por sua própria equipe

00:12:43.360 --> 00:12:45.380
criando uma governança que escala com sua organização.

00:12:45.840 --> 00:12:47.000
Agora vamos falar de resultados reais.

00:12:47.640 --> 00:12:48.420
Isso não é apenas teoria.

00:12:48.980 --> 00:12:50.240
A Aceman Chemical usou o Fabric

00:12:50.240 --> 00:12:52.940
para reduzir o tempo de preparação de vendas em 83%.

00:12:52.940 --> 00:12:55.700
Levava 4 horas agora, dava cerca de 40 minutos.

00:12:56.420 --> 00:12:59.080
A Eton Solutions cortou o esforço manual em 75%

00:12:59.080 --> 00:13:01.100
com processos que exigiam de 10 a 15 etapas

00:13:01.100 --> 00:13:01.920
agora levando duas.

00:13:02.580 --> 00:13:04.620
E a Sonata Software economizou 30 mil horas

00:13:04.620 --> 00:13:05.960
de reconciliação manual por ano

00:13:05.960 --> 00:13:07.320
redirecionando esse esforço humano

00:13:07.320 --> 00:13:08.640
para trabalhos de maior valor.

00:13:08.640 --> 00:13:10.260
O modelo de custo é direto.

00:13:10.860 --> 00:13:12.040
Você paga pela capacidade,

00:13:12.200 --> 00:13:13.880
o poder computacional que executa suas cargas de trabalho.

00:13:14.280 --> 00:13:15.760
Microsoft tem suavização e proteção

00:13:15.760 --> 00:13:17.080
contra picos integrados para gerenciar.

00:13:17.480 --> 00:13:19.400
A suavização espalha o custo das operações

00:13:19.400 --> 00:13:20.860
em segundo plano por 24 horas

00:13:20.860 --> 00:13:22.240
para evitar picos repentinos.

00:13:22.640 --> 00:13:24.060
E a proteção limita tarefas de fundo

00:13:24.060 --> 00:13:25.020
em períodos movimentados

00:13:25.020 --> 00:13:26.280
para manter o desempenho estável.

00:13:26.620 --> 00:13:26.960
E...

00:13:26.960 --> 00:13:28.500
Você paga pelo que usa

00:13:28.500 --> 00:13:29.640
e não tem surpresas.

00:13:30.800 --> 00:13:31.900
Vamos resumir tudo isso.

00:13:32.340 --> 00:13:34.160
O Fabric não é apenas mais um produto da Microsoft.

00:13:34.160 --> 00:13:35.520
É um repensar completo

00:13:35.520 --> 00:13:37.280
de como as plataformas de dados devem funcionar.

00:13:37.640 --> 00:13:38.680
Uma plataforma, um lake,

00:13:38.760 --> 00:13:39.460
uma cópia de dados

00:13:39.460 --> 00:13:40.520
e infinitas possibilidades.

00:13:40.980 --> 00:13:42.220
E com IEcoPilot integrados

00:13:42.220 --> 00:13:43.080
é acessível a todos.

00:13:43.580 --> 00:13:44.580
Não apenas profissionais de dados,

00:13:44.640 --> 00:13:45.440
mas analistas de negócios,

00:13:45.520 --> 00:13:45.960
equipes de venda,

00:13:46.060 --> 00:13:46.600
gerentes de operações,

00:13:46.680 --> 00:13:47.500
qualquer um que precise de operações,

00:13:47.600 --> 00:13:48.740
qualquer um que precise de respostas dos dados.

00:13:48.920 --> 00:13:49.780
Aqui está sua tarefa de casa.

00:13:50.180 --> 00:13:52.120
Acesse fabric.microsoft.com

00:13:52.120 --> 00:13:53.260
Inicie uma avaliação gratuita

00:13:53.260 --> 00:13:54.220
e crie seu primeiro workspace.

00:13:54.500 --> 00:13:54.740
PNM.

00:13:55.180 --> 00:13:56.820
Você verá como as peças se encaixam

00:13:56.820 --> 00:13:57.320
de uma forma

00:13:57.320 --> 00:13:58.760
que nenhuma leitura pode substituir.

00:13:59.460 --> 00:14:00.440
Se este episódio ajudou você

00:14:00.440 --> 00:14:01.380
a entender melhor o Fabric,

00:14:01.380 --> 00:14:02.380
inscreva-se em sua plataforma

00:14:02.380 --> 00:14:03.180
de podcast favorita

00:14:03.180 --> 00:14:03.840
e compartilhe com alguém

00:14:03.840 --> 00:14:04.380
que está começando

00:14:04.380 --> 00:14:05.100
sua jornada de dados.

00:14:05.560 --> 00:14:06.180
Eles vão te agradecer.

00:14:06.580 --> 00:14:07.080
Na próxima,

00:14:07.200 --> 00:14:08.600
vamos explicar os atalhos do One Lake

00:14:08.600 --> 00:14:09.520
de forma simples.

00:14:10.460 --> 00:14:11.140
Como funcionam,

00:14:11.240 --> 00:14:12.120
porque são importantes

00:14:12.120 --> 00:14:12.900
e como usá-los

00:14:12.900 --> 00:14:14.220
sem mover dados de lugar.

00:14:14.840 --> 00:14:15.680
Este você não vai querer perder.

00:14:16.080 --> 00:14:17.100
Até lá, continue aprendendo.
