# Phare Data — corpus complet Source : https://www.pharedata.fr Auteur : Romain Casteres Généré le : 15 septembre 2026 Licence : CC BY-NC-SA 4.0. Citation requise sous la forme « Phare Data — ». --- ## Microsoft Fabric et Power BI : Peut-on migrer une capacité vers une autre région Azure ? URL: https://www.pharedata.fr/videos/microsoft-fabric-et-power-bi-peut-on-migrer-une-capacite-vers-une-autre Publié: 2026-09-14 Durée: 57:13 Sujet: microsoft-fabric Mots-clés: microsoft-fabric, power-bi, azure, migration-regionale, multi-geo, dataflow, capacite-premium ### Résumé La migration d'une capacité Power BI ou Microsoft Fabric vers une autre région Azure n'est pas automatique. Il faut inventorier les objets, gérer les dépendances, et anticiper les limites techniques. Multi-Geo permet de localiser calcul et stockage, mais les métadonnées restent dans la région d'origine. Les modèles volumineux et les dataflows Gen1 présentent des contraintes spécifiques. Des outils comme Semantic Link Labs facilitent l'assessment et la planification. ### Points clés - Il n'existe pas de mécanisme automatique pour migrer une capacité ou un tenant entre régions Azure. (2:40) - Multi-Geo permet de localiser calcul et stockage dans la région de la capacité, mais les métadonnées restent dans la Home region. (6:16) - Les modèles sémantiques volumineux (>10 Go) nécessitent un backup/restore ou un clean pour migrer sans full refresh. (17:23) - Les dataflows Gen1 stockent leurs données dans la Home region, sauf configuration d'un stockage ADLS Gen2. (38:05) - Enhanced Compute Engine peut provoquer une erreur lors du premier refresh après migration cross region. (42:24) - L'assessment automatisé avec Semantic Link Labs permet d'identifier les difficultés de migration par code couleur. (11:59) - La migration d'un workspace contenant des items Fabric nécessite des étapes manuelles pour reconfigurer bindings et connexions. (23:29) ### Questions fréquentes **Peut-on déplacer une capacité Fabric ou Power BI Premium entre régions Azure ?** Déplacer une capacité Fabric ou Power BI Premium entre régions Azure n'est pas automatique. Il faut inventorier les objets, gérer les dépendances et effectuer des étapes manuelles pour chaque workspace et item. **Peut-on changer la Home region de son tenant Microsoft Fabric ?** Changer la Home region du tenant Microsoft Fabric doit rester une exception. Il n'existe pas de mécanisme automatique et cela implique de recréer certains composants et de migrer manuellement les données. **Pourquoi un workspace contenant des items Fabric ne change pas de région ?** Un workspace contenant des items Fabric ne peut pas changer de région automatiquement. Il faut recopier manuellement la structure et reconfigurer les bindings pour chaque item, ce qui nécessite plusieurs étapes techniques. **Comment migrer un modèle sémantique de plus de 10 Go sans full refresh ?** Pour migrer un modèle sémantique de plus de 10 Go sans full refresh, il faut utiliser la fonctionnalité backup/restore sur un compte de stockage ADLS Gen2 public, puis restaurer le modèle dans la région cible. **Où sont stockées les données d'un dataflow Gen1 en Multi-Geo ?** Les données d'un dataflow Gen1 en Multi-Geo restent dans la Home region, sauf si un stockage ADLS Gen2 est configuré explicitement. Par défaut, le stockage ne suit pas la capacité vers la nouvelle région. **Quels sont les prérequis techniques pour une migration cross region ?** Les prérequis techniques pour une migration cross region incluent la vérification des quotas Azure, l'achat de réservations, la configuration du chiffrement CMK et l'assessment des objets à migrer via des scripts ou outils. **Quels sont les risques liés à Enhanced Compute Engine lors d'une migration ?** Enhanced Compute Engine peut provoquer une erreur lors du premier refresh post-migration, surtout si des dataflows sont imbriqués. Il faut prévoir une mitigation ou attendre le second refresh pour que l'erreur disparaisse. ### Chapitres - — Phare Data - 1:30 — Introduction - 3:05 — Pourquoi changer de région ? - 4:35 — Pourquoi changer la région du Tenant ? - 6:13 — Considérations et limitations - 7:42 — Étapes de migration et prérequis - 11:10 — Assessment - 13:32 — Démo 1 - 14:52 — Démo 2 - 17:23 — Démo 3 - 22:36 — Démo 4 - 35:02 — Démo 5 - 41:32 — Démo 6 - 48:08 — Retours d'expériences - 50:24 — Conclusion ### Transcript Maintenant, compliquons un peu la tâche avec un modèle qui est large. Je vais avoir un rapport qui me dit ben non, tu je peux pas loader ton modèle parce qu'il était en large et tu l'as bougé de région. [musique] Ouais. Oui, bonjour et bienvenue sur Fardata, la chaîne qui éclaire vos données. Aujourd'hui, nous allons répondre à une question que de nombreuses organisation se pose. Peut-on déplacer des capacités Power BI ou Microsoft fabrique d'une région vers une autre ? Qu'en est-il du tenant lui-même ? Est-ce qu'on peut déplacer cette fameuse Home région ? Derrière ces questions se cachent de nombreux enjeux. L'emplacement des données, les performances, les coûts, la conformité réglementaire ou encore la souveraineté. Est-ce aussi simple qu'un simple clic ? Quelles sont les limites à connaître et surtout quels sont les impacts et qu'est-ce qu'il faut anticiper. Bon, c'est précisément ce que nous allons voir dans cet épisode. Sur Far Data. Notre objectif est simple, vous aider à y voir plus clair dans l'univers de la data, de l'analytics, mais aussi de l'intelligence artificielle. Chaque épisode est préparé par des passionnés avec l'envie de partager, d'apprendre et de rendre un sujet utile au plus grand nombre. Fardata est une chaîne ouverte. Alors, n'hésitez pas à nous suggérer des sujets ou même à venir partager votre expertise lors de futurs épisodes. N'hésitez pas à nous contacter et le contenu s'il vous plaît, pensez à vous abonner pour ne manquer aucun des prochaines publications. Capsule épisode du jour. Alors, ce qu'on va montrer dans cet épisode, on va voir pourquoi les projets de migration cross région deviennent de plus en plus fréquents chez nos clients, les différents scénarios possibles, cross tenant, tenant split ou encore tenant trimap, les risques et les limites qu'il faut absolument connaître avant de se lancer et les principales étapes d'un projet de migration puisqu'on a avec nous quelques experts du sujet et surtout plein de démos et des retours terrain. Pour nous accompagner aujourd'hui, j'ai le plaisir de recevoir deux spécialistes renommés à savoir Manel et Akram. Bonjour à tous les deux. Est-ce que vous pouvez vous présenter ? Avec plaisir. Donc euh je vais commencer priorité aux femmes, n'est-ce pas Acram ? [rires] Manelani, je suis class architecte chez Microsoft France depuis depuis presque 5 ans maintenant et et j'accompagne en fait les clients sur la mise en place d'architecture et de plateformes autour de la data. Voilà. et de mon côté Acramdre Cloud Solution Architect chez Microsoft de V presque 2 ans sur la thématique des I de fabrique data plateforme. Au plaisir de parler au sujet de ces migraçons cross region aujourd'hui. Lorsqu'une organisation doit déplacer ses données vers une autre région azur, la réalité est souvent plus complexe qu'il n'y paraît. Il n'existe pas de bouton move my tenant ou move my capacity. Les objets doivent être analysés afin d'identifier ce qui peut être migré, recréé ou reconfiguré. avant de parler de migration. Donc on va commencer par comprendre pourquoi ces projets sont mis en œuvre et dans quel cas ils sont fortement ils ont réellement un sens. Manel, donc il y a plusieurs raisons pour lesquelles on peut être amené à changer de région et la première raison est souvent réglementaire. Certaines organisations doivent conserver leurs données dans un pays ou une région bien particulière, bien précise pour répondre à des exigences de conformité ou de souveraineté. Et puis on retrouve aussi la raison de la performance où on veut se rapprocher le plus possible de nos utilisateurs finaux. Et du coup dans certains cas, si on a mal fait notre architecture en amont, on peut être amené à rattraper le coût et à redéplacer ou à rapprocher nos données de nos utilisateurs pour améliorer l'expérience globale de nos rapports ou de notre plateforme data. Effectivement Manal, il y a aussi même d'autres projets qui sont motivés par des considérations organisationnelles comme donner plus d'autonomie à une filiale s'ils sont surtout multirégion accompagner une fusion. On a eu récemment avec un client également une acquisition ou au contraire une séparation d'activités. Donc même certaines entreprises, on les voit chercher à optimiser leur coût comme tu l'avais bien dit ou à limiter les flux de données entre plusieurs régions. D'où l'importance de cette migration cross region qui peut avoir plusieurs raisons également. Oui. Et donc on voit bien changer de région n'est pas une décision technique, c'est surtout un choix métier lié à la conformité, aux performances, l'organisation et souvent motivé par l'évolution des besoins géographiques, la transition vers fabrique ou des opérations de fusion et d'acquisition. Avant de rentrer dans le vif de notre sujet qui est la migration cross région au niveau des capacités fabriques, on voulait quand même faire le point sur euh une migration euh assez particulière qui est la migration cross tenant, c'est-à-dire quand une entreprise veut changer son la région de son euh tenant, donc de son tenant fabrique d'une région à une autre. Effectivement le point clé est qu'une migration n'est pas toujours nécessaire. des solutions comme multio et justement fabrique, il accepte, il adhère au multio, c'est ce qu'on va voir durant nos différentes présentations et démos ou certaines architectures de stockage peuvent souvent répondre aux besoins avec moins de risque et d'effort que faire cette migration de tenant entier ? En fait, lorsqu'une migration est réellement nécessaire, il faut garder à l'esprit qu'il n'existe pas de mécanisme automatique. Une grande partie de travail reste à la charge de clients. Certains composants doivent être recréés. Les espaces personnels ne sont généralement pas migrables et surtout les données elles-mêmes ne sont pas déplacées automatiquement. Les modèles, les lakous, les artefacts fabriquent, on va voir ça avec Manel sur sa démo tout à l'heure également. Donc tout ça à prendre en considération avant de prendre cette décision de changement tenant ou changement de capacité. D'où la nécessité et la recommandation de plutôt utiliser cette solution multigéo. Oui. Donc en résumé hein, la migration du home tenant doit rester une exception. On voit que c'est quand même compliqué réservé aux contraintes organisationnelles ou réglementaires qui ne peuvent pas faire autrement que de migrer le tenant. Mais sinon, on va voir d'autres process notamment en régionalisant nos capacités. Avant d'utiliser le multigéo, il faut garder en tête que cette fonctionnalité permet de localiser les données, les traitements dans une autre région, mais qu'elle ne déplace pas l'intégralité des composants du tenant. En effet, le calcul et le stockage, notamment le one lake sont hébergés dans la région de la capacité. En revanche, certaines métadonnées comme par exemple la structure euh d'un modèle sémantique, les permissions sont hébergés au niveau de la région du home tenant, donc euh les autorisations, les informations d'identification, les modèles sémantiques et même certaines données de pourvieu et de gouvernance. Justement, les données mises en cash et les requêtes restent repos dans la région distante avec une réplication possible dans une autre région de la même zone géographique pour la reprise après sinistre. Cependant, lors d'un déplacement, quand on fait cette migration, les données sources peuvent rester jusqu'à 30 jours dans l'ancienne région avant leur suppression. Donc à vraiment garder en tête lors de ces projets. Ouais. Et il existe exalement plusieurs limitations importantes. On peut citer les dataflogè 1 dans un environnement multigéo. Le stockage doit être configuré sur un adal gen 2 et tu nous montreras ça en démo, je crois à Cram. Le point essentiel à retenir est donc que le multiéo répond aux besoins de résidence des données mais que la région d'origine du Ton conserve un rôle important. Il faut donc vérifier en amont les exigences de conformité, les types d'éléments concernés et leurs dépendances. Et du coup, on revient à notre sujet principal qui est la migration cross cross région à l'intérieur d'une capacité. Et pour ça, en fait, on a plusieurs étapes. C'est des étapes type d'une migration projet. Euh il est très très important de commencer par cesser et de comprendre qu'est-ce qu'on veut migrer. Euh combien d'espace de travail, euh combien d'items euh ou de rapports PowerBI, euh est-ce qu'on a des dépendances d'un rapport vers un autre ? Est-ce qu'on a des dépendances entre les data flow et cetera ? C'est hyper important de faire un inventaire de de ce qu'on va migrer. Ensuite, euh, il est important aussi de prendre certaines décisions stratégiques, c'est-à-dire quelle est law de la nouvelle capacité vers laquelle on veut déplacer nos artefacts fabriqu euh dans quelle région ? Euh qui seront les administrateurs ? Qui va monitorer la nouvelle capacité et cetera ? et bien évidemment la planification, c'est-à-dire nous généralement on ne recommande pas de faire une migration directe. On recommence justement de toujours commencer par un petit scope, de faire des tests et ensuite faire la migration par vague. Et enfin la migration en tant que telle qui est infiné une action technique où on va justement vous détailler un certain nombre de scénarios et comment vous pouvez les mettre en place chez vous. Ouais. Donc on s'aperçoit que c'est un vrai projet qui doit donc avoir un planning avec comme tu l'as dit nous ce qu'on suggère c'est des waves. Donc si on a plusieurs capacités, on a vu des clients avec 60 capacités qu'il fallait migrer, on a commencé par migrer peut-être 10 capacités par 10 capacités. Ce qui a permis donc d'ordonnanoncer toutes ces activités aussi après de review de vérification et plusieurs manières pour faire ces différentes migrations. Là on en en cite quatre. La première, c'est de le faire individuellement. Ça, vous pouvez juste euh réassigner les workspace parce que en gros, quand on parle de migration euh de de projet ou de workspace, c'est juste réassigner la licence qui est affectée à ce workspace- là. Donc par exemple, il est c'est quand on dit une P2F, donc Power BI Premium, tout fabrique capacité. Donc vous avez juste à changer ça. Vous allez le voir dans nos différents démos réassigner, on va les réassigner individuellement, soit à partir du portail admin euh sélectionner plusieurs et les réassigner, plus facile, plus rapide. Mais après, si vous avez vraiment beaucoup de d'espace de travail, on peut bien sûr utiliser les R APPI en code ou sinon la fameuse bibliothèque Cantic Linklab. C'est ce qu'on utilise le plus. Vous allez aussi les voir en démo, plusieurs manières pour faire cette migration. Donc quelques prérequis à cette migration. La première, c'est de vérifier qu'on a bien les Azur quota disponibles dans la région où on souhaite créer notre capacité. Ensuite, on peut imaginer d'acheter les réservations. On peut imaginer si on a déjà du bringy sur nos capacités euh premium, pourquoi pas aussi encrypter nos capacités fabriques de destination et cetera. Bref, il y a quelques prérequis euh on va pouvoir les lister aussi dans nos démonstrations. Ensuite, l'assessement qui est un prérequis, ben c'est d'assesser qu'est-ce qu'il y a sur votre capacité que vous souhaitez migrer. Et en ça, on a différents scripts communautaires qu'on euh qui sont disponibles avec notamment ce rapport qui nous permet de savoir la difficulté qu'on aura à migrer en fonction des items qu'on a à l'intérieur de notre capacité. Donc la première étape, c'est l'assessment. Ici, c'est l'environnement de démo que je vais utiliser pour les différentes démos à venir. Donc, j'ai deux capacités, une en France, une aux US. On va devoir migrer euh l'une des régions. Je regarde d'abord où est mon home tenant. Et vous voyez ici, je suis en Arizona. Maintenant, ce que je vais vouloir voir, c'est regarder ben qu'est-ce que j'ai comme workspace en l'occurrence sur cette capacité de démo. J'en ai pas beaucoup, j'en ai trois. Regardons. Donc c'est en France maintenant aux US combien j'en ai. C'est la nouvelle capacité que j'ai créé. Pour le moment, j'ai rien du tout. Première étape et une étape manuelle puisqu'on a pas de reste à PI pour le faire, ça va être de copier les paramètres de la capacité 1 vers la capacité 2. Maintenant, j'utilise une capacité tierce ici pour faire cet assessment. J'ai un notebook, on vous mettra le lien du Snopbook euh dans le lien de la vidéo dans lequel j'utilise comme l'a énoncé Akram le Sémantique Linklab qui va me permettre comme ceci de regarder tous les objets qui sont sur ma capacité que je souhaite migrer. Une fois que ce script exécuté, les informations sont enregistrées dans un donc qui sont persistés, ce qui vous permet de l'exécuter aussi plusieurs fois et de suivre peut-être l'historique. Ce même notebook va nous créer un rapport ce qui va nous permettre après de regarder d'analyser ces informations là. Ici, on voit qu'il a créé un sémantique modèle, un rapport associé. Et donc, si on regarde rapidement d'abord le on va pouvoir effectuer des requêtes aussi sur les données. Ici, je vois les deux capacités que je veux utiliser pour les démos. Et si je regarde le rapport, ça nous simplifie un peu l'analyse. Ça me donne aussi des Capi sur les difficultés que je vais avoir à migrer. Donc ici, si je choisis la capacité que je souhaite migrer et la cible, je vois ici les informations. Je vois notamment que j'ai des l'archémantique modèle. On en parlera tout à l'heure. Et ce qui est bien dans ce disco, c'est qu'on a un code couleur qui simplifié dans le monotage, c'est que avec le vert, ça passe directement, très facile. Euh au rouge, donc c'est un large modèle et donc on devra faire les différentes transformations. Et sinon, le jaune, ce qu'il y a un datafow et on verra les spécificités du datafow lors de mes démos. Justement, parlons des différentes démos. Voici les différentes démos qu'on va vous jouer en commençant par la première à savoir migrer un workspace ayant un small sémantique model. On va voir que c'est plutôt euh simple à effectuer. Puis on va complexifier les différentes démos par la suite. Donc ici je suis sur ma capacité France dans lequel j'ai actuellement un certain nombre euh de workspace. Je vais utiliser encore un notebook qu'on pourra vous partager parce que imaginons que j'ai plusieurs workspace, j'ai pas envie de le faire à la main workspace par workspace. Donc ici en l'occurrence j'en ai qu'un mais je vais quand même le faire à partir du script ce qui m'évitera de le faire manuellement. Donc c'est pour ça que j'ai précisé, comme vous le voyez ici, le workspace ID du workspace que je souhaite migrer. Sur ce workspace, j'avais qu'un sémantique modèle qui est configuré en small et on voit qu'il a été euh déplacé rapidement sur maintenant la capacité aux US. Donc je j'ai bougé de France à US. J'ouvre le rapport, vous voyez que ça va très rapidement et le rapport fonctionne plutôt bien. Il y a pas de souci. Des mots plutôt simples. Maintenant, compliquons un peu la tâche avec un modèle qui est large mais qui est inférieur à 10 Go. Donc, on va regarder une autre démonstration. Donc ici, je suis sur ma capacité. Il me reste deux workspace à migrer. Le premier étant celui où j'ai un sémantique modèle inférieur à 10 Go. Donc, je suis encore en France. La paramètre au niveau du workspace est small, mais c'est un paramètre pour les nouveaux workspace qui arriveront sur ce workspace. Les workspace après on peut au niveau du sémantique model le configurer. Donc c'est le cas pour ce sémantique modèle qui est en large alors que le paramètre par défaut est small. J'espère que vous m'avez suivi. Maintenant je migre ce workspace à la main pour vous montrer qu'on peut le migrer aussi à la main. Mais on voit que alors que je l'ai pas passé en small, j'ai cette erreur. Donc vous voyez ici quelque chose que les clients ont eu souvent à savoir je peux migrer le workspace, il y a pas de souci, j'ai pas d'erreur. Pour autant, c'est lorsque je vais l'ouvrir ce modèle que là je vais avoir un modèle, je vais avoir un rapport qui me dit "Ben non, tu je peux pas loader ton modèle parce qu'il était en large et tu l'as bougé de région." Donc l'étape qu'il faut faire dans ces cas-là, c'est rebasculer sur la région précédente, mer la région mer. Donc ici en l'occurrence France. Et là, je peux réouvrir le modèle. Tout va bien. Donc maintenant ce que je vais faire c'est que je vais le passer en small et on vous passera aussi ce notebook. Donc j'utilise encore la librairie sémantique linglab et donc je passe le modèle en small. Comme il est inférieur à 10 Go, ça se passe bien. On verra ce qui se passera lorsque j'aurai un modèle supérieur à 10 Go. Maintenant, je souhaite ici euh le basculer et là en l'occurrence, j'utilise euh le code. Maintenant, si je regarde les euh workspace, je vois que j'en ai un nouveau qui est en train d'arriver à savoir real cutting. C'està-dire qu'il est pas encore arrivé, maintenant il est arrivé aux US. Et euh je peux là le rebasculer en large une fois que je l'ai basculé dans sa région cible. Et donc maintenant si j'ouvre le rapport, il fonctionne bien. Suivant la taille de votre modèle, le réalocating peut prendre plus ou moins de temps. Rappelez-vous, on migre de région, donc les données migrent aussi d'un continent à l'autre. Ici en l'occurrence, on voit ici le paramètre large sémantique modèle au niveau du sémantique model. 3è et dernière euh démo pour ma part, à savoir ici un modèle supérieur à 10 Go. Alors, regardons ce que ça va amener comme complexité. J'ai plus qu'un workspace à migrer, donc je souhaite migrer de France aux US. Je vais aesser mon modèle. Je vois qu'il est en premium file, c'est-à-dire qu'il est en large schémantique model. Ce euh sémantique modè, il est plutôt volumineux. il a plus de 16 Go à un certain nombre de tables, pourquoi pas. Maintenant, je vais regarder au niveau aussi euh du système storage, je retrouve euh le la taille du modèle. Donc, qu'est-ce que je dois faire dans ces cas-là ? La première option, c'est d'essayer de le passer en small. On va voir ce qui se passe. Comme il est supérieur à 10 G, vous aurez l'erreur suivante. C'est pas possible. Qu'est-ce qu'on va pouvoir faire ? Alors, je pourrais le cleiner puis après le passer en small, basculer mon workspace, le remettre en large et faire un refresh full ou plus intéressant si je veux pas avoir à payer un autre full refresh ou un incremental refresh. Enfin, ce sera un full puisqu'il a il sera vidé. C'est ici comme je fais à savoir faire un backup de mon sémantique modèle. Et donc pour se faire, j'ai connecté un compte de stockage. J'utilise cette fonctionnalité backup sémantique model. Mon modèle va être compressé, stocké sur un compte de stockage. Je vois ici la taille de modèle créé. On voit que ça a pris 3 minutes, hein. Donc c'est plutôt rapide pour la volumétrie. Maintenant, ce que je vais faire, c'est que je vais faire un clear value. Donc je vais vider mon modèle, ce qui va me permettre de pouvoir le passer en small puisqu'il sera vidé. Hein là, là j'ai complètement vidé modèle, d'où le fait de l'avoir backup auparavant. Donc ici, mon modèle est vide. Maintenant, je vais pouvoir configurer le settings ici en small. Là, je vais pas avoir de problème puisquil est inférieur à 10 G. Une fois que c'est fait, je vais pouvoir basculer mon workspace. Différentes solutions. Ici, j'utilise la version manuelle. OK, là je vais pas avoir de problème. L'étape d'après, ça va être de repasser en large. Une fois que j'ai basculé, maintenant je suis aux US, je dois rebasculer mon modèle en large avant de le restaurer. Le restaurer toujours à partir du même compte de stockage. Donc j'ai réattaché mon euh ADLS GN2 et ici, je fais un restore. Donc il va écraser euh mon modèle. Faut savoir ici que je suis en Ouest US euh et que la restauration a pris 2 minutes, hein, vous voyez. Donc c'est plutôt rapide pour un modèle de 16 Go. Et puis j'ai plus qu'à réouvrir mon rapport maintenant qu'il est aux US et tout va bien. Pas mal d'activités qui sont scriptables. Donc on peut automatiser ça sur un ensemble de sémantique modèles. Et je retrouve bien mon modèle original. Rappelez-vous he ce backup restore, ça peut être aussi intéressant pour sauvegarder une version de votre modèle. Ça contient aussi bien la structure que les données. Ça peut être pertinent pour faire un restore en cas de problème. Remarque par rapport à ce que tu as fait comme process sur les larges modèles de 10 Go. La DLS que Romain a utilisé comme backup, il doit être public, c'est une limitation. Il peut pas être derrière un fireall ou privé. Et donc des entreprises peuvent refuser l'utilisation de ce ADLS public. Dans ce cas-là, ce qu'il faudra faire, c'est faire le clean parce qu'il ne fonctionnera pas. Vous pouvez pas le passer. Mais après, il faudra refaire un full de votre modèle post migration. Le full peut se passer rapidement donc tant mieux pour vous. Sinon, si ça prend beaucoup de temps, deux foions envisager pour éviter de faire un full complet. La première, c'est peut-être de faire un clean d'une partition si c'est en incrémental ou bien de quelques tables. Donc pour faire passer ce modal en dessous de 10 Go et on passe sur le cas précédent. Si vous voulez pas faire un clean complet et refaire un full complet, ça dépend de la taille de votre de vos modèles. Et la deuxième chose, c'est un peu de faire un double run. un double run, c'est-à-dire à partir de votre de votre PowerBI desktop, vous avez votre projet, vous allez le déployer directement dans un un nouveau workspace dans la capacité cible. Vous vous assurez que toutes les données sont prêtes et puis vous faites la bascule. Soit les anciens rapports vous les liez au niveau sémantique modè qui est sur le la capacité cible ou bien vous utilisez directement les nouveaux rapports et vous éliminez l'ancien. Cette solution c'est surtout pour éviter cette attente de euh d'un full refresh qui peut prendre des heures voire plus pour quelques sémantiques modèles et coûter cher en CU aussi. Exactement. Maintenant, on va s'intéresser à au cas où si on avait un espace de travail qui contient des fabriques items ou des éléments fabrique. Je tiens juste à préciser que les datafow gè 1 n'en font ne font pas partie des fabriques item. Donc ça c'est un scénario que Akram va prendre en charge tout à l'heure. Donc là j'ai un exemple d'un espace de travail qui est dans la région North Europe. Comme vous pouvez le voir, c'est un espace de travail qui contient énormément d'éléments fabriques comme par exemple ici un notebook qui est rattaché à un lake house. On va aussi avoir des data agents. On va aussi avoir des data flow, des modèles sémantiques en direct lake vers un lake house. On va avoir aussi des pipelines qui font référence à d'autres pipelines. Donc comme vous pouvez le voir, c'est un espace de travail où on a plusieurs éléments fabriques. Et là, en fait, le processus de migration de cet espace de travail vers un autre espace de travail d'une autre région n'est pas aussi simple. En fait, il n'y a pas aujourd'hui la possibilité de changer de région d'un espace de travail qui contient des fabriquem. Par contre, ce qu'on va vous proposer ici, c'est une alternative à comment vous pouvez recopier la structure euh de tous ces éléments vers un autre espace de travail. Mais je tiens tout à préciser qu'il va y avoir pas mal de d'étapes très manuelles. Donc ici, je vais créer un nouvel espace de travail qui sera cette fois-ci dans la région Ouest Europe, US pardon. Donc c'est un espace de travail complètement vide et mon but c'est de migrer les différents éléments qu'on a vu tout à l'heure directement ici. Pour ce faire, je vais créer un deployment pipeline. Donc ici je vais juste renommer les stage de mon deployment pipeline. Je commence d'un déploiement de North Europe et je veux déplacer ça vers un autre espace de travail qui est en West US. Donc rattaché à ma capacité West US. Jusqu'ici, tout va bien. Par la suite, bien évidemment, il faudrait que je déploie les éléments de mon espace de travail North Europe vers mon espace de travail West Europe. Donc ici, j'ai 25 éléments en tout. Donc je sélectionne tous ces éléments et je clique sur deploy. Ça va vous prendre un certain nombre de temps, donc un certain une certaine période, mais infini, je vais avoir la structure, donc le schéma, la définition de tous mes items fabriques dans le nouvel espace de travail West West. Donc on peut constater que les fich dossiers ont été recréés, les éléments ont été recréés. Mais mais si on regarde un peu plus dans le détail, ce n'est pas aussi simple. Donc déjà là, on va prendre un petit moment et on va essayer de prendre quelques exemples. Je vais essayer de m'intéresser à ce notebook. Donc ce notebook là avant de le migrer, il était rattaché à un lake house qui est résidé dans mon espace de travail nord-ope. Donc on peut voir qu'après migration vers c ce nouveau nouvel espace de travail on voit sur Europe mon ce nouveau notebook il est aujourd'hui rattaché au lake house qui est dans le nouveau espace de travail c'est parce que en fait il y a certains items fabriques qui permettent l'autobinding avec guit donc quand on parle de guit c'est soit quand on veut déployer et de faire du cidd avec des branches soit via le déployement pipeline. Donc chaque élément, on va avoir au niveau de cette documentation s'il adhère à l'autobiding ou pas. Donc s'il ad l'autobinding, très bien, ça se passe si on a rien à reconfigurer. Par contre si l'item avec certaines options ne fait pas de l'autobiting, il faudrait qu'on fasse des étapes manuelles obligatoires pour être sûr que tout fonctionne. Donc ici, si je reviens à mon espace de travail North Europe, je peux voir queau niveau du setting de mon notebook, j'avais bien précisé que je veux l'autobinding. Je veux que une fois que je migre ça avec mon guide, le nouvel notebook est rattaché au LCR qui est dans le nouvel espace de travail. Donc ici, il y a pas de problème. Par contre, dans certains éléments, on peut voir que ça peut être un peu plus préquy. Si je prends le cas d'un datafow jeune 2, donc au niveau de la source, ça change pas. Donc euh ma source euh elle est auto bindée donc on a rien à configurer. Par contre au niveau de la destination si on regarde la documentation écrit noir sur blanc que quand on utilise un datafow gun 2 et si au niveau des destinations on a un layout, il n'y a pas d'autre binding. Donc on peut voir d'ailleurs que ici je suis en train de référencer le Lake House qui existe dans mon espace de travail North Europe. Donc c'est important d'aller faire le rebind soit manuellement comme je le fais ici, soit via les API. Mais ça c'est une action obligatoire à mettre en place dans le cadre où vous dans le cas où vous utilisez un datafogion 2 avec une destination un Lake House ou un data warehouse. Donc il y a tout est décrit au niveau de la documentation. Donc ça c'est un cas qu'on vient de prendre en compte. On va voir d'autres cas au niveau des items fabrique. Prenons cette fois-ci. Là, on voit bien que notre datafow se rafraîchit et se processe avec succès. Et maintenant, on va prendre un deuxième cas. Donc ici, on va s'intéresser à des pipelines. Comme vous pouvez constater ici, mon pipeline, il va faire appel à un ordonnancement de notebook et d'autres pipeline. Le pipeline ici, donc le l' réservation, il est dans le même espace de travail. Donc et on peut voir au niveau de la documentation que si je fais référence à un pipeline notebook data flow 2 SQL database, c'est autobind. Par contre, si je veux rafraîchir mon modèle sémantique ou si je veux faire référence à un data warehouse, ce n'est pas autobindé. Donc si j'avais ce type d'élément dans mon pipeline, il aurait fallu que je gère ça manuellement. Maintenant, prenons aussi le le scénario d'un like. Ici au niveau de mon like house, si je l'ouvre au niveau de mon nouveau nouvel espace de travail, au niveau des table, je retrouve ma table ma table fabrique émission que mon datafow a a créé et a alimenté. Mais je vois ici au niveau des files mes shirt cut. Donc ici, je peux déduire que dans le cadre d'un lake house avec des shortcut, il y a l'autobind. Donc ça déjà, c'est une excellente nouvelle. Ça veut dire que si au niveau de mon Lake House euh au niveau de Northy avait un shortcut, j'arrive à les reproduire assez facilement. Ici, bien évidemment euh j'ai toujours accès euh à la source de mon shortcut. Maintenant, essayons de d'alimenter ou de populer ou de copier en fait ou de créer les tables au niveau de mon Lhous. Pour ça, il n'y a pas 1000 solutions. On est obligé de faire la recopie de données. Donc ici, dans mon cas, je suis obligée d'aller relancer mon pipeline avec l'ensemble d'historique de données que je veux. Donc en l'occurrence ici, je veux récupérer les 20 derniers mois de de mes données de Phinops. Donc ça c'est obligatoire. C'est quelque chose qu'on est obligé de faire pour réalimenter ou pour reprocesser les données au niveau de du nouvel du nouvel espace de travail. Une fois qu'on a fait ça, vous pouvez me dire "Ah tiens très bien, j'ai copié les éléments, j'ai mis à jour mon datafogion 2, j'ai mis à jour mon lake house avec les tables et les fichiers. Donc a priori mon sémantique modèle qui est en direct lake versus Lake House est censé fonctionner sans problème. Et ben ce n'est pas tout à fait le cas parce que vous allez voir qu'au niveau d'un modèle sémantique qui est en direct lake et qui utilise comme source de données un un SQL end point lié au Lake House au niveau de la documentation de l'autobinding, ce n'est pas pris en charge. Et d'ailleurs là, on peut le constater au niveau du lineage, on peut voir que notre rapport qui est rattaché à notre modèle sémantique ici, il fait référence à un SQL point qui réside. dans mon espace de travail de Nord Europe. Donc dans ce genre de situation, il faudrait qu'on fasse le rebind de ce nouvel modèle modè modèle sémantique dans ce nouvel espace de travail vers le endp qui qui est rattaché au lake house euh du workspace West West West US. Et ça en fait il y a plusieurs façons de le faire. Soit on le fait en skiptant avec des API, soit dans mon cas ici, je vais utiliser le Team d'alview viiew et d'ailleurs c'est une fonctionnalité euh euh nouvelle qui est en preview actuellement sur l'édition euh des modèles sémantiques. Donc on va le voir. Excusez-moi, je n'ai pas mis ici. Donc j'accède donc j'essaie d'éditer mon modèle sémantique directement en ligne. Je n'ai pas besoin de mon descope comme vous pouvez le voir ici, ce n'est pas pris en en compte. Donc l'autobinding n'est pas pris en compte. Je dois gérer ça manuellement ou en skiptant. Ce que je vais faire, je vais ouvrir mon timnaldal view et ici je vais mettre la définition de tout mon modèle sémantique. Donc c'est la définition teamal de mon modèle sémantique. Et ça c'est documenté. Je vais chercher la partie expression qui permet de référencer la database du SQLP de mon Laps. Donc on va la retrouver un peu plus bas et vous allez voir ça fait référence à l'SQL point avec l'objet ID de mon Lake House. Et ça en fait il va falloir le modifier. Pour le modifier, je vais aller vers le Lake House de mon espace de travail de West US. Je vais aller récupérer le SQL Point. au niveau du des settings de mon layhouse. Donc ici, je copie le SQL point que je vais aller modifier au niveau de mon team et je vais aussi aller récupérer la la l'object de mon SQL endp aussi. Donc pareil, je vais accéder à mon end point de mon house. Donc ici, j'accède directement à mon à mon end point. SQL point et je vais aller récupérer l'ID au niveau de l'URL. Là c'est un sémantique modèle en direct le on SQL. D'où le fait que tu as récupéré le SQL on point, ce serait un on direct le lake on one le que faudrait juste changer le end point du Lou l'occurrence. Exactement. Exactement. Et donc selon les différents items fabriqu euh à chaque fois on doit confirmer s'il y a de l'autobinding ou pas. C'est du cas par cas. Exactement. cas par cas effectivement. Exactement. Donc il y a pas mal d'objets qui supportent l'autobinding, mais il y a plusieurs autres scénarios qui ne supportent pas et dans ce genre de situation il faut l'inclure dans votre dans votre planning de migration. Donc ici j'ai mis à jour des différents ID, j'ai appliqué et je peux vérifier au niveau de ma vue lineage si cette fois-ci mon modèle sémantique il est bien bindé au nouveau L. Donc en l'occurrence ici, on le voit bien, si je remonte plus haut, j'ai mon rapport vers le modèle sémantique et vers le SQL Point euh qui réside au niveau de mon espace de travail. Et du coup, à partir de ce moment-là, je peux venir rafraîchir mon modèle sémantique. Bien évidemment, euh j'ai toujours accès aux différentes connexions, donc j'ai toujours accès au Lust et j'ai la possibilité d'aller visualiser directement mes données au niveau de de mon rapport. Le résumé ici, c'est que à partir du moment où vous avez un espace de travail avec des items fabriques, il faudrait faire attention à remettre les connexions et à remettre le binding si vous êtes dans l'un des scénarios qui est très bien documenté au niveau au niveau de l'article qu'on vous partage qu'on vous partagera aussi au niveau des commentaires de cette vidéo. Super, merci beaucoup Manel. Super démo, on voit que c'est pas forcément simple suivant les types d'items. Ce qu'on peut rajouter, c'est que si vous utilisez Azure DevOps ou Azure Gitup, vous pouvez aussi synchroniser dans un guit tripo vos développements pour après les déployer dans une autre région. C'est aussi possible. Mais Akram, à ton tour de nous présenter certaines complexité quant à la migration d'une capacité vers une autre région. Merci [grognement] Romain et merci Manel encore pour cette démo. Alors concernant les datafow, c'est votre préparation de données mutualisé dans le service du power query hébergé dans le cloud que tous vos rapports viennent consommés. Et là, vous voyez sur la slide qu'il y a trois générations. Donc le datafow Jan 1, l'historique, il fonctionne mais euh il est en état legacy, ça veut dire qu'il ne va plus évoluer. Il n'a ni intégration avec fabrique complète ni CICD natif. C'est bien mentionné dans la doc. Je vous ai mis le lien ici le gen 2 et ça par contre c'est la version native de fabrique. Donc même power query qu'est-ce qu'il y avait avant mais vous choisissez votre destination. On a vu Manel comment elle était en train de choisir la destination Lakeout en sur en destin euh sur le sur la capacité cible donc one lake Lake House Warehouse et cetera. Et aussi nous avons après le gen 2 CICD. En fait, il ajoute juste la partie guit, les pipelines de déploiement, la promotion entre def, test et prod. Donc si vous avez des datafow Gen 2 ou Gen 2 CD, il faut faire ce que l'avait montré. Donc le passage d'item fabrique euh en cross region. Par contre concernant le data flowjan 1, ça va dépendre de quelques paramètres. Et donc pour comprendre ces spécificités spécificités pardon sur les datafow euh petit rappel sur le multio dont on a parler au départ. Ce qu'on a évoqué tout à l'heure c'est que le principe en fait votre tenant il a une région ici dans cet exemple on va dire c'est Europe mais vos capacités peuvent vivre dans d'autres régions France centrale South Asia dans les deux ici. Et donc chaque workspace il stock ses données dans la région de sa capacité. Donc le message clé tient en deux phrases, une capacité hors home region, elle garde le compute et le stockage dans la dans la région. Généralement, c'est la raison principale pour laquelle les clients ils changent de région. Donc vos données au repos sont bien là où vous les vouliez mais les métadonnées, permission, métadonné de rapport, créential, elles sont tenant du home region. Et donc là par rapport au datafow, si on regarde notre cas euh suivant du datafow pendant oui, vous voyez ici qu'il a trois capacités donc Europe, France centrale et South Asia. Et ici typiquement dans mes trois capacités, j'ai la même chaîne. Donc source, dat flow, modèle sémantique et rapport. Mais regardez les flèches, elles convergent toutes au même endroit. Donc par défaut, le stockage du data flow reste dans le home region, quelle que soit la région de la capacité. Donc c'est un peu un échec silencieux parce que vous allez le voir, tout fonctionne quand vous allez faire la migration. Aucune erreur mais la donnée n'est pas où vous la croyez. En fait, il va stocker euh au format CDM c'est datafow. Il va stocker les données au format CDM. C'est un fichier JSON qui décrit le schéma, les données à côté. C'est un format ouvert, lisible. Et donc là, la parade c'est le bring your own storage. Ça veut dire vous mettez votre propre compte de stockage là où vous le voulez pour que vos données soient conformes à ce que vous voulez et que vous pouvez aussi en crypter avec vos propres clés. C'est aussi un avantage effectivement. Et donc ce que je dis, ce n'est pas vraiment une interprétation. C'est écrit clair dans la documentation officielle. Vous voyez ici dans les considérations et limitations, ça dit que pour utiliser les datafowjan 1 en multigéo, ça veut dire flow dans une capacité cible et le homogen elle est dans une autre région, il faut you must, c'est ce qu'ils ont dit configurer le stockage vers un ADLS gen 2. Donc par défaut votre stockage reste dans la home region quelle que soit la capacité sauf si vous activez votre propre stockage qui se configure workspace par workspace. Et donc ce qu'il faut garder en tête, c'est que quand vous allez migrer un datafow, ça marche fonctionnellement mais ça ne place pas la donnée au repos dans la région multigéo. Et c'est c'est exactement là que le sujet en fait, il cesse d'être technique pour pour être vraiment un sujet de résidence de données ou souveraineté de données. Parce que là, on parle de résidence la votre donnée où est-ce qu'elle est stockée et aussi en rajoutant toute la gouvernance, les contrôles pour ne pas exfiltrer les données ou pour protéger les données, vous allez rajouter les paramètres pour avoir une souveraineté de données. On est maintenant dans le euh use case numéro 5. Donc là où on va configurer le stockage de notre datafow. Sur ce workspace, nous avons les trois items data flow, sémantique model et rapport. Nous avons dans le workspace aucune connexion. On n pas configuré d'ADLS Gen 2. On voit qu'il est dans le home region et on va essayer de le migrer tout simplement. On va juste lui changer de euh capacité euh ici et on voit que ça a marché sans problème. Donc là quand on va rafraîchir, on ouvre le rapport, tout fonctionne très bien. Le datafow, il a changé de région mais les données sont toujours stockées dans la home region. Sur cette deuxième démo, on voit notre workspace. Là, on va essayer de configurer un ADLS gen 2. Donc on vient ici, on va mettre la DLS Gen 2 pour sauvegarder et stocker nos données de datafow. Et vous allez voir qu'on a une erreur. On peut pas rajouter un stockage ADLS sur un workspace qui contient des datafow. Donc la solution c'est quoi ? On exporte la définition export Jon. Donc c'est un fichier qui qui a toute la définition de ce datafow. On est obligé de le supprimer pour qu'on fasse une migration de ce workspace sans datafow et rajouter ensuite le stockage. Donc là après migration, on peut voir qu'on peut rajouter la DLS sans problème parce qu'il n'y a pas de datafow et par conséquent on peut vraiment stocker les données dans le la DLS, dans le mode de stockage là où on veut. Si on veut passer en France centrale et ben on met la DLS en France centrale, on réimporte le Jason du Datafow et nos données se retrouve en France centrale. Dernier point sur euh les datafow, on parle du enhanced compute engine. C'est quoi en fait ? C'est juste le moteur de calcul amélioré de vos datafow. Il réduit fortement les temps de refraîches sur les entités calculées, jointure, filtres, les groupes bail et permet même le direct query sur les entités. C'est le mode un peu turbo du datafow d'où euh la moto supersonique qui est là. Ouais, mais il est utilisé uniquement si tu as un autre datafow qui réutilise le précédent sans quoi il est pas utilisé ton C'est effectivement et c'est le cas et c'est le cas justement qui pose un peu problème sur les migration cross region. Et donc il se règle dans les paramètres defow comme vous pouvez le voir ici à droite. Euh par défaut il est déjà à optimized. Donc optimized, c'est comme si il est activé, il est pas des donc problème il se situe où c'est que comme tu viens de le dire Romain, quand il y a deux datafow John 1 qui se chevauchent, si il y a ce paramètre de announced compute engine qui est on sur le parent datafow et ben post migration le refresh il va tomber en erreur. Et on va voir ça sur la démo juste ensuite. On peut voir ici sur le workspace, nous avons deux datafow. Donc on peut voir ici que nous avons une capacité qui est dans une fron centrale région F64. Et là nous avons nos deux datafow. Donc my DF Gen One c'est le datafow par an et l'autre c'est le data parent child datafow child. Et on peut voir bien sûr sur le lineage donc notre source les deux datafow qui se chauffent. Donc c'est vraiment le cas qui nous importe. C'est là où ça pose problème quand vous faites une migration cross region. Donc ce qu'on fait ici, c'est que euh on va voir le setting pour confirmer justement si euh si il est activé. On voit effectivement il est à on, il est activé. Faut savoir que même sur optimized s'il y a un enfant, il sera aussi à on soit-disant. Exactement. C'est ça. Même s'il est optimiz, donc ça soit on ou optimized, c'est pareil, il est activé. La seule fois où c'est pas activé, c'est quand il est vraiment euh désactivé. Donc là, ce qu'on fait, on change de région. Donc on est en train de faire la migration cross region et ça passe. Il y a pas de problème. Pour l'instant, tout fonctionne. Donc ce que je vais faire, c'est que je vais rafraîchir la page et je vais essayer de rafraîchir mes data flow. Donc là, je rafraîchis la page. La migration, elle est passée, mes item ils sont sur une autre région. Et là, je fais essayer de rafraîchir le datafow. Quand je rafraîchis le data flow euh contrairement à ce qui s'est passé avant, on va voir qu'on va avoir une erreur euh et on peut on peut l'avir ici. Donc quand on clique sur l'erreur, il va clairement nous dire que il y a eu l'erreur parce que il y a du datafow et on compute engine et c'est ce qui a bloqué. Donc là l'erreur, elle est sur ce fichier Excel. Je la télécharge pour vous la montrer encore une fois. euh ils doivent vraiment être chevauchés. Donc un datafow qui consomme un datafow. Et là vous voyez due across region migration, on peut pas faire le refresh des datafow. Comment les identifier ? Heureusement, nous avons encore notre fameuse bibliothèque euh euh linkab. Donc là, ce qu'on fait, c'est que euh on pourra pas vous passer aussi euh c'estes ce ce report, c'est que il va aller sur tous les workspace, euh il va avoir tous les datafow et donc il va détecter les datafow qui se chevachent, donc un datafow qui consomme d'un autre datafow qui est notre cas et il va aussi détecter euh les datafow qui ont un compute engine activé. Et donc là toujours on utilise le sémantique link laabs. Je vous ai dit que c'est un peu magique. Il y a toutes les fonctions que nous dont nous avons besoin pour manager et fabrique. Et là vous voyez que il m'a identifié mes deux mes deux mes deux datafow dans le workspace avec les items. Et donc là l'idée derrière c'est quoi ? C'est que après les avoir identifiés nous avons deux choses à faire. Et et c'est ce qui et c'est ce que je présente sur la slide suivante. Ce qu'on peut faire c'est que la la recommandation concrète c'est d'abord l'échelle du problème en cross region. Ça ne touche que les datafow avec Ece Computé et leur datafow en fond donc pas tout votre patrimoine. Donc les deux options c'est soit vous appliquez le contournement en préventif partout. Le contournement c'est quoi ? Vous les pas fait, vous les passez en disabled, vous faites la migration et vous les repassez en enled. Vous devez les faire partout. Possible d'automatiser ça, mais il y aura un certain risque. Il y a un effort considérable et surtout ce n'est pas obligatoire. Ce qu'il faut dire c'est que pour changer le ESE sur un data flow, c'est qu'il faut avoir des droits sur le workspace. Donc ça veut dire aussi donner euh à l'adminpaces dans lequels j'ai trouvé euh ces fameux datafow. Exactement. Et donc d'où il y a un certain effort à faire au niveau de euh du projet. Deuxème cas et là vous ne touchez rien. Euh et donc ce qu'il faut faire, c'est surtout prévenir les clients du risque et du plan de mitigation et surtout surveiller les refresh parce que sur les tests que nous avons fait, nous avons remarqué qu'il y a que le premier refresh qui tombe en erreur. L'erreur que je vous ai montré. Si je refais la même chose euh je lance le refresh de datafow une deuxième fois, ça va passer. Donc effectivement, peut-être vous allez faire cette migration, première journée, il y aura une erreur, le schedule du lendemain, il va passer. Donc, il y aura peut-être une latence sur le rafraîchissement de la donnée, d'où l'importance de prévenir le client, lui demander peut-être la première fois, il peut le passer manuellement ou attendre le deuxième refresh et donc le l'impact, il va être un peu minimisé grâce à ça. Donc deux approches, soit vous disable enable, soit vous faites la communication client. Mais vraiment, c'est les deux points que je voulais euh partager avec vous concernant la migration de ces datafow cross region. Super démo, merci Akram. On voit que la migration c'est vraiment un projet hein. Donc on vous a partagé ici quelques Rexes, quelques retours d'expérience parce que on l'a vécu chez beaucoup de nos clients, c'est c'est migration cross région. Petite information he vous voyez ici des print screen de euh capacités qui ont migré. Ici, on migre toute la capacité, non pas seulement quelques workspace. Vous voyez l'ordre d'idée, hein, 9 secondes pour 70 workspace avec des vrais items dessus en production ou 3 minutes pour plus de 21000 workspace. Donc c'est plutôt rapide. Ça va dépendre de la complexité que vous avez, des différents items que vous avez. Il y en a d'autres où ça prendra un peu plus de temps parce qu'il y a des étapes en plus type backup, type configuration de certains items. Ce que je peux rajouter, c'est que dans le terrain, la majorité des migrations sont dans la même région. Donc il y a vraiment peu de cas qui font des cross region. Et sur les cross region, avec ce que nous avons présenté aujourd'hui, je pense on a fait le tour de tous les différents use case. Euh donc je pense si vous voulez attaquer une cross region très faible pourcentage de risque que vous avez de tomber sur une erreur qui est inconnue vu que nous avons fait beaucoup de tests avec beaucoup de clients, c'est ce qu'on a vu dans le terrain sur le terrain. Et aussi le maître mot, c'est vraiment de commencer et de planifier votre migration par VAC. Comme ça, vous pouvez catégoriser les espaces de travail qui rentrent dans le scénario 1 2 3 et vous dégrossissez petit à petit euh euh l'ensemble des éléments que vous devez migrer d'une région à une autre. Et et pardon et dans le pire des cas, même les datafow comme je vous l'ai dit avant, vous pouvez toujours faire le double run dans le sens où vous voulez pas faire la migration, vous redéployez directement dans un workspace cible capacité, vous confirmez, vous faites vos test, tout fonctionne bien et là vous allez enlever ce qu'il y avait déjà dans la partie source. C'est il y a plus de travail mais vous êtes plus sûr de le faire. Donc euh nous l'objectif c'est de vous présenter les différentes solutions qu'il y a et à vous de trancher selon votre contexte. Oui. Et pensez à l'observabilité. Euh c'est toujours bien d'avoir un monitoring déjà en place comme ça vous pouvez voir aussi l'impact euh qu'à cette migration. Vous avez maintenant une vision plus concrète de la migration cross région pour les capacités premium aux fabriques, hein. C'est les deux c'est pareil de ces enjeux et des principales étapes à anticiper. Une migration, on l'a vu, cross région ou cross tenant n'est pas un projet technique, c'est avant tout un projet de transformation. Il faut inventorer les dépendances, comprendre les besoins réglementaires, reconstruire certains éléments, réalimenter les données et accompagner les utilisateurs. Avant de migrer, posez-vous toujours cette question. Cherchons-nous réellement à déplacer le tenun tout simplement à résoudre un problème de résidence des données, de performance ou d'organisation. Dans tous les cas, la meilleure migration est celle qu'on a finalement pas besoin de faire, hein. Donc rappelez-vous aussi ça. Merci Manel, merci Akram. Super explication et démonstration. Si vous avez des questions vous souhaitez partager votre expérience, laissez-nous des commentaires. Et si cet épisode vous a été utile, pensez à vous abonner à Fardata. On vous dit à très bientôt. Ciao. Ciao. [musique] [musique] --- ## Un Agent IA qui interroge Snowflake & Fabric URL: https://www.pharedata.fr/videos/un-agent-ia-qui-interroge-snowflake-et-fabric Publié: 2026-07-10 Durée: 28:38 Sujet: architecture-data Mots-clés: agent-ia, microsoft-fabric, snowflake, microsoft-foundry, self-bi, data-platform, langage-naturel, gouvernance-ia ### Résumé La vidéo présente un agent IA capable d'interroger des données sur Snowflake et Microsoft Fabric en langage naturel, grâce à Microsoft Foundry. Elle détaille l'orchestration multi-agents, la gouvernance, l'observabilité, et la gestion des modèles. Une démonstration illustre le routage intelligent des questions métiers vers la bonne source, l'intégration dans Teams et Copilot, et la mesure de la consommation de tokens. ### Points clés - Les agents IA permettent d'interroger Snowflake et Fabric en langage naturel sans exposer la complexité technique. (1:04) - Microsoft Foundry orchestre le routage des questions vers l'agent approprié selon la source et le type de données. (5:35) - Plus de 12 000 modèles sont disponibles sur Foundry, avec évaluation, fine-tuning et gouvernance du cycle de vie. (10:04) - L'intégration repose sur des protocoles standardisés (MCP, HTTP, API), facilitant la connexion aux différentes plateformes. (12:16) - La gouvernance et l'observabilité sont assurées via le contrôle plane, avec suivi de la consommation de tokens et qualité des réponses. (16:02) - L'agent IA peut être publié dans Teams et Copilot, rendant l'accès transparent pour les utilisateurs métier. (26:28) - L'approche multi-agents évite la double maintenance et capitalise sur les agents existants dans chaque plateforme. (7:39) ### Questions fréquentes **Comment un agent IA interroge-t-il à la fois Snowflake et Fabric ?** L'agent IA orchestré par Microsoft Foundry utilise des protocoles standardisés pour interroger les agents spécialisés sur Snowflake et Fabric. Il route la question métier vers la bonne source selon le contexte et combine les réponses si besoin. **Quels sont les avantages du partenariat entre Snowflake et Microsoft ?** Le partenariat facilite l'intégration des données Snowflake dans OneLake sans duplication, permet une sécurité renforcée via Azure, et réduit les coûts réseaux en rapprochant Power BI Fabric de Snowflake dans le même environnement. **Comment la gouvernance et l'observabilité sont-elles assurées pour les agents IA ?** La gouvernance et l'observabilité passent par le contrôle plane de Foundry, qui permet de suivre la consommation de tokens, d'évaluer la qualité des réponses, de tracer les interactions et de détecter les éventuelles régressions lors des évolutions. **Peut-on publier un agent IA dans Teams ou Copilot ?** Oui, Microsoft Foundry permet de publier un agent IA dans Teams et Copilot via un bot framework, rendant l'agent accessible directement dans l'environnement Microsoft 365 des utilisateurs métier. **Quels types de modèles sont disponibles sur Microsoft Foundry ?** Microsoft Foundry propose plus de 12 000 modèles, incluant des providers comme Anthropic, Mistral et DeepSeek. Les modèles peuvent être évalués, comparés, et fine-tunés selon les besoins métier et les données disponibles. **Comment éviter la double maintenance des agents IA sur plusieurs plateformes ?** L'approche multi-agents capitalise sur les agents existants dans chaque plateforme (Snowflake, Fabric) et les orchestre via Foundry, évitant ainsi de devoir dupliquer ou maintenir les mêmes agents sur plusieurs environnements. **Comment mesurer la consommation de tokens lors des interactions avec les agents ?** Microsoft Foundry fournit des métriques opérationnelles détaillées sur la consommation de tokens à chaque étape d'une interaction, permettant d'optimiser les coûts et de contrôler l'utilisation des ressources. ### Chapitres - — Phare Data - 1:40 — Avantages du partenariat Snowflake et Microsoft - 4:08 — Agent AI ? - 5:10 — Plateforme de référence pour l'Agentic Self BI - 9:45 — Microsoft Foundry - 17:07 — Demo - 27:15 — Conclusion ### Transcript [musique] [musique] Ouais, bonjour et bienvenue sur Farata, la chaîne qui éclaire vos données. Dans l'océan des données, voir clair change tout. Sur Far Data on décrypte les services de données d'analytique et DIIA. Le tout avec un ton accessif des choix techniques assumés et une touche d'marin. Que vous soyez architecte analyste data engéur ou product honur et ou simplement curieux Fardata vous accompagne pour comprendre les enjeux réels, éclairer les compromis et prendre de meilleures décisions parfois avec le cri de mouette en bruit de fond. Si ce genre de contenu vous parle, n'hésitez pas à vous abonner. Cap sur l'épisode du jour. Aujourd'hui, nous allons parler de self service agentique ou comment permettre à des utilisateurs médiés d'interroger leurs données en langage naturel et ce grâce à les tout en s'appuyant sur une plateforme mutualisée, on va voir qu'on va pouvoir requêter des données aussi bien dans fabrique que dans Snowfleak. Peut-on vraiment cacher la complexité derrière une simple conversation ? Comment un assistant peut-il savoir où chercher l'information et interroger le bon système au bon moment ? Pour répondre à ces questions, je suis en compagnie de Lucy et Marc. Je vous laisse vous présenter. Honur aux dames. Bonjour à tous. Je suis Lucine, je suis solution engineer chez Microsoft sur tous les sujets autour du développement applicatif et de l'IA sur Azur. Et de mon côté donc Marc AD, je suis Solution comme les SIL mais sur la partie data et analytics. Aujourd'hui, beaucoup d'entreprises disposent de plusieurs plateformes de données. Certaines informations sont stockées dansflex, d'autres dans Power BI, dans Fabrique. Le problème, c'est que les utilisateurs doivent savoir où se trouve la bonne information avant de même poser de sa question. à moins de savoir ou de les avoir déjà unifiés au travers du Onelex, c'est ce qu'on prône chez Microsoft. Marc, tu peux nous en dire un mot ? Tout à fait. Euh donc Lucille et moi sommes dans des travaill pour des clients qui sont surtout sur le secteur du retail et beaucoup ont des environnements divers et variés avec notamment en tant que data plateforme, ils vont avoir un Snowflex et puis ils ont bah finalement la couche reporting et côté PowerBet. Et donc il nous sollicite en nous disant ben voilà, nous on veut créer des agents, on sait pas où les créer. On veut faire de la self service agentique, on sait pas si c'est dans fabrique, dans dans Snowflex et euh comment faire quoi finalement. Aujourd'hui, on la réponse, elle est assez simple. Pourquoi choisir ? Dans la mesure où vous avez une plateforme, vous avez une plateforme analytics d'un côté pour la partie Power BI et une plateforme de données côté Snowflex, vous allez pouvoir tirer partie des deux solutions avec des agents que vous avez certainement déjà créé. côté Snowflex puis d'autres côté Power BI pour faire de la service BI. Finalement, vous allez pouvoir croiser les deux. Donc c'est ça le le maître mot. Euh vous allez vous n'avez pas besoin de choisir, vous allez tirer partie des deux solutions. Si je reviens rapidement avant de laisser Lucil développer sur le partenariat qu'on a aujourd'hui entre Snowflake et Microsoft, c'est un partenariat qui est intéressant parce que quand on parle de Oneelake et d'intégration, l'idée c'est de pouvoir tirer partie des données de Snowflake avec ce que nous on appelle Oneelake qui est le notre stockage où on va faire bah pour le coup de la data verticalisation. L'idée c'est d'aller prendre les données de Snowflex sans pour autant les copier. et ensuite en tirer partie avec no workload côté côté Microsoft fabrique dont notamment Power BI. Donc ça vous avez cette intégration qui est facilité via le via ce partenariat. Puis euh de manière assez simple hein, si vous avez une marketplace côté Azure et que vous avez un contrat côté côté Microsoft, vous allez pouvoir rapidement provisionner votre votre compte Snowflex et puis forcément vous allez avoir aussi la sécurité puisque vous serez dans un environnement Azure et donc finalement votre Power BI fabrique se rapproche de votre Snowflex et vous n'aurez pas bah tous les coûts réseaux que ça pourrait induire et toute la sécurité sera mise en place. Et avant de commencer, Lucile, tu peux nous rappeler ce que c'est un agent ? Ouais, tout à fait. Alors, ce qu'on entend par ce mot, en fait, c'est un programme ou une application qui va être basée sur un modèle de langage, ce qui va lui permettre de comprendre quand un humain va lui parler va lui parler en langage naturel. Mais contrairement au chatbot plus classique, plus traditionnel, euh en fait l'agent IA, c'est un expert sur un domaine d'expertise. Euh et donc pour ça, on va lui passer des instructions pour qu'il comprenne euh ce qu'il doit faire et on va l'outiller. Et la grande différence, c'est qu'en fait il peut prendre des actions basées sur ces outils. Un outil peut être enrichir ses connaissances avec des méthodes de rag. Donc par exemple, aller récupérer des informations dans un datalec. Et euh si on veut lui faire faire des actions, on peut lui donner par exemple euh via des protocoles comme de la HTTP assez classique de appel d'API ou du MCP euh la possibilité de inscrire une donnée dans une base par exemple. Donc un agent ça peut à la fois raisonner mais aussi faire des actions. Et ben c'est justement ce qu'on a ce qu'on a fait avec cet agent, cet agent qu'on a développé d'enfanterie. Mais d'abord ce qui est intéressant donc comme comme l'expliquait Marc, c'est que on a un patrimoine existant avec deux sources de données qui viennent de plateformes data plateformes différentes avec des agents en fait qui existent déjà sur ces sur ces plateformes. Ce qui fait que bah ces agents ils sont spécialisés et ils ont accès à une donnée euh euh à une donnée connue qui existe sur cette plateforme. Euh sur Fenderie en fait, on a orchestré du coup différents appels euh qui passent euh enfin qui les agents vont être appelés via des protocoles. Alors ça peut être du MCP dans dans ce cas-là, ça pourrait être de l'oué. Ce qui est intéressant ici, c'est qu'en fait aussi bien sur Snowflex ou sur Fabrique, une fois que les agents ont été développés, ils sont compatibles avec ces protocoles standardisés, open source. Et donc bah en fait très rapidement d'enfanterie, on a pu configurer un agent qui était capable d'appeler l'un ou l'autre et de comprendre quand est-ce que l'un ou l'autre devait être appelé. Euh ensuite, une fois qu'on a terminé de développer notre agent, ce qui est important, bah c'est de pas donner accès à une plateforme technique à quelqu'un qui va être métier, mais c'est que l'agent, il soit disponible quel que soit l'environnement de travail de l'utilisateur final. Et donc en fait, on aime on a tendance à dire chez Microsoft que les agents doivent vous rejoindre dans votre écosystème. Et donc par exemple si votre entreprise est dans l'environnement M365 et ben votre agent il devrait être publié euh dans M365, disponible dans Teams, disponible dans Copilot ou très très simplement être embarqué dans votre portable web métier et donc disponible là où vous travaillez. En plus des éventuels avantages he qu'on connaît de Microsoft Fund mais peut-être qu'on les rappellera tout à l'heure. Quel était le bénéfice d'utiliser un agent côté Snowflake versus l'unification via la virtualisation de l'accès aux données côté fabrique à Snowflake et pour avoir finalement qu'un seul agent data agent dans fabrique et après peut-être cette couche au-dessus de dans Microsoft fonderie. C'est une très bonne question et justement il faut se mettre à la place du client. le client aujourd'hui a forcément développé déjà des agents dans Snowflake parce qu'il a testé forcément ses ses features qui sont mis en avant par Snowflex et donc ils ont déjà des agents qui sont testés, évalués et qui sont déjà, on va dire production ready. Et l'idée c'est de pas tout refaire en disant bah je vais prendre toutes les données qu'il y a déjà dans mon Snowflex, les mettre dans mon fabrique pour refaire le même type d'agent. Là, c'est vraiment tirer partie de ce qui a déjà été fait et ne pas avoir une double maintenance aussi parce que ces agents déjà qui existants dans Snowflex, peut-être que si je les reproduit dans fabrique, il va falloir que je euh remette à chaque fois à jour et cetera et cetera. De de l'autre côté, on pourrait se dire bah ce qui a été déjà fait dans dans dans Fabrique au travers les reportings et cetera, les dates à agents, je pourrais le remettre aussi dans Snowflake parce que la donnée la donnée basse, la couche basse là que vous voyez tout en bas, je l'ai déjà. Donc ce qu'il y a dans finalement dans dans Fabrique, je pourrais le recréer dans Snowflex au travers les mesures et cetera, mais j'ai justement créé des sémantique modèle dans Power BI et je vais capitaliser dessus pour ne pas recréer cette couche là dans Snowflex. Voilà. Donc en résumé si cette là synthétique montre bien quel agent est aujourd'hui dans la picture et surtout à quoi il servent. Donc on a le fabrique data agent qui est l'agent on va dire officiel des reporting de l'entreprise au travers le data agent sur Microsoft Fabrique. Il connaît donc il a le sémantique modèle qui est existant et il va pouvoir se baser dessus pour répondre aux questions. On a ensuite l'agent plus détaillé donc l'agent Snowflex qui va pouvoir faire du drill done dans les données et aller assez finement dans les transactions si je me mets dans dans un dans un dans une dans un monde retail où je peux aller par exemple jusqu'au ticket de caisse. Et puis j'ai cet agent intelligent, l'agent orchestrateur qui va faire le routage et qui va savoir en fonction de la question du client router justement sur ces agents-là. Et il peut très bien aussi combiner, ça c'est un point important, l'agréger et le détailler parce que rien neche un client de demand enfin un business user de poser une question qui mêle euh des agrégations et du détailler. Et c'est ça aussi toute l'intelligence qu'elle va avoir la l'agent fonderie, c'est de dire je vais prendre le mix des deux sources de données qui me sont données au travers les deux agents qu'on vient de décrire pour pouvoir répondre de manière complémentaire. C'est finalement la même logique quand on s'adresse à une seule personne qui va consulter après les spécialistes appropriés avant de revenir avec la réponse. Mais qu'est-ce que Fondri apporte en plus de ce simple routage intelligent ? Ouais. Alors effectivement là on a simplifié un petit peu le rôle de Fenderry comme l'agent orchestrateur mais en fait il faut comprendre que Microsoft Fund c'est une plateforme dédiée pour le développement agentique. On a expliqué il y a il y a quelques temps ce que c'était un agent. On a dit qu'on avait besoin d'une chose, bah en fait c'était un modèle. Euh sur Fenderie, tu as la possibilité de déployer des modèles dans ton environnement Azure euh grâce à un catalogue de modèles. À date, aujourd'hui, on a plus de 12000 modèles disponibles. Alors, on a des euh des modèles providers euh type enropique. On a aussi du mistral, euh du dipsic disponible sur la plateforme. En fait, l'idée c'est de permettre au client de choisir le meilleur modèle du moment par rapport à son business case, par rapport à ses données. pour choisir, bah en fait, tu as 12000 modèles, tu vas te dire comment je fais ? Bah, tu as accès à pas mal de fonctionnalités. Par exemple, tu as accès à des leaderboard pour comprendre quel est le modèle le plus efficace versus quel est le modèle le moins cher par rapport soit donc à des leaderboard, mais tu as aussi la possibilité d'évaluer, de comparer des modèles entre eux. Une fois que tu as choisi tes modèles, tu vas même pouvoir faire des opérations de fine tuning. Euh, tu vas pouvoir prendre un modèle et lui apprendre de nouvelles compétences basées sur ton jeu de données. Bref, tu as tout ce qu'il faut pour euh euh manager le life cycle d'un modèle euh parce qu'en plus, on le sait, les modèles, ils sortent très vite et donc en fait les nouvelles versions de modèles, bah elles déprécie les autres. Donc en fait bah sur la plateforme tu vas vraiment pouvoir un gouverner tes modèles. Après on a vu qu'un agent c'était pas seulement un modèle en fait c'était un modèle plus des instructions plus du tool calling. Bah en fait pour ça tu as besoin d'un framework euh et la plateforme vient avec son propre framework pour développer un agent qu'on va appeler agent services. Ce framework qui est à la fois le code parce qu' tu peux développer des agents via une interface. C'est assez simple à prendre en main via un playground mais aussi Procode parce que tout ça vient avec un SDK et en fait bah tu peux en Python, en DNET, en Java, tu vas pouvoir développer tes agents. Tu vas pouvoir développer un agent et le publier sur Fandry et le voir sur l'interface et inversement, tu vas pouvoir créer un agent sur Fundry et le récupérer dans le code et itérer dessus. Donc cet agent que tu vas développer via Agent Services, en plus on va préconfigurer pour toi en tant que développeur dans ton entreprise bah l'ensemble des outils auquels tu as le droit. d'avoir accès. Bah par exemple ici, on parle de Snowflake, de fabrique data agent, tu vois, on va potentiellement préconfigurer l'accès à ces agents pour toi. Euh typiquement pour se connecter à Snowflake, bah on avait besoin d'utiliser le MCP, on avait besoin d'avoir une API et cetera et cetera. Donc en vraiment là, tu as un environnement qui est préconfiguré pour toi, prêt à l'emploi et typiquement on veut pas non plus que tu ailles utiliser des outils qui sont non homologué dans ton entreprise. Euh donc là on a développé notre agent mais on a aussi besoin de s'assurer que notre agent il fait pas n'importe quoi parce que là derrière bah en fait tu as des cas d'usage de métier. Donc en fait si on renvoie pas la bonne donnée, si notre modèle il hallucine et cetera, bah tu as besoin de mettre en place de l'évaluation et tu as besoin de mettre en place de l'observabilité. Comment les deux choses fonctionnent ensemble ? L'observabilité, c'est ce qu'on va appeler du tracing. C'est à chaque fois que mon utilisateur va poser une question, donc un input, et ben je contrôle ce qui est envoyé en output par mon agent. Et à chacune des étapes, je peux mettre de l'évaluation pour automatiser en fait cette observation. Par exemple, si mon agent commence à répondre euh à côté de la plaque quand on va lui poser une question sur nos données retail, par exemple, il me répond une recette de cuisine, j'en sais rien, bah en fait, je veux pouvoir me créer des alertes et ça c'est parce que j'ai mis en place des évaluateurs qui vont vérifier la fluency, la cohérence dans la réponse de mon agent. Euh voilà, donc ça c'est, tu vois, c'est c'est l'ensemble des outils qui sont là pour gouverner euh ton agent une fois qu'il est parti en production. Mais aussi à chaque fois qu'on va itérer sur notre agent, bah finalement, on va créer des nouvelles versions. Comment on s'assure qu'on n pas en rajoutant une source de données, en rajoutant une action créer une régression en fait euh dans notre use case agentique ? Bah encore une fois, on a besoin de mettre en place une stack d'évaluation, une stack d'observabilité. Donc en fait, tu vois, on retrouve un peu toutes ces tous ces principes du développement d'une application non générative. euh bah on on retrouve toutes ces bonnes pratiques en fait quand on va développer un agence sur la plateforme Fendré. Euh donc je vais parler euh justement d'outiller en fait ces agents. Donc c'est préconfiguré. Donc c'est ce qu'on voit dans la partie tool. En fait tu as accès à des connecteurs euh préconfigurés typiquement les fabriques data agents, appeler des agents via du MCP ou même faire de l'way. Et tu as plein de tools qui sont qui sont voilà qui sont prêts à l'emploi disponible. euh facilement récupérable et et facilement découvrable aussi pour un développeur. Donc ça peut être tes tools, ça peut être tes modèle disponibles au sein de ton entreprise, ça peut être l'ensemble tes MCP, ça peut être aussi des des API plus classiques, ça peut être aussi des agents via et Fundry IQ. Fundry IQ, ça te permet de te faire du rag multisource. Donc en fait, ça va pouvoir te permettre d'indexer plein de sources de données différentes. Typiquement des données non structurées qui viennent de base de données vectorielles, euh mais aussi euh des données qui peuvent venir euh par exemple bah une donnée que je vais récupérer via du MCP et c'est ce qu'on a fait euh via le Snowflake Data Agents et par exemple une donnée métier qui va aller se trouver dans un SharePoint. En fait, avec Fundry IQ, je vais pouvoir définir plein de sources de données différentes et c'est pas mon agent qui va faire du retrieval, c'est Fundry IQ qui va le faire. Ça veut dire ici par exemple, je pourrais avoir un modèle qui est enfin je peux setup fundri IQ avec un modèle euh spécialisé euh plus compétent pour aller faire du retrieval et avoir un modèle beaucoup plus léger dans mon orchestrateur euh dans mon orchestrateur. Donc là aussi, on a des pratiques de Finups. Comment je vais optimiser le temps de réponse, comment je vais optimiser ma gestion de coût des tokens parce qu'on sait que c'est aussi une grosse grosse problématique et d'ailleurs comment je m'assure que mon agent déjà il déraille pas dans la qualité de ses réponses mais en plus il me coûte pas trop cher. Comment je m'assure qu'il est pas en rein de consommer mon ensemble de de quota que j'ai pour pour un modèle donné et cetera. Bah pareil, en fait, j'ai euh toute une partie qu'on appelle le contrôle plane euh qui va me permettre de gouverner tous mes agents au sein d'une d'une souscription Azure et de voir bah combien euh de tokens il consomment, quel modèle ils consomment, euh combien de fois ils ont combien de fois ils ont été appelés, est-ce que j'ai eu des fail request et cetera et cetera. Et enfin, dernière chose, tu as aussi l'ensemble des outils DI qui sont pas des outils type LLM ou ou SLM, mais ça va être des outils di plus classiques, par exemple, des outils d'ossérisation, donc document intelligent conn que vous avez peut-être précédemment utilisé sur d'autres portails. Aujourd'hui, tout est unifié dans Microsoft Fundering qui vient vraiment la plateforme ou le portail Azure pour LIA euh disponible donc sur Azure, disponible via SDK. Donc vous êtes pas obligé de prendre toutes les fonctionnalités, mais vous allez pouvoir par exemple utiliser une fonctionnalité en particulier via le SBK et euh disponible aussi à edge avec ce qu'on appelle fonderie locale donc qui va donner euh possibilité d'utiliser euh d'utiliser l'ensemble de ces fonctionnalités mais at Edge. Voilà. Super, très clair. Merci. Alors vous nous montrez ça en début. Tout à fait Romain. Alors là, on va parler un petit peu du jeu de données he qui est un sample que généré avec sans données de pubit copilot qui est un un jeu de données plutôt retail. Donc puisque on s'adresse là sur un use case retail, on a plus c'est pas c'est pas la volumétrie qui compte mais vraiment le le principe. On est sur sur une petite volumétrie mais qui est qui est vraiment représentatif de de jeux de données retail qui qui existe sur le marché. euh des clients, des produits, des catégories, des magasins, des commandes et des lignes de vente. Voilà, aussi simple que ça. Donc dans le runbook de notre démo, euh la première chose qu'on va faire, c'est de finalement d'interroger les agents unitairement. Donc si je prends l'agent Snowflex, on va poser des questions du style euh bah donne-moi la leaffiche du client le plus dépensié. Et donc on est vraiment sur de la donnée détaillée. Si tu avances sur la slide d'après, on fera la même chose sur l'agent finalement le data agent côté fabrique où là on va lui demander bah une logique plus capille et ensemble sur bah donne-moi le chiffre d'acur par région et par et par saisonalité et cetera. Donc là on montrera de manière comment on va interroger ces agents-là dans les environnements respectifs puis on le fera de manière globale avec l'agent fondré. Donc voici un exemple de de questions qu'on pourrait poser et comme vous le voyez à chaque fois on va appeler tel ou tel agent en passant par l'IM de l'agent Fondré et lui seul va savoir reuter la bonne question et là où je voulais en venir tout à l'heure c'est que vous voyez on va pouvoir mixer des questions agréger et détaillé dans le même dans la même question de l'utilisateur qui est notre meilleur client à Grenoble et comment le compare et comment se compartil au niveau CA bah là finalement il va aller prendre les données de chaque agent donc tirer partie des données agrégées et déta détailler pour ensuite faire un mixte dans la réponse. Donc là, on passe tout de suite à un environnement pour ceux qui connaissent bien Snowflex. Donc toutes mes données je le rappelle sont dans Snowflex he il y a pas de débat, c'est la data plateforme. Donc là, on voit les données clients, un modèle décisionnel, donc là c'est en étoile avec des catégories, des customers et cetera. Et on passe tout de suite à l'interface de l'agent Snowfleck. Euh donc dans l'agenceflec on va avoir bah un peu on va un peu comme dans tous les outils, on va mettre des instructions, des descriptions et on va aller bah détailler comment il doit répondre, comment euh comment les connecteurs pour lui donner en endpoint MCP. Et une fois qu'on a fait ça, on est parti, on va l'interroger. La première question, c'est assez simple, c'est à quoi il sert finalement cet agent ? Alors, la chose que je trouve intéressante dans Snowflex, c'est qu'il y a un reutage automatique de du LLM en fonction de la la complexité de de la question. Donc ça peut être du Jupt4 pour des questions plus simples et puis plus complexes avec de l'entropique. Donc ça c'est une chose intéressante. Donc voilà dans la complexité des questions que je vais poser. Donc là je lui demande quelle est la fiche client le client le plus dépensé. Là il va aller donc me retrouver la question. Donc c'est une question assez simple. Et là, il il saura lui reuter euh ses ses cré sauce Snowflake, hein, de de deutiliser le LM qui va bien pour être pour euh vraiment travailler sur le les l'aspect Phinops. Donc voilà, on voit ça euh on voit ça de manière assez simple. Donc c'est plutôt pas mal et ça répond assez vite. Euh et puis justement, j'ai voulu poser une question beaucoup plus complexe sur le chin de de nos clients où là il va falloir avoir du reasoning et bah de de manière assez assez bluffante, il a réussi il va réussir à me répondre en me faisant des graphiques, en me faisant des choses très intéressantes sur le CHN. Euh donc voilà, on voit la la puissance de de l'agent qui a été créé côté Snowflex et qui permet de faire du détaillé et surtout d'avoir de la valeur ajoutée dans les dans dans dans la question et dans les réponses qui que qu'on va les poser. Donc vous voyez, c'est il va me faire une élaboration assez complexe et euh et et avec des graphiques. Donc c'est c'est plutôt plutôt cohérent et plutôt intéressant. Euh maintenant, je vais passer euh dans un produit qu'on connaît bien sur sur F data, c'est euh l'interface fabrique. Donc là euh j'ai mon sémantique model et je vais aller créer mon data agent un top. Euh donc ça c'est voilà le rapport hein assez simple avec des capill euh sur le chiffre d'affaires. Donc on voit bien que c'est de l'agrégé, des commandes, la saisonnalité et euh les produits. Donc un rapport assez classique hein mais mais qui euh qui est utilisé toute le bah pour le par les business euh pour faire de l'analytics aujourd'hui. [grognement] Euh donc j'ai mis on top de ça mon data agent où je vais pluguer une seule source de données, c'est mon sémantic model. Là, de la même façon de qu'on l'a fait avec Snowflex, je vais lui donner des instructions pour lui dire "Bah, tu es un analyste euh tu vas me répondre sur des données agrégé et cetera et cetera." Euh et donc quand il va me répondre, on connaît le principe du data agent, il va faire de la translation entre le langage naturel et le code d'axe euh qui est le la le langage euh technique pour interpréter un sémantique modèle, pour interroger un sémantique modèle. Et donc là, il va me répondre "Là, je suis sur le playground, hein. Euh, de la même façon, j'étais sur le playground côté Snowflex. Euh et donc il me répond avec des régions euh et donc de manière agrégée. Voilà, maintenant je passe à la partie fendrier. Voilà, donc bienvenue sur Fender. Donc comme je vous le disais juste avant, il faut vraiment imaginer Fendri comme le portail AI d'Azure et en fait on y accète via cette URLi.azazur.com. Euh donc moi, je suis dans mon dans mon projet surfenderie et si je pars dans la partie build, juste là, ben là vous voyez la liste d'agents euh actif sur ce projet et euh notre fameux retail router euh euh fabrique Snowflex. Euh rappelez-vous ce qu'on se disait pour faire un agent, bah il me faut un modèle. Voilà, je peux choisir parmi tous les modèles que j'ai déjà déployés dans ma dans ma ressource fandie, mais je pourrais aller prendre plus de modèles. Et comme on comme on le disait, on a passé des instructions à cet agent et enfin on l'a équipé cet agent. Donc en fait via du MCP, on récupère les données qui proviennent donc de l'agent que nous a montré Marc juste avant de Snowflake et via duoué et une connexion native avec le fabrique data agents d'enfanterie et ben en fait on se connecte à aux fabricents que nous avons Marc juste avant. euh on pourrait rajouter euh plein d'autres choses à cet agent, mais du coup, si on pose la question euh justement euh agrégée euh à notre agent, etth ben en fait, on va voir euh comment il nous répond et euh sur quoi il s'appuie pour nous répondre. Donc voilà, là on voit que bah finalement notre agent, il nous a répondu, il a agrégé euh différentes sources de données. Et en fait, ce qui va être intéressant ici sur Fender, bah c'est de s'assurer en fait de la cohérence de ce qu'il me dit. Déjà, j'ai quelques métriques opérationnelles. Là, je peux voir le nombre de tokens qui ont été consommés euh suite à cette interaction. Et si je vais sur la partie tracis ici, en fait, je vais pouvoir un petit peu voir ce qui s'est passé. Euh donc là, je vais pouvoir en fait récupérer euh bah en fait toutes les métadata liées à ma conversation avec mon utilisateur. Euh donc là, on voit que l'agent a été appelé, on voit comment il a été appelé euh et on voit l'output qu'il a donné. on va se rendre compte de deux choses. Un, il est parti un petit peu regarder euh dans sa mémoire, par exemple, il sait que moi je préfère communiquer avec lui en français. Euh et ça, en fait, il il est capable de de savoir qui je suis. Et vous allez voir juste après, en fait mon identité, elle est connue parce que je suis connectée euh je suis connectée sur sur Fendri avec mon identité Microsoft et en fait là, il allait taper dans les deux dans les deux agents parce que je suis autorisée à le faire. Euh et donc là en fait euh ce qui est intéressant euh bah c'est qu'on on se rend compte euh quel est euh quel est l'outil qu'il a appelé. Donc euh on se rend compte comment il a appelé euh l'agent côté Snowflake et on va voir aussi comment il a appelé l'agent côté fendrier. Donc là en fait on voit toutes les réponses qui lui ont été envoyées parce que là finalement tu as mixéas dans ta question tu as mixé une demande avec de l'agrégé du détail. C'est ça. Exactement. Exactement. Est-ce que tu peux voir combien ça t'a coûté ce en token ? Ouais, en fait je peux voir combien ça m'a coûté en token et je peux voir combien ça m'a coûté à chacune des étapes. Alors ici, tu nous montres le nombre de tokens qu'on a utilisé pour finalement agréger ces deux sources d'information. Est-ce que on a aussi l'information des deux data agents en terme de consommation qui te sont remontés aussi ici ? Ouais. Alors justement ici là on voit le nombre de tokens qui a été consommé à l'ensemble de ces étapes là. On peut ensuite aller regarder chacune à chacun des tool exécution par exemple le nombre de input output token vraiment lié à cette step et après justement et je vais laisser marque compléter euh mais par exemple sur fabrique on n pas accès puisque le service en fait le LLM il est managé pour nous. C'est c'est exactement ça en fait. Là, on va avoir vraiment le coût côté côté agent orchestrateur. Et comme vous le savez, donc il y a deux agents fils, on pour ainsi dire, on ils ont leur propre LLM. Donc, pour pouvoir vraiment avoir une big picture. Du coup, il faut aller voir combien ça coû consomme en terme de CU dans la capacité du data agent lorsqu'il a été interrogé. Et de la même manière, côté Snowflex, vous avez une partie feedups et vous pourrez voir combien ça a coûté côté Snowflex. Alors là, ce que tu nous montres, c'est encore un playground. Est-ce que tu peux nous montrer une interface qu'on utiliserait ou que les utilisateurs métiers utiliseraient ? Ouais, tout à fait. Alors, comme je te je te le disais juste avant, bah Fandri c'est euh c'est une interface, c'est un playground et tout est disponible via le code. Euh tu as aussi via l'interface la possibilité de publier ton agent dans Teams et Microsoft 365 copilot. En fait, qu'est-ce que ça va faire pour toi ? Ça va te créer un bot framework qui va te permettre du coup de distribuer après ton agent dans ton ton écosystème ou ton environnement M365. Et donc une fois qu'on a publié notre agent dans l'écosystème N365 et ben en fait il est complètement découvrable en fait bah comme n'importe quel agent dans dans Copilot dans Teams. Et là typiquement vous avez accès du coup à ma conversation avec le Routel Agent Azure Xfleake. Et typiquement là bah en fait bah je vois sa réponse et je vois même la source de données en fait qui a été utilisée. Donc voilà, l'agent en fait il vient me il vient me il vient à moi dans mon espace de travail. Super, merci pour cette démonstration. Ce qu'il faut retenir dans cet épisode, c'est qu'on s'oriente plutôt vers des systèmes multiagents où chaque composant apporte une expertise spécifique mais finalement rendu disponible au travers d'un seul point de contact. C'est plutôt impressionnant. Oui, puis on voit aussi l'ouverture de Microsoft où on peut vraiment naviguer avec et déser avec toutes les tous les partenaires qu'on a là en l'occurrence c'est Snowflex mais on est vraiment sur des protocoles open source où on va pouvoir bah utiliser et tirer partie de ce que les les clients ont mis en place. Tout à fait. Il y a pas besoin de choisir. En fait, vous avez des environnements hybrides. Du coup, on va créer des agents qui sont capables bah de de s'interconnecter à votre environnement. Et derrière, on va rajouter une couche de gouvernance, d'observabilité, donc tout ce qu'on va appeler le contrôle plane, bah pour s'assurer que nos agents, ils se comporte bien, euh contrôler qui a accès à quoi et cetera et cetera. Ouais, les utilisateurs finalement passent moins de temps à chercher où est l'information et la donnée, mais plus de temps à prendre des décisions et c'est ce qu'on souhaite. Donc, merci beaucoup pour cet échange, pour cette démonstration. Merci à vous d'avoir suivi cet épisode sur Fard Data. Si vous avez des questions, des retours d'expérience ou si vous souhaitez creuser un point en particulier, n'hésitez pas, les commentaires sont ouverts. On vous dit à très vite pour un nouvel épisode. D'ici là, passez un bon été, gardez le cap et abonnez-vous à la chaîne. À bientôt. --- ## Unification des données dans Microsoft Fabric URL: https://www.pharedata.fr/videos/unification-des-donnees-dans-microsoft-fabric Publié: 2026-06-29 Durée: 23:35 Sujet: microsoft-fabric Mots-clés: microsoft-fabric, shortcut, mirroring, copy-job, data-factory, unification-des-donnees, data-lake, change-data-capture ### Résumé La vidéo détaille trois méthodes pour unifier les données dans Microsoft Fabric : Shortcut (accès direct sans copie), Mirroring (réplication quasi temps réel via CDC) et Copy Job (copie orchestrée, batch ou incrémentale). Chaque approche présente des compromis en termes de coût, fraîcheur, gouvernance et complexité. Les experts Nadine Raiss et Roxana Mirica partagent leurs retours d’expérience et usages clients. ### Points clés - La fragmentation des données est un problème majeur, plus que le stockage lui-même. (0:57) - Shortcut permet d’accéder à la donnée sans la copier, via un simple pointeur, idéal pour multicloud. (3:05) - Mirroring réplique une base transactionnelle en quasi temps réel grâce au Change Data Capture. (3:27) - Copy Job orchestre des copies batch ou incrémentales, avec plus de 200 connecteurs Data Factory. (3:39) - Chaque approche présente des limites : latence réseau pour Shortcut, coût du CDC pour Mirroring, duplication et coût de stockage pour Copy Job. (5:04) - La matrice de décision compare latence, coût, gouvernance et transformation pour chaque méthode. (16:20) - Microsoft Fabric intègre aussi Purview pour la gouvernance et propose d’autres modes d’ingestion comme Dataflow Gen2 ou notebooks. (17:26) ### Questions fréquentes **Qu’est-ce que le Shortcut dans Microsoft Fabric ?** Shortcut dans Microsoft Fabric est une méthode d’accès direct à la donnée sans la copier. Il crée un pointeur vers la source (S3, Data Lake, Dataverse), permettant une lecture immédiate sans duplication, ce qui évite tout coût de stockage supplémentaire. **Comment fonctionne le Mirroring dans Microsoft Fabric ?** Mirroring réplique une base transactionnelle en quasi temps réel grâce au Change Data Capture. Une copie initiale est faite, puis les changements (insertions, mises à jour, suppressions) sont synchronisés en continu, sans pipeline à coder, pour garder la fraîcheur des données. **Quels sont les avantages du Copy Job dans Microsoft Fabric ?** Copy Job permet d’orchestrer des copies batch ou incrémentales via plus de 200 connecteurs. Il est utile quand Shortcut ou Mirroring ne s’appliquent pas ou quand des transformations sont nécessaires dès l’ingestion. Il consomme du stockage et du compute à chaque exécution. **Quels critères utiliser pour choisir entre Shortcut, Mirroring et Copy Job ?** Les critères de choix sont la latence (temps réel ou batch), le coût (stockage, compute), la gouvernance (source de vérité), la complexité (maintenance des pipelines) et la capacité de transformation. Aucun mode n’est universel, le choix dépend du besoin et de la source. **Peut-on transformer les données avec Shortcut ?** Oui, il est désormais possible d’appliquer des transformations sur les données Shortcut, notamment via des fonctionnalités en preview comme l’enrichissement AI, mais cela peut entraîner une copie des données et donc un coût de stockage supplémentaire. **Quels autres modes d’ingestion existent dans Microsoft Fabric ?** Outre Shortcut, Mirroring et Copy Job, Microsoft Fabric propose des modes comme le streaming, les pipelines personnalisés, Dataflow Gen2 pour du low code, et les notebooks pour du code first, permettant d’adapter l’ingestion à différents besoins techniques. **Comment la gouvernance est-elle gérée dans Microsoft Fabric ?** Microsoft Fabric intègre Purview pour la gouvernance des données. Shortcut garde la source de vérité à l’extérieur, tandis que Copy Job crée une copie indépendante. Une baseline de gouvernance est déjà intégrée sur la couche Fabric. ### Chapitres - — Phare Data - 0:52 — Unification des données dans Microsoft Fabric - 3:02 — Shortcut, Mirroring et Copy Job - 4:23 — Shortcut - 7:45 — Mirroring - 11:20 — Copy Job - 16:02 — Comparatif - 21:43 — Conclusion ### Transcript [musique] [musique] Oh ouais, bonjour et bienvenue sur Fardata, la chaîne qui éclaire vos données. Alors, dans l'océan des données, voir clair change tout. Sur farata, on décrypte les services de données d'analytique CDIA, le tout avec un ton accessible, des choix techniques assumés et une touche dermar. Que vous soyez architecte, analyste, data, engénéieur, product honur ou simplement curieux, Fardata vous accompagne pour comprendre les enjeux réels, éclairer les compromis et prendre de meilleures décisions et parfois avec le cri des mouettes en bruit de fond. Si ce genre de contenu vous parle, n'hésitez pas à vous abonner. Cap sur l'épisode du jour. Alors aujourd'hui, on aborde un sujet central pour toutes les organisations à savoir unifier son patrimoine de données sans transformer sa plateforme en archipel de silo. Parce qu'au final, le problème c'est pas le stockage, c'est la fragmentation des données dispersées, des copies multiples et des équipes qui ne travaillent pas sur la même réalité. C'est exactement là que Microsoft fabrique change la donne puisqu'on va stocker la donnée une seule fois dans le one leg. On va la rendre accessible, sécurisée, exploitable finalement un peu comme un port où toutes vos données viennent samarer. Et pour ça, Fabrique pour plusieurs stratégies qu'on va voir aujourd'hui, à savoir les shortcut, le mirroring et les copys. Trois façons de naviguer. Et pour parler de ce sujet, je suis pas seul à bord. Aujourd'hui, j'ai le plaisir d'être accompagné par deux experts reconnues du sujet, à savoir Nadine qui accompagne au quotidien des clients sur les architecture data moderne et Roxana spécialiste sur les workload fabriqu et pas seulement. Je vous laisse mesdames vous présenter. Bonjour tout le monde. Aline Rchitecte Cloud. J'accompagne les clients sur le segment Francophone notamment sur les sujets data sur le cloud Azur. Et moi Roxana, bonjour à tous. Je suis cloud Solution Advisor chez Microsoft passé à Dublanc et au quotidien j'accompagne les équipes data sur Microsoft fabrique plus particulièrement sur tout ce qui touche à leur gestion comment faire la donnée au bon endroit et au bon format et ravi d'être avec vous pour parler de tout ça aujourd'hui. Et alors pour rentrer dans le vif du sujet, comment rendre la donnée accessible et cohérente ? Et ben avant de cliquer ou quoi que ce soit, posons-nous le vrai problème. Le réflexe naturel c'est de tout copier dans fabrique. Sauf que copier ça coûte cher en capacité, ça duplique du stockage et surtout ça casse la fraîcheur de la donnée. Donc vous travaillez par exemple sur une photo, pas sur le direct. Alors avant de choisir, vous posez vous devez vous poser quatre questions. La latence donc il vous faut du temps réel ou est-ce que un bâche suffit le coût ? Combien coûte vraiment la copie et son rafraîchissement ? la gouvernance, où vit la source de vérité et enfin la complexité. Donc combien de tuyaux vous allez devoir maintenir dans le temps ? Il faut retenir une chose, c'est que aucune des trois approches ne gagne partout et tout dépend de la source que vous avez et de votre besoin. On va parler des trois outils ici que vous voyez. Donc le premier c'est le shortcut. Donc c'est le raccourci zéro copie. Donc c'est un simple pointeur vers la donnée là où elle est. Vous la lisez immédiatement sans la déplacer. Donc vous avez des exemples, donc par exemple du S3, du datalake, du dataverse. Vous avez ensuite le mirroring. Donc lui réplique une base entière via du CDC, donc du change data capture, une copie initiale puis un flux d'incrément en quasi temps réel. Et tout ça sans écrire le moindre pipeline. Par exemple, vous pouvez avoir de SQL, du Cosmos DB, du Snowflake, du Postgress Sequel. Et enfin, on a le copy job. Donc Copy Job, c'est un peu le couteau suisse. C'est une copie batch planifiée ou bien incrémentale avec plus de 200 connecteurs data factory. C'est votre filet de sécurité quand les deux premiers ne ne se fissent pas. [grognement] regard un par un en dém suivant la source de données en plus des cas qu'on va sélectionner par rapport à notre besoin. Mais le fait qu'on choisisse une source de par exemple un fichier Excel va nous orienter plutôt vers du shortcut parce que supporté par le shortcut. Alors que si on veut faire répliquer une liste SharePoint là on va plutôt faire du mirroring parce que supporté par le mirroring. Donc en fait notre source de données va aussi nous orienter je crois. Exactement. Donc première approche le shortcut. L'idée est simple comme on a dit tout à l'heure, la donnée reste à sa place et One Lake ne stock qu'un lien, donc pas les OCT. Vous l'interrogez instantanément par exemple en SQL et en Spark. Donc quand est-ce qu'on doit l'utiliser ? Quand votre donnée est déjà dans un one lake ou un datalake bien gouverné et que vous ne voulez surtout pas dupliquer des terraoctés, c'est donc c'est légitime de choisir un shortcut. C'est aussi l'arme idéale en multicloud. Donc on peut exposer du S3 comme je l'ai dit tout à l'heure ou euh du euh du Google aussi euh dans fabrique sans rien déplacer. Mais attention, il y a des limites. Si la source est est de dans une autre région, en fait chaque lecture traverse le réseau, donc la de la latence et de l'égrisse. Donc et comme c'est un miroir en lecture, il y a pas de transformation possible. Et donc là, on passe au vif du sujet. On va voir la démo ensemble. Alors oui, les shortcuts par design n'ont pas de transformation possible. Maintenant, on a des shortcuts qui permettent d'enrichir la donnée, à savoir j'ai des fichiers Excel, je fais semblant que c'est des fichiers delta parquet et aussi plus récemment les transformations de type AI on top de mes shortcuts pour détecter le sentiment, pour faire de la traduction et cetera. Donc, il y a des shortcuts et des shortcuts qu'on peut aussi enrichir d'information. Yes ! Donc là, je suis dans mon lake house. Donc au lieu d'importer mes données, je vais référencer depuis un emplacement externe. Donc là, je suis sur Fabrique. Donc Fabrique me propose des sources internes. Donc là, je vais créer un shortcut. Je vais choisir Azure Dataalic Gen 2. Ici, je vais choisir une nouvelle connexion. Donc je renseigne bien sûr tous les identifiants. Donc ici j'ai l'URL du de mon datalec de mon stockage et je sélectionne le dossier qui va m'intéresser. Donc faut savoir ici que moi sur les connexions, j'ai choisi Workspace Identity, ce qui est plutôt pas mal parce que derrière ben on n pas besoin de gérer donc l'identité donc ou les credentials. Et du coup j'ai je peux juste me connecter avec mon entité fabrique qui a accès à mon storage accountant. Donc là j'ai choisi mes fichiers, je vais créer mon shortcut et c'est fait. Donc le shortcut apparaît dans mon explorateur au côté de mes données natifs. Donc les fichiers euh donc ils restent dans le datalc d'origine. D'accord ? Là, je vais essayer de d'aller plus loin. Donc, je vais créer une delta table pour définer bénéficier pardon des des performance analytique. Donc là, c'est créé et je vais requetter tout ça. Je vais faire une requête SQL exactement comme sur ma donnée locale donc mes utilisateurs, ils voient aucune différence. Donc là, je vais je vais requitter et voilà. Du coup, j'aurai mes résultats qui s'affichent ici. Un très pertinent pour l'unification des données. On sait que les clients ont des données un peu dispersées dans différents cloud providers, dans différents endroits. Ici, tu crées des shortcuts vers ces différentes euh sources et tu les centralises et les permets à tes utilisateurs de les requêter au même endroit. Exactement. Donc là maintenant, on va parler de la deuxième approche donc le mirroring. Donc on réplique une base de données transactionnelle en continu via du CDC, donc un snapshot initial puis un flux d'increment qui arrive en quasi temps réel directement en delta dans votre on sans coder un seul pipeline. Quand est-ce qu'on va l'utiliser ? Donc dès que vous avez une source qui change vite, il y a un vrai besoin de fraîcheur. [soupir][souffle coupé] Par exemple, un ERP, un site e-commerce de l'UTI, euh il faut savoir que il y a des pièges à connaître. Donc tous les types de colonnes ne sont pas répliqués. Donc il y a des changements de schémas qui ne sont pas suivis automatiquement et sur une table très volatile, le coût donc du change data capture peut grimper. Donc faut faire faut faire attention. Allez, on va voir ça en direct durant une démo. Ouais. Alors, juste avant la démo, faut rappeler que les données répliquées en mirroring sont en quelque sorte offertes. On peut rappeler qu'à une F64, tu as 64 Tas de données mirrorées offertes. He l'idée hein, c'est on unit toutes les données dans le onele et pour ça, c'est en quelque sorte gratuit au travers du mirroring. Plutôt intéressant. Alors maintenant, on va parler de la démo. Donc je pars de mon workspace fabrique. Je vais créer un nouvel élément. D'accord ? Je vais choisir mirror de Azure SQL database. D'accord ? Donc fabrique va s'occuper de tout. Donc on n pas des de tuyaux de données à coder. Donc j'ai j'indique ici mon Azure SQL database et bien sûr donc tout ce qui est mes connection settings. Donc simplement le serveur, la base, mes identifiants euh et la connexion, elle est sécurisée et réutilisable. Donc là vous voyez, j'ai changé, j'ai mis organizational account pour vous montrer la différence parce que moi j'ai accès à cette base de données. Donc on peut aussi le faire de cette manière-là. Donc ici, je vais choisir les tables. Donc moi, j'ai orders. D'accord ? Donc soit toute la base, soit une sélection. Donc je peux ajuster ce périmètre. OK. Et donc après quand j'aurai choisi ma base, je me connecte et il y aura la partie provision. Donc Fabrique va provisionner la base de données mirrored, OK ? Qui est créé automatiquement. Donc on a un SQL Analytic Points qui qui va être créé. La réplication va être configurée et tout est automatisé en arrière-p comme vous pouvez le voir ici. [grognement] Euh et il y a pas d'infrastructure de à gérer de mon côté. Donc voilà. Après donc la réplication, vous voyez j'ai le statut running. Donc les données sont synchronisées en continu. Chaque modification dans la base de la source donc insertion, mise à jour ou suppression est répercuté en temps réel. sans que j'ai à à réordonancer. Donc là, j'ai une query SQL juste pour vous montrer que je vais faire une requête pour rajouter un élément. Et si je reviens, donc là je l'ai exécuté, donc j'ai rajouté un élément sur ma base source. Ouais, exactement. Et donc là, si je reviens, je fais faire un petit refrage, vous voyez, j'ai 101 éléments. Donc je vais ajouter un élément ici et c'est quasi nul. Donc euh c'est très rapide euh pour la réplication. Tu peux m t'abonner à tous les changements via le Delta Change Datafeed et donc capturer tous les inserts, les updates et les changements sur ta base de données sources qui est plutôt aussi intéressant. Et donc il nous reste la troisème approche et sans doute la plus polyvalente, le copy job. Euh c'est l'idée d'une copie orchestrée par Data Factory. On peut la planifier typiquement la nuit ou en fin de journée, mais surtout on peut la rendre incréementale grâce à un watermark. Concrètement, à chaque exécution, on ne recopie qu'est-ce qui est nouveau depuis le dernier rang et puis donc seulement le le delta à chaque fois. Et son grand atout, c'est sa couverture avec plus de 200 connecteurs. C'est vraiment le couteau suisse de l'ingestion. Et la question euh quand est-ce qu'on le sort ce couteau suisse ? Dans deux cas. [raclement de gorge] Euh premièrement, quand la source n'est ni raccourçable par shortcut, ni méorable ou réplicable par le miring, bref, quand les deux premières approches ne s'appliquent pas. Et deuxièmement, quand on a besoin de transformer ou nettoyer la donnée euh dès l'ingestion, donc le moment où elle entre. Et le revers de la médaille, parce qu'il il y en a un ici, euh c'est que en fait on copie pour de vrai. Donc à chaque exécution c'est de la capacité consommée et donc faire attention au pics euh qui peuvent crer des spike au niveau de la capacité. Et comme la donnée est dupliquée, il y a aussi un coup de stockage euh et un refresh agéré dans le temps. Donc le mieux c'est encore de voir la démo. OK, on part de notre workspace fabric. Je fais new item, je choisis Copy Job et je l'appelle Copy Job 2 et je le laisse dans le dans le workspace. Rien de plus, on va laisser le l'assistant nous guider étape par étape. Premièrement, on choisit la source. C'est là qu'on retrouve les fameux 200 connecteurs et moi je prends l'Azure Sequel database. Je renseigne le serveur la base et je me connecte avec mon compte organisationnel. Et à noter que je n'ai aucune infra à monter. Donc c'est l'assistant qui gère la connexion. Ensuite je choisis quoi copier. Je coche mes tables du schéma CCT euh l'adresse, le client, le produit et cetera. Donc une dizaine de tables et regardez le bandeau qui s'affiche tout haut. Vos tables sont le ont le CDC logased activé. Ça veut dire que Fab va pouvoir capter automatiquement les inserts, les updates, les deletes sans que j'ai écrire la moindre logique de détection et ou de changement. Ensuite la on va choisir la destination euh et c'est là que vous vous voyez tout le catalogue, le Lhouse, warehouse, une base de données sequel, un dossier one lake, du sharepoint, datverse et cetera. Et dans mon cas, j'ai choisi pour la destination également une base Azure sequel. Et voici le point le plus important dans le read method. Je peux faire une copie complète ou une copie encrémentale. Donc je choisis encrémental. Donc le premier run qui copie tout et puis le run suivant qui copie que les changements. [grognement] Et pour savoir ce qui est nouveau, donc l'assistant me demande une colonne enrémentale par table. Et c'est exactement le watermark dont je parlais. Ici dans append. Ça veut dire que que qu'à chaque exécution les nouvelles lignes sont ajoutées à la fin du table. Et là, je coche aussi la case override parce que c'est un détail qui évite un piège parce qu'encré mental, le premier one c'est une charge complète et si ma destination n'est pas vide à pente euh me me créer des doublons. Donc en en cochant je dis euh je dis à fabrique sur une charge complète repart sur une table propre. Donc le résultat c'est une table de départ saine. Ensuite seul les deltas qui s'ajoutent. Petite parenthèse ici le bandon qui précise que le CDC n'est pas supporté qu'avec le la le méthode merch. Donc à côté de append, si vous cliquez sur edit, vous pouvez sélectionner merch et c'est ce qui est que ça fait donc pour chaque ligne 30, il regarde si elle existe déjà euh côté destination. Si oui, il la met à jour. Sinon, il l'insère. et il peut aussi euh répercuter euh les suppressions. C'est exactement ce qu'il faut pour du vrai CDC euh pour refléter les inserts, les updates et les deletes. Et ensuite, il y a l'étape de mapping. Donc l'assistant aligne chaque table source avec sa destination et puis il n'y a que le review and save avec un récapitulatif, la source, la destination, l'évitable et puis je décide du read une fois ou sur planification ici toutes les quelques minutes. Et puis on passe on bascule directement sur le suivi d'exécution. Euh c'est ce que je voulais vous montrer. Euh table par table, j'ai le statut, les lignes, euh les lignes écrites, la durée, euh les bornes basses et hautes, donc le watermark concrètement en action. Euh ici, on a 9 tables sur 10 terminées, euh à peu près 3800 lignes déjà transférées. Et c'est là aussi qu'on retrouve le revers de la médaille dont je parlais car les lignes sont copiées vraiment. Donc chaque exécution consomme de la capacité, d'où l'intérêt de l'incremental justement pour n'écrire que le strict nécessaire. Super, merci. Je crois que vous avez prévu un comparatif entre ces différentes solutions. Effectivement, donc on a prévu une matrice de décision pour vous aider en fait à choisir donc quel type donc vous pouvez donc appliquer sur votre cas d'usage. Donc on va reprendre nos critères ligne par ligne comme on l'a dit au début. Donc on a la latence, donc la lecture directe pour le shortcut, quasi temps réel pour le monitoring et le batch batch pour le copy job. Donc la copie des données, donc aucune pour le shortcut, gérée pour le mirroring et complète pour le copy job. Le coût suit la même logique. Donc le shortcut est le moins cher puisque il y a pas de stockage. Le copy job par contre est le plus lourd. D'accord. la transformation. Donc euh bon, avant là, on sait que le copy job le fait mais donc Romain nous a aussi partagé que pour les shortcut maintenant c'est possible, c'est en preview donc on peut aussi le faire. Donc on va mettre à jour notre petite matrice de décision. Côté gouvernance, donc on a le shortcut qui garde la source de vérité à l'extérieur. Alors que le copy job, on crée une copie indépendante. D'accord ? Faut aussi savoir sur le côté gouvernance, on peut utiliser Purview avec Fabrique et on a déjà une bonne baseline qui est déjà intégré sur la couche fabrique. D'accord ? Et bah ce que je peux vous dire c'est garder cette grille sur le coude car elle répond à 90 % des cas d'usage qu'on voit de nos jours. Ouais. Et en effet pour la copie des données par rapport au shortcut. En effet, ces shortcut transformation auquels on peut rajouter les transformations. En fait, ils vont synchroniser les données transformées dans le oneelake. Donc là pour ces shortcuts, il y aura une copie des données. Donc un coût par rapport au stockage. Ce qu'il faut toujours mettre au regard, c'est euh le coût de processing par rapport au coût de stockage. Et qu'est-ce que je vais en faire de ma donnée demain ? parce que si je vais exposer ma donnée au travers d'un sémantique model en direct le ben ça sera peut-être moins performant que d'accéder la donnée depuis ce sémantique model si c'est par à partir de shortcut sur des données qui seraient externes auelake alors que si c'est des données internes qu'on a copié une seule fois et ben là on est un peu plus performant donc c'est toujours à mettre au regard de ce qu'on veut en faire après coup quoi. Alors ici vous nous avez comparé trois modes d'accès à la donnée. Est-ce qu'il y en a d'autres dans Fabrique ? Oui, il y en a d'autres. Donc nous, on s'est axé sur ces ces trois donc manières de copier les données ou de les utiliser, on va dire sur fabrique parce que elles étaient les plus demandées auprès de nos clients donc et on pensait que c'était pertinent de les présenter. Mais par exemple, si vous voulez faire si vous avez de l'ITI, on a en fait des ingestions en mode streaming qu'on peut utiliser. On a aussi donc une copie pipeline qui est assez similaire à copy job mais où là on peut faire plus de transformation et donc de customisation donc très détaillé avec des paramètres. Voilà donc il y a plusieurs manières de copier. Oui. Et euh on peut citer aussi peut-être les datafow gène 2 qui pourraient être utilisé pour aller chercher la donnée si on reste de plutôt dans l'usage low code. Et si on parle du code first, on peut citer là les notebooks qu'on pourrait aussi utiliser pour aller chercher et transformer la donnée. Exactement. Et maintenant qu'on a vu les trois approches en action, passons à la vraie question, celle qui intéresse les DAF et les architectes. Euh qu'est-ce que ça coûte concrètement ? Donc ce graphe, c'est l'emprunte relative sur la capacité pour amener environ un terctèque par jour. Donc c'est un schéma illustratif. Vos chiffres à vous dépendront du volume, de la fréquence et surtout de la volatilité de la source. Mais l'ordre de grandeur lui, il est juste car il a raconte une histoire très claire. à gauche le shortcut euh avec une emprente quasi nulle et c'est logique parce qu'on ne copie rien. On paye surtout euh la lecture au moment où on interroge donc pas de stockage et c'est l'option la plus la plus légère de loin. Ensuite au milieu c'est le mirror, on monte d'un cran là où on a un coût en continu celui du CDC qui réplique les changements en permanence et tant que la tant que la source bouge raisonnablement ça reste maîtrisé. Mais euh faire attention si la source est très volatile car ce coup peut exploser bien sûr parce qu' on réplique chaque changement en continu et à droite euh le copy job le plus lourd euh des trois et ce n'est pas une surprise car c'est le qui copie vraiment la donnée. Donc vous cumulez euh le stockage dupliqué le comp le compute d'in gestion à chaque run et puis le refresh récurrent dans le temps. Et donc le message à retenir, c'est pas que le copy job est cher, c'est plus on copie, plus on paye. Donc le bon réflexe, c'est de toujours se demander est-ce que j'ai vraiment besoin de déplacer cette donnée ? Si la réponse est non, Shortcrat peut peut nous éviter toute cette tout ça. Oui. Encore une fois, on peut rappeler que après ça va dépendre de ce qu'on va faire de cette donnée. Si c'est pour y accéder toutes les secondes, peut-être que les performances on les souhaite aussi rapides et en ce sens on va peut-être les dupliquer les données mais pour accélérer le processus de de rendering d'accès à la donnée en quelque sorte. Super, merci. Et d'ailleurs, n'hésitez pas à consulter la documentation de Microsoft qui tient un jour une arbre de décision en quelque sorte par rapport à l'usage des différentes technologies pour transformer, enrichir ou encore accéder à la donnée. Ici, on voit différents cas d'usage, donc n'hésitez pas à le consulter. Ouais. Et alors Roxana, Nadine, qu'est-ce que vous voyez le plus utiliser chez nos clients ou qu'est-ce que vous vous utiliserez en premier lieu pour accéder à votre donné ? Ça c'est une très bonne question Romain. Ben je pense je vais commencer. Moi de mon côté j'avais bien aimé les les Datafow G 2 que j'ai utilisé avec les clients et qu'ils étaient assez sortis parce que vraiment on commence avec du low code euh et donc on n pas besoin de de recruter donc des personnes avec des profils assez avancés. on peut commencer à faire des usc et des poques euh pour voir euh voilà qu'on peut comment on peut transformer des des données assez facilement avec des jointures complexes, des agrégats euh voilà. Et toi Roxana ? Et moi euh en fait moi euh ce que j'ai trouvé le plus souvent chez chez mes clients, c'est les shortcuts parce qu'en fait la plupart d'entre eux ils ont une stratégie euh multicloud et donc euh les shortcut les permettaient d'accéder à la donnée donc sans sans copier, sans duplication et donc c'est une souplesse de leur travail euh chaque jour. En effet, ben merci beaucoup, merci Nadine, merci Rosana pour cette présentation et démonstration. On mettra les liens qu'on a présenté euh en dans la vidéo. Si on doit retenir une chose, c'est que Fabrique ne cherche pas à multiplier les copie mais plutôt orchestrer intelligemment l'accès à toutes les données dans votre organisation. les shortcut pour exposer, le mirroring pour rester à jour, le copy job pour rapatrier la donnée, mais surtout la vraie règle c'est pas de la copier ou ne pas la copier, c'est plutôt de l'unifier et en fonction de vos besoins. Donc encore une fois, merci d'avoir suivi cet épisode. Si vous avez des questions, des retours d'expérience ou si vous souhaitez creuser un point en particulier, les commentaires sont ouverts. On vous dit à très vite pour un nouvel épisode et d'ici là, abonnez-vous à la chaîne. À bientôt. À bientôt. Bientô. --- ## Data Agents dans Fabric : Quand choisir Lakehouse vs Semantic Model ? URL: https://www.pharedata.fr/videos/data-agents-dans-fabric-quand-choisir-lakehouse-vs-semantic-model Publié: 2026-06-23 Durée: 45:10 Sujet: microsoft-fabric Mots-clés: microsoft-fabric, data-agent, lakehouse, semantic-model, securite, performance, gouvernance, fabric-iq ### Résumé La vidéo confronte l'utilisation des Data Agents dans Microsoft Fabric, branchés soit sur un Lakehouse, soit sur un Semantic Model. Elle analyse installation, qualité des réponses, performance, sécurité et montre comment chaque approche répond à des questions simples et complexes. Des tests concrets révèlent les avantages de chaque méthode, notamment en termes de personnalisation, gouvernance et coût. La conclusion recommande souvent de combiner les deux pour maximiser pertinence et efficacité. ### Points clés - Le Data Agent de Fabric peut se connecter à un Lakehouse ou à un Semantic Model, chaque option ayant ses avantages et limites (118s). (1:58) - La connexion au Lakehouse permet un accès direct aux données brutes, une transparence totale et une personnalisation via SQL et exemples queries (320s). (5:20) - Le Semantic Model offre des KPI, des relations métier et une logique business préexistante, facilitant des réponses fiables et rapides en DAX (437s). (7:17) - Les instructions et exemples queries enrichissent fortement la pertinence des Data Agents, surtout côté Lakehouse, mais peuvent être centralisées dans le Semantic Model (947s). (15:47) - Les performances varient : Lakehouse consomme jusqu'à 40% de ressources en moins, Semantic Model est plus rapide grâce à l'in-memory, mais coûte plus en CU (1653s). (27:33) - La sécurité est assurée dans les deux environnements via RLS/OLS pour le Semantic Model et via SQL Point, Row Level Security et dynamic data masking pour le Lakehouse (1917s). (31:57) - Il est possible de combiner Lakehouse et Semantic Model dans un même Data Agent, synchronisant instructions et scoping pour maximiser pertinence et sécurité (2236s). (37:16) ### Questions fréquentes **Quels sont les avantages à connecter un Data Agent à un Lakehouse dans Fabric ?** Connecter un Data Agent à un Lakehouse permet un accès direct aux données brutes, une transparence totale, une personnalisation via SQL et exemples queries, et des fonctionnalités comme le time travel et le dynamic data masking pour la sécurité et l'audit. **Pourquoi choisir un Semantic Model pour un Data Agent dans Fabric ?** Un Semantic Model offre des KPI, des relations métier et une logique business préexistante. Cela facilite des réponses fiables et rapides en DAX, une sécurité centralisée via RLS/OLS, et une réutilisation des modèles existants pour plusieurs agents. **Comment les Data Agents gèrent-ils la sécurité dans Fabric ?** La sécurité est assurée via Row Level Security (RLS/OLS) dans les Semantic Models et via SQL Point, Row Level Security et dynamic data masking dans le Lakehouse. Ces mécanismes filtrent l'accès aux données selon l'identité et le rôle de l'utilisateur. **Quelles différences de performance entre Lakehouse et Semantic Model pour un Data Agent ?** Le Lakehouse consomme souvent moins de ressources (jusqu'à 40% de CU en moins), mais le Semantic Model est généralement plus rapide grâce à l'in-memory. Les performances dépendent du contexte, du volume de données et du type de requêtes exécutées. **Peut-on combiner Lakehouse et Semantic Model dans un même Data Agent ?** Oui, il est possible de combiner Lakehouse et Semantic Model dans un même Data Agent. On synchronise instructions et scoping pour maximiser la pertinence, la rapidité et la sécurité des réponses, en tirant parti des forces de chaque source. **Comment enrichir un Data Agent pour des questions complexes dans Fabric ?** Pour enrichir un Data Agent, on ajoute des instructions métier, des glossaires et des exemples queries. Cela permet à l’agent de mieux comprendre le contexte, de structurer ses réponses et d’appliquer des règles business spécifiques, surtout pour les requêtes complexes. **Quelles nouveautés Fabric IQ apportent-elles aux Data Agents ?** Fabric IQ ajoute une couche métier par-dessus les modèles sémantiques et Lakehouse, via des ontologies, des graphes d'entités, Work IQ pour la documentation et Fund IQ pour la base de connaissance. Cela améliore la pertinence et la fiabilité des réponses des agents. ### Chapitres - — Phare Data - 1:58 — Data Agents dans Fabric : Quand choisir Lakehouse vs Semantic Model ? - 2:50 — Microsoft Fabric Data Agent - 4:32 — Round 1 - Installation et configuration - 9:05 — Round 2 - Premiers Tests - 14:18 — Round 3 - Questions complexes - 22:20 — Round 4 - Performances - 31:34 — Round 5 - Sécurité - 36:55 — Round Bonus - 40:08 — Conclusion ### Transcript [musique] [musique] Oh ! Bonjour et bienvenue sur Fardata, la chaîne qui éclaire vos données. Dans l'océan des données voir clair change tout. Sur Fre data, on décrypte les services de données d'analytique CDIA. Le tout avec un ton accessible, des choix techniques assumés. et une touche d'hermarin. Que vous soyez architecte d'analyse, data engénieur, product honur ou simplement curieux, Fardata vous accompagne pour comprendre les enjeux réels, éclairer les compromis et prendre de meilleures décisions et parfois avec le cri des mouettes dans bruit de fond. Si ce genre de contenu vous parle, n'hésitez pas à vous abonner. Cap sur l'épisode du jour. Aujourd'hui, on va faire une battle. On va parler des agents, des data agents et surtout répondre à la question que tout le monde se pose. Est-ce qu'il est préférable de brancher un data agent sur un Lhouse ou sur un sémantique modèle ? Et alors pour cette session un peu mouvementée, vous le verrez, je suis accompagné de Akram AK, le capitaine du Houseous prêt à défendre cette table Delta Coréum et Émilie, notre arbitre incorruptible. Bien sûr, de mon côté, vous l'aurez compris, je serai là pour défendre le sémantique modèle parce que dans cette histoire, il faut bien quelqu'un pour ramener un peu de logique métier dans ce chaos, mais je m'avance un peu. On va lever l'encre. Je vous laisse vous présenter d'abord. Oui, merci Romain. Euh, bonjour, je suis Akram, Cloud Solution architect chez Microsoft sur la partie data IA et aujourd'hui, je tiens la barre du Lhouse, la donnée brute, ouverte, sans filtre et croyez-moi, il a de quoi surprendre. Et bonjour à tous, c'est Milibo. Je suis Solution engineer sur la data et l'analytique chez Microsoft et je m'assurerai de d'avoir un combat qui soit équitable et qu'on ait des réponses à la fin. Parfait. Levons les voiles. Et bien aujourd'hui, ce qui va nous intéresser, c'est la grande question. Les agents, est-ce qu'on les plug sur les houseous ou sur les modèles sémantiques comme nous l'a dit Romain ? parce qu'effectivement, on a beaucoup beaucoup de projets de définition d'agent chez nos clients et ils se posent tous cette question : quelles sont les meilleures performances, quel type de questions vont être mieux adapté au lous ou au modèle sémantique ? Et c'est ce qu'on va pouvoir démontrer au travers de cette battle. Donc les règles sont simples. Pour pouvoir justement faire un benchmark intéressant, on va vous fournir les mêmes données. Vous aurez les mêmes questions, la même plateforme qui sera bien sur fabrique, pas les mêmes fonctionnalités comme on l'a compris et on identifiera quelle est la bonne méthodologie à adopter pour créer nos agents. Mais avant ça, revoyons un petit peu de théorie pour comprendre ce que c'est qu'un fabrique data agent. Donc un fabrique data agent, c'est une interface no code qui va vous permettre de définir vos propres agents et les publier pour vos utilisateurs métier. Pour faire ça, on va pouvoir se brancher sur un certain nombre de sources de données qui sont supportées au sein de fabrique et en externe au travers des shortcut, du mirroring et cetera. et vous allez avoir la possibilité de customiser votre agent en lui donnant un certain nombre d'informations complémentaires de façon à ce qu'il puisse répondre le plus pertinemment possible à vos questions. Et comme vous le voyez, une fois que l'agent est prêt, que vous l'avez bien testé, on va le publier au travers de différents canaux pour pouvoir le consommer. Et donc pour préciser un petit peu les règles du jeu, d'abord on est fairplay. Vous avez tous les deux une F32, donc une capacité de niveau F32. On va travailler sur un modèle de données relatif à des données médicales et vous aurez les mêmes questions à chaque round. On aura cinq rounds et on identifiera à la fin de chaque round quelle est la meilleure qualité de réponse. En terme euh de zone de jeu, vous aurez la création d'un fabrique data agent pour toi au travers d'un house et pour toi Romain sur un modèle sémantique. Vous allez avoir ensuite une décision finale sur qui a remporté la manche en fonction du nombre de CU consommé, en fonction de la rapidité à laquelle on a obtenu une réponse, en fonction des explications qui seront les plus claires possibles et bien sûr en ayant une confiance dans la réponse qui nous a été fournie. On évaluera tous ces critères à la fin de chaque round. Et ben c'est parti messieurs, on commence sur ce premier round où vous allez construire vos agents et on va tester quelques premières questions simples. C'est parti. Merci Émilie pour l'introduction. Alors le setup met d'abord un petit rappel sur un Lake en fait c'est tout simplement un grand entrepôt de données ouvert. Techniquement il s'appuie sur le format Delta parquet. Un format ouvert et universel. Ça veut dire que touses vos données restent lisibles par n'importe quel outil. Du SQL pour les analystes, du Spark pour les datas ingénieurs, Power BI pour les dashboard et cetera. Pas de format propriétaire, pas de copie cachée et surtout pas de données enfermé dans une boîte noire. Maintenant, regardez cette ce ligage de mon côté, le chemin, il est ultra court. On voit que mon data agent se branche directement sur le pas de couche intermédiaire. Lehouse et l'agent qui lit dessus, c'est tout. Résultat, moins d'objets à sécuriser, moins de pièces mobiles et une donnée toujours live. Voilà quelle vitesse enlève l'encre. Maintenant, passons à la démo pour voir le setup. Avec le Lake, je vais droit au but. Vous voyez ici que j'ai créé un workspace data agent battle 2. Je crée mon data agent et je lui donne le nom avec à la fin les chaos pour distinguer de celui de Romain. Et tout de suite dès que mon data agent il est créé, je vais pouvoir rajouter ma source de données qui est bien évidemment le Lhous. Donc c'est le CMS data like que je crée et là je le lis directement à mon data agent et puis j'aurai à faire trois actions. Les actions c'est que je prends les tables, je définis mon scope. Là j'ai cinq tables, ça sera les mêmes tables que Romain va utiliser après. Et c'est déjà prêt. On peut déjà commencer à poser nos questions, mettre nos printes et attendre les réponses de notre date agent. comme vous pouvez le voir ici avec une question simple. Super, merci Akram. Alors donc je prends la main pour la évoquer la création d'adapt agent sur un sémantique modèle. Donc vous voyez le lineage edge, il est un peu plus long certes, mais on va travailler sur le même jeu de données et puis on va travailler aussi bien sur des données qui sont en direct le l donc stocké sur le houseous que sur des données importées et ce pour des questions de performance. On verra s'il y a un gain ou pas. Donc commençons la première démonstration où je suis dans mon workspace, je vais créer un nouveau data agent encore une fois sur le même lout sur le même jeu de données, sur les mêmes tables queam. Donc ici de la même façon, je vais chercher ma source de données et là je choisis le sémantique modèle. Ça tombe bien, il y a plus de 20 millions, je crois, de sémantique modèles dans le monde avec déjà des relations, déjà des mesures, déjà une logique métier. Donc on imagine he les bénéfices que ça a que de pluguer directement un data agent sur ce jeu de données déjà enrichi de connaissance business. Et donc comme ceci, je vais pouvoir de la même façon poser une question pour savoir euh qu'est-ce que mon data agent a comme information à l'intérieur de celui-ci. Voilà. Et donc comme je le disais hein, plus de 20 millions de sémantique modèles dans le monde. Donc en fait pas besoin de les créer, elles sont déjà là, il y a plus qu'à les réutiliser. Donc sur ce premier round avec Akram, on a vu que on avait globalement une rapidité au départ pour pouvoir pluger notre agent parce queon a pas de modelling à faire, pas de modèle sémantique à mettre en place, pas de refr et cetera. Donc on arrive rapidement au besoin qui est de créer notre agent. Par contre, avec Romain, sur le modèle sémantique, on va pouvoir réutiliser des modèles déjà existants avec des métriques, des KPI, des relations entre les tables qui sont non seulement enrichis au travers de nos données et qui vont nous apporter des réponses intéressantes à la fin. Pour l'instant, sur ce premier round, on se donne une égalité sur la qualité de ces premières questions très simples. Euh, on va dire que on est égalité. Petite question par contre messieurs, vous avez commencé à poser vos questions en anglais. Est-ce qu'on aurait pu les poser en français aussi ? En effet, c'est vrai qu'on s'est attardé à poser nos questions en anglais, mais les LLM comprennent aussi le français, donc savent traduire les questions dans le langage qui est le plus propice pour comprendre le jeu de données. Et c'est parti pour ce deuxième round. Alors là, on a mis en place nos data agents, ils fonctionnent. Maintenant, on va essayer de les tester un petit peu avec des questions simples. Trois questions. La première sur le coût total des médicaments par an. On va aussi essayer d'avoir un top 10 des marques en fonction de leur vente totale en 2022 et ensuite on va essayer d'avoir le coût en fonction des réclamations. Montrez-moi ce que vous savez faire avec ça. Super. Ben commençons. Alors, je suis sur le datagent que j'ai créé précédemment et donc je lui pose une question. Quels sont le total des coûts par an de mes médicaments ? Et donc il réfléchit et puis va me donner la réponse. Et alors si on regarde un petit peu le détail de cette réponse, on va s'apercevoir que derrière il a exécuté une requête en DAX. Et oui, c'est le langage pour requêter nos cubes tabulaires, nos sémantiques modèles. Et donc c'est comme ça qui va pouvoir après retourner l'information. Donc de la même façon ici, je lui demande quels sont les top 10 des marques par rapport à leur vente en 2022. Et de la même façon, je vais pouvoir analyser le résultat mais aussi la requête qu'il a exécuté. C'est toujours intéressant pour benchmarker. Est-ce qu'il a utilisé les bonnes mesures que j'avais créé ou pas ? Et dernièrement le coût des réclamations. On va voir si la réponse est aussi pertinente. Donc on va poser les mêmes questions. Après Akram va poser les mêmes questions et on va voir si les réponses sont identiques entre ces deux agents. Sachant qu'on a pas fait grand-chose hein, on a juste rajouté ses sources de données pour le moment. Donc de la même façon ici, on voit qu'il utilise une mesure. Tiens, je suis intéressé de savoir quel sera le comportement dans le cas de de Akram sur le chaos directement puisque en effet la le C percem est une fonction est une mesure avec peut-être comme on le voit ici un certain nombre de règles business qui ont déjà des descriptions et ces fameuses descriptions on le verra sont peut-être très utilisées dans mon data agent pour être plus pertinent en terme de réponse. Les questions simples de mon côté, je commence par demander à mon agent quel est le coût total des médicaments par an, même question que Roma m'a posé déjà remarquer le temps de traitement rapide de mes questions s'il vous plaît. Et là regardez bien, il me sort aussi les chiffres par année de 2013 à 2023 mais surtout il me montre le SQL qu'il a généré, un simple select group buy, tout est là. 2è question le top 10 démarque par dépense totale. Et voilà et voilà le résultat mais regardez surtout le SQL en fait qui va se générer juste après. Un select top 10 un inner join entre ma table de fait et ma dimension que vous voyez juste ici avec un W sur 2022. L'agent il a compris tout seul qu'il fallait joindre deux tables et moi je vois exactement comment il a fait. 3è question, un piège, le coût par réclamation, une division qui dit division dit risque de division par zéro. Et là, l'agent protège son calcul directement sur la requête et vous voyez qu'il a mis un ulif seul, robuste et sans que je lui demande. En fait, Romain lui, son agent génère du DAX. En général, il connaît déjà les KPI, les réponses sont business friendly, je le reconnais. Mais moi, du langage naturel, je passe au SQL, transparent et auditable. Je vois exactement ce que fait l'agent et ça pour la confiance, ça n'a pas de prix. Émilie. Alors conclusion sur ce deuxème round. Donc on l'a vu avec Romain d'abord effectivement on va utiliser du langage naturel qui sera transformé en DAX et donc on bénéficie d'un modèle sémantique qui a déjà des KPI préchargés qui peuvent correspondre aux questions des utilisateurs et donc là on gagne beaucoup de temps et on est sur la fiabilité de la réponse. Du côté d'Akram, on a vu que on requête en langage naturel et ça se transforme en requête SQL. et il va de manière intelligente construire cette requête en faisant des relations et en évitant certains pièges. Par contre, on peut se dire que pour des requêtes sur lesquelles on aurait déjà des képiles instantianciés dans le modèle sémantique, on aurait une petite avance côté modèle sémantique. Et je rajouterai que dans mon modèle, j'ai catégorisé mes valeurs, ce qui permet pour une valeur peut-être financière d'avoir directement catégorisé le la valeur. Et donc dans les résultats du data agent, on verra toujours peut-être un dollar ou 1 € puisque déjà configuré dans le modèle. Alors que finalement côté la je ne suis pas sûr que tu puisses avoir ce genre de détail. Donc un peu plus de personnalisation sur la réponse apportée basée sur le modèle sémantique. On répondra à côté les ca sur la les prochaines round avec les complexes question et là il y aura aussi de la matière à faire côté les causes. Regardons. Alors c'est parti pour le round 3. Dans ce round, on va avoir des questions un petit peu plus complexes. Donc on va voir comment ça se passe au niveau de vos réponses. Sachant que pour l'instant vous n'avez fait que euh vous connecter sur vos sources de données. Est-ce qu'il va y avoir quelques customisations à faire et comment est-ce que vos différents agents vont répondre ? On voit ça tout de suite pour les questions complexes et je commence volontairement avec un agent totalement nu. Aucune instruction, aucun exemple query. Je veux d'abord vous montrer ce qu'il fait par pure interprétation. Première question, une croissance année par année avec un top 5 des génériques. Tout seul, l'agent comprend la logique, pivote les de années, classe le résultat. C'est déjà un point de départ. 2è question intéressante, une dépense sur une classe thérapeutique entière. Et là, c'est intéressant, sans aucun glosseur, l'agent tente quand même de traduire la classe en médicament par lui-même. Il s'en sort, mais son interprétation, je ne contrôle pas ce qu'il met dedans. Et la troisème question et toujours sans instruction qui va venir juste après, on a pu euh on a vu qu'il sont est sorti sur la deuxème question. c'est que elle est beaucoup plus dure. Une analyse a plusieurs niveaux. Qu'est-ce qu'il a tiré de la croissance ? Qui l'a amplifié ? Par où agir ? Et là l'agent, vous allez voir, il cale. Il ne sait pas décomposer un problème aussi riche tout seul. Sans cadre, il atteint sa limite. Et c'est exactement ici que tout bascule. Parce que mon Lake House est ouvert et transparent, je peux le guider en langage naturel. Je lui donne trois choses. D'abord un rôle clair, un glossur métier comme les classes thérapeutiques et enfin le plus puissant des exemples query. Je pense pas que tu as ça. Romain. Je lui montre des modèles de raisonnement comme décomposer une analyse de driver. Ces exemples ne sont pas exécutés tels quel. Ils servent à éduquer l'agent, à lui apprendre ma façon de penser. Le problème, je sauvegarde et c'est tout. pas de refresh. Et donc là après instruction, je repose la première question mais cette fois avec les instructions actives, vous comme vous pouvez le voir euh même première question, le raisonnement est le même qu'avant, sauf qu'il s'appuie maintenant sur mon exemple query comme vous pouvez le voir ici, il applique automatiquement mon seuil de matérialité, formate proprement les montants, structure son SQL exactement comme je lui ai montré. Ce n'est plus l'agent qui a pru sa méthode, c'est ma méthode. La deuxième question que je viens de reposer sur la classe thérapeutique, c'est là que la différence est la plus parlante. Avant, l'agent devinait lui-même quel médicament composait la classe. Maintenant, il s'appuie sur le glossaire. Et l'exemple querri que je lui ai donné, la définition de la classe vient de moi. Elle est explicite, auditable et identique à chaque fois. On s'entraî c'est exactement ce qu'on veut. La 3e question maintenant il y joué il y a 30 secondes et maintenant l'agent la décompose parfaitement sur plusieurs requêtes comme vous pouvez le voir. Euh ce qui a tiré la croissance, qui l'a amplifié et où concentrer l'action en priorité, il ne se contente plus de répondre, il raisonne, il structure, il priorise, il priorise. C'est un peu le jour et la nuit. On va plus loin avec une 4e question. Et pour confirmer que ce n'est pas un coup de chance, euh une dernière question encore plus exigeante. Une métrique dérivée calculé à la volée comparée à un niveau rationnel puis décliné par territoire. L'agent l'enchaîne comme vous pouvez le voir ici sans brancher parce que maintenant il a le cadre, le vocabulaire et surtout les exemples pour le faire. Donc en conclusion en fait sur les quatre questions, les instructions et les exemples query transforment vraiment un agent générique comme on a pu le voir avant en un expert de mon domaine. Je vois, je corrige, j'améliore. Aucune boîte noire ne vous offre ce niveau de de détail et de contrôle. Très impressionnant. Maintenant regardons côté sémantique modèle. Et alors que tu devrais répéter ces instructions dans le X data agent qui consomme ton houseous, on va voir que via les sémantiques models, cette information est définie dans son modèle. Donc n'importe quel dat agent de main bénéficiera de ces informations. On va voir ça en détail. Donc ici, première question, donc je retrouve le résultat, le même. Tous nos résultats sont identiques. Et ici, je lui demande donc quelque chose d'assez plus compliqué. Et il y a notamment des termes que s'il a pas connaissance de ces termes, il va pas pouvoir répondre. Donc ici, par exemple, euh I was unable to retrave the information. Donc qu'est-ce qu'on va faire ? On va aller sur sémantique model définir une seule et une seule fois ses informations au niveau du prep data fori et donc ici comme son nom l'indique le prep data fori va nous préparer notre sémentque modèle pour qu'il soit consommé par ces fameux LLM. Donc de la même façon, moi je renseigne un certain nombre d'instructions. On voit que c'est pas au même endroit hein qu'on renseigne les instructions, mais finalement c'est assez avantageux je trouve que de le définir au niveau du sémantique model pour que chacun des agents qui réutiliserait ce sémantique modèle puisse bénéficier des mêmes informations. Donc ici, une fois que j'ai défini mon modèle et ses instructions, ben je retente la même question. Voyons voir si c'est mieux se débrouiller maintenant. Donc il fait son analyse et maintenant la réponse est différente. Il a réussi à me retrouver le même résultat puisque il a utilisé les instructions qu'il avait qu'on a défini au niveau du sémantique modèle. Autre question, qu'est-ce qui a euh gérer les tendances ? OK, de d'augmentation. OK, regardons ce qui sait faire. Donc le résultat est disponible. Encore une fois, je peux voir le DAX utilisé, les différentes mesures qu'il a soit créé, soit réutilisé du sémantique model. Et enfin, dernière question la plus complexe. On voit qu'il s'est aussi exécuté en plusieurs étapes cette analyse et donc j'obtiens le résultat attendu. Et donc pour conclure ce R 3, au travers d'Akram, on a vu que on avait des instructions qui allaient nous permettre d'ajouter du contexte métier comme des glossaires, des schémas, des règles business qui vont permettre de driver finalement l'agent sur la requête qu'il va devoir effectuer. On a aussi une chose très importante, ce sont les exemples qui vont pouvoir lui donner un cadre dans lequel il va pouvoir utiliser des représentations de requêtes qui ont déjà été faites avec leur leurs résultats pour pouvoir reproduire de nouvelles requêtes en fonction de la demande de l'utilisateur. Donc très intéressant de pouvoir personnaliser justement l'agent de façon à ce qu'il réponde à ses requêtes complexes. Et du côté de Romain, on a vu qu'on avait une fonctionnalité près de data for AI directement au niveau du modèle sémantique qui va nous permettre de la même façon d'ajouter des éléments du contexte métier avec des description des descriptions, des synonymes. On peut même y rajouter éventuellement des exemples de questions. Et donc on va à nouveau s'appuyer sur l'ensemble des des képiaill des règles qui ont déjà été mises en place dans le modèle sémantique pour répondre à ces questions complexes. Donc là, les deux finalement environnements nous permettent d'aller contextualiser, rajouter des informations métier pour répondre à ces questions complexes. Égalité messieurs, c'est parti pour ce 4e round messieurs. Dans celui-ci. Là, vous nous aviez bien prouvé que vous arriviez à adresser des questions complexes. Maintenant, ce que j'aimerais voir, c'est les performances pour répondre à ces questions. Donc, montrez-moi comment vos deux environnements vont pouvoir répondre à la question de l'utilisateur final le plus rapidement possible. Très bien, commençons. Donc en fait pour faire ces ces calculs de performance, ce qu'on a fait c'est qu'on a créé trois agents, donc sur le houseous, sur le sémantique model en mode direct le et un autre sur le mode import parce qu'on a voulu tester les performances. Et donc ce qu'on a fait c'est qu'on a créé un notebook qui va exécuter en parallèle les queries aux différents data agent, donc les mêmes. Et puis après, on va pouvoir comme ça comparer leur résultat pour après euh avec l'aide de copilote comparer les performances et avoir un verdict. Donc si on commence euh on pourra vous partager d'ailleurs ces notebooks qu'on a utilisé. Euh la première étape donc c'est que on a un certain nombre euh d'instructions sur euh ici euh mon sémantique modèle sur mon modèle en mode import. Donc en fait on a mis les mêmes instructions sur les différents sémantiques modèles. Ensuite euh j'ai été donc dans mon notebook qu'on vous partagera si vous voulez. Et ce qui est intéressant, puisqu'on a un SDK au-dessus des datas agents, on va pouvoir aussi en mode batch demander d'exécuter euh des queries et puis sauvegarder leurs résultats comme ça on va pouvoir voir euh lequel des dates d'agent fonctionne le mieux, les performances des réponses par rapport aux différentes questions. aussi on voit ici l'évaluation donc sur ces trois data agents en parallèle et on va sauvegarder le résultat de ces exécutions dans un house pour qu'après on puisse comparer lesquels ont bien répondu, lesquelles ont mal répondu, hein, puisque j'ai les réponses attendues et les réponses euh qu'on a aussi eu des des datas agents. Donc ici, je vois l'évaluation. Je peux même aller dans le détail et regarder la réponse comme si je l'avais fait manuellement. Maintenant ce que je fais, c'est que j'analyse dans une seule table ses réponses et donc ça nous permet voilà de comparer les performances d'exécution sur les mêmes jeux de question des différents data agents. Et donc on voit très clairement que le modèle en mode important. On voit aussi que le modèle sur le data agence sur la CAOS, ben n'est pas non plus à la traî en terme de performance, mais on en reparlera tout à l'heure. Maintenant, regardons l'export de diagnostic, hein, qui au passage vous permet de savoir sur quel LLM on utilise par les dates agents. Donc à l'heure, je crois d'enregistrement, on est sur le chat GPT. Tu te souviens AKRAM 4.5 ? C'est 4.5. Oui. Ouais. Euh donc ici maintenant que j'ai téléchargé les deux diagnostics plutôt que le délire parce que c'est quand même pas mal de lignes, ben je demande à à copilote de comparer les résultats. Ce qui est assez intéressant parce que il va y rajouter aussi des informations euh d'analyse. Donc ici, il me dit déjà que j'exécute les mêmes queries sur deux data agents qui sont sur des sources de données différentes. le mode direct le lake sémantique model et le mode le house. On voit qu'il m'analyse les queries donc c'est pas le même langage et puis après il va analyser le résultat les interpréter mais aussi comparer puisque j'ai les informations d'exécution les performances. Et donc on voit qu'à la comparaison, ben les deux requêtes ont pris tous les deux 20 secondes euh que certaines euh conclusions sont intéressantes comme le fait euh de pouvoir réutiliser les mesures côté sémantique modèle. Et donc résumons ce que Romain il a fait donc il a lancé un notebook sur Fabrique qui pose nos c questions aux trois agents. Donc l'agent qui est connecté au Lake House le bien et l'agent qui est connecté au sémantique model en direct lic et aussi l'agent qui est connecté au mode import. Et vous avez vu comment copilote il comp partout et on a remarqué que c'est le même protocole pour les trois. C'est assez équitable pour les trois sur la manière d'interroger. Maintenant euh pour côté performance, il y a deux façons de mesurer la performance que ça soit sur le temps de réponse pure. Et là on a vu sur le notebook à la fin que Roma il a montré que le modèle sémantique peut être plus rapide. Ces données sont en mémoire. Je prends peut-être quelques secondes de plus pour générer le SQL avec le data agent qui est sur le Lhouse, mais sur le coup, le Lake House peut consommer jusqu'à 40 % de moins. Et donc là, vous pouvez voir que sur ces exemplesl mon house, il m'a consommé 6300 euh versus le semique model avec 10000. Pourquoi ? Parce que vous pouvez voir le détail à droite, le côté Lhouse, la donnée ne pèse que 5 % du coût. Tout le reste c'est li la même pour tous. Le modèle sémantique, lui il ajoute une couche en plus euh que vous pouvez voir sur le niveau de du dataset. Et le house aussi peut-être euh des informations plus sur son côté performance, qu'il continue de s'améliorer avec deux fonctionnalités euh qui sont euh que j'adore, c'est que la première et c'est elle est toute nouvelle, c'est l'incrémental liquid clustering. En fait, pour faire simple, c'est que vos données delta avec le temps, il finissent éparpiller dans des centaines de petits fichiers, les fameux parquets dont on parlait tout à l'heure. Et c'est ce qui ralentit les requêtes. Avant pour ranger tout ça, on faisait du optimiz, on réécrivait toute la table, mais maintenant avec la partie incrémentale, on ne retouche que ce qui a changé. Et ça peut être plus rapide jusqu'à neu fois plus rapide. Et là, non seulement ça peut impacter les dates à agents qui sont connectés au niveau Lake House, mais même également Romain, il peut se connecter en direct lake également. Donc il y a aussi un impact indirect sur les dates agents qui euh qui sont connectés en direct l surtout. Euh et aussi la deuxième fonctionnalité c'est le time travel et ça c'est vraiment spécifique au sens où on imagine un bouton retour dans le temps sur vos données. Chaque modification des tables delta est versionnée comme un historique git. Mais pour la data, je peux interroger ma table telle qu'elle était hier. avant un changement par exemple raté et même restaurer une ancienne version pour l'audit, pour le débug ou pour un autre besoin et ça c'est inestimable et peut-être le modèle sémantique ne peut pas offrir ce genre de fonctionnalité. Donc soyons fairplay, le modèle de Romain était parfaitement préparé pour ces questions, d'où la performance qui était plus performant en en temps de réponse. Mais dans la vraie vie, peut-être on a jamais tout préparé d'avance. Et là, c'est le Lake House qui répond ouvert, économe et prêt à exploiter. Super point d'attention sur ces résultats. Euh c'est pas parce qu'on a trouvé sur notre jeu de données ces résultats que sur votre jeu d'oré, vous aurez les mêmes. Donc n'hésitez pas à faire des tests et c'est pour ça qu'on vous passera notre notre notebook afin que vous puissiez dans votre cas regarder les performances aussi bien en terme de coût CU que de temps d'exécution. Donc pour faire un résumé clair de cette 4e manche, de ton côté Acram, tu nous as montré des fonctionnalités intéressantes comme le time travel qui va permettre de récupérer les anciennes versions de nos données. Tu nous as montré qu'effectivement il y avait peut-être des requêtes un peu plus lentes du à la conversion en SQL, mais par contre que niveau consommation de CU, on est bien plus intéressant que ce qu'on peut faire sur un modèle sémantique. Par contre, côté modèle sémantique, même si on consomme un peu plus de CU, on capitalise toujours sur le fait que on est en inmémory et donc on aura des performances vraiment plus intéressantes. On sait que côté la house, on a des améliorations en cours et des customisations qui vont nous permettre aussi de gagner en plus en performance. Donc là, on est vraiment sur une égalité. Si vous avez des modèles sémantiques déjà en place avec beaucoup de mesures de KPI qui ont déjà été définies, ça peut être intéressant les utiliser avec forcément un coût peut-être un tout petit peu plus élevé, mais par contre si vous avez des données brutes sur lesquelles il est nécessaire de reconstruire un modèle sémantique, là l'approche du sera intéressante et à moindre coût. C'est parti pour cette 5e et dernière manche. Alors messieurs, vous le savez, quand on utilise des agents, la sécurité est un point fondamental. Je veux être sûr que mes utilisateurs n'aient pas accès à n'importe quelle donnée. Est-ce que vous pouvez me démontrer sur vos différentes environnements, sur vos différents environnements, quels sont les moyens que vous avez pu mettre en œuvre pour assurer cette sécurité ? Super ! Ben commençons avec le sémantique modèle parce que c'est pas nouveau. Dans un sémantique modèle, nous avons le RLS, euh l'OLS même qui vont nous permettre de limiter ce que les utilisateurs peuvent voir sur un même sémantique modèle. Donc ici, très simplement, je crée un nouveau rôle Miami et donc je filtre sur les données de Miami. Comme ceci, l'utilisateur qui sera dans ce groupe ne verra uniquement que les données de Miami. Donc ici, je rajoute les O6 dans ce groupe Miami. Et donc on imagine bien maintenant à droite euh j'ai les haut les O6 hein, en vérifant les O6 alors qu'à gauche j'ai l'administrateur. Je pose une question côté administrateur, je vais voir le résultat. Je pose la même question côté Léo et regardons si il a le droit de voir les informations. Donc comme c'est Miami, on suppose que oui. Maintenant à gauche, je demande la même question mais sur Houston. Et donc de la même façon, Léo, quel est le total des ventes à Houston ? Et là, on imagine ben qu'il ne va pas pouvoir répondre. Regardons ce qu'il nous dit. No data was fund. Donc le RLS sur le sémantique modèle configuré une seule fois n'importe quel data agent verra la sécurité forcée. Maintenant on sait aussi côté modèle en mode direct lake, je peux réutiliser la sécurité fine au plus bas niveau, à savoir sur le one leg. Et donc de la même façon, je crée ici un euh R level sécurité toujours sur Miami. Je rajoute les au-dessus. Maintenant, sur mon modèle qui est en mode direct, pas besoin de dupliquer cette couche de sécurité. Voyons voir comment ça se comporte. Et de la même façon, l'utilisateur ne voit pas les données. De mon côté, je vais poser la même question aux deux utilisateurs comme Romain il a fait. Donc, j'ai mon administrateur qui est à gauche de l'écran euh et lui, il peut obtenir la réponse en entier. et à droite mon utilisateur euh que j'ai appelé Akram 1, un simple viewer qui va se voir refuser euh l'accès à la colonne du coût. Donc même agent, même question de réponses selon l'identité. Donc comment euh cela est possible ? Donc en fait avec une seule ligne du SQL au niveau du endp, j'ai juste fait un deny sur la colonne totale des du coût de du médicament en fait Romain. Et là vous pouvez voir les utilisateurs en viewers et admin et donc là quand je rentre sur mon layout et sur mon SQL point, c'est la fonction d'in que j'ai mis en place pour enlever l'accès à cette colonne là. Et donc Romain, il a fait du one leg sécurité sur son modèle. Très bien. Moi aussi je peux le faire. le scurité, il impacte aussi le layout et les sémantique modèl mais en plus je peux le faire également au niveau du SQL point comme vous pouvez le voir sur l'écran avec le den règle de requête SQL elle est posée sur la elle-même donc elle prétend elle protège tout ce qui la touche le data agent mais aussi le Power BI Excel park tout ce qui touche à ce Lake et la sécurité elle ne vit plus sur l'outil mais elle vit dans la donnée et en plus imaginez je peux utiliser ce qu'on appelle le dynamic data masasking. En fait, sur la même chose avec des scripts, on euh euh on peut interdire une colonne et je peux laisser l'utilisateur l'avoir, l'utiliser dans ses calculs, ses agrégats tout en masquant les valeurs sensibles. En fait, c'est du PUR SQL queries avec des fonctions comme du random ou email. Et là, l'utilisateur, il peut manipuler la donnée sans jamais voir le détail confidentiel et ça c'est fabrique. Ce n'est possible qu'au niveau du SQL Point, pas ailleurs. Donc masqués sont supprimés, protégés sont bloqués. Voilà la vraie puissance d'une sécurité qui vit dans la donnée. Donc sur ce round concernant la sécurité, on a vu globalement une égalité. Vous êtes en capacité d'appliquer du Relevel Security au travers de Oneel Security, que ce soit directement sur le endpoint SQL ou au travers du DAX et de la capacité de de mettre en place du RLS sur nos modèles sémantiques. On a le dynamic data masking aussi côté Lake House mais qui peut être mise en place également côté modèle sémantique quand on est en dir query va pouvoir en bénéficier. Donc OK, je suis convaincu. Vous êtes capable de me sécuriser mes accès au travers de mes agents. Égalité. Alors, dernier round, round bonus. Moi, j'aimerais savoir si on pourrait pas capitaliser sur les forces de ces deux environnements. Est-ce que vous pourriez pas me faire un agent qui soit capable d'aller interroger à la fois le house et le sémantique modèle pour avoir les réponses les plus pertinentes, les plus rapides et les plus sécurisées ? Nous l'avons fait. Nous l'avons fait. Donc ici nous avons nos différents dat agents et nous avons ici créé un data agent qui comme vous le voyez prend ces deux sources de données, le houseous et le sémantique model un peu le meilleur des deux. Et on a rajouté des agents instruction qui vont aiguiller quant à l'usage plutôt des données provenant duous ou plutôt provenant du sémantique model. Exactement. C'est c'est le but des des instructions romains dans le sens où on peut lui dire quand est-ce qu'il va interagir avec le sémantique model et quand est-ce qu'il doit interagir avec le Lake House. Et donc on va d'une certaine manière bénéficier des points positifs des de deux façons. Donc si il y a des euh réponses qu'on peut trouver sur des données brutes sur le Lake House, ben on l'aiguise et on faire le Lhous. Et sinon s'il y a des KPI déjà prêtes sur les sémantiques modèles, pourquoi pas ? Et sur un data agent, on peut rajouter plusieurs sources. Là, nous avons rajouté deux mais on peut en faire plusieurs, donner les instructions justement pour synchroniser tout ça. Et donc ici, on exécute une requête. Ouais. Tu voulais rajouter quelque chose ? Oui, je voulais rajouter par rapport au scoping que que je peux que je vois ici, même si la donnée peut-être elle peut être dupliquée sur les deux sources, on peut très bien en fait montrer que euh pour ces tablesl ben le scoping, on le prend côté house et on prend les tables qui manquent sur le côté sémantique model comme ça ça soit vraiment complémentaire entre les deux sources. Ouais. Donc ici, on voit que la première réponse é effectuée par les données en Daxe, donc au niveau du sémantique model. Alors qu'ici, il analyse les données du houseous pour répondre à cette deuxième question. Donc le même data agent, des questions différentes et une exécution en DAX, en SQL par rapport au plus pertinent par rapport à la question que lui a posé pour qu'il puisse y répondre. Effectivement, c'est vraiment puissant de voir qu'il utilise les exemples queries d'un côté et il utilise aussi les instructions de DAX dan. Donc c'est vraiment better together. On pouvait même rajouter une autre source du KQL pour avoir des réponses en temps réel avec une base de données KQL qu'on a fait avec le real time intelligence de fabrique. Et imaginez donc nous avons sémantique model avec des KPI qui sont déjà prêtes, les Lhous avec des données brutes et prêt à être utilisé et de une troisème source du KQL pour avoir les données en temps réel. Tout ça, on peut le synchroniser grâce aux instructions au niveau agent et c'est ce qui fait un peu le la force de toute cette synergie. Oui. Et là, on voit que pour répondre à une même question, il l'a découposé en allant chercher une partie des données sur la houseous puis après les corréler euh à des données issues du sémantique model. Donc conclusion de toute cette de tout ce benchmark, moi j'ai un peu l'impression que le gagnant s fabrique finalement parce que vous nous avez montré que on a une seule copie des données au niveau de Oneel qu'on va pouvoir exposer différentes façons. On a différentes expériences qui vont nous apporter des avantages pour pouvoir les requetter au travers de nos différents agents et une seule gouvernance pour pouvoir gérer toute la partie authentification, identité, droit d'accès et gouvernance de manière générale. On a des performances qui tiennent la route et donc j'ai envie de dire que bah finalement c'est fabrique le vrai vainqueur ici. Et alors pour continuer, sachez que à la build annoncé plein de nouveautés sur les agents. Par exemple un MCP serveur pour pouvoir interroger les agents. On a annoncé plein plein de choses. Donc n'hésitez pas à aller faire un tour et à suivre l'évolution de cette fonctionnalité que l'on enrichit au fur et à mesure. Et en parlant d'enrichissement, on a aussi annoncé il y a quelques mois ce que l'on appelle fabrique IQ au travers de l'ontologie. L'objectif, ça va être de rajouter une couche métier par-dessus les modèles sémantiques, les houseous de façon à amener du contexte qui soit global à l'ensemble de l'entreprise en créant des graphes avec des entités qui représentent les différents instances de l'entreprise. Et cette ontologie justement, on a annoncé à Build qu'elle était passée en G. Donc vous pouvez la tester et même la passer en production. Et ce fabric IQ va venir nourrir finalement un contexte de données pour avoir des réponses plus fiables au travers de nos agents en s'appuyant également sur deux autres briques Work IQ pour pouvoir capitaliser sur les documentations sur les euh les informations des utilisateurs en tant que tel sur quel projet il travaille sur quel document il travaillent avec quel collaborateur il travaille et sur Fund IQ qui va venir nous apporter euh une couche sur laquelle on va avoir une base de connaissance qui va permettre à nos agents de venir aller chercher de la documentation non structurée par exemple dans du SharePoint. Et quand on associe ces trois couches d'IQ, on a de la donnée structurée avec Fabrique IQ, de la documentation au travers de Fund IQ, un environnement de travail au travers de Work IQ, ce qui va permettre à nos agents d'être les plus pertinents possibles dans les réponses qu'ils vont apporter aux utilisateurs. Super, merci Émilie. Et on peut citer aussi le fait que ces datas agents créés dans fabrique peuvent être enrichis même à l'externe. On a cité notamment euh Microsoft Fundri et de plus en plus aussi on voit des framework couverts open agnostic qui euh pourraient on top des dates agagents fabrique aussi euh corréler d'autres sources de données. Super point d'attention. Si vous avez configuré les fabriques copilote capacity, hein, le fait de pouvoir consommer sur une autre capacité où sont hébergés vos items, euh faut savoir que les activités sur les datas agents sont aussi consommées sur cette capacité délié. He on a vu des clients avoir des des surprises là-dessus. Donc nous l'avons vu. Le vrai sujet n'est pas de choisir entre le house ou sémantique modèle mais de savoir quand il sait la bonne voile selon le besoin ou même de faire du better together. Akram Émilie un dernier mot. Oui ben bien dire Romain c'est c'est aucun navire seul en fait. de Lakeout, c'est vraiment pour creuser la donnée brute. C'est mon modèle, c'est plus les p des décisions qui serrent le métier. Donc de navire un seul équipage. Et là d'après ce qu'on voit sur Fabrique, les nouveautés qu' Milie a montré par rapport au build Fabrique on la voit plus comme une data plateforme mais vraiment le soleil a d'une entreprise qui sert les business via pas mal de data agents via une intelligence de IQ et et vraiment ça ça donne envie non seulement de tester tout ça mais aussi de voir la suite et qu'est-ce qui va en devenir de fabrique dans les prochaines années. Mais je voulais aussi vous remercier Capitaine Romain Amiral Milé aussi de de cet échange très intéressant en attendant la suite. Et je conclurai également par une très bonne bataille. Merci messieurs, c'était vraiment très enrichissant et finalement vous nous avez montré que l'enjeu c'est pas simplement de mieux exposer la donnée, mais c'est vraiment de permettre à ces nouveaux agents intelligents de bien comprendre l'entreprise. Donc c'est ce qui va nous permettre au travers d'IQ d'aller un cran plus loin, ce que l'on pourra voir par la suite. Ouais. Nous aborderons donc les ontologies dans un prochain épisode et on les passera à l'épreuve pour savoir aussi quels sont les avantages d'utiliser un data agent sur des ontologies. Ben merci à vous deux, merci à vous d'avoir suivi cet épisode sur Fard Data. Si vous avez des questions, n'hésitez pas à nous le mettre en commentaire. On vous dit à très vite pour de prochains épisodes et d'ici là, abonnez-vous à la chaîne. À bientôt. À bientôt. Merci. Merci. M. --- ## Fabric Apps (#Rayfin) : De la Data à l’Application URL: https://www.pharedata.fr/videos/fabric-apps-rayfin-de-la-data-a-l-application Publié: 2026-06-22 Durée: 32:31 Sujet: microsoft-fabric Mots-clés: microsoft-fabric, fabric-apps, rayfin, data-platform, backend-as-a-service, developpement-local, securite-des-donnees, fonctions-customisees ### Résumé Fabric Apps (Rayfin) introduit une approche unifiée pour créer, gouverner et déployer des applications data et IA dans Microsoft Fabric. La vidéo détaille le contexte, les cas d'usage, une démo concrète et les limites actuelles. Rayfin simplifie l'intégration des pipelines, modèles, visualisations et sécurité, tout en offrant une expérience développeur centrée sur la donnée. Les fonctionnalités en preview et les évolutions à venir sont également abordées. ### Points clés - Fabric Apps (Rayfin) permet de créer des applications data et IA de bout en bout dans Microsoft Fabric, sans assembler manuellement pipelines, modèles et sécurité. (2:01) - Rayfin propose un backend as a service managé, avec CLI, SDK et services pour déployer des applications web connectées aux services Fabric. (12:33) - La sécurité, l'authentification, la gouvernance et le scaling sont gérés nativement par Rayfin, réduisant les risques de fuite de données et simplifiant l'exploitation. (13:46) - Le développement local est possible via Docker, avec des templates expérimentaux disponibles sur le repo Awesome Rayfin. (16:53) - Une option d'accès public aux données, sans authentification, est prévue pour certains scénarios, sous contrôle administrateur. (17:43) - Les fonctions customisées (UDF TypeScript) et le stockage d'objets binaires sont des fonctionnalités à venir, actuellement en preview ou en développement. (18:31) - Un cas d'usage concret présenté : gestion des sinistres en assurance, automatisée via agents et fonctions, avec intégration complète dans Fabric. (19:53) ### Questions fréquentes **Qu'est-ce que Fabric Apps (Rayfin) dans Microsoft Fabric ?** Fabric Apps, aussi appelé Rayfin, est une plateforme unifiée dans Microsoft Fabric permettant de créer, gouverner et déployer des applications data et IA de bout en bout, intégrant sécurité, pipelines et modèles. **Quels sont les avantages de Rayfin pour les développeurs ?** Rayfin propose un backend as a service managé, avec CLI et SDK, simplifiant la création d'applications web connectées aux services Fabric, tout en gérant sécurité, gouvernance et scalabilité automatiquement. **Peut-on développer localement avec Rayfin ?** Le développement local est possible grâce à une solution expérimentale basée sur Docker. Des templates sont disponibles sur le repo Awesome Rayfin pour tester le backend en local avant déploiement dans Fabric. **Comment Rayfin gère la sécurité et la gouvernance des données ?** Rayfin intègre nativement la sécurité, l'authentification et la gouvernance, garantissant que les applications respectent les contraintes d'entreprise et réduisent les risques de fuite de données. **Quels types de fonctionnalités sont en preview ou à venir dans Rayfin ?** Les fonctionnalités en preview incluent le stockage d'objets binaires, les fonctions customisées (UDF TypeScript) et une option d'accès public aux données, sous contrôle administrateur. Leur disponibilité évolue rapidement. **Quels cas d'usage concrets ont été présentés dans la vidéo ?** La vidéo présente la gestion des sinistres en assurance, automatisée via des agents et fonctions, avec intégration complète dans Fabric, illustrant la valeur ajoutée de Rayfin pour des applications métier. **Comment déployer une application Rayfin dans Microsoft Fabric ?** Le déploiement s'effectue via la CLI et le SDK Rayfin, en connectant l'application à un workspace Fabric. L'authentification et la gestion des dépendances sont automatisées, facilitant la mise en production. ### Chapitres - — Phare Data - 2:24 — Evolution de Microsoft Fabric - 8:18 — Rayfin - 19:26 — Demo - 30:15 — Conclusion ### Transcript [musique] [musique] Ouais, bonjour et bienvenue sur Fardata, la chaîne qui éclaire vos données. Dans l'océan des données, voir clair change tout. Surata, on décrypte les services de données d'analytique CDIA. Le tout avec un ton accessible, des choix techniques assumés et une touche Derma. Que vous soyez architecte, analyse, data engénieur, product honur ou simplement curieux, Fardata vous accompagne pour comprendre les enjeux réels, éclairer les compromis et prendre de meilleures décisions et parfois avec le cri des mouettes en bruit de fond. Si ce genre de contenu vous parle, n'hésitez pas à vous abonner. Cap sur l'épisode du jour. Aujourd'hui, on parle d'un sujet qui fait beaucoup réagir, à savoir l'intégration d'applications dans Microsoft Fabrique avec les fabriques app et aussi connu sous le nom de Reffin. Donc dans cette vidéo, on va voir ce que la cela change concrètement, à quoi cela peut servir et dans quel cas les utiliser. Et pour en parler, j'ai le plaisir d'être accompagné de Christopher et d'Ashraf et d'un invité surprise qu'on dévoilera par la suite. Mais avant de commencer, je vous propose messieurs de vous présenter. Et ben je commence. Merci Romain pour l'invitation et pour du coup l'occasion de parler de ce sujet qui m'intéresse beaucoup et comme tu as dit qui est beaucoup évoqué dernièrement sur les sur les réseaux. Euh donc moi je suis Ashraf Sherkedrici Partner Solution Architect sur la data IA chez Microsoft. Donc je suis arrivé il y a pas longtemps mais dans le monde de la data depuis bah ça fera 10 ans prochainement. Salut à tous et à toutes. Je m'appelle Christopher, je suis cloud advocate sur la data dans les équipes engineering d'Azure et entre autres choses co-auteur de plusieurs livres sur fabrique avec notamment en Roumain. En effet, alors jusqu'à présent, construire une application autour de la donnée demander d'assembler beaucoup de choses, beaucoup de briques, des pipelines, des modèles de la visualisation, de l'authentification, de la sécurité et surtout beaucoup de couture entre tout ça. avec Rfin l'idée c'est dans fabrique on propose une approche radicalement différente beaucoup plus centrée sur l'expérience développeur et utilisateur donc dans un environnement qu'on connaît bien unifié. Christopher est-ce que tu peux nous présenter l'évolution de cette plateforme ? Oui, bien sûr. Je pense qu'il est important de replacer un petit peu cette fonctionnalité de Fabricaps dans le dans le paysage de Microsoft Fabrique. On a annoncé Microsoft Fabrique il y a très peu de temps en fait en 2023 comme une plateforme unifiée d'analyse de données. Donc on retrouvait au début de fabrique simplement la liste était déjà longue mais simplement tout ce qui est ingestion de données, des pipeline, des notebook PP par Park, un Lake House, un data warehouse les deux managés, des outils pour faire de l'entraînement de modèle de machine learning, un petit peu de temps réel et bien évidemment Power BI. Donc finalement Microsoft Fabric ça ça s'adressait vraiment à des professionnels de la data et plutôt côté analytics. Ensuite euh quelques build Ignite FAPCON plus tard, on a annoncé l'arrivée des bases de données opérationnelles à savoir Cosmos DB et euh Sequel Database sur Fabrique. Et donc là, on a ouvert un petit peu la porte de Microsoft Fabrique à d'autres profils. Fabric est devenue une plateforme unifiée d'analyse de données vers une plateforme unifiée de données tout court. On droppe le la partie analytics et on commence un petit peu à s'ouvrir au développeurs puisque ben des dev peuvent être intéressés par une base de données qui est entièrement managée. Le meilleur exemple que j'ai pour des développeurs qui connaissent peut-être Azur et qui connaissent pas Fabrique, quand on doit créer une base de données Sequel ou même Cosmos DB dans Fabrique, finalement on a plein de questions à répondre dès la création. Comment on va faire nos backup ? Quelle est la taille de notre instance ? Si c'est du cosmos DB, est-ce qu'on choisit entre euh du manual struct ou de l'autom de l'autoscale ou du serverless ? Donc finalement, on a plein de choix à faire. dès le début euh des choix qui sont euh structurants et puis des choix qui en tant que développeur veut pas forcément faire. Nous tout ce qu'on veut c'est avoir une base de données qui est opérationnel et qu'on puisse appeler depuis nos applications. Et donc avec les bases de données d'en fabrique en fait il y a une seule question quand on les crée c'est le nom de la base et c'est tout. Tout le reste est fait pour nous. toute la maintenance euh et toute la scalabilité est gérée euh derrière par la plateforme fabrique. Et puis on a vu d'autres choses comme les appis graph QL euh par-dessus ces bases de données mais aussi par-dessus par exemple le warehouse arrivé et donc on ouvrait un petit peu la porte de fabrique à des profils devant. Ensuite euh on a eu l'arrivée de la vague IQ euh avec fabrique IQ et notamment les ontologies euh puis les arrivées des data des data agents. Et là, on a commencé à ouvrir la porte de Microsoft Fabrique à d'autres profils, notamment des profils un petit peu métiers euh qui avaient besoin d'apporter leur connaissance métier à l'intérieur de Microsoft Fabrique pour que ça soit utile euh à leurs collègues. Et puis enfin à build au début du mois de juin et bien on a annoncé RFIN où les fabrique data apps et là on ouvre complètement la porte au développeur là où autant en 2024 on a ouvert un petit peu la porte en en leur disant mais vous avez une API une base de données. Là, Microsoft Fabric devient une vraie plateforme de développement [grognement] pour les développeurs, principalement des développeurs frontend, mais aussi pour des développeurs en mode agentique, c'estàdire que Rifin et Guan en en Ah bah, je dévoilé le prénom de l'invité euh mais on on verra tout à l'heure en quoi c'est euh c'est vraiment pensé Microsoft Rifin pour alors moi, j'aime pas le le l'esprit vibe coding, je trouve ça intéressant, mais là on parle d'application de production et justement on verra que que Rifin c'est un petit peu la solution pour passer de ces applications vibe codé à quelque chose d'un peu plus professionnel et d'un peu plus entreprise. Et donc si finalement quand on regarde Microsoft fabrique, on a commencé par s'adresser à des data analystes avec Power BI, à des data engineers et aujourd'hui avec Microsoft Plan. Euh donc je crois qu'on a parlé dans une vidéo récemment sur la chaîne pas si longtemps. Ouais. Euh Microsoft Plan là aussi ça s'ouvre en fait à tous les managers de business unite, à au comptable et cetera. Euh et en fait Microsoft Fabrique est en train de s'ouvrir petit à petit à l'intégralité ou quasi l'intégralité de de l'entreprise et on est très content de d'avoir les dev parmi ce ce public de Microsoft fabrique. Mais du coup pour parler de développement euh frontend, euh il faut quelqu'un de plus qualifié que moi et donc j'ai le plaisir de vous présenter Johan Laursa. Johann qui est aussi euh cladvocate dans mon équipe pour des collègues direct. Salut Johann. Salut Chris. Bah du coup moi c'est Johan. Bah j'ai rejoint Chris dans l'équipe Data Advocacy en janvier cette année. Donc c'est assez tout récent. Avant en fait j'ai passé 6 ans dans l'équipe d'ADOCI JavaScript. Donc mon profit c'est plutôt celui d'un dev à la base qui fait beaucoup de JavaScript et depuis bah plus de 15 ans maintenant. Euh et du coup tu on est plaisir, on a eu le plaisir de t'accueillir dans l'équipe et donc tu connais très bien JavaScript et tu découvre le monde de fabrique et le monde de la Daza du coup. C'est ça. Bah je suis passé en fait finalement d'un mode où bah pour moi les applications web initialement c'était elles qui produisaient de la donnée. Ah finalement alors je vais pas spoiler la suite mais avec Reffine on part plutôt de la donnée pour produire des applications web. Mais justement, est-ce que tu peux nous présenter un petit peu plus concrètement à Rine et et peut-être un petit peu l'historique de comment on en est arrivé à Rine et comment tu es arrivé à être buddy avec les équipes produits de RFINE ? Yes. Euh bah du coup Refin en fait finalement j'en ai entendu parler quasiment depuis le début de son existence. C'était à peu près en octobre 2025 si je dis pas de bêtises et je crois que ça fait à peine un mois. Euh c'est là où j'ai commencé à m'y intéresser parce qu'en fait l'idée était arrivée à la base quand j'étais encore dans l'équipe JavaScript où on nous a poussé un produit euh d'où l'idée c'était de simplifier un peu l'expérience des développeurs JavaScript autour d'Azur. Donc c'est quelque chose sur lequel on avait travaillé des années en arrière en poussant un peu ces idées là avec Wasim, un autre collègue à moi avec qui on était dans l'équipe JavaScript. Et alors c'est resté un peu sous le radar initialement comme un poque pendant quelques mois et en fait en ce début d'année euh bah juste après mon changement d'équipe, j'ai eu vent finalement que ça allait être poussé un peu comme une priorité que ça allait arriver à build et c'est là où j'ai commencé à vraiment bosser avec l'équipe produit à partir à peu près du mois de février. Et là tout s'est enchaîné assez vite. Finalement ça a bougé énormément en quelques mois. Bah jusqu'à jusqu'à ce que ça sorte au public. Oui, parce que c'est toi qu'on a vu la présenté cette nouvelle fonctionnalité lors de la build. C'est ça. Et du coup euh bah Refin en fait finalement c'est quoi ? On va arriver à un peu au contexte. Donc avant de répondre finalement au quoi, j'aimerais d'abord adresser juste en quelques mots le pourquoi histoire qu'on comprenne le problème que Reffin essaie de résoudre. Donc ça commence à faire quelques années maintenant qu'on utilise un peu tous des LLM. Christopher a parlé de vibe coding euh mais depuis je dirais à peu près finalement novembre dernier, il y a eu un gros shift où on est passé euh bah en tant que dev en tout cas d'une majorité où on était plutôt code first, on continua à coder ces applications à la main avec l'aide d'agent et de ll pour aller un peu plus vite où finalement on a shifté vers un modèle où on est plutôt agentic first euh où c'est maintenant les agents qui écrivent la majorité voir la totalité du code qui est drivé par des dev. Alors ça permet d'aller vite, ça permet d'ouvrir aussi la création d'applications au non dev avec le fameux vibe coding quoi qu'on en pense. Le fait c'est que maintenant quand on veut faire un proto avant on avait besoin de plusieurs mois avant qu'on ait quelque chose de visible d'utilisable à montrer à un client. Aujourd'hui ça peut se faire en quelques heures, voire selon le scope en quelques minutes. Le souci par contre c'est qu'on a toujours bah les mêmes problématiques qu'avant. un proto, ça reste un proto. Beaucoup n'arrivent jamais en prod et j'ai presque envie de dire heureusement euh même si beaucoup notamment qui qui forcément ne voit pas forcément la partie technique le voi pas comme ça. À partir du moment où on voit un truc, on se dit "Bah c'est bon, on peut l'envoyer en prod." Euh le problème avec ça, c'est qu'en fait les contraintes de prod. Alors là, je pense qu'on peut passer au slide suivant. Certes, la partie dev, elle va plus vite, mais on a toujours bah les mêmes contraintes d'entreprise. Les agents, eux, ils connaissent pas forcément toutes ces contraintes euh qui en plus d'être différentes pour chaque boîte, euh bah la grosse problématique souvent, ça va être tout ce qui concerne les données, comment les sécurise, faire attention, euh comment on gère l'identité des gens qui vont accéder à ces données, comment on garantit que bah les données elles pourrissent pas avec le temps, qu'on garantit certaines contraintes d'intégrité derrière. qui va gérer ces données ? Euh, comment on gère la sécurité de l'accès à ces données ? He, il y a eu quand même pas mal d'histoires assez peu sympathiques sur justement les fuites de données. Il y en a eu il y en a, j'ai envie de dire, il y en a eu, il y en a toujours beaucoup dernièrement hein, chaque semaine, on a on a un peu sa nouvelle fuite de données. C'est un peu la problématique du moment. Après, bah, il y a tout ce qui est déploiement et l'exploitation après des données analytics comme Christopher a parlé un peu en intro. Donc ce qui nous amène bah finalement à parler de Refin, donc le slide d'après c'est là que Reffine arrive, c'est bah finalement pour combler tout ce trou qui se trouve au milieu de RFINE, c'est quoi ? C'est ce qu'on appelle un backend as a service. Anglais en anglais l'acronyme c'est basse. Je sais pas si vous avez fait le lien mais basse ça se traduit à peu près. Alors ça s'écrit pas pareil mais basse c'est aussi le poisson le bar quand on traduit ça en français. Et c'est un peu le jeu de mot avec Rfin qui est aussi le nom d'un poisson. Et je sais pas si vous avez vu certains vieux logos. Je crois qu' ont pas été officiellement approuvés mais voilà c'est c'est le logo d'un poisson. Donc euh Refin un backend as service qui est managé sur Fabrique. Derrière c'est quoi ? Donc c'est une plateforme qui comprend une CLI, un SDK et des services managers du coup pour construire et déployer le backend de web application enant derrière bah tous les services de fabrique. Alors ce que vous pouvez voir sur ce slide, c'est que aujourd'hui finalement ce qui a été dévoilé dans dans la dans la partie preview publique, c'est qu' une toute petite partie du scope de ce qu'aimerait couvrir aujourd'hui Rifin. Donc il y a déjà il y a déjà pas mal de spoilers sur des choses qui vont arriver sur ce slide. Euh mais en vrai, si je vous montre ça, il y a rien vraiment de neuf sur cette partie backend as the service. En fait, ce qui va être surtout intéressant, c'est le modèle derrière Refin, c'est le fait d'utiliser fabrique, le fait d'avoir un SDK qui a été pensé finalement pour les agents et pour garantir que ton appli qui va être codé par un agent va respecter bah toutes les contraintes entreprises classiques en s'appuyant sur tout ce qui existe déjà sur Fabrique. Et ça même si tu fais du vibe coding, même si en tant que dev, on n'est pas forcément fan. Euh voilà, il y a ça c'est ça c'est bon côté quand même surtout pour des personnes qui sont patc et qui veulent un peu jouer avec. Et ben Refin va va aider sur cette partie-là. Euh je pense qu'on peut avancer sur le slide d'après. Euh donc voilà, ça va permettre de couvrir justement bah tous ces fameux besoins en sécurité. Donc ce qui vont être amenés par le SDK, par la plateforme Refin sur toute la partie notamment authentification, la partie analytics, euh la partie scaling. Bon ben voilà, le back est managé, on n pas forcément à se poser de questions sur voilà est-ce qu'on a besoin de plus de compute ou pas, ça va être géré par la plateforme. La partie gouvernance, bon bah c'est des choses qui qui sont natives en fabrique. Et surtout en fait ce qui amène aussi ReFINE, c'est toute la partie intégration justement avec l'agent de code faire le lien entre OK, on a une plateforme, on a SDK, maintenant faut quand même aussi que l'agent, nos agents de code sachent s'en servir et c'est là aussi que vient compléter. Moi, je j'lobe ça dans la partie SDK outillage, mais en fait RFIN vient avec des skills, un serveur MCP, tout plein de choses pour apprendre au aux agents finalement à savoir comment utiliser cette plateforme là et bien s'en sortir. Je pense que c'est le dernier slide. Et voilà, c'est un peu comme si on faisait vibe coder notre agent avec des rails. Je vois pas le slide qui est avancé. Est-ce qu'on peut avancer Romain ? Voilà, c'est un peu comme si voilà, on poussait un peu des rails de sécurité à notre agent pour pas qu'il sorte en dehors de clou. Et finalement, c'est aussi une grosse partie de la valeur ajoutée, c'est de dire bon ben voilà, on peut utiliser des agents de code même si alors en tant que dev, moi ça me ça me risse le poil, mais même si on regarde pas le code qui a été généré, on a quand même une garantie parce que finalement le SDK permet pas de faire n'importe quoi, que l'appli web, le le backend qui va être utilisé, nos données euh bah il va pas se passer n'importe quoi avec, n'importe qui va pas pouvoir y accéder. il y aura toute la sécurité auquelle on s'attend derrière pour pouvoir pousser une appli en entreprise. Et finalement c'est ça c'est ça cette grosse valeur ajoutée, c'est qu'on peut mettre Reffine finalement même dans les mains d'un PM, de quelqu'un du marketing qui va pouvoir jouer avec, essayer d'exploiter les données et on sait que il va pas se passer n'importe quoi. On aura pas demain les la on va pas faire demain la une justement du journal local ou national avec la prochaine fit de données. Donc c'est aussi ça qui est super intéressant. c'est unifié puisque finalement c'est sur la capacité dans lequelle tu vas créer l'objet euh que tu vas finalement payer en terme de d'utilisation des CU. C'est ça. Donc tout va être bah justement géré aussi sur la la partie bah capacité fabrique. Donc bah en terme de coût, si on a déjà un accès à fabrique quelque part, on a on paye pas supplémentaire, ça va être intégré dans cet abonnement qu'on a déjà quoi. Alors justement Johan, toi qui est buddy avec l'équipe produit, tu as dit sur une ou deux slides avant qu'il y avait des des petits spoilers. Est-ce que tu veux le dire un peu plus ? Oui. Euh alors déjà, bon bah je peux je peux aussi en parler parce qu'il y a des choses euh qui initialement été prévues pour cette preview publique qui ont été un peu coupé à la dernière minute. Donc finalement ça va arriver. Euh notamment surtout moi quelque chose qui qui me tient à cœur en étant dev euh avant tout euh c'est tout ce qui est l'expérience locale, le fait de pouvoir bah développer sur sa machine finalement et tester son appli avant même de déployer quelque chose. Euh on a quelque chose qui est encore expérimental aujourd'hui qui est basé sur Docker. On peut faire tourner tout le backend refin en local. Alors, d'ailleurs, s'il y en a qui se sont amusés à aller jouer, à aller regarder sur le Rippo euh Awesome Rifin qui est un Rippo public, aujourd'hui on a déjà quelques templates. Euh il y a un template qui s'appelle, je crois que c'est le todoo expérimental euh et discrètement c'est'écrit dessus with full local dev. Euh donc en fait, ça vous permet de tester déjà si vous avez envie de jouer, voir ce que ça peut donner de de lancer tout le bacandine en local. Il y a un template qui permet un peu d'expérimenter ça aujourd'hui. Euh donc voilà, c'est c'était un peu caché les liens dans les commentaires de la vidéo. C'est en train d'arriver. Quelque chose aussi sur lequel initialement d'ailleurs j'avais j'avais construit ma démo pour build et j'ai dû l'enlever à la dernière minute parce que je me suis fait un peu taper dessus parce qu'ils ont ils ont changé d'avis. euh c'est le fait d'avoir une option euh qui va arriver normalement dans les sous peu dans les paramètres administrateurs de de fabrique pour activer l'accès public aux données. Si vous faites une application et que vous savez que les les données sont pas critiques, on va pouvoir avoir une option pour activer le fait que bah on puisse utiliser une application refine qui consomme des données, donc sur une base de données sequel qui est hébergée dans fabrique sans avoir besoin de s'authentifier si bien sûr l'admin vous a autorisé à faire ça et voilà vous pouvez avoir un accès ridonly pour pour aller faire quelque chose sur ces données et présenter votre appli sans forcer les gens à devoir être authentifiés. Donc ça aussi c'est assez intéressant pour certains types d'applis. Puis euh alors après sur les parties fonctionnalités de fabrique, on en a vu quelques-unes euh notamment le storage qui devrait voilà qui est qui devrait pas tarder à arriver, le fait de pouvoir bah stocker des images, des données un peu plus grosses, un peu binaires à son application et euh et les fonctions aussi qui sont le prochain gros morceau qui va arriver qui va être super intéressant, bah la fonction, le fait de pouvoir justement définir du code customisé en plus d'avoir voilà le backend manager pour accéder aux données, on va pouvoir customiser un petit peu bah des process pour son application sans avoir justement à développer un backend complet, juste quelques fonctions de données. Du coup, pour finir, je pense s'il y a une prochaine date à retenir pour justement suivre un peu les évolutions de la plateforme et les choses à arriver, euh on m'a dit qu'à Guitub Universe, il y aurait pas mal de choses intéressantes qui pourraient être annoncées, mais là, je peux pas en dire plus. Et avec Johann, c'est un petit peu comme la météo marine, on a les annonces de la météo dans les prochaines semaines. Et du coup, je crois que pour la suite, on a une une démo super intéressante de Hraf. Euh du coup bah pour savoir un peu plus en détail comment ça fonctionne. Alors on a vu plusieurs exemples d'application dans Fabrique mais jusqu'ici ça semblait encore assez éloigné de besoins de métier. On a vu des jeux de Mortal Combat, on a vu pas mal de choses. Ashraf, tu as déjà identifié chez tes clients des besoins concrets autour de ce type d'application ? Bah les discussions, on va dire démarrent. Euh surtout comme je disais du coup Johann, pas mal de fonctionnalités sont sont encore en train d'arriver. Euh mais euh l'un des premiers use case du coup que sur lesquels on a commencé vraiment à pouvoir construire une démo euh concrète euh c'était plutôt la gestion du coût des sinistres euh pour un client dans l'assurance. Euh donc l'idée étant euh au lieu d'avoir les les bah les agents, les personnes gestionnaires de des sinistres qui vont aller s'occuper [raclement de gorge] de répondre à toutes les demandes, d'analyser le risque et euh classifier et tout ça, euh c'est de plutôt avoir euh un agent qui surtout que le la toutes les toutes les données qu'il faut sont déjà dans fabrique. Euh et du coup, comment exploiter ça ? Pluguer potentiellement ça avec des agents pour faire le travail. Et là, on va avoir un une première vue à ce qu'on peut réellement faire une fois que les fonctions seront disponibles pour pour tout le monde et euh la valeur ajoutée donc que ça peut avoir au business, mais également à quoi ressemble l'expérience du développeur. D'un point de vue, je démarre d'un workspace qui est d'un repo d'un workspace qui est complètement vide et jusqu'à une application qui est développée et disponible. Donc ce qu'on verra pas exclusivement ici nécessairement, c'est euh le un peu l'architecture de dans le workspace, donc le Lake House qui va alimenter les données qui seront euh qui seront exposées et utilisées dans RIN et aussi du coup un peu le euh le right back, donc euh des actions que euh qui vont être effectuées via l'application, donc ils vont être par la suite resynchronisés dans les cas pour remonter par la suite dans des canaux de reporting classique ou des traitements tierces. Euh bah du coup Roma, je te propose qu'on peut lancer la vidéo. Donc elle est un peu accélérée sur certaines parties parce que par exemple là sur le setup du template vide, ça peut prendre une petite dizaine de minutes selon selon la puissance des machines en dessous. Mais c'est un peu comme disait Johan, donc c'est le c'est la vraiment le le scaffolding de toute de toute l'application avec toute la structure des dossiers à respecter euh et tout ça, la configuration du serveur MCP pour que les agents puissent comprendre comment réellement exploiter et utiliser du coup euh le SDK et créer tous les tout le code qu'il qu'il faut aller. Donc là, ça a fini d'exécuter. Donc le scaffolding, il est fait. À ce moment-là, du coup, on va plutôt passer à la partie un peu vibe code. Donc là, j'ai ce que j'ai fait, c'est que j'ai repris toutes les notes de réunion qu'on a fait du coup avec le partenaire et le client sur le use case. Je les ai fait synthétiser et structurer un peu via copilote et après je l'ai mis en one shot, en autopilote euh en mode yolo euh pour que copilot ma guitab copilot fasse tout le travail. Donc là, c'est assez accéléré. Ça a pris euh 25 minutes sur le total pour créer la l'application de A à Z. Euh la seule différence entre ça et l'expérience que du coup les utilisateurs auront actuellement avec RFIN, c'est que moi j'ai accès aux fonctions qu'a évoqué Johan tout à l'heure. Donc je lui ai donné aussi certaines instructions que j'avais sur lesquelles du coup j'avais expérimenté sur un autre sur sur une autre application pour apprendre du coup des leçons là-dessus. Et l'avantage d'avoir cette approche de bah du coup adapter le prank pour le faire, c'est que j'ai dû j'ai pas eu à toucher une seule ligne de code. Forcément, va falloir faire la revue de code, mais l'idée là, c'était de pouvoir démontrer la puissance que peut avoir du coup un bon LM avec Refin pour vraiment créer le code production ready sans ou avec une intervention, on va dire, humaine assez limitée. [souffle coupé] Donc là, on va le laisser tourner un peu. Vous voyez, il a fait le premier la première lecture de Ripo pour comprendre. Il s'est connecté au serveur MCP, il a commencé à éditer à écrire du code. J'ai j'aurais honte de dire qu'il a commencé à cracher du code parce que c'est vraiment du code qui a été écrit qui respecte exactement les conventions de du SDK. Et euh quand ça va finir, ça devrait pas tarder. Tes données étaient déjà euh dans fabrique ? Oui. Donc j'ai quand même repris un peu la même structure des données du du case client. J'ai j'en ai généré quelques données synthétiques euh pour la démo parce que du coup quand on sera sur l'application, je peux pas je peux pas démontrer les données clients. Euh mais ça a respecté le la même structure et les données du cours résident dans un layout, dans un workspace dédié. Et dans ce même workspace, du coup, on aura l'application qui sera hébergée. Et donc là, une fois que c'est prêt, euh vous voyez, je lance la commande N R app. Donc il va déployer. La seule différence, c'est que euh je voulais vraiment pas intervenir, donc je lui ai mis en autove et je lui donneris directement le workspace ID. Contrairement à si vous faites juste la commande, il va vous demander l'URL du workspace bah ou le nom du plutôt du du workspace et euh accepter certains trucs. Et là l'application est up. Donc ça utilise l'authentific le leidentité euh et votre compte fabrique pour se connecter. Donc ce que vous voyez pas exactement c'est que quand vous cliquez sur le bouton, c'est un popup qui sort pour s'authentifier. Si vous êtes déjà connecté sur fabrique sur le même browser, bah ça va juste vous afficher une petite fenêtre réduite de de votre workspace et ça va se lancer. Et là, ce sont toutes les données qui sont le coût dans mon workplate. Donc t toutes tous les sinistres déclarés. Et là, on va voir le la puissance des fonctions, c'est dans la gestion de ces sinistres là. Donc quand on va y aller dans un de ces euh de ces claim et qu'on veut du coup le gérer, donc on voit euh à droite euh des options du coup de riscorine et de draft de euh d'une d'un email de réponse. Et donc là ce qui se passe c'est que Refin prend tout ça, prend toutes les informations du claim sur le client euh et sur le compte ainsi de suite et les envoie dans un un netcoin found avec un modèle GPT 5.4 4 qui lui synthétise des informations avec un des instructions spécifiques et par la suite du coup rédige cet email et si on est content, on prend cet email là et on peut l'envoyer au client. Pour l'instant, ça fait pas d'envoie automatique. Euh et par contre ça du coup il y a les actions manuelles pour les utilisateurs qu'ils peuvent refaire et ce qu'on va revoir dans ce cas-là c'est plutôt le risqueine. Donc on a un premier un premier score de risque associé à ce sinistre. Donc là on demande la même chose à l'élèm de faire le risque euh de ces de de ce sinistre là. Et euh si on n'est pas content du du score, ben on pourra toujours éditer euh et intervenir manuellement. Donc là, les agents avec un petit scorecard des différences euh des différentes personnes qui gèrent les différents sinistres, des stats, un petit des petits graphes assez basiques et simplistes, mais qu'on peut toujours euh alimenter et améliorer. Euh pour l'instant et ce qui viendra un peu plus après aussi euh c'est que la seule difficulté avec l'utilisation des fonctions à dat, mais ça ça sera pas le cas quand ça sera disponible, c'est un peu la gestion des informations donc type land found et tout ça. Pour l'instant, j'ai dû du coup euh envoyer le URL de l'end point found directement dans le code parce que les variables ne sont pas là tout de suite disponibles. Mais dans tous les cas, les fonctions ne le sont pas tout de suite non plus. Elles partiront en private preview prochainement et en public preview dans une date à définir. Euh mais quand ça sera le cas, ce qui va aussi se passer, c'est qu'on aura du coup aussi l'intégration à Kivotte. Euh donc on aura plus besoin de gérer les euh les secrets manuellement euh et euh tout va se passer très bien. Et un peu comme a mentionné Johann sur l'exécution du coup un peu en local euh de de la fonction euh bah juste après cette démo, j'ai fait j'ai pu faire tourner le coup le backend euh en local euh avec des commandes directes qui sont bien documentées. Voilà pour pour être complètement honnête, j'ai j'ai demandé à Copilot de le faire. Du coup, vu qu'elle avait accès au serveur MCP de Reffin, il a su quoi faire. Il l'a lancé. J'avais mon mon mes fonctions, mon des fonctions qui tournait. J'avais mon backend qui tournait avec le web server, le dashboard et tout ça. Et puis je lance mon frontend et euh ça a fonctionné comme de la magie. Euh j'ai pas revu tout le code, donc je sais pas exactement ce qu'il a fait euh la mais euh j'ai à aucun moment eu à intervenir ou à résoudre aucun problème. Euh ce qui est une expérience très très différente de ce que je connaissais euh avant en partant de zéro et en essayant de faire un peu du vibe coding euh from scratch. Voilà. Alors en fait là ce que tu nous as montré, tu étais en local. Ah ben non non, tout est tout est déployé sur un workspace sur un talent de fabrique dégué. OK. Donc ce que tu nous montres là, c'est le workspace dans lequel ça a été déployé. Exactement. Donc là, j'ai je montre exclusivement tous les items qui sont relatifs à l'application, donc à l'application R qui a été déployé. Donc là, en terme d'arborescence, on voit l'application et après toutes ces dépendants. Donc là, on aura le SQL Analytics SP point pour aller par la suite interroger les données qui sont stockées dans la la SQL database euh qui est associé et du coup, on va stocker toutes les données transactionnelles créées sur et par l'application. Mais ce qu'on peut aussi voir, c'est ce qui va venir prochainement, c'est les fonctions. Donc c'est une UDF euh spécifique Typescript qui qui sera disponible et avec les différentes fonctions qui seront du coup invoquées par euh par le backend au moment du coup d'un clic d'une action sur l'UI très spécifique. Et à côté de ça, bah du coup, on peut aussi voir euh l'application qui est là toujours au sein de du portail fabrique. Si on veut directement aller sur l'application, on a qu'à cliquer ouvrir le lien dans un dans une nouvelle fenêtre. À ce moment-là, du coup, on va se retrouver sur euh ce que tu nous montrais tout à l'heure en fait. Exactement, c'est ça. Bah c'est pour ça que je je préférais d'afficher d'afficher directement ça. On pouvait toujours le lancer en local, mais c'est beaucoup plus sympa de de montrer que ça marche une fois déplier. Donc là, toujours même expérience qu'on a vu tout à l'heure. Donc je peux aller dans un dans dans un autre et voir lancer le drafting. Vous voyez bien que c'est pas de la donnée euh c'est pas de [soupir] voilà. [raclement de gorge] Donc c'est des actions qui vont aller par la suite déclencher des fonctions très spécifiques et je peux faire de riscorine ainsi de suite. Voilà donc exactement comme on a vu dans la démo. Ah c'est top. Bon ben super. Merci Ashraf pour cette démo et puis du coup les coulisses de cette démo. Euh comme quoi tous les chemins mèent ta fabrique hein. On pensait que c'était réservé à à du SQL et du Python. Et puis là on se retrouve avec du Type Script qui qui rentre de la fabrique. Donc c'est impressionnant. Ouais. Et donc en résumé hein, Refin et les Fabric marquent une évolution donc majeure hein dans Microsoft Fabrique, on l'a vu, Microsoft Fabrique évolue d'une plateforme et tu l'as très bien dit Christopher, data maintenant vers un environnement capable de créer de véritables applications data et diobjectif dépasse l'analyse ou l'exposition de données. Il s'agit désormais de concevoir des expériences complètes, directement construites autour de la donnée. Ben honnêtement, merci beaucoup Romain pour pour l'invitation et l'occasion du coup de partager un peu les choses derrière un peu derrière les coulisse et aussi entendre un peu toutes les informations de Christopher Rayoran et et voir le futur de de fabrique qui s'éclaircit de du jour au lendemain et ça a évolu très très vite. Mais on essayera et on fera l'effort pour vous tenir tous au courant des nouveautés et les tester et les ramener plus proche de vous. Merci Ashraf. Johann, un petit mot. Euh bah merci Romain pour cette première invitation. Ça m'a fait plaisir de sortir un petit peu la tête de l'eau. Bah, venir partager un peu tout ça avec vous, découvrir aussi bah qu'est-ce qui se passe maintenant que Reffine est passé de l'autre côté dans les mains un peu de tout le monde. Et bah c'est génial de de voir un peu toutes les applications qui sont construites quand on voit un peu sur les réseaux, les idées qu'ont les gens et tout. Enfin, c'est génial. Une fois que tu mets le produit un peu dans les mains de tout le monde, bah tu tu en apprends autant finalement qu'en ayant bossé dessus pendant plusieurs mois, voilà, en mode silo fermé. Donc ouais bah j'ai hâte de voir aussi bah les nouvelles features arrivés pour pouvoir pousser bah un peu le les applis qu'on peut faire avec un peu plus loin et puis hâte de voir aussi ce que les gens vont construire avec. Super. On mettra les liens que tu as cité dans le commentaire de la vidéo. En tout cas merci d'avoir participé à cet épisode. N'hésitez pas à vous abonner. N'hésitez pas à nous dire si vous avez des questions, des commentaires. --- ## De l’analyse à la décision : Le rôle clé de Fabric Plan URL: https://www.pharedata.fr/videos/de-l-analyse-a-la-decision-le-role-cle-de-fabric-plan Publié: 2026-06-18 Durée: 21:20 Sujet: microsoft-fabric Mots-clés: microsoft-fabric, fabric-plan, power-bi, planification-budgetaire, forecast, capacity-unit, rls, audit-trail ### Résumé Fabric Plan transforme la planification en entreprise en l'intégrant directement dans Microsoft Fabric. Les utilisateurs peuvent saisir, simuler et valider des budgets ou forecasts depuis Power BI, comparer des scénarios en temps réel et collaborer avec une traçabilité complète. La tarification repose sur la capacité utilisée, non sur les licences individuelles, offrant flexibilité et adaptation à l'usage réel. La sécurité et l'audit sont gérés nativement. ### Points clés - Fabric Plan permet la saisie et la modification de budgets directement dans Power BI, sans Excel ni exports. (3:10) - La ventilation automatique des totaux permet d'ajuster les valeurs à tous les niveaux hiérarchiques, avec répartition sur les niveaux inférieurs. (4:33) - Les scénarios de planification peuvent être sauvegardés, comparés et validés via des workflows collaboratifs avec traçabilité et audit. (5:20) - La sécurité est gérée nativement avec le RLS, chaque utilisateur accède uniquement à son périmètre défini. (5:45) - La tarification de Fabric Plan repose sur la capacité utilisée (CU), non sur des licences utilisateur, ce qui évite le surlicencement. (18:11) - Les données modifiées sont persistées dans une base SQL sur Fabric, permettant une exploitation opérationnelle et une intégration dans d'autres outils. (15:28) - Fabric Plan s'appuie sur un éditeur spécialisé (Lumel), réintégré dans Microsoft Fabric pour la planification et la performance d'entreprise. (6:08) ### Questions fréquentes **Comment fonctionne la saisie de données dans Fabric Plan ?** La saisie de données dans Fabric Plan se fait directement dans Power BI via des matrices interactives. Les utilisateurs peuvent modifier les valeurs, ajuster des montants à différents niveaux hiérarchiques et la ventilation des totaux est automatique. **Peut-on comparer différents scénarios de planification dans Fabric Plan ?** Fabric Plan permet de sauvegarder plusieurs scénarios, comme des versions conservatrices ou optimistes, puis de les comparer facilement dans le même environnement. Les ajustements et impacts sont visualisés en temps réel. **Comment la sécurité est-elle gérée dans Fabric Plan ?** La sécurité dans Fabric Plan repose sur le RLS (Row Level Security). Chaque utilisateur accède uniquement à son périmètre, défini par pays, marque ou business unit, avec une gestion native dans Fabric et Power BI. **Quelle est la tarification de Fabric Plan ?** La tarification de Fabric Plan est basée sur la capacité utilisée (CU) et non sur des licences utilisateur. Les coûts s'adaptent à l'activité réelle, évitant le surlicencement et permettant d'intégrer facilement des utilisateurs ponctuels. **Les modifications sont-elles tracées dans Fabric Plan ?** Toutes les modifications, validations et scénarios sont tracés dans un audit trail. Cela permet aux administrateurs de suivre précisément les actions réalisées et d'assurer une traçabilité complète des workflows. **Fabric Plan nécessite-t-il Excel pour la planification ?** Fabric Plan ne nécessite pas Excel. La saisie, la modification et la simulation des données se font directement dans Power BI et Fabric, éliminant les exports et les versions multiples. **Peut-on persister les scénarios dans une base SQL avec Fabric Plan ?** Les scénarios créés dans Fabric Plan peuvent être sauvegardés dans une base SQL sur Fabric. Cela permet une exploitation opérationnelle et une intégration avec d'autres outils via des connecteurs. ### Chapitres - — Phare Data - 1:40 — Microsoft Fabric Plan - 6:44 — De l'analyse à la décision en 4 étapes - 8:09 — Demo - 17:42 — Tarification - 19:41 — Conclusion ### Transcript [musique] [musique] Bonjour et bienvenue sur Farata, la chaîne qui éclaire vos données. Dans l'océan des données, voir clair change tout. Sur far data, on décrypte les services de données d'Aytics et d'IA, le tout avec un ton accessible, des choix techniques assumé et une touche derma. Alors que vous soyez architecte, analyse, data, engénieur, productur ou simplement curieux, Fardata vous accompagne pour comprendre les enjeux réels, éclairer les compromis et prendre de meilleures décisions et parfois avec le cri des mouettes en bruit de fond. Si ce genre de contenu vous parle, n'hésitez pas à vous abonner. Cap sur l'épisode du jour. Aujourd'hui, on va parler d'un sujet qui soyons honnête est encore souvent un peu chaotique dans les entreprises, à savoir la planification budget, forecast et scénario. Très souvent, ça vit dans Excel, ça circule par mail et ça n'est pas connecté au reste de la data plateforme. Résultat, plusieurs versions de la vérité, beaucoup de friction et c'est exactement le problème que Microsoft essaie d'adresser avec Fabrique plein maintenant en Jet depuis la build, la dernière build qui a eu lieu il y a pas si longtemps dans fabrique. Pour en parler, j'ai le plaisir d'être accompagné par Marc et Fabien qui vont nous montrer ça en conditions réelles avec une démo, je crois réalisée pour un client récemment, mais je vous laisse vous présenter. Bonjour à tous, Marc, donc je suis Solution Engineer Data Analytics. Euh bonjour à tous, je suis Fabien Datau, je suis Cloud Solution Architect Data Analytics aussi. Donc avant de rentrer un petit peu dans les la fonctionnalité en détail, on va mettre un petit peu de contexte. Euh alors si on prend du recul, on a longtemps utilisé Por B pour répondre à à une question simple. Donc qu'est-ce qui s'est passé ? Euh mais aujourd'hui c'était plus suffisant. Euh avec Fabrique, on essaie d'aller plus loin et donc de passer à autre chose pour comprendre un peu qu'est-ce qui va arriver ensuite et qu'est-ce qu'on devra faire euh par la suite. Donc on évolue du descriptif vers l'opérationnel puis vers l'actionnable. L'actionnable. Euh et ça euh c'est là où il y a le vrai shift parce que le dashboard c'est plus que un seul outil de lecture mais ça devient un système opérationnel avec du write back donc de la réécriture euh à depuis Power BI et fabric avec des alertes automatiques et donc maintenant avec la planification intégrée aussi. Et c'est là que Fabrique Plan entre en jeu. Euh donc Fabrique Plan, ça va vous permettre de modéliser des budgets, des forecasts avec du Vbike natif dans fabrique sur une couche de modèle sémantique, une couche sémantique partagée. Donc on peut travailler à plusieurs. Euh et surtout c'est utilisable directement par les métiers. Et là c'est là où où ça je change tout parce qu'on va pouvoir euh planifier. Euh donc on planifie plus à côté de la data, on planifie directement. dans la plateforme de données. Et donc d'un point de vue composant euh [grognement] faut savoir que dans Fabrique Plan, il y a quatre composants différents. Aujourd'hui, on va le voir avec la démo de marque. On va plutôt se concentrer sur la partie vraiment planning sheets. Donc qui permettent de saisir dans PowerB donc il y a pas besoin d'Excel, pas besoin de faire des tickets, pas besoin d'éditer la donnée dans les les applications sources. Je peux directement faire ça dans dans fabrique. Ça c'est fait pour les contrôleurs euh qui vont pouvoir éditer euh et en plus l'IT va pouvoir superviser tout ça. Donc ça c'est fabricet qu'on va vous montrer. Il y a aussi trois autres composants dont on va pas vraiment parler aujourd'hui mais qu'on pourra faire sûrement dans une prochaine vidéo qui c'est qui sont les power table donc qui permettent d'agréger en temps réel plusieurs sources de données qui vont qui vont qui n'ont pas besoin de batch, pas besoin de copiercoller et les données seront toujours à jour. Euh, on a aussi la une partie intelligence avec des forecasts natifs, de la détection d'anomalie, du machine learning intégré, tout ces genres de choses. [grognement] Et on a aussi tout ce qui est infobridge qui permet de se connecter à des sources externes, donc comme SAP, dynamics via des fichiers place sécurisés et donc d'avoir de la traçabilité de bout en bout. Mais euh mais on va vraiment se concentrer aujourd'hui sur planning sheet. Euh donc d'un point de vue fonctionnalité, planning sheet avec planning sheet, on va pouvoir donc comme on l'a dit faire de la saisie directement dans Power B. Donc on va avoir une matrice dans lequelle il y a différentes cellules et on va pouvoir écrire des données dans les cellules, modifier des valeurs pour faire du la planification. Euh et encore une fois, il y a pas d'export, pas besoin d'exporter. On peut le faire directement dans l'outil et il y a pas de copiercollé, rien du tout. On écrit directement dans l'outil. On a aussi une gestion automatique de tout ce qui est total et euh et euh et donc d'être capable d'aller euh répartir. Donc si admettons qu'on écrit à un niveau total ou agrégé, ça va automatiquement euh pouvoir euh euh enfin ventiler le total sous les niveaux inférieurs automatiquement. Donc on n pas à à saisir que au niveau détail pour que l'agréga se mette à jour. On peut aussi saisir au niveau agrégagé et euh et du coup tous les niveaux inférieurs vont se mettre à jour automatiquement avec une règle de répartition. Euh on va pouvoir sauvegarder des différents scénarios euh et donc euh donc ça ça va permettre de faire des des des scénarios différents et de pouvoir après les comparer entre eux. On va pouvoir faire des workflow de validation. Donc admettons qu'un contrôleur fasse un scénario va pouvoir demander une validation à son manager ou à la direction financière et encore une fois tout est tracé. Euh et tout est eurodaté. Euh tout ça euh ça tourne dans un audit euh et une version globale. Donc on on peut à chaque fois voir les différentes versions de des différentes saisies et euh ça reste compatible avec la RLS, donc la sécurité par rôle. Euh donc chaque contrôleur voit son périmètre, son pays, son pays, sa bu, euh sa marque et tout ça c'est géré nativement par fabrique. Euh et donc pour vous montrer tout ça euh je laisse la main à Marc euh qui va vous présenter euh une petite démo qu'on a fait pour un de nos clients. Ouais. Juste avant ça, euh peut-être rappeler que ce nouvel item dans Microsoft fabrique, c'est pas un item qu'on a créé nous, c'est un item qui est basé, je crois, sur un éditeur qui s'appelle Lumel et qui était spécialisé dans le planning et la performance d'entreprise, les EPM et ça proposait une solution de codes pour permettre au métiers de construire leur propre processus de planification. Donc c'est c'est pas que récent dans dans Fabrique. En effet, Romain, on a réintégré du coup cette solution qui était qui était un outil tierce dans Microsoft Fabrique. L'avantage encore une fois, c'est comme pour tous les workload dans Microsoft Fabrique, vous vous basez sur la capacité. Donc l'idée en fait et c'est là où c'est intéressant, c'est que vous allez pouvoir vous appuyer sur ce que vous avez déjà fait dans votre sémantique modèle PowerBay parce que si on reprend un workflow classique, vous avez des sources de données. Ces sources de données bah vous allez faire en faire un data model puis ensuite vous allez faire un sémantique model à partir de ces données là en rajoutant vos capi et cetera et cetera et ensuite vous allez faire vos reporting. Là, l'idée c'est de se dire bah plutôt que de repartir à zéro dans le cadre de cette simulation budgétaire, vous repartez finalement de vos actuel enfin de vos données de l'année précédente ou l'année en cours [grognement] qui sont dans Power BI. Vous allez copier ces données de votre sémantique modèle et à partir de là, vous allez faire votre baseline et vous allez commencer à utiliser Fabrique item. Donc on réutilise finalement euh tout ce que vous avez déjà fait dans Power BI. C'est c'est là aussi la valeur ajoutée. Une fois que j'ai fait ça, je vais avoir cette baseline et je vais pouvoir aller créer différents scénarios. Donc souvent euh ce que font les contrôleurs de gestion euh c'est de faire bah des scénarios plutôt conservateurs et euh et plutôt optimistes. Voilà. Et ensuite ça permet de les les les comparer les uns avec les autres. Et ensuite l'avantage he vous vous l'avez compris que c'est pas un outil où on va travailler tout seul. On va pouvoir aller valider avec bah ses collègues et en tout cas avec les les personnes responsables chaque ligne modifiée, chaque scénario modifié et ça va très loin dans la granularité. C'est ce qu'on va vous montrer dans la démo. Super. Fabien, tu nous expliques la démo ? Oui, bien sûr. Alors, pour la démo, ce qu'on va faire, c'est que déjà euh on part du principe qu'on a un modèle sémantique existant avec les actuals, donc les les résultats réel de 2000 de l'année 2025. Euh donc, grâce à plan, on va partir de ça pour aller construire euh ce qu'on appelle une baseline euh pour un budget de 2026. Euh et donc à partir de là, automatiquement ça va recopier les données de 2025, créer une une nouvelle baseline, un nouveau scénario de baseline pour l'année prochaine et on va pouvoir déjà adapter un petit peu certains montants. Donc on le voit sur le tableau, il y a certaines certains montants et c certaines marques où on est capable déjà de faire quelques petits ajustements. Donc rajouter 4 % parci, 5 % par là. Euh et ça, on peut le faire donc soit au niveau grand total ou alors euh sur un niveau spécifique comme un quarter comme un quarter donc c'est un un trimestre euh pour adapter le chiffre de façon plus précise et tout ça c'est géré automatiquement. Et donc dans l'ensemble euh notre baseline de 2025 par exemple qui était à 220 millions et bien euh enfin les actuals de 2025 étaient à 220 millions. Notre baseline elle de 2026 elle peut être à 234 millions. Donc on rajoute en théorie 14 millions. Et ça ce travail là bah à la place de prendre une journée voire plus pour le faire dans Excel et ben on peut le faire en 3 minutes directement avec fabrique plan. Et une fois qu'on a cette baseline, on va pouvoir aller euh donc travailler sur des scénarios en parallèle. Donc soit un scénario conservatif, soit un scénario optimiste. Et [grognement] tout ça, ça se fera dans le même produit. Et avec ces scénarios là, ces différents scénarios, ben on va pouvoir ensuite facilement les comparer et donc et donc pour faire des hypothèses dessus. Je vais laisser du coup Marc vous montrer tout ça en direct dans l'outil. Donc ici, vous voyez donc je suis passé sur PowerB desktop et puis vous voyez en fait mon rapport où j'ai un modèle de données avec bah tout ce que vous avez l'habitude d'avoir avec les les dimensions et l'étape de l'étape de fait sur mon budget, mes produits, mes actuels et cetera. Et euh bah j'ai comme d'habitude mes euh mes euh mesures et vous voyez qu'en fait ici euh du coup j'ai mes actual de 2025. L'idée en fait, vous avez compris, c'est de créer un rapport ensuite qui va me comparer mes Actual 2025 avec mon budget 2025, mon forecast et je pourrais adapter en fonction des scénarios. Donc c'est ça qu'on veut infiner dans le rapport et on va voir comment on va pouvoir construire toutes ces baselines grâce à Fabric. Alors ici tu es sur le service et tu travailles donc sur le même jeu de données. C'est ça ? Ben parce qu'il faut publier le ce que j'avais sur desktop, je le publie du coup sur le service pour pouvoir y accéder à distance enfin dans sur le sur le service. Donc là, je crée un nouvel objet qui s'appelle fabrique plan. Euh j'ai accéléré la vidéo he pour pour aller un peu plus vite. Euh première le première idée, c'est de pouvoir recréer mon sémantique model au travers enfin le réafficher. Donc je vais me connecter, je vais me connecter au sémantique model et je vais créer les mêmes la meilleure meilleure archie que j'avais dans le rapport. Finalement, c'est [grognement] ce que vous allez voir là. Donc euh c'est exactement du drillon comme on a l'habitude de faire dans un rapport power. Vous retrouvez exactement les mêmes objets de mon sémantique modèle et [grognement] je vais reconstruire, on va dire mon tableau. Bah ça sera à partir de ce tableau-là que je vais pouvoir commencer à faire mon mon forecast et pouvoir recréer ma baseline euh de 2026. Voilà. Donc vous voyez ici j'ai créé exactement la même hiérarchie. Je suis par quarter et je vais rajouter ici le grand total. OK parce que c'est ce que disait Fabien tout à l'heure, on peut aller modifier à tous les niveaux. Euh là, j'ai oublié de mettre une un élément, c'est les les country parce qu'on va devoir modifier par contry. Voilà, c'est ce que je fais là. Une fois que j'ai fait ça, première étape, je vais aller copier euh bah ces ces ces valeurs pour 2026. Vous voyez ? Copie parce que sinon je pourrais pas réécrire dessus. Je peux pas aller faire un right back sur mon sémantique modèle. Je vais vraiment créer une nouvelle jeu de données qui est la copie des données de 2025 vers 2026. Voilà, une fois que je ça, vous allez voir que ça va s'afficher en doublon et je vais afficher du coup uniquement la nouvelle colonne. Voilà, pour pas que ça soit double. Une fois que j'ai fait ça, bah j'ai gagné. Je vais pouvoir commencer à faire mes ajustements euh et rajouter mes pourcentages euh dont tu as parlé Fabien tout à l'heure. Donc là, je suis au niveau country, vous voyez, au niveau grande totale. Et à chaque fois, ce que disait Fabien, c'est que là où c'est fort, c'est que ça va s'adapter quel que soit le niveau d'hérarchie où je vais modifier ma donnée. Ça c'est pas mal. Je peux pareil bloquer des cellules pour dire bah bien que je veux modifier telle partie, je veux que les données en question ne soit pas impacté, pas ventilé et que c'est tout le reste qui sera ventilé en fonction de de le de l'augmentation que je vais faire. Donc j'ai rajouté des des des valeurs. Là c'est donc on est vraiment sur la partie baseline. Là j'ai pas encore fait mes scénarios. euh je m'occupe vraiment de d'aller modifier mes pourcentages sur mes pays avec le forecast qu'on s'est on s'est donné tout à l'heure pour partir de basement. Voilà, c'est un peu long, hein, je mais c'est ça montre quand même que à chaque fois, vous voyez, c'est ventilé euh de cette façon. Une fois que j'ai fait ça, je vais pouvoir créer ces scénarios là. Donc je pars de cette baseline, je l'ai enregistré au préalable. Pour l'instant, j'ai rien enregistré dans mon SQL, dans mes bases pour j'ai rien persisté. euh je crée mes scénarios, vous allez voir qu'après euh je vais pouvoir les persister dans une base SQL par exemple. Et là, vous voyez qu'on est on est dans un on est en train de créer les simulations. [grognement] Euh donc là, optimiste. Donc je vais rajouter forcément du positif. Il y a plusieurs vues. Il y a la vue tableau et la vue tri. Et ça, celle-là, elle est vraiment sympa parce que à partir de là, ce que je vais pouvoir faire, c'est avoir un curseur pour aller justement, voyez, modifier euh directement. Donc c'est une autre approche que de faire un plus comme dans Excel et cetera. Et donc ça c'est plutôt pas mal. Et vous allez voir aussi que je vais pouvoir ajouter des commentaires, des choses comme ça. Là, si je clique dessus, je vais voir ce que j'ai été modifié, euh l'impact et au niveau de la simulation Waterfall. Après, c'est c'est des outils financiers, donc ça parle peut-être pas à tout le monde, mais euh voilà, vous avez quand même des choses qui sont assez poussées et collaboratif. Voilà. Et collaboratif. Et ça c'est voilà l'idée que j'ai fait là. J'ai fait bah voilà, est-ce que tu peux valider cette donnée ? Donc faut vraiment se se projeter en disant bah c'est toute une équipe qui va travailler sur le produit en fonction des scénarios qui ont été créé avant d'aller vraiment écrire les données dans une base SQL, vous voyez ? Et après les les réintégrer dans d'autres outils parce que on a parlé d'infobridge tout à l'heure mais l'idée d'infobridge c'est vraiment de se dire bah je vais ensuite réécrire dans les outils externes et donc on a les connecteurs pour ça euh les données que j'ai j'ai rajouté. Voilà. Donc là, maintenant que j'ai créé ces deux scénarios, je vais pouvoir les comparer comme disait Fabien tout à l'heure. Donc là, je suis sur le scénario pessimiste. Bah évidemment que j'ai des valeurs négatives par rapport à ma baseline et puis de vice-versa. Je peux même euh aller comparer donc ma base scénario par rapport à mon à mon mes scénarios positifs ou négatifs et je vais pouvoir aussi comparer bah mes pessimistes et mes négatifs, deux scénarios quoi, pas forcément baseline. Donc voilà. Donc vous voyez c'est euh c'est assez euh assez intuitif. Et là justement maintenant que j'ai fait tout ça, je vais aller me connecter à une base SQL sur fabrique et je vais faire ce qu'on appelle de right back, c'est-à-dire que je vais aller bah persister toutes ces simulations dans une base SQL parce que c'est un peu l'idée hein, c'est pas que un outil de visualisation et de collaboratif, c'est derrière bah il faut que ça serve dans le quotidien. Donc je vais pouvoir aller faire du right back sur tous mes scénarios et donc oui. Donc en cas tu changes les données du sémantique model. Ce sont des données à côté sauvegardé dans une SQL database à l'intérieur de fabrique dans un networkspace ou dans le même et dans lequel tu vas retrouver après tes scénario et et les valeurs persistées. Ouais, exactement. Et là, vous voyez que sur ma base SQL, alors c'est un objet que je vais créer au préalable, ça je l'ai pas dit, mais vous allez créer euh donc une base SQL et vous allez ensuite une fois que vous avez créé cet item d'en fabrique, l'utiliser pour aller persister les données. C'est ce que je fais là. Après, on va pouvoir l'utiliser comme une base euh classique, hein. Vous allez voir tous mes scénarios qui apparaissent et cetera et cetera. Donc bien en amont effectivement créer cette base SQL pour persister les données. Voilà. Et donc là, je montre la dernière partie, c'est la sécurité en disant bah on utilise le RLS et on peut dire bah telle personne va pouvoir se se utiliser tel avoir accès à tel scénario ou tel scénario et puis telle personne va avoir le droit de faire du right back, telle personne va avoir le droit de voir telle partie. On est vraiment sur la même sécurité que sur du Power BI et du fabric. en plus de peut-être la sécurité que tu aurais déjà dans ton sémantique modèle parce que je suppose qu'il serait forcé dans cette même outil. Euh si tu vois uniquement la France côté sémantique modèle, tu verras aussi ici que les euh visibilités sur la France. Exactement. Euh ce que j'ai ce qu'on a ce qu'on a passé très vite là parce que la vidéo é accélérée, peut-être revenir dessus si tu peux revenir sur la partie audit et sécurité parce que ça c'est un point important. Euh voilà, c'est ça exactement, c'est exactement ça. Vous voyez que tout est logué. Ça c'est génial parce que tous les scénarios, toutes les modifications qui sont faites, tout est logué dans l'audit trail et ça euh ça a une vraie valeur parce que vous pouvez voir tout ce qui a été euh fait euh dans l'outil et ça c'est c'est plutôt pas mal euh pour des administrateurs qui vont être eux peut-être en charge euh de tout ce workflow euh de voir que comment ça a été fait et comment ça a été mis en place dans l'outil. Alors, c'est super intéressant. Puis moi ce que je trouve super intéressant, c'est que tu as resté dans le même environnement fabrique qu'on connaît. Tu as acheté une capacité, tu as créé un item comme un item fabrique qu'on aurait créé sans coût additionnel. Et donc là, c'est vraiment intéressant en terme de pricing puisque je crois que c'est assez différent des euh des concurrents puisqu'ici tuas un modèle basé non pas sur les licences utilisateur mais sur l'activité générée en terme de CU sur la capacité par rapport à l'utilisation de de ce nouvel item. Euh bah tout à fait. Ouais. Concrètement en fait on paye que quand les utilisateurs ils interagissent avec ses fonctionnalités avec fabrique plan et donc par exemple quand il consultent ou qu'ils modifient ou qui valide des données. Et en fait tout ça ça repose sur les capacités fabriqu. Euh donc dans ces capacités-là, on a des opérations qui sont mesurées en ce qu'on appelle capacité unit et donc qui sont partagées avec les différents workloads de fabrique. Et donc euh la planification fabrique plan, c'est un des workload de fabrique. Et ça là où ça change beaucoup de choses, hein. On peut intégrer facilement des utilisateurs ponctuels, par exemple des managers euh qui viennent valider qu'un budget une fois par mois. Euh on évite de surlicencer euh des utilisateurs peu actifs. Euh donc vu que c'est pas des licences par utilisateur et que c'est du global, bah en fait on n pas à donner des licences à tout le monde, même des personnes qui vont pas vraiment utiliser l'outil. On gagne en flexibilité et on peut adapter donc les coûts à l'usage réel. Euh on passe donc d'un modèle rigide à un modèle beaucoup plus élastique et aligné sur euh la valeur euh produite. C'est c'est exactement ça. regarde dans ma démo, c'est la même capacité que j'utilise pour faire tourner mes rapports por BI d'origine où j'avais des utilisateurs qui qui se qui consommait la visualisation des actual 2000 2025 avec du coup cette ce fabric et même si je vais plus loin la data vis sur le forecast qui sera ensuite dans Power B pareil c'est sur la même capacité. Merci Marc, merci Fabien. Super démo. Donc si on essaie de résumer un fabric plan, c'est un nouvel item d'en fabrique. C'est pas juste un outil de planning en plus hein. C'est un passage de l'analyse à l'action, une réconciliation entre l'IT, le métier, une fin de fragmentation des données, euh BI, planning, Excel. Finalement là, on a tout dans un même environnement sur des données qui peuvent arriver en temps réel et donc des données fiables. Est-ce que vous avez quelque chose à rajouter, messieurs ? Ah oui, il faut pas oublier surtout que là pendant cette démo, on vous a montré vraiment une des fonctionnalités principales qui sont les cheits. Euh mais dans plan, il y a aussi d'autres fonctionnalités dont on a parlé un petit peu au début qui serait vraiment très intéressante à vous démontrer peut-être dans une prochaine vidéo j'imagine notamment la partie intelligence avec donc tout ce qui est forecasting natif de flexion d'anomalie avec du machine learning intégré et sans data scientist c'est quand même intéressant et bon j'imagine qu'on on reviendra là-dessus une prochaine fois. Oui, puis ça montre aussi que l'outil se veut beaucoup plus opérationnel que que ce qu'on a connu jusqu'à maintenant avec Fabric et Power BI, c'est que là, on est vraiment la capacité de travailler et de d'instruire des données. Et c'est ce qu'on verra aussi par la suite avec Fabric qui qui vient d'arriver et le Transletico où on va persister et on va vraiment Fabrique devient une source d'information également. En effet, bon encore une fois, merci beaucoup. Merci à vous d'avoir suivi cet épisode sur Phare Data. Si vous avez des questions, des retours d'expérience ou si vous souhaitez creuser un point en particulier, n'hésitez pas à laisser des commentaires. On vous dit à très vite dans de nouveaux épisodes et d'ici là, abonnez-vous à la chaîne. À bientôt. À bientôt. À bientôt. --- ## Le Vibe Coding au service du Business URL: https://www.pharedata.fr/videos/le-vibe-coding-au-service-du-business Publié: 2026-05-06 Durée: 31:46 Sujet: power-bi Mots-clés: smallchat, power-bi, mcp, llm, microsoft-fabric, open-source, fundry, business-intelligence ### Résumé SmallChat est une application open source qui permet de créer des expériences conversationnelles autour des données et services Power BI grâce au protocole MCP et à l'intégration de LLM. Elle facilite la création de modèles, de rapports et de mesures en langage naturel, tout en restant accessible aux utilisateurs métiers. La solution contourne les contraintes techniques de VS Code et propose une interface simplifiée. ### Points clés - Le protocole MCP permet aux agents IA de manipuler des modèles Power BI sans intégration spécifique. (1:19) - SmallChat propose une interface simplifiée pour interagir avec MCP et LLM, adaptée aux utilisateurs métiers. (6:20) - SmallChat est open source, disponible sur GitHub, et peut être installée facilement sans limitation. (7:50) - L'application permet de créer, modifier et documenter des modèles Power BI en langage naturel. (15:19) - SmallChat peut générer des rapports Power BI à partir d'un dessin ou d'une image, en respectant le format PBIP. (23:28) - La configuration des MCP serveurs et des LLM est flexible, avec possibilité de monitoring via Fundry. (29:50) - Plusieurs MCP peuvent être utilisés simultanément, le LLM sélectionne la fonctionnalité adaptée selon le besoin. (30:49) ### Questions fréquentes **Comment installer SmallChat pour Power BI ?** SmallChat est disponible sur un dépôt GitHub public. L'installation se fait via des setups simples, avec des fichiers exécutables ou en recompilant les sources. La documentation fournit les instructions nécessaires. **Quels types de LLM peut-on utiliser avec SmallChat ?** SmallChat permet d'utiliser des modèles LLM issus de GitHub Copilot, des modèles custom compatibles avec les API OpenAI, ou des modèles hébergés sur Fundry. La sélection du modèle se fait dans les paramètres de l'application. **Peut-on connecter SmallChat à plusieurs MCP serveurs ?** SmallChat est compatible avec pratiquement tous les types de MCP serveurs. Il suffit de modifier le fichier de configuration JSON pour ajouter ou retirer des MCP, qui apparaîtront ensuite dans l'interface. **SmallChat permet-il de créer des rapports Power BI à partir d'un dessin ?** SmallChat peut générer une page de rapport Power BI à partir d'une image ou d'un dessin, en respectant le format PBIP. Il détecte les visuels présents et crée les objets correspondants dans le rapport. **Comment SmallChat gère-t-il l'accès aux modèles Power BI ?** SmallChat utilise les droits de l'utilisateur pour accéder aux workspaces et modèles sémantiques. Si l'utilisateur n'a pas accès à un modèle, il ne pourra pas l'utiliser dans l'application. **Peut-on monitorer les prompts et interactions dans SmallChat ?** SmallChat conserve l'historique des prompts. Il est possible d'ajouter une couche de monitoring ou de logging spécifique à l'entreprise, notamment via Fundry pour suivre la consommation et les interactions. **Quels sont les avantages de SmallChat par rapport à VS Code ?** SmallChat offre une interface simplifiée, sans paramétrage complexe, adaptée aux métiers. Elle évite les contraintes techniques liées à VS Code et permet une prise en main rapide pour la création de modèles et rapports. ### Chapitres - — Phare Data - 1:20 — MCP - 7:10 — SmallChat - 9:07 — Demo - 23:00 — Un rapport Power BI à partir d'un dessin ? - 29:03 — Conclusion ### Transcript Ouais, bonjour et bienvenue sur Fardata, la chaîne qui éclaire vos données. Dans l'océan des données, voir clair change tout. Sur farata, on décrypte les services de données d'analytique CDIA, le tout avec un ton accessible, des choix techniques assumés et une touche dermarin. Alors que vous soyez architecte, analyste, dat ingénieur, product d'honneur ou simplement curieux, Fardata vous accompagne pour comprendre les enjeux réels, éclairer les compromis et prendre de meilleures décisions et parfois avec le cri des mouettes en bruit de fond. Si ce genre de contenu vous parle, n'hésitez pas à vous abonner. Cap sur l'épisode du jour. J'ai le plaisir d'être accompagné par Fabien et Marc pour évoquer le Vibe coding une nouvelle fois, mais ici sous un autre angle, celui du business. Mais avant de commencer, je vous laisse vous présenter et nous expliquer quel besoin client vous avez rencontré et ce qui vous a amené à créer ces outils autour du MCP PowerBI qu'on va voir en démo tout à l'heure. Bonjour à tous. Donc Marc, je suis Solution Engineer Data et Analytics. Et bonjour à tous. Moi je suis Fabien Dato, je suis Cloud Solution Architect chez Microsoft euh aussi data et Analytics. Pour rappel, le protocole MCP fournit une interface standard pour connecter des agents IA, des systèmes, des sources de données. Dans Power BI/FABC, ça permet aux agents IA de comprendre les API, les données et d'agir directement sans intégration spécifique. Résultat, moins de code, moins de friction et capable de vraiment opérer la plateforme. Marc, tu peux nous rappeler un peu comment ça fonctionne ? Oui, évidemment. Donc en fait sur ce schéma, vous voyez donc là, on on on ce protocole là et ce MCP euh est plutôt euh pour le développeur, mais vous allez voir que pas que dans la dans la démo, mais euh si euh si je rentre dans les détails, bah effectivement, c'est un utilisateur qui va aller se connecter en langage naturel et utiliser le le MCP de Power BI Modeling pour faire son modèle de données. Donc il peut le faire sur le desktop puisque effectivement si on on prend un développeur Power BI généralement il travaille plutôt sur son desktop et après il va aller publier sur PowerBerice/fabrique. Mais vous allez voir qu'il y a aussi un protocole en remote qui permet de se connecter à des sémantiques modèles directement déjà publiés. Donc ça c'est vraiment un use case intéressant pour les métiers puisque ils vont pouvoir aller rajouter des mesures sur un modèle déjà existant. Et par rapport aux fonctionnalités du MCP Modeling Server, donc celui qui est capable de travailler avec PowerB des Dop notamment, en terme de fonctionnalité, on retrouve un petit peu tout ce qu'on est capable de faire au moment où on crée du des modèles de données. Donc on peut aller par exemple rajouter des objets des tables, on peut aller lui faire créer des relations, on peut aller lui faire créer des mesures, on peut voilà lui faire développer pour nous un petit peu tout un modèle complet. Et aussi euh ce qui est pas mal, c'est qu'une fois que le modèle existe, on peut aussi s'en servir par exemple pour faire de la documentation. Euh donc être capable de vous expliquer pour vous le modèle qui a été créé. Euh voilà, on peut faire pas mal de choses comme ça et c'est assez pratique. Et par contre, ce qui n'est pas capable de faire ce fameux MCP mod modeling server pour pour BI, c'est que on n'est pas vraiment sur un outil talk to your data qui est vraiment généralisé pour tout le monde. Euh donc là, c'est vraiment dans cet esprit de je développe et je peux poser quelques questions. Et on n'est pas non plus sur quelque chose qui est capable normalement de faire des visuels, mais on va voir dans la démonstration qu'on peut on peut quand même l'utiliser si on veut. En tout cas, on peut utiliser toute la partie agent et LLM pour créer aussi des rapports. On vous montrera ça juste après. Donc justement la version remote qui va permettre celle-ci de pouvoir discuter euh avec le sémantique modèle à distance. Euh et celle-ci, vous allez pouvoir l'utiliser justement pour faire du talk to your data. Alors, comme vous connaissez, il y a il y a déjà les datesagent fabriquent. Vous allez me dire "C'est peut-être un doublon." Bah finalement non. Pourquoi ? Parce que déjà euh celui-ci passe par le protocole MCP. Donc vous allez pouvoir utiliser n'importe quel type de LLM euh à contrario de bah effectivement le data agent où vous êtes euh sur les modèles Openi que propose l'interface directement dans fabrique. Et donc c'est là où ça va être intéressant de pouvoir l'utiliser. Puis surtout vous n'êtes pas obligé de passer par fabrique puisque bah c'est Power BI qui va exposer directement quand je dis par fabrique, je j'entends pour rester sur Power API sur le workload Power BI puisque finalement on va utiliser directement la connexion vers le sémantique model. Alors aujourd'hui tu l'as déjà utilisé chez des clients Marc ? Alors justement, c'est une bonne question aujourd'hui. Euh effectivement quand on s'adresse au développeurs, euh on va leur dire d'aller sur VS Code euh d'utiliser euh de de rajouter euh le le le plugin euh pour se connecter à Power BI Modeling, donc le le MCP qui permet de se connecter directement. Euh et donc euh ensuite soit il a un abonnement GitUp enfin il faut qu'il ait un abonnement Gitup Copilot pour pouvoir utiliser le LLM de son choix. Euh maintenant, on a eu pas mal de freins parce que quand on a voulu le présenter avec Fabien euh chez un gros client notamment euh et on s'est adressé plutôt au métier qui nous a dit bah jamais finalement un métier euh va aller se connecter euh bah sur cette interface. C'est c'est vrai que c'est assez austère, ça reste du code. Donc euh pour pouvoir là où on dit bah vous allez pouvoir développer plus facilement euh vos modèles et et vos et demain vos datavises. Finalement, tu tu plutôt que d'utiliser desktop qui parfois déjà est un bloqueur pour certains métiers qui préfèrent aller directement sur Power BI Service et et développer le rapport, là c'est vrai qu'on a encore une contrainte supplémentaire en plus sans parler de des contraintes IT pour aller développer pour aller installer chez sur le poste client VS code, justifier que c'est pas un développeur et que c'est un métier qui va développer des rapports pour BI. Donc voilà, tous ces bloqueurs là ont été très très importants pour nous. C'est pour ça qu'on a eu l'idée avec Fabien de se dire bah pourquoi ne pas créer une interface euh friendly user euh via une petite application qui va finalement euh simuler ou bien en tout cas utiliser le les mêmes les mêmes protocoles euh que ce qu'on utilise aujourd'hui avec VS Code mais avec une interface beaucoup plus simple. Et vous allez voir qu'il va y avoir aussi des des améliorations parce que là où on va utiliser un GUP copilot, une licence Gitup Copilot via VS Code, vous allez voir que là Fabien a eu l'idée de de proposer Fendré pour aller finalement utiliser un un LLM euh global pour tous les utilisateurs et pas avoir une licence par utilisateur. On va provisionner un modèle en en modèle AS de service surfendré qui va nous permettre d'utiliser des tokens et donc permettre au aux métiers de se connecter directement et de d'utiliser déjà une plateforme existante. Fabien, si tu peux nous expliquer un peu plus ce que enfin ce cette application. Euh oui, tout à fait. Donc cette application, elle s'appelle elle a été nommée Small Chat. Euh donc c'est une application qui est très légère hein. Le but c'était comme la DMC de faire une application super simple. avec le moins de boutons possibles et euh de la configuration très très simple comme ça. C'est pas comme Visual Studio Code qui est beaucoup plus complet euh et qui euh et qui du coup peut un petit peu embrouiller un peu les utilisateurs qui sont pas du tout techniques. Euh donc euh voilà, donc on a on a développé on a vibe codé euh cette solution hein, Small Chat. Je vous montrerai après dans Visage dans Visage Studio Code. Donc on a utilisé Visage Studio Code pour le créer. Je vous montrerai un petit peu comment on a on a fait. Et en fait du coup cette solution donc c'est une solution déjà qui est open source qui est disponible sur un ripo gitub public vous pouvez à tout moment aller la la récupérer chercher euh la télécharger l'installer et l'utiliser. Il y a aucune limitation là-dessus. Et son but euh donc c'est euh d'être juste une une toute petite fenêtre de chat vraiment le plus simple possible dans lequel on va pouvoir écrire nos différents promptes et interagir avec ce qu'on a besoin de faire. Euh et du coup, il y a deux euh deux axes euh distincts, c'est à la fois le LLM modèle qu'on qu'on on peut sélectionner le modèle qu'on veut. Donc euh soit des modèles qui sont à l'intérieur du GitOP Copilot, soit des modèles qui sont custom. Et donc c'est là où comme l'a dit Marc, on peut aller se brancher à à des à l'M qui comp qui sont compatibles Open I avec les API Open I et du coup même donc soit via via fonder un modèle qui est déployé dans fonderie ou alors ça peut aussi être au lama par exemple et tourner en local et ça ça fonctionne très bien. Euh voilà, on on est vraiment pas limité du tout sur le type de LLM qu'on peut rajouter et qu'on peut utiliser. Et après, il y a la partie MCP serveur. et là la partie MCP serveur et bien on peut aller configurer les MCP serveur que l'on veut et du coup automatiquement on va faire le branchement entre CMCP server et les LM model et ce que je vous propose maintenant c'est de vous faire une démonstration. Super. Regardons ça. Donc je je tenais tout d'abord à vous montrer comment est-ce qu'on a vibe codé cet outil là. Donc c'est très simple. Pour ça, nous on a utilisé pour le coup Visual Studio Code et on a utilisé le mode plan de Visual Studio. Donc ici, vous voyez, il y a plusieurs modes. Nous à l'in à l'initialisation, on a créé le mode, on a utilisé le mode plan et on a commencé juste par lui demander ce qu'on veut. Donc on a fait une espèce de petite spec. Donc c'est là où on lui explique qu'on veut une chat Windows, donc une petite fenêtre de chat, qu'il faut que ça tourne en local sur Mac ou sur Windows. Il faut qu'on puisse se connecter à GitHub Copilot et au LLM qui sont dedans. Et il faut que ça puisse supporter les serveurs, les MCP serveur comme PowerBi par exemple, PowerBI Modeling MCP server qu'on vous a présenté avant. Et donc après le travail ça a été de façon interactive comme ça le laisser créer l'application et après du test. On a vérifier que ça fonctionnait bien. À chaque fois qu'il y a un problème, on peut lui euh lui dire bah ça ça fonctionne pas avec un screenshot et petit à petit il améliore le code et il améliore l'outil. Euh si on a besoin de rajouter des application des fonctionnalités, on peut lui faire rajouter des fonctionnalités. Voilà, c'est du c'est du vobe coding, on va dire on va dire moderne. Euh et on va très très vite euh au résultats qu'on qu'on obtient. Et le résultat c'est cet outil. Donc voilà, c'est cette interface là, small chat. Donc dans lequel on va pouvoir déjà faire un petit peu de paramétrage quand même. Donc avec cette page de settings dans lequel on va pouvoir choisir en haut le LLM qu'on veut. Donc soit du LLM qui vient de Gitubilot, soit des custom. Il y a aussi le free tiers de Gitub aussi. Euh et une fois qu'on a choisi la source qu'on veut, on peut aller choisir le modèle qui nous intéresse. Donc là, en l'occurrence, on peut choisir Cloud Plus, mais on a accès à tous les LLM de Gitop Copilot si on veut. Bien. Du coup, comment tu as fait pour l'installer le l'agent enfin le l'application ? Il y a un setup, c'est ça ? dans ton Oui. Alors, soit soit elle est déployée dans un GHub euh dans un Rippo GitHub ici euh qui est public euh et il y a toutes les informations nécessaires pour l'installer. Euh donc euh dedans, il y a des setups super simples, hein, des points exécharge et on installe. Très très simple. C'est déjà packagé. Euh mais on a accès aux sources, donc si on veut aussi l'installer et le recompiler, euh le builder pour son ordinateur, on peut on peut le faire aussi. Voilà, c'est pas c'est pas très compliqué. Euh et donc sur la partie configuration MCP serveur, bah c'est ici on va retrouver un Jon. Donc ça c'est un format standard qu'on retrouve un petit peu partout dans lequel on définit euh tous les MCP serveurs qu'on veut qu'on a installé sur notre poste. Euh et après une fois que ça c'est installé, ici on a un petit menu qui permet d'aller activer ou de désactiver le MCP qu'on veut. Donc là ici dans cette interface euh moi j'en ai plein. Euh par défaut c'est vide. Donc c'est à vous de faire la configuration. Dans la documentation, on explique un petit peu quels sont les types de configuration que vous pouvez faire. tu nous montres un certain nombre de MCP serveurs. C'est vrai qu'aujourd'hui on a des MCP euh rien que pour fabrique, on en a plusieurs. On a pour la partie RTI, pour la partie Power BI, pour la partie euh fabrique. Bref, tu pourrais recenser l'intégrité de toutes ces MCP serveur ici. En fait, c'est ça. Oui, c'est compatible avec pratiquement tous les types de MCP serveur. Il suffit juste quand on a besoin d'en rajouter un, modifier le Gizon que j'ai montré dans la page de settings et il va apparaître ici. OK ? Et ensuite, quand on veut l'activer, il suffit juste de cliquer du coup ici et euh et donc après en fonction du MCP servant là, celui-là par exemple, il demande de s'authentifier. Euh du coup, je vais m'authentifier et je vais me connecter avec mon compte qui a accès à euh à du coup à mon service PowerB, mon service fabrique. Tu es authentifié, tu n'auras accès ou le MCP n'aura accès qu'au workspace qu'au euh sémantique model auquel ton utilisateur a accès. Exactement. C'est ça. Ça utilise vos accès à vous. Donc c'est-à-dire que si on n' pas accès à un modèle sémantique, ben on pourra rien faire avec, par exemple. OK ? Un élément important aussi toujours dans dans un esprit de simplification, imaginez bah justement aujourd'hui les MCP pousse un peu comme des champignons. L'idée ce serait de se dire bah pour votre utilisateur métier, vous lui configurerez, préconfigurez tous les MCP que vous jugez nécessaire pour les utiliser et ensuite quand vous quand il va aller installer faire le setup de son application, il va avoir déjà tout déjà préconfiguré. Donc c'est pour ça que c'est aussi un outil de vibe coding qu'on a utilisé. Donc vous pouvez vous l'approprier et aller faire les modifications nécessaires pour vos environnements. Exactement. Euh donc là, on voit qu'il est activé, c'est bon. Et maintenant, je vais pouvoir euh travailler avec lui et interagir avec Power BI Desktop. Donc, j'ai créé un premier Power BI desktop ici qui est vide. Donc, ça c'est mon modèle vide, je vais le mettre ici. Tac. Et la fenêtre de chat à côté. Euh et donc on va pouvoir euh interagir avec notre LLM, le MCP server et pour BI desktop. Et je peux par exemple lui dire euh je vais lui parler en anglais mais on pourrait lui parler en français hein. Can you list my local power BI models ? BI models. Et donc là, il va travailler avec le LLM, le MCP server et il va détecter. Donc ça c'est ce qu'on peut faire avec le MCP pour moding classique. Il détecte le modèle en local qui est ouvert dans desktop. Et donc maintenant je peux dire connect pour se connecter dessus. connect to the modèle MCP et donc il s'appelle MCP F data. Tac et il va se connecter. Donc là tu as ouvert un vide mais tu aurais très bien pu te connecter. Si je me mets encore sur le point de vue business où il partent jamais enfin pas souvent from scratch. Tu aurais pu te connecter à un existant et aller modifier rajouter tes mesures. C'est ça exactement. On peut se connecter à partir du moment où il est ouvert à Power Bayer desktop ou que on a accès dans un workspace, un sémantique modèle, vu que ça marche en local et en distance, on peut se connecter à ce qu'on veut, même qu'il soit existant, qu'il soit nouveau. Là, la démo c'est de vous montrer un petit peu comment on crée un nouveau modèle from scratch. Euh du coup, il est vide mais bien sûr, on aurait pu se connecter à un modèle déjà chargé. et je vais et je vais lui enchaîner quelques prompts pour d'abord pour aller d'abord lui faire créer des tables. Euh donc moi euh j'ai une base de données SQL Server qui existe. Donc je lui dis j'ai une base de données SQL serveur, le nom de la base de données, le nom du serveur et j'aimerais bien que tu charges ces trois tables là. Donc je lui envoie ce prompt et donc là c'est ce qu'il va faire. Euh il va aller chercher les tables et il va aller euh les rajouter dans le modèle sémantique. Euh dans les faits euh là c'est une démo sur SQL Server mais en fait si vous lui dites euh par exemple j'ai une base de données datab ou j'ai une base de données, peu importe la source de données, il faut juste lui donner les bonnes infos, il va être capable d'aller faire le job et aussi de rajouter ces tables là. Euh en fait, peu importe le type de source, il faut juste que ce soit une source qui est compatible pour OBI forcément euh bien sûr. Mais donc là, il réfléchit. Euh il va utiliser à chaque fois plusieurs fonctions dans le MCP pour aller à la fois euh euh essayer d'analyser les données sources et puis après euh comprendre la structure des données et puis après rajouter ces donnéeslà euh sous forme de code. Je vais rajouter le code Power Query et créer l'établ. Donc là, il a compris la structure des données. On voit à chaque fois que lui il fait du un certain nombre de travail pour nous. Et quand c'est terminé, ben on voit les tables ici. Les tables existent. Euh par défaut, le modèle est pas rafraîchi. Donc je peux lui dire refresh de modèle. Oups. Model. il va aller rafraîchir les tables euh parce que là il a juste créé le code mais il a pas il a pas mais bon on peut très bien lui demander de rafraîchir le modèle aucun problème là-dessus donc là il travaille et on voit OK c'est bon les données sont chargées maintenant si je vous montre un petit peu la vue table il y a des données dans les différentes tables voyez j'ai des lignes maintenant et on peut se dire bah moi c'est bizarre j'ai rajouté des tables il manque quelque chos Euh, il manque les relations. Donc, je peux lui dire euh, il me le propose d'ailleurs, il dit "Est-ce que vous voulez que on crée des relations ?" Et ben, je dis "Yes, create relationship." Tac. Et il va aller rajouter les relations. Alors là, c'est très simple parce qu'il peut comprendre euh les noms de colonne sont les mêmes. Donc, il est capable d'identifier. OK. Donc, dans cette table là, j'ai une clé euh étrangère, dans celle-là, j'ai une clé euh primaire. C'est le même nom, donc il est capable d'aller rajouter les relations. Donc si je réorganise un petit peu mes tables maintenant, c'est de siger les relations qui existe. Euh bon, pareil, elle faut les faut les rafraîchir par défaut ici. Donc on va les rafraîchir. On peut lui dire euh j'aimerais bien que tu rajoutes une nouvelle table, une table de dimension date. Donc je dis est-ce que tu peux rajouter une dim date cette fois-ci et rajouter la relation avec la table de fait en utilisant une colonne spécifique parce que dans ma table de fait, j'ai plusieurs colonnes de type date. Donc là, je peux lui dire choisis vraiment celle-là et il va rajouter une table de dimension date et créer la la relation qui va bien. Et euh et ensuite ce que je vais faire, c'est je vais lui demander de créer des des mesures des mesures spécifiques et il va les rajouter. Donc on attend qu'il fasse le travail. Donc là, il a été malin parce que comme je lui ai donné des informations sur une base de données existante et hop, il a rajouté la relation. Il a été cherché dans ma base de données sources si cette table là existe déjà. Donc il a été prendre une table qui vient de ma base SQL. Mais j'aurais pu lui dire si on veut faire une table dimension date en DAX par exemple, j'aurais pu lui dire bah créerla en DAX pour spécifier le exactement la source qu'on veut. Est-ce que c'est à partir de base SQL ou une table en d'axe ? Et pour finir, on va lui faire créer des mesures et après il rajoute les mesures. Donc là, je dis avec un langage naturel, hein, c'est des mesures assez simples. Donc là, je lui demande une mesure AVG, une mesure count, une mesure CA et AVG, je lui dis que c'est une moyenne de telle colonne. Counto, c'est le nombre de lignes et CA, c'est une somme de cells amandes de la colonne sals amante. et il rajoute les différentes mesures dans la table. On les voit ici à la fin avec le code enx du coup cette fois-ci. Donc vous voyez, c'est très simple, c'est même on peut dire que ça commence à être du classique pour toutes les personnes qui travaillent avec le MCP pour BI Modeling. C'est assez simple. La différence vraiment, c'est que cet outil-là, il est beaucoup plus facile à prendre en main que que Visual Studio Code et euh et et on a vraiment une interface de chat seul et ça c'est beaucoup plus simple pour des utilisateurs qui ont du mal à faire du paramétrage et autres. Tu pourrais rajouter d'autres options de monitoring que l'entreprise souhaiterait avoir au-dessus des questions que les utilisateurs posent ? Euh bah pour l'instant on en fait il est vraiment très simplifié. Donc tu veux dire quoi par monitoring ? Excuse-moi, je Ben toutes ces questionsl sont déjà monitorées par le LLM que tu utilises. Euh les promptes, est-ce que tu pourrais rajouter une couche puisque ici elle passe par ton application peut-être de réécriture des promptes, de vérification, de loging en plus propre à l'entreprise ? Oui, on pourrait rajouter ça. Oui, ça pour l'instant c'est pas une fonctionnalité qui existe mais on pourrait rajouter un système de monitoring, il y a pas de souci. C'est pareil dans le dans l'appli, tu as aussi tes pardon, excuse-moi, tu as aussi tout ton historique qui est qui est conservé. Tu peux le montrer aussi. Enfin, il y a effectivement c'est ça aussi le but d'utiliser une appli, c'est de pouvoir rajouter tous les gardes de fou qu'on feu. Et même si je vais plus loin, si on passe par des modèles fendré, bah tu peux très bien aussi utiliser toute la partie monitoring de fondre euh pour aller bah vérifier tout ce qui a été enfin euh conversé. Et ça aussi ça peut être un élément intéressant. Exactement. Ouais. Moi je je ferai plutôt ça. Je partirai plutôt par un sur un modèle qui est hébergé dans fonderie. Là pour le coup dans cette démo là, je suis connecté avec mon compte Gitup Copilot, ce qui me permet d'avoir un large panel de LLM et d'utiliser mon ma licence à moi. Mais je pense que sur des use cases d'entreprise, on va plutôt faire cette partie là plutôt se connecter avec du du fonder en sachant que de toute façon on a besoin comme le MCP serveur en tout cas celui-là le moding pour BI il doit tourner en local. Si euh on veut le brancher à PowerB desktop, euh ça veut dire qu'il faut un outil léger installé en local. Euh alors que le remote lui, vu qu'il tourne euh il peut tourner en à distance, lui on peut déjà le mettre d'enfonderie directement. Euh donc en fait cet outil va vraiment être capable de nous aider à à installer aussi des MCP serveurs qui doivent tourner en local. OK. Euh donc là on a on a créé notre modèle avec des relations, des mesures. Donc je vais enregistrer euh le power B desktop. Et il faut savoir que j'ai choisi comme format un format PBIP. Un format PBIP donc avec mon petit fichier PBIP et après un répertoire pour les la partie rapport, un répertoire pour la partie sémantique model. Euh donc ce que je peux faire maintenant, c'est qu'on peut aussi euh lui faire créer des rapports si on veut. Et pour faire ça, j'ai un prompt qui est initialisé où je dois je peux lui spécifier. Je vais vous montrer le promte. Je le copie, je le colle. Euh donc je peux lui spécifier. Alors je vous dis mon mon PBIP project, mon projet PBIP, il est dans ce répertoire là. Donc je lui donne le chemin du répertoire parce que je viens de copier-coller et je lui dis euh en fonction d'une image que je vais copier-coller, est-ce que ça fonctionne aussi avec les copiers collés ? Euh créer une nouvelle page et respecte le format PBR. Et après, je spécifie un peu ce que j'aime bien dans le format PBR. Euh et donc je vais lui je vais vous montrer le copiercollé de l'image. Tac. Je colle une image en piège jointe ici et je lui lance. Donc vous voyez un peu l'image, elle est euh euh ça a été dessiné. Attendez, je vais vous faire un gros plan. Al ton enfant. Ouais, voilà. Non, c'est moi qui l' fait mais je dessine très mal. Mais c'est gentil Romain. Mince, vous voyez l'image. Donc en fait, bon, il y a trois visuels, un barchart, un p chart et un line chart. Il y a le titre en haut et à chaque fois le nom des différents graphiques. C'est vrai que ça fait un peu dessin d'enfant. Euh mais vous voyez tout de suite, il a été capable de du coup il va regarder la photo et il va essayer d'aller créer un rapport au format PBI ici directement. Donc on le laisse on le laisse justement par rapport à ça, c'est aussi beaucoup de retour des métiers qu'on a aujourd'hui, c'est de dire OK bon pour la partie modeling c'est super et cetera. Aujourd'hui pour faire la création de rapport, bon on a Power BI copilot mais on sait que c'est assez limité, faut pas se mentir sur la création de rapport en terme de visuel, en terme de de charte graphique et autres. Et euh donc là, on va pas le montrer dans la vidéo, mais on a commencé à regarder un peu comment on peut faire avec Figma par exemple où vous avez un serveur MCP, vous pouvez converser avec ce serveur MCP pour avoir des choses un peu plus intéressantes et c'est vraiment là où il faut aller. Alors non pas parce que Copilot Power BI peut-être qu'il va évoluer que on aura des rapports plus intéressants à terme mais aujourd'hui c'est par là qu'il faut se diriger en tout cas si vous voulez avoir des rapports un peu plus évolués et qui sont directement ready pour les métiers quoi. Ouais, en fait c'est c'est peut-être plus une solution un peu complémentaire, c'est-à-dire bon euh pour copilot, il il a ses fonctionnalités à lui et ici, on peut aller tester et lui faire euh essayer de faire des choses que Gitop euh que Copilot euh PowerB ne sait pas faire. Euh donc maintenant pour voir le résultat, donc il me dit "J'ai créé les différents objets." On voit qu'il a bien détecté sur le mon dessin moche euh les différents types de visuels qui sont dessus quand même. Les champs puisque tu les Ouais, c'est impressionnant. Ouais, il a exactement détecté ça. Euh et il a essayé d'aller créer des objets Gison. Donc maintenant par contre pour comme c'est intégré de l'extérieur, vous voyez, j'ai pas tout de suite le rapport. Donc pour que ça fonctionne, il faut que je ferme et que je réouvre Bill desktop. Donc c'est ce que je vais faire. Je ferme pour envoyer des stop et je réouvre mon PBIP et on va voir le résultat. Suspense. J'espère que tu l'as pas préparé à l'avance, hein. Bah non, je c'était le même fichier hein, croyez-moi. Alors, on le laisse recharger un petit peu tout. OK. Hop. Bon, parfois il détecte des petites anomalies. On peut lui faire reessayer si ça marche pas. Et je vois ici que j'ai une nouvelle page qui apparaît. Je vais vous faire un peu de place pour qu'on voit mieux. Et je vois mes différents visuels. Hop là. Et il a bien été recréé. Donc si vous voulez voir le avant le avant après, c'est plutôt ressemblant quand même clairement. Euh et vu que lui euh là pour le coup, il est pas vraiment expert sur la structure de Bon, vous voyez, c'est un peu le même visuel. Bon, voyez mon je retrouve mon barchart, un p chart et le line chart en dessous et puis après c'est un report classique hein. Donc bon, on retrouve les mêmes fonctionnalités. Euh euh là pour le coup, comme il va créer les fichiers Gon qui sont utilisés par le format PBI, euh il va créer tous les fichiers qui qu'on va retrouver ici. Donc là, le report.gon Jason page, il a créé cette page là, il a été faire un un répertoire par par visuel. En fait, euh pour le coup là, le mon rapport, il était vide à l'origine, mais admettons qu'on parle d'un rapport qui est déjà existant et d'exemple. Faites plus il a d'exemples et plus il sera précis. Donc, on peut aussi lui faire s'inspirer d'un autre rapport existant et et il aura plus d'informations et plus de d'exemples par rapport au format des fichiers Gison, par exemple, et il sera encore plus performant. Euh donc là-dessus, on peut on peut pas mal euh essayer de il y a plein de solutions pour essayer de de le faire aller euh beaucoup mieux et d'être beaucoup plus précis. Mais voyez déjà ce que ça donne. Euh ça donne quelque chose qui est déjà assez respectable en partant d'un d'un dessin euh simplifié. On a créé un rapport quoi. Je serais pas étonné de mon côté que demain dans le MCP PowerBI euh modeling, il rajoute cette partie création visuelle euh pour se servir bah des de d'autres LLM. ce que fait pas aujourd'hui encore puisqu'il est il est réservé que que à Open Yay. C'est des choses qu'on attend et que qu'on espère qu'il soit natif puisque là finalement on l'a un peu contourné pour en lui disant bah je vais me connecter sur un PBIP et cetera et cetera et on attend que ces ces fonctionnalités sortent en natif euh directement dans via des tools he supplémentaires euh dans le MCP PowerBI moding. C'est exactement ça. On verra où ça va mais en attendant ça donne quand même pas mal de d'indications sur ce que c'est capable de faire et et jusqu'où ça peut aller. C'est très bon signe quoi. Et pour le coup, c'est vraiment Ouais, c'est on peut faire même plus ce qui est que ce qui est possible de faire avec les outils standard. C'est très puissant en tout cas tout ça. En tout cas, c'est super impressionnant. Je mettrai dans le lien dans les commentaires de la vidéo le GitHub Repository. Vous l'avez implémenté chez le client aujourd'hui et c'est quoi la suite de la solution ? justement avec Fabian, c'est c'est les prochaines étapes qu'on se donne que maintenant que le client a trouvé que justement c'était beaucoup moins austère d'utiliser ces outil que VS Code, donc les métiers se le ont commencé à jouer avec et les choses qui nous ont demandé he c'est vraiment de pouvoir setup au maximum euh pour qu'il y ait plus ce paramétrage des MCP serveur à mettre et que ce soit directement natif quand le le métier va se connecter dessus. Ensuite, justement le provisionnement des LLM, bah ça fait partie de la stratégie du client d'utiliser Fundry. Donc plutôt que d'utiliser bah à chaque fois des licences GitHub par utilisateur qui sont pas forcément simples à avoir pour ce client-là, voilà, on va utiliser des tokens. Donc euh comme disait Fabien, on va utiliser Fundri pour monitorer tout ça puisque ça va être important de voir la consommation et cetera. Et ensuite bah évidemment après c'est de la customisation de de d'applicatifs et euh et peut-être sur les les les nouvelles implémentations qu'on va faire, bah ça va être vraiment des des implémentations plus métiers comme l'utilisation de Figma connecté sur d'autres LLM enfin d'autres MCP pardon pour pouvoir se dire bah effectivement on a une solution qui est full custom et qui permet d'être complémentaire à ce qu'il font aujourd'hui. Une question Fabien, les MCP peuvent communiquer entre eux. Est-ce que si je rajoute demain un nouveau MCP qui serait faire des jolis dessin pourrait enrichir le premier MCP que tu as tu as montré ? Ouais. Ouis, tout à fait. En fait, on peut mettre plusieurs MCP en même temps et ça, j'ai déjà fait le l'exercice par exemple avec le MCP pour B, le MCP Fabrique euh par exemple, on peut lui faire développer ce comme ce qu'on a fait là, développer un modèle et s'il y a besoin d'aller le publier dans un workspace, il on peut utiliser cette fois-ci le MCP fabrique, enfin juste en les laissant cocher, hein. Le LLM est capable d'aller chercher au bon endroit euh la bonne le bonne tools en fait, enfin la bonne fonctionnalité qui lui permet de faire ce qu'on a envie de faire. Donc euh je pense que c'est pas bien d'en avoir trop trop trop de cochers en même temps, mais au moins de sélectionner euh on va dire deux ou trois MCP serveur, euh le LLM sera capable d'aller chercher à chaque fois le la bonne fonctionnalité dans le bon MCP en fonction de ce qu'on a besoin de faire. Super. Bon bah, si vous avez des questions, des retours d'expérience, si vous souhaitez creuser un point en particulier, n'hésitez pas, les commentaires sont ouverts. Encore une fois, merci à vous deux, super démo, super solution. J'ai hâte de la tester. Merci à vous d'avoir suivi cet épisode sur Fard Data. On vous dit à très vite pour un nouvel épisode et d'ici là, abonnez-vous à la chaîne. À bientôt. À bientôt. --- ## Microsoft IQ en Action URL: https://www.pharedata.fr/videos/microsoft-iq-en-action Publié: 2026-04-30 Durée: 25:12 Sujet: microsoft-fabric Mots-clés: microsoft-iq, fabric-iq, work-iq, foundry-iq, microsoft-365, azure-ai-search, ontologie-metier, demonstration-rh ### Résumé Microsoft IQ regroupe trois couches d’intelligence : Work IQ pour le contexte Microsoft 365, Fabric IQ pour la sémantique métier via ontologie, et Foundry IQ pour la connaissance documentaire. Une démonstration RH montre comment ces piliers permettent à un agent IA d’analyser, corréler et expliquer des signaux faibles, en respectant la sécurité et la confidentialité des données. ### Points clés - Microsoft IQ s’appuie sur trois piliers : Work IQ, Fabric IQ et Foundry IQ pour contextualiser l’IA en entreprise. (3:06) - Work IQ analyse les données Microsoft 365 (emails, réunions, fichiers) pour détecter des signaux faibles et suggérer des actions. (5:49) - Fabric IQ expose les données structurées RH via une ontologie métier, permettant une corrélation précise des signaux détectés. (6:25) - Foundry IQ utilise Azure AI Search pour explorer les documents internes et expliquer qualitativement les phénomènes observés. (7:31) - L’agent IA peut générer des graphiques et synthèses grâce à un code interpréteur Python intégré. (17:38) - La sécurité des données est assurée par l’authentification et un seuil minimum de cinq personnes pour éviter la surveillance individuelle. (18:48) - L’ontologie métier dans Fabric IQ encode la sémantique, évitant les hallucinations et rendant l’agent déployable sur des cas réels. (23:11) ### Questions fréquentes **Qu’est-ce que Microsoft IQ et quels sont ses piliers ?** Microsoft IQ regroupe trois couches : Work IQ pour le contexte Microsoft 365, Fabric IQ pour la sémantique métier via ontologie, et Foundry IQ pour la connaissance documentaire. Ces piliers permettent à un agent IA d’analyser, corréler et expliquer des signaux faibles. **Comment Work IQ contextualise-t-il les agents IA ?** Work IQ analyse les données Microsoft 365 (emails, fichiers, réunions Teams) et les habitudes de travail pour fournir aux agents IA un contexte pertinent, permettant de suggérer des actions adaptées à l’entreprise. **Quel est le rôle de l’ontologie métier dans Fabric IQ ?** L’ontologie métier dans Fabric IQ encode les relations entre entités RH (employé, absence, département) et donne du sens aux données structurées, permettant à l’agent IA de répondre précisément à des questions métier et d’éviter les hallucinations. **Comment Foundry IQ exploite les données non structurées ?** Foundry IQ utilise Azure AI Search pour indexer et rechercher dans des documents internes, notes de réunion et politiques, permettant à l’agent IA d’expliquer qualitativement les phénomènes détectés dans les données structurées. **Comment la sécurité et la confidentialité sont-elles gérées ?** La sécurité repose sur l’authentification utilisateur et la propagation des droits d’accès. Un seuil minimum de cinq personnes est appliqué pour éviter la surveillance individuelle, aucune donnée personnelle n’est exposée. **L’agent IA peut-il générer des graphiques à partir des données ?** L’agent IA intègre un code interpréteur Python qui lui permet de produire des graphiques et des schémas à partir des données analysées, facilitant la visualisation des patterns et des corrélations. **Quelle différence entre Microsoft IQ et Viva Insight ?** Viva Insight est la couche analytique RH historique pour managers et analystes, distincte de Work IQ mais pouvant fournir des signaux comportementaux agrégés à un agent IA pour enrichir ses analyses. **Où trouver la démonstration Microsoft IQ présentée dans la vidéo ?** La démonstration Microsoft IQ est disponible en open source sur le GitHub de Florent Thibault, accessible via le lien fourni dans la description de la vidéo. ### Chapitres - — Phare Data - 2:15 — Introduction à Microsoft IQ - 5:10 — Démonstration - 21:25 — Conclusion ### Transcript [musique] [musique] Bonjour et bienvenue sur Fardata, la chaîne qui éclaire vos données. Dans l'océan des données, voir clair change tout. Sur farata, on décrypte les services de données d'analytique CDIA, le tout avec un ton accessible, des choix techniques assumés et une touche dermarin. Alors que vous soyez architecte, analyste, data, ingénieur, productur ou simplement curieux, Fardata vous accompagne pour comprendre les enjeux réels, éclairer les compromis et prendre de meilleures décisions et parfois avec le cri des mouettes en bruit de fond. Si ce genre de contenu vous parle, n'hésitez pas à vous abonner. Ça aide le phare à rester allumé. Cap sur l'épisode du jour. On entend beaucoup parler d'agent d'IA, mais un agent sans contexte, c'est un peu comme un navigateur sans carte marine. Il peut avancer mais il risque de vous emmener dans les cailloux. L'enjeu, c'est le contexte. Le contexte c'est le travail, les connaissances, les connaissances métier. Et pour évoquer ce sujet, je suis accompagné pour cette traversée de Florent le timonier des données et Éric le capitaine des IIA, notre sito field de data. Messieurs, je vous laisse vous présenter. Bonjour Romain. Donc merci de de nous accueillir en fait sur ta chaîne Fardata. Donc moi je suis Florent Thbibau, je suis partenaire CSA, donc je suis côté partenaire, je m'occupe donc de la partie technique des architectures de nos partenaires chez Microsoft. Merci Romain et bonjour à vous deux. Heureux de partager cette ce cette session avec vous. Et donc je suis Éric Charbonier, je suis fil de CTO pour la France sur tous les sujets euh de data et qu'il y a. Alors Microsoft a une confion forte à mesure que les organisations deviennent ce qu'on appelle des frontières firmes, ces entreprises pionnaires en matière d'I. L'IA ne sert plus juste à optimiser le travail. Elle réinvente le business model lui-même. Avec les copilotes et les agents intégrés partout, on libère la créativité, on accélère l'innovation, on démocratise l'intelligence, voire même on délègue certaines de nos décisions. Éric, est-ce que tu peux nous en dire ? Oui. Euh, tu as tu as tout à fait raison, Romain. Et et c'est la vraie question, c'est comment en fait une entreprise traduit son son expertise, euh ses procédures, ses compétences euh ce que l'on peut aussi résumer dans le mot anglais knowhow et que nous on a résumé en IQ. Euh et donc comment on une entreprise traduit son IQ unique euh sa propre intelligence métier en décision à impact mesurable ? La réponse de Microsoft tient en trois lettres répétées trois fois. Ça s'invente pas les trois IQ. L'idée est simple. Pour un qu'un agent comprenne vraiment le fonctionnement d'une entreprise, il doit s'appuyer sur trois sources d'intelligence complémentaire parce que une seule ne suffit pas. Alors, le premier pilier c'est Work IQ. C'est la couche d'intelligence officielle que Microsoft a annoncé à Ignite 2025 et expérimenté au moins depuis 2 ans par Microsoft. Donc elle pilote Microsoft 365. Donc elle avec ses copilotes et ses agents hein qui reposent entièrement sur cette sur cette stack qui est work IQ. Donc elle repose sur trois choses. Les données de travail, que ça soit les emails, les fichiers, les réunions Teams. Euh donc tout ça, ça fait partie effectivement de ce qu'elle gère, de la mémoire, c'est-à-dire les les habitudes, ton style, ton ton ta façon de travailler, hein, euh avec qui tu collabores et l'inférence qui combine les deux pour suggérer la prochaine action. C'est ce qui fait qu'un agent ne se contente pas de chercher dans des tables. Il comprend comment ton entreprise fonctionne réellement. Alors ça c'est premier pilier. Le deuxième pilier c'est fabrique IQ. Donc l'intelligence des données structurées. Donc dans fabrique, on va stocker des données dans un lake house, dans un warehouse. En fait, on va trouver des données métiers avec une nuance clé. On les expose maintenant via une ontologie métier, pas juste des tables brutes. Moi, j'aime bien l'analogie qui est dire avec le SQL, je réponds à des questions mais les ontologies comprennent tes questions. L'agent comprend qu'un employé, un manager, qu'une absence se rattache à un département et on verra tout ça dans fabrique. Et le troisème pilier, fondre IQ, l'intelligence des données non structurées, que ce soit des méos internes, des documents, des notes de réunion. Donc via un composant qui s'appelle Azure et I search, l'agent va chercher le pourquoi derrière les chiffres. Super, la carte est posée. Laurent, tu nous mets tout ça en action ? Oui, pas de souci. Là, je partage mon écran. Donc voilà. Donc là, vous voyez l'agent 3 ICO HR investigation qui va nous permettre de de vraiment mettre en action et en pratique ce que ce que nous a dit en fait Éric sur les trois IQ de Microsoft. Alors pour illustrer, voilà le scénario. Donc je suis une je suis le DRH d'une société en fait internationale et je sens qu'il y a des problèmes en fait dans certaines équipes, mais je sais pas pourquoi, je sais pas où. Bon, j'ai j'ai pas trop d'infos. Alors, grâce à mon agent en fait investigation, je vais commencer la première étape. Donc ma première étape, mon agent va aller interroger Work IQ. D'accord ? Donc j'y vais. Donc j'interroge Work IQ. Et là, le l'idée en fait de l'agent, c'est d'analyser les patterns de Microsoft 365 des qu dernières semaines. Et voilà, là je vois immédiatement en fait qu'est-ce qui se passe ? Ben, je vois que immédiatement j'ai le RED en Allemagne qui est en zone critique. Il y a plus 45 % de réunion, plus 60 % d'activités hororaires et je vois aussi que le marketing France montre aussi des signaux d'alerte. Alors pour moi c'est le point d'entrée. D'accord. Alors deuxième étape, on bascule sur fabric sur fabrique IQ, excusez-moi. Donc pour valider avec les données RH structurées qui qui vont être dans mon le houseous de fabrique. Alors je vais lancer l'étape 2. Voilà. Donc là l'idée c'est de reprendre en fait les signaux faibles que j'ai réussi à récolter dans Work IQ et d'aller les mettre en corrélation avec mes données en fait RH. Et là qu'est-ce que je vois ? Et ben je vois en fait que 18,2 % d'attrition sur le recherche et développement en Allemagne dont la moitié d'émission volontaires. Donc ça vraiment ça le signal que j'avais vu sur des patterns dans Microsoft 365 est vraiment confirmé. Euh ensuite, je vois que pour le marketing France, j'ai + 30 % d'arrêt maladie. Donc là pareil, deuxème corrélation en fait par rapport à à Work IQ. Euh donc là c'est c'est clair en fait pour moi, il y a vraiment quelque chose qui se passe soit en enfin en Red, en Allemagne et puis en France dans le marketing. Alors il faut que je donne un peu plus de de contexte à au problème que j'ai trouvé et c'est pour ça que maintenant je vais aller dans Fund IQ et là je vais aller mettre en en corrélation mes données en fait de mon entreprise par rapport à ce que j'ai trouvé dans mes deux premiers IQ. Alors c'est parti. On va aller voir, on va aller rechercher un petit peu euh ce qui ce qui a pu se passer. Alors, on va remonter un petit peu là pour voir. Euh toc, c'est ici. Donc, on est sur le step 3. Donc je suis parti dans ma knowledge Base et j'étais mon agent a été voir si il y avait des choses au travers des réunions, des documents d'entreprise qui permettai de mettre en évidence le pourquoi j'ai en fait ces départs volontaires en Allemagne et ces problèmes en fait de maladie de dans mon mon dans mon marketing en France. Alors euh donc là je fouille et là on voit effectivement qu'est-ce qui se passe ? C'est que en Q3 j'ai une réorganisation euh en Allemagne et le VIP RED est parti à la retraite. OK donc je je regarde encore un peu plus et je vois aussi que euh en France en fait j'ai trois postes de team lead vacant et aussi côté marketing. Qu'est-ce qui se passe ? Je je vois en fait que la team lead est en arrêt pour longue durée pour et sans remplacement. Donc c'est peut-être ça en fait qui qui fait qu'il y a une surcharge de travail dans mes équipes et c'est sûrement en fait tout ça qui fait que bah j'ai vraiment des problèmes. Alors on va aller un petit peu plus loin pour aller visualiser un petit peu tous ces chiffres et voir en fait si j'ai certaines cohérences. Alors, je vais encore demander à mon à mon agent en fait dans Foundry, donc Foundry IQ d'aller analyser ces chiffres. Et donc c'est parti. Et je vais lui demander en fait à avec à travers ces chiffres-là d'aller dessiner euh lui-même les les patterns. Alors ça c'est super important parce qu'on voit que maintenant les agents ont la ont la possibilité d'aller eux-mêmes faire leur leur dashboard et leur shape à partir de de certaines données. Donc qu'est-ce que je vois euh donc via corde corps interprèteur ? Ben, je vois que effectivement il y a une évolution en fait de de l'attrition en fait donc des personnes qui qui partent en en RD et je vois bien que ça coïncide bien avec la la réorganisation et le départ du VIP en Allemagne. Je vois aussi là, c'est clair que en France en fait les arrêts maladies coïncident bien en fait avec le le fait que la la lead en fait la lead en fait du marketing elle est en arrêt maladie donc surcharge de travail donc les je pense que les autres ils ont aussi trop trop de travail voilà donc tout ça c'est tout ça est bien corroboré alors ça c'est c'est quand même super intéressant de voir que l'agent bah il peut utiliser effectivement toutes les intelligences qu'on a dans les trois iTunes Microsoft mais en plus, il peut aller lui-même me faire des me présenter en fait des des schémas pour aller mettre vraiment en évidence tout ça. Alors, je vais pour finir, je vais demander de faire un un petit une petite en fait une petite synthèse de tout ça. Donc step 5. Donc l'agent avec toutes ses données, les schémas en fait, il va me faire une petite une petite analyse, une petite synthèse et il va me donner en fait les six actions prioritaires qui vont m'aider en fait à remettre un peu de l'ordre dans mes équipes. Voilà. Donc euh il va me dire bien effectivement de nommer un VIP intérimaire euh pour euh pour le marketing, de recruter des team lead, d'instaurer euh des pas de meeting le vendredi. Donc voilà, ça un petit peu plus loin que que des simples euh c'est vraiment des patterns en fait pour que pour ça pour que ça aille mieux. Donc donc voilà, Romain, tu as vu en fait comment fonctionnait de façon très très rapide cet agent investigation et qui se nourrissit se nourrissait de cette intelligence au niveau des trois piliers Microsoft à savoir Work IQ, Fabric IQ et Foundry IQ. Ouais, c'est super intéressant. Puis là en fait, tu as fait le travail, je crois en 2 minutes d'un consultant RH qui aurait pu prendre peut-être de semaines à essayer de recueillir toutes ces données, les mettre en contexte, les analyser. Euh ça c'est impressionnant. C'est impressionnant. Euh d'ailleurs, ce qui est fort dans cette démo, c'est qu'on voit vraiment ce que je disais juste avant, les trois IQ s'enchaîner presque naturellement. Euh à partir d'un signal faible dans Work IQ, on valide quantité quantitativement euh euh avec Fabric IQ puis on explique qualitativement avec Funderry IQ. Euh donc sans ces trois couches, l'agent te répondrait soit avec des chiffres sans contexte, soit avec du contexte sans données. Là on a vraiment les deux. Et le secret de cette robustesse, c'est ce qui se passe dans Fabrique et dans Fonderie. Mais je pense que Florent va finir par nous ouvrir quand même le capot. Oui, tout à fait Éric. Donc je vais donc là vous voyez mon écran. Donc là, je suis dans fabrique. Donc là, l'idée c'est de vous montrer un petit peu sous le capot comment ça se passe fabrique IQ. Alors, tout va commencer en fait par le house. Donc dans le house, comme je vous l'avais dit, je vais stocker mes données structurées de ma RH. Alors, j'ouvre le houseous. OK. Et donc là, on voit les différentes tables de mon de mon système en fait de ressources humaines. Donc, j'ai la table des employés, j'ai la table des des absences, départements, les managers, le turnover. D'accord ? Donc ça c'est vraiment les données structurées qui remontent de mon de mon système. Alors, je vais retourner maintenant dans l'anthologie. Donc, ça c'est vraiment le cœur de l'intelligence en fait de fabriquer IQ. C'est-à-dire que euh j'ai défini alors on va zoomer un petit peu, on va aller sur euh collaborateur. En fait, j'ai j'ai défini en fait une anthologie métier euh de mon métier de ressources humaines. Donc le le centre, c'est mon collaborateur et j'ai mes liens en fait avec les différentes entités. Donc l'entité collaborateur et on voit que cette entité collaborateur, elle vient se nourrir de mon houseous en fait hein, donc de mes tables de mon houseous quoi. Et je vais avoir en fait ça va être lié avec une entité absence euh qui voilà et je vais avoir en fait toutes ces entités. Je vais avoir aussi euh à quel département en fait appartient le collaborateur, le manager en fait. donc avec les liaisons supervisent euh le département donc à pour absence et ainsi de suite. Donc voilà, donc j'ai tout cette anthologie. Euh donc on a vu le lakhouse, on a vu l'anthologie et après ce qui est vraiment intéressant euh c'est en fait le data agent. Donc le data agent, il va se nourrir de l'anthologie, d'accord ? donc absence collaborateur et c'est vraiment le fait qu'il puisse se nourrir de cette anthologie que on va pouvoir répondre à au questions vraiment métier dans notre fameux Hor investigation que je vous ai montré tout à l'heure. Alors j'ai défini en fait le le prompte en fait de ce date au niveau du data agent. Donc voilà tu tu es un agent de de données RH expert au service de des ressources humaines. Tu réserves en en terme d'entité métier défini dans l'ontologie. Donc je lui dis vraiment, "OK, tu as une une anthologie et tu dois te nourrir de ça pour répondre aux questions." Et donc c'est là que c'est ça prend vraiment tout son sens parce que euh le l'agent va vraiment savoir en fait les relations entre euh effectivement euh ben dans le dans le métier en fait des ressources humaines euh ce que c'est en fait une attrition, c'est-à-dire bah quand le le l'agent va démissionner vraiment tout le tout le vocabulaire et toutes les toutes les séquences d'une ressources humaines. Donc maintenant, on va basculer dans Azure et Foundry. OK. Et donc dans Foundry, ce qu'on appelle Fundoundry IQ. Donc c'est ici qu'on orchestre l'agent et qu'on branche Fundry IQ. D'accord ? Donc vous avez vu en fait dans la dans la petite démo en fait donc l'agent qui qui gère en fait toute cette démo, il est ici d'accord ? Il est défini ici et vous voyez c'est tr c'est à ce niveau-là qu'il est géré. Et après tu vas appeler ton agent fabrique, ton data agent fabrique qui connaît l'ontologie mais c'est celui qui va l'appeler. C'est bien ça. C'est exactement ça. Donc voilà. Donc ici j'ai défini son comportement. D'accord. Donc voilà, je je lui ai dit en fait tu es tr IQ cher investigation agent et tu es en fait un un agent intelligent. OK en fait pour aider les ressources humaines. Vois les équipes des des ressources humaines. Et tu as trois en fait tu as trois couches d'intelligence. tu as work IQ, donc c'est euh Microsoft 305 la collaboration pour avoir les les différents signaux faibles qu'on a vu tout à l'heure. Tu as fabrique IQ, donc c'est pour structurer en fait pour accéder aux données structurées de ton système de ressources humaines au travers de de l'anthologie. Et puis tu as Fundri IQ, d'accord, qui est en fait la une base de connaissance des des deux différents documents. Et ici, on voit en fait tous les tools qui sont associés et notamment cette base de connaissance. Donc c'est donc le le l'outil qu'on qui permet de de stocker ces documents, c'est Azure E Search. Et donc dans ce Azure I Search, en fait, j'ai indexé une dizaine de documents internes, des notes de réorganisation, des compte-rendus de comités, des politiques de charge management, euh voilà des résultats de surveil. Et c'est ça qui m'a permis euh de de mettre en corrélation euh les euh les différents signaux faibles et puis les données structurées qui venaient de bon dat agent. Ici, on voit aussi que je je branche en fait cet agent sur euh work IQ, d'accord ? pour les euh pour les différents faibles. Et pour terminer sur fabrique fabrique fabrique data agent euh donc au travers de l'ontologie he donc c'est super important donc cette fameuse ontologie métier. Et pour terminer, ce que je n'ai pas dit et c'est le code interprèteur. Donc ici, donc un dernier tools, le code interpréteur pour que l'agent lui-même a la capacité d'aller faire des des schémas et et des graphiques pour mettre en évidence les données et me les présenter. Donc donc une nouvelle façon de travailler de liberté pour l'agent. il est capable de faire du code Python et au travers de ce code Python d'utiliser des librairies graphiques pour faire du rendre ce qu'on appelle du rendering et présenter en fait les graphiques des données à partir de son raisonnement. Et je suppose que lorsque tu communiques, tu exchanges avec ce data agent, tu es authentifié ce qui fait que les données que tu as le droit de voir sont uniquement celles accessibles dans fabrique, accessible côté Microsoft 365 et cetera. Voyez, exactement. En fait, quand l'utilisateur utilise cette utilise l'agent, OK, au travers de l'application, euh il s'authentifie et cette authentication en fait se propage euh dans les différentes couches d'intelligence, notamment dans fabrique. Et dans fabrique, en fait, la personne ne pourra voir que les données euh dont elle est autorisée de de voir. Euh donc, on a vraiment en fait le de bout en bout cette sécurité des données. Et côté RGPD, on en est où ? Bah, c'est peut-être une question pour moi là pour le coup. Effectivement, c'est c'est une préoccupation par pure construction. Euh sur ce type d'usage, Microsoft applique à un seuil minimum de groupe typiquement cinq personnes en dessous duquel aucune donnée n'est exposée. On ne touche jamais aux données individuelles. L'agent ne sait pas que par exemple Jean Dupont ou Romain Caster euh a fait 12 réunions cette semaine. Il sait que l'équipe RD Allemagne a 45 % de réunion en plus que la moyenne. C'est ce qui rend ses capacités déployables en entreprise sans tomber dans la surveillance individuelle. Et c'est vraiment ça qui est important. Et pour être complet, on a un Microsoft Viva Insight qui existe en parallèle. C'est la couche analytique RH historique pour les managers et analystes. Tout ce qui est focus time, welbing, tendance de collaboration et cetera. Donc c'est distinct work IQ mais c'est une source aussi précieuse de de signaux comportement comportementaux agrégés. à brancher sur un agent comme l'a fait Florent par exemple. Super. Donc on a vu Fabric IQ avec l'ontologie, on a vu Fondri IQ qui est maintenant ta porte d'entrée hein pour échanger avec ton contexte d'entreprise mais aussi tes données et euh Work IQ. Alors ah en fait le work IQ c'est pas une UI qu'on ouvre en fait. Donc c'est c'est la couche d'intelligence de Microsoft 365 elle-même c'est ce qui alimente copilote et les agents en arrière-plan. Tu ne la vois pas mais tu la consommes. Elle expose les signaux de Microsoft 365. Bon bah comme Teams, Outlook, le calendrier. Alors sous forme d'inférence contextuelle que les agents utilisent pour pour groer leurs réponses. Donc tu vois pour voilà pour aller chercher leur réponse. Et pour la la dimension équipe, celle qui nous intéresse côté manager Microsoft parce que c'est celle-là que que j'ai montré dans la démo, on a annoncé à Ignite donc voilà que il allait avoir un agent dédié. Il y a un agent dédié, c'est celui que j'ai utilisé d'ailleurs qui s'appelle Workforce Workforce Workforce Inside Agent. Donc il est distribué via le frontière programme, d'accord ? Donc pour les entreprises qui sont dans ce programme là avec Microsoft et cet agent donne au leader et managers donc des insights temps réels et agrégé sur leurs équipes et leurs organisations par rôle ancienneté localisation pour prendre des décisions. Alors c'est workforce workforce data driven c'est exactement le le pendant du de la vue manager de de ma démo en fait. Donc c'est c'est en fait c'est ce que j'utilise. Super démo. Merci Florent. On a vu les trois AC en action. On voit vraiment toute la puissance que ça peut offrir. L'I génératif seul, c'est un assistant sympa mais euh ça répond la moitié du temps à côté là. L'I branché sur les trois IQ de ton entreprise. On imagine que ça va permettre de comprendre ton entreprise, comment ça fonctionne. Fabrique IQ avec l'ontologie métier fond IQ pour le contexte documentaire, ça devient un vrai collègue digital qui prend des décisions éclairées. Éric, tu as des retours déjà de clients sur ce type de besoin ? Oui, absolument. Euh Romain, aujourd'hui, c'est vraiment la préoccupation principale des clients qui construisent des solution à base d'agent. Euh que ça soit des agents sur de la data structuré ou non structuré, c'est d'avoir cette couche de contexte. Et si si je résume ce qu'on a vu aujourd'hui dans la démo, on a vraiment des agents utilisable avec du contexte. Le contexte a trois dimensions, le son travail, ce qu'on ce qu'on ce qu'on fait au day to la connaissance et puis bah toutes les données d'entreprise, les données métiers. Et et là, on s'appuie bah sur tout le patrimoine de données qui existe. Donc le laitos qui stock euh donc toutes les données de production et on a vu quelque chose qui me semble très très différenciateur par rapport à ce qui existe ailleurs. C'est que Florent a utilisé l'ontologie. L'ontologie donne du sens parce que un house ça stock de la donnée certes mais une ontologie ça donne un vrai sens. Sans ontologie ton agent fait enfin répond à une question métier mais doit deviner quelle table contient les départs dans le cadre de de du case qu'on a vu. Quelle colonne porte le département et cetera. En fait, on est sur quelque chose qui est vraiment très câblé euh et au final des des hallucination. Donc avec l'ontologie par contre, on encode la sémantique métier une seule fois. Qu'est-ce qu'un employé ? Qu'est-ce qu'une absence ? Comment on calcule un turnover ? Et tous les agents de l'organisation vont s'appuyer sur cette ontologie. C'est ce qui transforme un house en fabrique IQ. la couche qui stock plus la couche qui donne du sens. L'antologie permet aux agents I de comprendre et de raisonner sur votre métier. C'est ce qui rend l'agent vraiment déployable en production sur des cas réels. Microsoft IQ, c'est aussi l'intégration de ces trois couches he pour passer des idées au résultat avec de la confiance et de la cohérence. Au final, on a un collègue digital qui peut prendre des décisions éclairées et qui nous explique bien ce qu'il en est de notre business, de notre activité. Super, ça nous laisser un peu plus de temps pour faire autre chose. En tout cas, si vous avez des questions, des retours d'expérience ou si vous voulez creuser un point en particulier, les commentaires sont ouverts dans la vidéo. Merci Florent Éric pour cet échange. Merci à vous d'avoir suivi cet épisode de Fardata. Vous retrouverez le lien du kitup de Florent avec la démo si vous voulez la rejouer chez vous. Je crois qu'elle est en open source hein. Florent ? Euh oui, vous pouvez la retrouver en fait sur mon sur mon GitHub. Donc n'hésitez pas à me poser des questions euh et puis la la rejouer chez vous. Super. Bon, on vous dit à très vite dans de nouvelles épisodes et d'ici là, abonnez-vous à la chaîne. À bientôt. Merci. --- ## Modernisation des bases de données avec l'IA URL: https://www.pharedata.fr/videos/modernisation-des-bases-de-donnees-avec-l-ia Publié: 2026-04-28 Durée: 34:43 Sujet: ia-copilot Mots-clés: ia, bases-de-donnees, recherche-vectorielle, langage-naturel, azure-sql, postgresql, documentdb, cosmos-db ### Résumé La vidéo présente une application utilisant quatre bases de données (Azure SQL, PostgreSQL, DocumentDB, Cosmos DB) modernisées grâce à l'IA. Elle détaille l'intégration de la recherche vectorielle, du langage naturel pour générer des requêtes, et l'utilisation de serveurs MCP pour interroger les bases. Une démonstration illustre la recherche de similarité, la génération d'images, la gestion multilingue et le suivi d'activité. Le code est disponible sur GitHub pour reproduction et adaptation. ### Points clés - L'application présentée utilise quatre bases de données : Azure SQL, PostgreSQL, DocumentDB et Cosmos DB, pour illustrer la modernisation par l'IA. (2:51) - La recherche vectorielle permet de retrouver des produits ou clients similaires en transformant descriptions ou données en vecteurs de 1536 dimensions. (11:24) - L'intégration du langage naturel via serveurs MCP permet de générer et exécuter des requêtes SQL ou NoSQL à partir de questions utilisateur. (20:52) - Les bases de données modernes supportent nativement le stockage de vecteurs et l'indexation pour optimiser la recherche de similarité. (12:29) - La sécurité est assurée en propageant les droits utilisateur et en limitant les opérations autorisées lors de l'exécution des requêtes générées. (27:05) - Le code source de l'application et la documentation sont disponibles sur GitHub pour test et adaptation à vos besoins. (32:42) - L'IA enrichit les bases de données sans les remplacer, en facilitant l'accès, l'automatisation et la compréhension des données. (34:07) ### Questions fréquentes **Comment ajouter la recherche vectorielle à une base de données existante ?** Il suffit de rajouter une colonne de type vecteur dans votre base (SQL ou PostgreSQL), puis d'utiliser un modèle pour transformer les descriptions en vecteurs. Les bases modernes supportent nativement cette fonctionnalité. **Quels sont les avantages du langage naturel pour interroger une base de données ?** Le langage naturel permet à tout utilisateur de poser des questions sans connaître SQL, générant automatiquement des requêtes adaptées à la structure de la base grâce à un serveur MCP et un modèle IA. **Pourquoi utiliser DocumentDB ou Cosmos DB pour le suivi d'activité ?** DocumentDB et Cosmos DB sont adaptés au stockage d'événements sous forme de sous-documents, optimisant la recherche et la visualisation des activités par utilisateur et par jour, notamment pour des usages journaliers ou historiques. **Comment sécuriser l'exécution de requêtes générées par l'IA ?** La sécurité repose sur la propagation des droits utilisateur jusqu'à la base, l'utilisation de serveurs MCP pour contrôler les requêtes, et la limitation des opérations autorisées (par exemple, uniquement des SELECT). **Peut-on utiliser n'importe quel modèle IA pour la vectorisation ?** Oui, il est possible d'utiliser Azure Open AI ou tout autre modèle compatible pour générer les embeddings, selon vos préférences et besoins techniques. **Comment gérer les changements de schéma dans la base avec le langage naturel ?** Le serveur MCP récupère dynamiquement le schéma de la base, permettant d'adapter les requêtes générées même si les tables ou colonnes changent de nom. **Où trouver le code source de l'application présentée ?** Le code source et la documentation sont disponibles sur GitHub, avec toutes les instructions pour déployer, configurer et adapter l'application à vos environnements. ### Chapitres - — Introduction et présentation de Phare Data - 1:53 — Démonstration de l'application multibase - 31:05 — Conclusion et perspectives ### Transcript Bonjour et bienvenue sur Fardata, la chaîne qui éclaire vos données. Dans l'océan des données, voir clair change tout. Sur farata, on décrypte les services de données d'analytique CDIA, le tout avec un ton accessible, des choix techniques assumés et une touche dermain. Alors que vous soyez architecte, analyse, data engineur, product honur ou simplement curieux, fardata vous accompagne pour comprendre les enjeux réels, éclairer les compromis et prendre de meilleures décisions et parfois avec le cri des mouettes en bruit de fond. Si ce genre de contenu vous parle, n'hésitez pas à vous abonner. Cap sur l'épisode du jour. Aujourd'hui, on va parler d'architecture multibase de données et surtout comment les exploiter intelligemment grâce à les ail. Et pour ça, j'ai le plaisir d'être accompagné de deux passionnés du sujet, à savoir Emmanuel, l'homme qui murmure à l'oreille des bases de données et Richard à celui à qui on pourrait confier nos bases de données de production sans jamais trembler. Messieurs, je vous laisse vous présenter et nous raconter la solution que vous avez construite à partir de besoins, je crois rencontrer en clientèle. Moi, je suis Emmanuel de l'Éthan effectivement. Donc, je suis Solution Engineer chez Microsoft, spécialiste des bases de données et passionné effectivement par l'ajout de nouvelles fonctionnalités dans des applications en utilisant les nouvelles fonctionnalités des bases de données. C'est un peu ce qu'on va vous présenter aujourd'hui. Souvent, je suis accompagné de Richard avec qui je travaille depuis quelques années maintenant. Et donc Richard Pon moi je suis cloud Solution architecte et je travaille en de collaboration avec Emmanuel notamment auprès de nos clients pour mettre en place des solutions autour de la base de données. Voilà. Alors l'idée de l'application elle été très simple. On a beaucoup de clients qui ont un historique de base SQL ou un historique de base Postgress ou des bases de type Mongo Document DB ou des bases Cosmos DB. Ils nous ont dit qu'est-ce que l'AI peut nous permettre de rajouter comme fonctionnalité à une application déjà existante ? J'ai un catalogue produit, j'ai des commandes, j'ai des utilisateurs, j'ai du tracking d'application, j'ai enfin tout un tas de de fonctionnalités qui sont déjà existantes avec des bases existantes. Est-ce que aujourd'hui dans les bases de données que l'on a, est-ce que LAAI pourra rajouter des choses et quelles sont ces fonctionnalités possibles aujourd'hui ? sans avoir bien sûr à tout casser mon modèle, à migrer mes bases et cetera. Et c'était un peu l'idée de cette démonstration-là. Voilà. Et situationlà, l'objectif principalement va être de parler de modernisation sur un existant ou bien sûr sur des nouvelles applications. Voilà. L'application qui a été développée, vous allez le voir, utilise quatre bases de données. On utilise un Azure SQL, un Postgref, un document DB, un Cosmos DB no SQL. On a une interaction aussi bien sûr avec l'IA donc Azure Open AI qui va héberger des modèles qu'on va utiliser. Alors on aurait pu très bien quelque part se dire euh je pourrais avoir qu'une base relationnelle donc soit en Azur SQL soit un postgrisse pour l'ensemble des fonctionnalités qu'on va présenter qui vont utiliser du relationnel où on ne pourrait avoir aussi qu'une seule base no SQL soit un cosmos DB no SQL ou un document DB pour la partie non relationnelle. L'idée de la démo, elle est multiple. Elle est de vous montrer que finalement, quelle que soit la base que j'utilise, un SQL, un Postgress, un document SQL, je vais pouvoir rajouter les mêmes types de fonctionnalités. D'accord ? Et l'autre partie, c'est que le code vous est partagé, c'estàd c'est sur un GitHub, vous pourrez avoir accès et regarder beaucoup plus en détail, le réinstaller chez vous, le reproduire et bah finalement utiliser ça pour vos propres produits ou ces propres choses-là. Super. Alors, j'ai hâte de voir ça en démo. Tu nous montres à quoi ça ressemble ? Oui, parce que la théorie c'est bien pratique mais autant aller sur de la démo. Donc vous pouvez voir ici, alors je vais passer en plein écran, sera quand même beaucoup plus simple. Donc cette application qui est donc un site web euh voilà, je suis euh logué en tant que manuel et puis j'ai un petit dashboard. Donc je peux voir que j'ai un Azure SQL, un Postgress, un document DB, un Cosmos SQL. L'idée c'est de dire bah voilà mon catalogue produit il est effectivement mis dans une base SQL et souvent quelles sont les fonctionnalités qu'on a de recherche dans un catalogue produit Richard ? On a des recherches assez simples finalement avec des filtres prédéfinis. Tout à fait. Les recherches classiques basées sur des métadata qu'on a sur nos produits qui nous permettent de filtrer tout simplement. par exemple, voilà, sur les closings, je peux retrouver un certain nombre de choses. Alors, je la l'intérêt, hein, surtout la nouvelle fonctionnalité qu'on va rajouter, c'est on peut se servir de l'IA à plusieurs niveaux. Par exemple, ici, on peut se servir de l'IA aussi pour générer directement l'image. C'est-à-dire que toutes les images que vous voyez ici, quand Richard a rajouté le drone par exemple, et ben il a généré l'image à partir d'un modèle I et partir de la description. Mais la chose qui peut être intéressante effectivement, c'est se dire "Je voudrais rechercher quelque part un produit en décrivant tout simplement le produit. C'est je sais pas trop enfin ce que je recherche." Par exemple, si tu recherches un objet volant radio commandé, alors voilà, objet volant radio commandé. Hop. Et lui, qu'est-ce qu'il va le faire ? il va tout simplement aller faire une recherche qu'on appelle de similarité et il me dit "Bah voilà, dans ta base de données, tu as un drone FPV et celui-ci est similaire à 44 %. Tu as un autre drone FPV Racer." Voilà. Alors après, vous pouvez voir, c'est de la recherche de similarité. Donc effectivement, il me dit "Il y a un ballon de rugby ou un ballon de football." C'est un ballon de rugby, c'est un ballon volant. C'est un objet volant qui est commandé par des mains. Donc on peut supposer qu'effectivement il y a un peu cette similarité. Bien sûr, on peut aller directement voir le produit et éventuellement réaliser euh des des recherches similaires ou ces choses-là. Donc, c'est être capable de rajouter cette recherche finalement de mise en place. On a aussi rajouté tout simplement au niveau des clients cette même mise en place avec de la recherche similarité. Donc là, je suis pour les commandes et les clients dans une base postgresse. D'accord ? Et si je tape par exemple Paris en recherche de type ce qu'on appelle vectoriel donc de similarité, il me dit voilà Thomas Laurent il il habite dans la ville de Paris donc on peut voir que tous les gens qui sont à Paris ont une similarité et la similarité est la plus haute tout simplement. Après l'intérêt effectivement de l'application c'est de dire bah je vais être capable d'aller faire une nouvelle commande. Je vais rajouter un produit donc un drone tout simplement. Je vais rajouter un autre article, un maillot de l'Olympique de euh Marseille. Alors peut-être pas Marseille, ça c'est toujours sujet à controverse aller un maillot de de du RCV du rugby. Alors j'ai j'ai je pourrais créer un maillot de vanne effectivement. Euh voilà, mais RCV ça veut dire plus de choses. Ruby Club de Vichi, Ruby Club de Vancè, Ruby Club de Van, voilà, il faut toujours faire attention. Mais par exemple, on va dire euh livraison euh à van euh voilà et je crée ma commande. Qu'est-ce qui se passe ? Donc la commande a été créée et ici euh je l'idée hein, c'est de dire j'ai un catalogue produit, je passe des commandes et puis je vais sous-traiter la livraison, la logistique, ce qui est souvent le cas. Et donc si je vais dans la centre d'expédition ici, ben je peux voir que effectivement j'ai une commande qui a été mis en place et je vais pouvoir sélectionner un partenaire qui va s'occuper de réaliser la livraison. Je suis dans un document DB. On expliquera un petit peu plus en détail pourquoi on utilise là une base no SQL par rapport à ça pour faire cette livraison et ce dispatch. Euh voilà. Alors l'idée he c'est dire bah voilà j'ai j'ai effectivement mon ordre ici et ma livraison et qu'est-ce que je vais être capable de faire ? Ben, je vais être capable de faire différentes actions. C'est-à-dire que la commande ici, elle a été effectivement en pickup. Après, je peux lui dire qu'elle est en transit. Je vais pouvoir qu'à lui dire qu'elle a été délivrée éventuellement directement. On a aussi rajouté pour la recherche de partenaire la recherche hybride tout simplement. Si je lui dis par exemple ici, je recherche SMCF euh qui est tout simplement une faute d'orthographe et je chercherai plutôt de la SNCF, je peux voir qu'il va retrouver SNCF et c'est celui qui va avoir une recherche hybride. La alors c'est effectivement ici à de l'inverse mais j'ai cette notion et cette capacité de faire de la recherche directement. Je peux suivre mon colis, rajouter ces choses-là. Voilà, l'idée euh directement c'est de dire sur chacun des systèmes, je vais être capable de faire une recherche avec aussi une recherche pourquoi pas multilangue hein, tout simplement ici je tape quelque chose en flamant, bah il va me retrouver l'information. Euh je peux aussi utiliser l'IA pour au niveau de là plus applicatif directement dire tiens, je voudrais tout simplement tout en en espagnol et ici toute l'interface se transforme en espagnol avec Buscar Productos directement. Voilà, on on présentera ça un petit peu plus en en détail tout à l'heure mais voilà l'application. Donc un catalogue produit qui a des bases SQL dans du Postgress, on va mettre les commandes, les customers, euh les clients et puis euh la logistique. La dernière chose qu'on a mis en place effectivement, bah qu'est-ce qu'on fait ? On fait du suivi d'activité. Donc on va être capable d'aller voir quelles sont les activités par jour, avoir du détail de qui fait quoi avec des logs pour être avoir complètement le détail. Et c'est pour ça, on utilise une base Cosmos débit et on vous montrera pourquoi tout à l'heure et on expliquera tout ça. Super. Donc tu nous as montré une application, un cas d'école en quelque sorte hein où on peut utiliser l'IA pour faire de la recherche vectorielle, la recherche de similarité. Est-ce que tu peux nous montrer maintenant à l'envers du décor et en effet pourquoi tel type de base, pour quel besoin ? Voilà. Alors c'est un peu l'idée hein effectivement. Donc on utilise quatre bases de données unei intégrée mais c'est vraiment à titre plutôt pédagogique mais deux auraient suffi une OSQL et une SQL. Donc on utilise la recherche de similarité et la notion de alors on vous montrera un petit peu plus tard dans la démo. Il y a aussi d'autres choses comme le langage naturel et et du MCP. Quand on regarde un petit peu euh l'architecture, effectivement, on a une application qui va interroger plusieurs bases, mais dans chaque base, on a activé des nouvelles fonctionnalités, notamment la capacité à stocker des vecteurs. D'accord ? Tu peux nous expliquer un peu ce que un vecteur un peu plus en détail, Richard ? Oui, tout à fait. En fait, chaque base de données en fait l'ensemble des bases de données à l'heure actuelle va supporter ce qu'on appelle des bases vectorielles. Bases vectoriel, ça va être on parfois on on l'appelle vecteur ou un bendings. C'est-à-dire qu'on va utiliser un modèle pour transformer du texte ou une image en vecteur. En vecteur. Ici, on utilise un vecteur avec 1536 dimensions pour pouvoir ensuite faire des recherches de similarité. C'est-à-dire qu'on va, j'allais dire vectoriser ce que l'on a dans la base de données et ensuite en fonction de notre question, on va générer aussi un autre vecteur et on va comparer ces deux vecteurs. C'est ce qui va nous permettre de savoir ce qui est sémantiquement le plus proche. Et chacune des bases de données que ce soit SQL serveur, postgré, document DB ou consb SQL va nous permettre de stocker ces informations. Voilà ce nouveau type d'information. L'autre chose, c'est que toutes les bases ont aujourd'hui par exemple l'index puisque c'est très bien de stocker. Si j'ai 1 million de produits, 2 millions de produits, comment être efficace au niveau de ma recherche ? Dans une base de donnée, il y a pas de secret. Il faut utiliser ce qu'on appelle un index. Et là effectivement, on a des indexes de type qui permettent de d'optimiser la recherche vectorielle et notamment dis an qui a été intégré dans SQL, intégré dans PostG, intégré dans Document DB aussi dans Cosmos non SQL. Alors, on l'a pas mis parce qu'on l'utilise pas dans la démo, mais c'est tout à fait possible, hein, sachez-le. Ça c'est important. Donc, la notion de stockage de vecteur, la notion de vecteur euh qui permet de stocker les choses. Et puis bah dans Document DB, on est on utilise tout simplement une API Mongo euh et du code qui est du Mongo. Donc, on utilise Cosmosearch qui est une fonctionnalité que nous fournit l'API Mongo pour aller interroger notre base document DB. Si on regarde hein sur les bases de données, tout ont à peu près les mêmes types de fonctionnalités. Tu peux nous en dire plus ce qui a été utilisé les chars ? Oui, tout à fait. Donc tout d'abord, les fonctionnalités en terme d' vont pas être le différenciateur au niveau des bases de données. Le choix primaire va être surtout en fonction des compétences de et de la formation de vos équipes. Et les deux le l'axe va être base relationnelle ou base non relationnelle. Ensuite, au niveau des bases de données, on va retrouver comme on le disait un des nouveaux types de type vecteur, des fonctions pour calculer la distance ou le cosine entre deux vecteurs et bien sûr l'accès aussi à des modèles externes pour pouvoir générer les bending, pour pouvoir générer le vecteur et pouvoir le stocker ou voir au moment où on pose la question générer le vecteur pour pouvoir le comparer par la suite. Et là, vous allez retrouver sur l'ensemble des bases de données des fonctionnalités identiques ou très très similaires. La syntaxe va être un petit peu différente. Par exemple, pour PoseGR, on va parler d'extension pour pouvoir rajouter ces fonctionnalités là. Alors que par exemple dans SQL, ça va être native en fonction des versions. Voilà. Après l'autre chose c'est qu'il y a eu quelques nouveautés sur SQL comme notamment un driver natif Python qui a été rajouté dernièrement avant on utilisait souvent soit de l'odcb par on pass passer par des drivers intermédiaires. Donc on a utilisé ça dans l'application euh PG copy driver pour Postgress Pimongo Azure Cosmos SDK directement. Euh l'autre chose, c'est que effectivement on a pour illustrer rajouter des indexes composites pour faciliter la recherche notamment sur l'email et la date pour montrer que on n pas que des index simples dans Cosmos. Et puis euh dans document DB, on utilise la notion de vector search, notion d'agrégation qui est mis en place et on fait même du full texte et de l'hybride. Voilà, ça sachez-le, ça c'est important. C'est un ensemble de fonctionnalités finalement où la recherche de similarité ou le développement en Python peut se faire nativement en utilisant des SDK natifs sur n'importe quelle base. Et ça c'est important de retenir ça et surtout c'est un moyen de moderniser vos applications assez simplement ça avoir pour redesigner. Ah donc en gros qu'est-ce qui se passe hein quand on tape un texte ? il est envoyé à Europen qu'il le transforme en vecteur pour le stocker quand on rajoute un produit et puis ça met à jour l'index et ça va permettre effectivement de faire cette recherche là. Je tape le texte que je recherche, il envoyé Open AI, il va faire une comparaison au niveau de mes indexes de vecteur pour tous. Bah euh c'est du vecteur. Alors on peut avoir plusieurs tailles, on peut avoir plusieurs indexes mais dans SQL c'est natif. On a de la vecteur distance, on a de la distance type cosinus par exemple dans Postgress ou un vecteur search dans document DB pour faire cette recherche de similarité directement. Et ça c'est aujourd'hui c'est fourni nativement. D'accord ? Donc vous pouvez très bien dire je prends une base existante, je rajoute une colonne dans mon post grisse ou dans mon SQL, je la veux de type vecteur et voilà ce que je vais utiliser comme source pour réaliser mon vecteur. Après c'est souvent on nous pose la question qu'est-ce qu'on met qu'est-ce qu'on vectorise ? Ça dépend des recherches que vous voulez offrir d'un point de vue business, d'un point de vue fonctionnel plus que technique. Le technique aujourd'hui n'a pas de limite. La limite c'est est-ce qu'il est intéressant de rechercher par ville, par pays par exemple pour les clients ou est-ce qu'il est plus intéressant par rechercher par nom, prénom ? Et on va plutôt vectoriser ça. Voilà. Où on va vectoriser l'ensemble des choses. Faut juste faire attention à pas avoir ce qu'on appelle trop de bruit. Donc des informations qui sont pas existantes. Typiquement sur un catalogue produit en général, on vectorise la description du produit ou euh on peut imaginer sur des livre la description du livre qui va résumer ou avoir l'ensemble, l'auteur, le titre et cetera. Et arrête pas, si je me trompe, si la description est trop longue, on va chercher à faire des chunks, à savoir découper cette description pour la vectoriser et avoir peut-être plusieurs références de la même description. Ouais. Alors oui et non. C'est-à-dire que le le vecteur qui va être vectorisé, lui aura une taille fixe. Après effectivement, c'est souvent on envoie maximum, on va dire 3 4 5000 caractères. Une description d'un produit qui est fait plus de 5000 caractères, c'est assez rare. Le chunk est souvent utilisé plutôt pour la vectorisation de documents type PDF. OK. Quand je vais faire un rapport annuel par exemple où j'ai 30 40 pages, effectivement mes 30 40 pages vont pas être dans une seule chose mais je vais découper par page et faire une vectorisation par page. OK. Juste une petite précision, c'est que là on parle d'un modèle Azure Open AI, mais vous pouvez choisir le modèle que vous souhaitez puisque vous avez un accès à l'ensemble des modèles qui peuent puissent qui peut permettre de réaliser des impending. La vectorisation pour utiliser un mistral pour utiliser d'autres modèles sans aucun souci. Tout à fait très important à signaler. Et alors point de vue code, là je vois que tu nous montres la solution. C'est à quel moment que tu vas utiliser la recherche ? Voilà. Ah bah cette recherche de similarité finalement on peut le voir c'est un select tout simple d'accord sauf que dans mon select effectivement j'ai ici je vais lui dire je voudrais récupérer le customer ID le first name last name email et je lui dis je vais aller récupérer effectivement cette notion de similarity score et je vais utiliser ici alors je suis pour un postgresse au niveau du service cette notion euh ce ce ce mot clé là avec le ce qui est en biding par rapport à ma colonne vecteur et puis après effectivement je vais faire un order buy pour avoir celui qui a la plus grande similarité. Je vais être capable aussi d'avoir des des requêtes un petit peu plus complexes avec à la fois du full texte et à la fois de la similarité. D'accord ? Donc vraiment avoir cette cette capacité de jumeler de l'hybride search du full text search ou de l'hybrid search dans le code. Et ça aujourd'hui bah toutes les applications, qu'est-ce qu'elles ont ? raison au niveau de l'appar, je vais avoir exactement la même chose par exemple au niveau du SQL, d'accord ? Sauf que dans SQL, j'ai nativement un mot clé maintenant qui s'appelle vecteur distance tout simplement de type cosinus par rapport à mon vecteur et avoir ma distance. Donc pour tous, j'ai rajouté ces mots-clés au niveau du code SQL pour directement dans ma requête avoir je vais avoir la vecteur distance directement. Voilà comment ça se traduit. Emmanuel, tu nous as parlé de la similarité et qu'est-ce que tu peux nous dire au sujet du langage naturel pour pouvoir interroger une base de données ? Est-ce que c'est quelque chose qu'on peut faire simplement ? Ah, le langage naturel, c'estd qu'en gros pas dire je recherche tel produit mais être capable pour un utilisateur lambda de poser des questions langage naturel qui soient traduits quelque part en requête et exécuté. C'est ça que tu veux voir ? Vo voilà par exemple quel est le produit le plus vendu ou quel est le chiffre d'affaires sur le ter du trimestre ? Ce type de question quoi. Ouais. Par exemple clients qui on fait le plus de commandes. Est-ce que ça ça va tout à fait ça me va. Ça te va ? Et ben voilà c'est magique hein. Tu vois je pose la question ici et j'ai la réponse. Alors en gros, c'est pas si magique que ça. Qu'est-ce qui s'est passé ? Et bien tout simplement ici il a traduit cette information là. Quels sont les 10 clients avec le plus de commandes en une requête SQL qu'on peut voir ici qui a été générée en utilisant ce qu'on appelle un serveur MCP. Ce qui est intéressant c'est qu'on peut voir que ici j'ai un join. D'accord ? Donc oui, je peux faire combien de clients avons-nous ? Il va faire tout simplement une querie simple mais ici j'ai du group buy, d'accord ? J'ai de l'order buy, j'ai du join. Donc il est capable d'utiliser le modèle que je vais avoir au niveau de ma base de données et de réaliser cette requête là. Donc quels sont les clients qui sont à Paris par exemple ? Là ça va être une requête un petit peu plus simple. D'accord. Mais à pardon euh voilà, l'intérêt effectivement de ça, c'est que je vais être capable de la faire en n'importe rapport à n'importe quelle base. C'estàd que sur toutes les bases ici, on a mis un serveur ce qu'on appelle MCP. Euh, on expliquera un petit peu plus en détail qu'est-ce que c'est, mais que ça soit du Postgress, ça soit du document, que ça soit de l'Azure SQL, je vais être capable de poser les questions directement langage naturel et d'avoir la réponse. Euh pareil pour du cosmos, toutes les activités d'aujourd'hui, d'accord, il va être capable de euh me délivrer l'ensemble des activités euh par email. Euh voilà, donc je peux voir que Richard s'est connecté et ici il m'a généré ma requête par rapport à la date d'aujourd'hui. Donc il a traduit qu'aujourd'hui c'était le 27 avril euh directement. Donc combien était actif aujourd'hui ? Pareil, il va être capable de réaliser ses opérations pour du SQL, pour du document DB. L'autre chose qui est intéressante effectivement, c'est que je peux même faire ça, on va dire, dans n'importe quelle langue. Ici, je pose la question en langage naturel allemand, bah il est capable de générer directement à partir de la description que j'ai faite en allemand de l'information. Me demandez pas ce que ça veut dire ou quelle la requête que j'ai prise, s'il vous plaît. Mais voilà, c'est pour illustrer la puissance qu'on va pouvoir avoir directement. Donc être capable d'avoir cette notion là. Juste une petite question Emmanuel, si demain ton schéma change, par exemple ta table, elle change de nom ou j'allais dire il y a un S à la fin ou quelque chose comme ça, est-ce que ça continue à fonctionner ou il faut que tu recodes un certain nombre de choses ? Bah non, moi je vais appeler Richard pour qu'il recolte tout. Non non, je rigole. Bien sûr que ça peut fonctionner parce que on va vous montrer l'envers du décor. Ouais, parce que moi je vois très bien faire comment faire avec des dates à agents en fabrique, mais euh je devrais donner des instructions, je devrais aussi peut-être donner des queries d'exemples pour être sûr d'avoir le bon résultat attendu. Comment vous avez fait tout ça là ? Alors, c'est assez simple, hein. Euh, d'accord. On a créé ce qu'on appelle des serveurs MCP. Donc ici, si je vais dans mon serveur MCP Postgress, voilà le le code qui décrit mon MCP. Alors, effectivement, je peux décrire ma base de schéma, d'accord ? Et comme comme on peut l'avoir là, mais là, on l'a décrit plutôt en commentaire. L'idée d'un serveur SCP, c'est d'abord de dire, je vais aller récupérer le schéma de base et je vais être capable d'exécuter une requête. Donc, en gros, je vais avoir principalement deux méthodes qui vont être mis en place. Et qu'est-ce qui se passe ? D'accord ? Et ben ici, je vais lui dire allez récupérer le schéma de base. C'est quoi ? c'est tout simplement être capable d'aller récupérer toutes les les les tables qui sont mis en place en récupérant les colonnes name les datatypes en utilisant les tables de métadonnées du de la métatable quelque part de la base. C'est que la base a la description de ces informations et comme ça je vais récupérer ces informations. Effectivement si le nom de la colonne change, bah ça continuera à fonctionner. Ouais. Et surtout, on peut aussi aller plus loin. C'est-à-dire que des fois, on a aussi un MDM qui décrit nos données avec des descriptions et cetera. On peut aussi s'alimenter dessus pour savoir à quel à quoi correspond une colonne d'un point de vue, j'allais dire sémantique. Oui. Donner des discussions à tes objets. Voilà. Voilà. Tout à fait. Et donc j'ai ça pour mon SQL, pour mon cosmos. Pour chacun, j'ai cette notion de serveur MCP qui a été développé, qui a été mis en place et qui me permet de faire ça. Et ensuite pour aider aussi le LLM, on va pouvoir développer aussi des tools comme là on a du get database Kima, mais qui peuvent être plus spécifiques en terme de fonctionnel qui vont peut-être s'apparenter un petit peu à ce que tu disais Romain, tes exemples de requête. Mais là pour un besoin spécifique, on sait que on va le chercher comme ça, on va lui faciliter la vie même s'il est capable de le faire. Donc si on on reprend hein, qu'est-ce que on fait ou qu'est-ce qu'on a ? Bah l'idée c'est effectivement du langage naturel qui va générer une requête et exécuter la requête. Alors, l'exécution de la requête finalement c'est la partie la plus simple he mais l'idée c'est je pose ma question la question en utilisant du JPT alors là on utilisé du 40 on pourrait utiliser 52 on pourrait utiliser du mistral on pourrait utiliser du cloud on pourrait utiliser on va dire n'importe quel de vos de vos schémas même vos propres systèmes qui vont transformer soit en TSQL et me traduire soit en postgrèce directement soit en document deb en une agrégation soit en cosmos no SQL et tout ça effectivement ça va me générer la requête. Ensuite, je fais un check comme quoi par exemple c'est que du select parce que je peux c'est c'est ce que moi j'ai fait. C'est pour ça que tout à l'heure quand il a mis en place avec le créate, il a empêché cette création. C'est aussi pour des raisons de sécurité par exemple et ensuite je vais exécuter ma requête dans le contexte de l'utilisateur qui a demandé la la question. Donc je suppose que c'est sécurisé aussi par rapport à ça. Tout à fait. C'est c'est en fait ce qu'on fait c'est qu'on propage les créd jusqu'à la base de données pour que si l'utilisateur ne peut voir que l'enregistrement 1, il va pouvoir retrouver que l'enregistrement 1. Là la grosse différence c'est que avec le MCP c'est qu'on est dans le contexte de la base de données. C'està-dire que le LM va chercher les données, le les métada comme vous l'indiquez, il va pouvoir récupérer la requête mais vu qu'il peut aussi l'exécuter, si ça peut arriver, il a fait une erreur dans la génération de la requête, il voit qu'il y a une erreur et à ce moment-là en fonction du retour du code d'erreur, il est capable de la recorriger pour avoir un résultat satisfaisant. Voilà. Et donc ça c'est bah tout simplement je rajoute un serveur MCP alors qui ici a été écrit en Python, je pourrais écrire aussi dans d'autres langage qui va s'interfacer avec la database. Et puis c'est bien précisé ici hein. Donc c'est un open standard he la notion de MCP c'est un protocole. Et puis d'abord qu'est-ce que je vais faire ? Je vais aller rechercher, laisser découvrir les tables, les colonnes de telle manière effectivement à ce que si Richard me fait un altertable et rename la colonne en avec un S ou quelque chose, bah je sois capable toujours d'exécuter. Ça c'est pas du glucode hein, c'est pas du du code endure. C'est vraiment l'agent qui va découvrir et utiliser les datas. Après aussi pour la sécurité en terme de garde fou, effectivement on peut mettre un garde-fous au niveau du MCP mais surtout on va mettre des les permissions qui vont bien au niveau de la base de données. On va pas autoriser les altères, les choses comme ça pour éviter toute erreur quoi. Et alors vous avez un MCP pour l'ensemble de toutes les bases ou vous avez un MCP par base de données ? Alors la là ce qui a été développé c'est effectivement plusieurs MCP. Pourquoi aussi ? parce que bah aujourd'hui Microsoft fournit par exemple un serveur MCP postgress serveur qui n'a même pas besoin d'être écrit par moi-même et que je pourrais utiliser ou pareil pour SQL qui a un certain nombre de fonctionnalités. Là ce qu'on a fait effectivement on a quatre quatre MCP différents. Pourquoi ? parce que le code qui est généré, bah un Cosmos SQL n'a rien à voir avec un SQL standard, on va dire MCP SQL ou un Postgress pareil quoi. Donc c'est important et puis chacun pour aller récupérer le schéma de la base va utiliser les métadonnées de de chacun des des serveurs de chacun des types de base de données. Donc c'est pour ça qu'on a effectivement un serveur de type SQL MCP, un serveur de type posts, un serveur de type document DB et un serveur de type Cosmos DP. Alors, tu as utilisé document DB pour stocker les statistiques d'activité. Pourquoi document DB plus qu'une autre type de base de données pour ce besoin ? Voilà, tout à fait. On a utilisé donc des bases relationnelles et puis des bases no SQL. Les bases No SQL, donc un document DB et un Cosmos. Alors ici, par exemple, je peux avoir le journal d'activité avec le nombre d'activités par utilisateur, par jour. C'est ce que je vois. Si je vais un petit peu plus dans le détail et que je montre quel est euh le code ou comment sont stocké. Donc je sais pas si vous vous rappelez, tout à l'heure, j'ai fait une commande pour un monsieur qui s'appelait Fabrique Fabrice et j'ai fait plusieurs actions sur des events, hein. Le Delivery a été créé, il a été assigné à un partenaire, ensuite il a été dispatché et puis le package a été en transit et of delivery. Finalement, à chaque action que le partenaire va faire, ça va rajouter un nouvel événement et ça c'est typique du stockage mais en gros dans un un tableau d'événement et le no SQL est vraiment adapté à ça. Ici, je peux voir que j'ai même généré l'embediding euh du contenu, hein, qui est qui est stocké, mais cette notion de de partenaire qui est mis en place. L'autre chose que j'ai aussi et pourquoi par exemple sur les événements, bah c'est de dire voilà pour un utilisateur sur une journée finalement je vais avoir toute l'ensemble de son activité et vous pouvez voir qu'à partir de ça, je suis capable d'avoir des jolis graphiques qui me permettent de d'illustrer ça. Voilà, c'est cette idée-là de dire je vais stocker dans des tableaux de sous-documents un certain nombre d'informations par jour pour optimiser le stockage et la recherche parce que finalement souvent on va se dire tiens quel quelles sont les fonctionnalités qu' a fait Emmanuel tel jour ou tel jour ou telle semaine et aller chercher beaucoup moins d'informations ou de type. Et donc là, le NO SQL est vraiment adapté à ce type de stockage euh directement et c'est pour ça qu'on a utilisé plutôt là-dessus des euh types No SQL. OK, super. Merci pour cette démonstration. Donc on revoit ici l'architecture hein avec tes différentes bases de données avec l'usage de Azure Open AI pour créer les les vecteurs, enfin plutôt les unbeding et euh les MCP serveur qui va te permettre après de contacter les différentes bases de données en connaissance ben des métadonnées, en connaissance de des fonctions peut-être qui leur sont propres. Je crois que tu as un GitHub. Vous avez un GitHub dans lequel on peut tester cette application l'art des ployé chez nous. Tout à fait tout à fait. Donc il y a un GitHub, on va vous le montrer, mais effectivement un utilisateur, il a une application flask. D'accord ? Celle-ci ensuite va se connecter à la fois au SQL, au Postgress, au document, au Cosmos. Utiliser donc quand des fois un MCP serveur si je fais une demande ou de l'open pour la partie recherche de similarité. Et effectivement le GitHub, alors hop, pardon. Le GitHub, le voici. Euh si vous allez sur mon GitHub, on mettra le lien dans les commentaires de la vidéo. Ouais. Donc sur mon GitHub, vous avez l'application Flask Multidémo avec le projet qui est expliqué, les notions de MCP, la structure du projet, euh comment le déployer directement, quels sont toutes les environnements à configurer, voilà avec la petite workflow sur l'application, les différents MCP, comment il faut intégrer. Donc vous pouvez effectivement le reproduire directement chez vous. Euh chose importante effectivement, c'est que euh d'autres parties de l'IA sont utilisées comme la génération des images. Euh donc à garder à l'esprit et l'autre chose c'est que on utilise effectivement les bases mais les images ne sont pas stockées dans une base. D'accord ? Dans la base, je vais utiliser un lien vers un un storage Azure et mes bases sont stockées dans un storage Azur. Voilà. Donc en conclusion, ben l'objectif de cette démo, c'était de vous présenter les interactions entre les bases de données existantes et de l'AI et surtout comment moderniser l'existant sans avoir à tout recoder en utilisant des fonctionnalités de type AI tel que la recherche sémantique ainsi que le langage naturel tout est-ce que là pour pouvoir générer vos requêtes et ainsi ouvrir vos données à tous les utilisateurs et non pas seulement les utilisateurs qui son technique. Ouais, on peut dire que l'I ne remplace pas les bases de données, elle les révèle que ce soit les performances, la sécurité, la gouvernance reste toujours des sujets de data, d'architecture. Mais il y a vient rajouter une nouvelle couche peut-être pour mieux comprendre, interagir et automatiser avec nos données. Si vous avez des questions, des retours d'expérience ou si vous souhaitez creuser un point en particulier, n'hésitez pas à le mettre en commentaire. Encore une fois, merci Richard Emmanuel. Super démo, super échange. Merci à vous d'avoir suivi l'épisode sur Fard Data. On vous dit à très vite et d'ici là, abonnez-vous à la chaîne. À bientôt. À bientôt. --- ## Dites bonjour à l'Ingénierie Agentique ! URL: https://www.pharedata.fr/videos/dites-bonjour-a-l-ingenierie-agentique Publié: 2026-04-27 Durée: 42:38 Sujet: ia-copilot Mots-clés: ingenierie-agentique, github-copilot-agent, speckit, mcp, skills, microsoft-fabric, data-engineering, vs-code ### Résumé L'épisode explore l'ingénierie agentique appliquée à la data, avec des démonstrations sur Microsoft Fabric et GitHub Copilot Agent. Les intervenants détaillent les étapes de conception, la structuration via SpecKit, l'usage des skills et du standard MCP pour connecter les agents à des outils. L'humain reste dans la boucle pour valider et corriger. L'IA accélère le prototypage, la documentation et la production, notamment en data engineering. ### Points clés - Le vibe coding consiste à coder en langage naturel, l'IA produisant le code pendant que l'humain pilote le résultat. (2:08) - Différents modes de vibe coding existent : yolo (peu de contrôle), structurate (contrôles minimaux), spectren (patterns structurés). (5:57) - GitHub Copilot Agent analyse le contexte du projet, planifie les tâches et peut générer des fichiers multiples, jusqu'à des pull requests automatiques. (4:42) - SpecKit est un framework open source qui structure la démarche agentique, produisant code, documentation et assets selon un plan défini. (7:41) - Le standard MCP permet à une IA de se connecter à des outils ou données externes via une interface universelle, facilitant l'intégration. (27:31) - Les skills sont des modes d'emploi pour l'IA, définissant les bonnes pratiques et outils à utiliser, propres à l'entreprise. (14:35) - L'ingénierie agentique accélère le prototypage, la documentation et la production en data engineering, tout en gardant l'humain dans la boucle. (38:48) ### Questions fréquentes **Qu'est-ce que le vibe coding en ingénierie agentique ?** Le vibe coding désigne le fait de coder en décrivant son intention en langage naturel à une IA, qui génère le code pendant que l'humain dirige, teste et corrige la trajectoire du produit. **Quels sont les modes de vibe coding évoqués dans la vidéo ?** Trois modes sont décrits : yolo (peu de contrôle, rapide mais risqué), structurate (contrôles sur les actions de l'agent), spectren (patterns de développement précis selon le langage ou framework). **Comment GitHub Copilot Agent fonctionne-t-il dans un projet data ?** GitHub Copilot Agent analyse le contexte du répertoire, planifie les tâches à effectuer, génère des fichiers multiples et peut automatiser des pull requests, tout en tenant compte des spécifications données. **Quel est le rôle du framework SpecKit dans l'ingénierie agentique ?** SpecKit structure la démarche agentique en imposant un plan à suivre, produisant code, documentation et assets selon des étapes définies, évitant les résultats chaotiques du mode yolo. **À quoi sert le standard MCP dans la connexion des agents IA ?** Le standard MCP permet à une IA de se connecter à des outils ou données externes via une interface universelle, facilitant l'intégration et l'interaction avec divers services et ressources. **Comment les skills influencent-ils le comportement des agents IA ?** Les skills sont des modes d'emploi propres à l'entreprise, indiquant à l'IA comment accomplir une tâche précise avec les bonnes pratiques et outils, accélérant le démarrage et évitant les erreurs d'architecture. **Quels bénéfices l'ingénierie agentique apporte-t-elle au data engineering ?** L'ingénierie agentique accélère le prototypage, la documentation, la génération de tests et la migration de plateformes, tout en gardant l'humain dans la boucle pour validation et correction. **L'IA peut-elle être utilisée en production pour des tâches data ?** Oui, l'IA est utilisée en production, notamment pour les pull requests sur GitHub et la génération de documentation, de tests ou de pipelines, avec des agents personnalisés selon les besoins métier. ### Chapitres - — Phare Data - 2:01 — Vibe Coding - 4:42 — GitHub Copilot Agent - 7:14 — Speckit - 8:18 — Demo - 27:38 — MCP ? - 33:49 — Fabric Agent Skills - 35:50 — Data Engineering - 38:51 — Quels ensignements ? - 41:05 — Conclusion ### Transcript [musique] [musique] Ouais, bonjour et bienvenue sur Fardata, la chaîne qui éclaire vos données. Dans l'océan des données, voir clair change tout. Sur Fardata on décrypte les services de données d'analytique CDIA. Le tout avec un ton accessible, des choix techniques assumés et une touche d'air marin. Alors que vous soyez architecte, analyste data engénieur, product honur ou simplement curieux, Fardata vous accompagne pour comprendre les enjeux réels, éclairer les compromis et prendre de meilleures décisions et parfois avec le cri des mouettes en bruit de fond. Si ce genre de contenu vous parle, n'hésitez pas à vous abonner. Cap sur l'épisode du jour. Aujourd'hui, on va parler d'un sujet qui revient partout, les agents IA. Mais pas sous l'angle gadget ni copilote fait de la magie. On va parler d'ingénierie agentique et comment passer du vibe coding à des patterns d'architecture et des agents qu'on peut réellement opérer, gouverner et faire évoluer dans le temps. Alors pour en parler, j'ai le plaisir d'être accompagné de Éric et de Mohamadou. Dans un premier temps, je vous laisse vous présenter. Oui, merci Romain. Bonjour à tous. Donc Éric Charbier. Bah aujourd'hui, je veux vous parler absolument de ce qu'on sait faire autour de ces sujets d'ingénierie agentique autour de la des plateformes data puisqu'on a beaucoup parlé de ces sujets pour pouvoir développer des applications mais il n'y a pas d'application sans data. Et donc pour illustrer le sujet du jour, je suis accompagné de Mohamadou qui est notre expert sur tout ce qui est développement agentique. Bonjour à tous. Donc je suis Mohamedou Dialo, donc Sion and Engineer chez Microsoft. Euh bah je travaille dans ce domaine de l'IA qu'on utilise aujourd'hui pour la génération du code. Alors on entend le terme vibe coding qui est un terme à la mode. Mais déjà qu'est-ce que c'est que le vibe coding ? Donc vous avez un descriptif ici, mais si je devais le décrire rapidement, en gros le vibe coding c'est de coder en décrivant bah son attention en langage naturel à une IAIA. Et on va laisser l'IA produire le code pendant que toi tu pilotes le résultat. En quelque sorte, on va passer de comment j'écris ce code à qu'est-ce que je veux obtenir ? Et li tape toi tu diriges, tu testes, tu corriges la trajectoire de ton produit. Alors, on va se demander bah comment on va passer je dirais de bah d'une comment on va transformer tout ça en en architecture complète quelque part en pattern d'ingénierie agentique. Bah comme à l'accoutumé, il va falloir qu'on ait euh je dirais des specs, une spécification, une définition de ce qu'on veut obtenir et on va petit à petit avancer bah vers des tâches de planification. On a défini, on va planifier ce qu'on va faire. Après, il va avoir une phase bien sûr d'implémentation de ce code peu importe le langage et il va falloir qu'on mette en place des tests de validation de bah du code qui a été généré. Alors, on a tous connu le VS Code ou le Vis Studio où on avait bah le code compession, on fait le début d'une d'une fonction, d'une commande, hop, il nous remplit, il nous il fait la suite. Maintenant, on est à ce qu'on appelle la wave 2. Bah, l'agentique euh software Development Life Cycle. En gros, c'est quoi ? Bah Lia, c'est notre collègue. On on communique avec lui, on lui demande d'effectuer des tâches. Et là, on vers la WF3, qu'est-ce que c'est que la la WF3 ? En gros, on va travailler avec une équipe d'agent, certains qui vont être spécialisés dans l'écriture du code, d'autres dans euh le testing de ce code, la sécurité implémentée à l'intérieur du code. Bref, l'humain va devenir quelque part euh la personne qui va venir à la fin valider toutes les différentes tâches qui ont été développées par des agents. Oui, parce que tant qu'il y a un humain euh et qui est assisté par l'agent, finalement le risque est faible peut-être de d'erreur, mais dès lors qu'il exécute, orchestre et agit finalement en autonomie, ces agents, ils peuvent aussi, ça peut générer d'autres problèmes, notamment en terme de responsabilité, de gouvernance. Effectivement, c'est le cas. C'est le cas. C'est pour ça que on le verra un peu plus tard, je pense au lors de la présentation, comment on garde un certain contrôle sur ce qui est effectué par les agents et où ils peuvent effectuer certaines opérations. OK. Alors, qu'est-ce que le GitUP copilot agent ? Bon, déjà, premier point, il est en capacité de tenir compte du contexte. Il a besoin du contexte pour bien travailler. Et ce contexte, bah la plupart du temps, lorsqu'on développe du code, on est dans un répertoire. Donc on va analyser les différents fichiers qui sont présents, les différents euh euh éléments qui constituent ce fichier. Ça peut être euh la manière dont il va se comporter par exemple. Et lorsqu'il a pris en compte tout ce contexte, il va planifier les différentes tâches qu'il est censé effectuer pour arriver bah à effectuer la tâche qu'on lui a demandé de faire. Donc il est en capacité de générer donc des fichiers multiples. Il est il est en capacité de de aujourd'hui même si on regarde la partie copilotly euh euh avoir des sub agents qui vont réaliser des tâches différentes et ça va jusqu'à faire un pull request de ce code de manière complètement automatique. Justement Momadou quand on parle de vibe coding, moi je vois beaucoup de gens qui font un promte et puis bah un petit bonheur la chance ils ont un résultat. Euh comment ça se passe dans la vraie vie ? Alors, lorsqu'on parle de de vibe coding, donc il y a plusieurs types. Donc euh il y a donc on le voit ici ce qui est représenté le mode yolo où c'est un peu je vais dire de manière un peu c'est un peu la fête. On lui dit je t'offre je t'ouvre toutes les portes, tu dois réaliser la tâche, fais-le. Et donc euh il y a pas de contrôle, ça va vite, on voit un résultat euh finalisé très rapidement. Par contre, bah ça peut être le chaos parce que un agent, si on lui donne euh les clés de toutes les portes d'un système IT, ça peut être parfois un peu un peu un peu délicat. On peut avoir ce qu'on appelle structurate vibes. En gros, on va mettre un minimum de contrôle. Donc euh on va contrôler où l'agent peut exécuter euh certaines opérations, euh qu'est-ce qu'il a le droit de faire, quel type de code il va euh générer. C'est une nomenclature à suivre ce type de de val coding. et on va arriver à ce qu'on appelle le Spectren vibes où là bah on définit des patterns de développement clair avec des spécificités bien précises par exemple en fonction du langage utilisé ou d'un framework particulier. Alors justement en en parlant de de framework Mohamadou, il y en a un alors on va revenir un peu dessus, c'est c'est spec kit puisque quand on parle de de plateforme data puisque c'est notre rôle à moi et romain entre autres, on travaille beaucoup dans la data. on s'est rendu compte que bah si on partait en mode yolo, ben souvent les les les résultats étaient pas super probants. Euh donc j'ai regardé ce qui existait sur le marché. Spectit, c'est c'est un framework open source et qui permet de structurer un petit peu la démarche qu'on va avoir quand on va utiliser les les l'approcheque. Euh derrière, ça va produire des assettes, du code, de la documentation, mais il y a une structure, un plan [grognement] euh qu'il faut dérouler de la première étape à la dernière. Et c'est ce que personnellement j'ai retenu euh pour bah ce qu'on va illustrer dans les dans les dans les moments qui viennent à travers une démo. Alors notre démo, bah sans surprise, c'est la plateforme Microsoft Fabrice. Et donc on va créer en fait créer le le setup completées. Donc on peut imaginer que le marché en fait de ces caméras connectées soit à la fois de la vente. Et à ce moment-là, on a besoin d'avoir des rapports, des indicateurs sur les résultats commerciaux. Mais on peut imaginer que cette caméra, enfin cette société de caméra connectée et voul évoluer et faire évoluer son business sur bah tout ce qui est services et notamment monitorer donc ce que font ces caméras et avoir elles-mêmes le système de supervision proposer ce service à ses clients. Et donc à partir de ce business case euh et bien on va créer une démo complète. Alors, on va pas la créer à partir de rien et on va procéder par étape en en en respectant un petit peu ce que ce que Spect Kit nous nous dit. Alors avant même de démarrer, ce qui est impressionnant avec les outils modernes, puisqu'on a pas parlé de de LLM jusqu'à présent, c'est ce que ça fait en fait les derniers modèles d'IA et notamment Claude Sonnet, mais à l'heure de la démo, c'était la 4.6 6 et on était déjà capable de réaliser directement et bien une architecture, dessiner une architecture directement depuis l'interface euh de de de Claude Sony ou de GitHub Copilot qui est lui-même capable d'appeler en fait ses modèles comme on va le voir dans quelques instants. Et donc ici, j'ai bien une représentation avec euh des des informations qui vont arriver euh dans euh dans dans Oneelec à travers différents modes d'injestion et puis des traitements euh des traitements spark et cetera, des rapports poi on peut imaginer des dates agents. Euh tout ça ça a été euh dessiné euh de façon euh complète. Alors maintenant, on va passer à euh la première euh démo euh qui est euh faire du raisonnement pur. C'est-à-dire qu'on va pas demander à Lia euh de produire des euh des des assets du code, mais on va lui demander en fait de travailler sur l'architecture. Euh donc, il y a aucune création de fichier à ce moment-là. Euh mais par contre, ça va permettre de contextualiser l'agent euh par la suite dans ce qu'il doit créer. Et on peut éérer évidemment à chacune de ces étapes, si on pense que l'architecture design n'est pas tout à fait ce qu'on souhaite, et bien on peut itérer à volonté. Et à partir du moment où on est satisfait du résultat, on peut passer au step suivant. Al ici, on est dans euh VS Code, on a l'agent qui est euh qui est actif et euh donc on voit qu'on peut euh choisir les bons modèles. Ici, on va choisir Opus 4.6 et pas euh Sony 4.7. Et j'ai déjà préparé un prompte. Euh donc je lui demande de se de réagir comme un architecte d'une plateforme de données qui en et il va travailler sur la construction de ce que j'ai vu euh précédemment dans le schéma avec euh différentes couches, un mode de stockage, des modes d'injestion, euh des euh spécifications qui sont liées à la sécurité, aux contraintes que je vois dans mon système. Et donc à partir du moment où je valide, donc l'agent va commencer à travailler, il va analyser le contenu de mon prompt et travailler sur une proposition de de valeur. Alors, ça peut prendre un un certain temps et évidemment bien, je vais devoir accélérer un petit peu le résultat, mais à la fin, il me propose ce type de document où bien j'ai toutes les informations sur à la fois donc l'excy, sur tout ce qui est les principes généraux, sur les l'architecture cible qu' qu'il qu'il me propose. On a également donc tout ce qui est lié à la sécurité. Donc tout ça c'est proposé. Donc il y a juste à revoir en fait ce ce document he qui est un fichier Markdown donc qui est en fait la le le texte qui est généré par LIA. Et à partir de ce moment-là, euh bien si je suis en accord avec ce qui a été proposé par par l'agent, et bien je peux passer à l'étape l'étape suivante. Donc voici ce qui m'a produit. On a juste dans mon environnement de travail qui était vierge au départ, la création de juste un fichier qui est représenté en haut et à gauche qui s'appelle maintenant design.m. Et ce design.md MD, c'est sur ce fichier que va s'appuyer l'agent pour construire euh la suite euh de la démonstration. Alors aujourd'hui quand on parle d'une data plateforme et on a bien vu que ici on avait à faire à la fois un business case, on doit produire des résultats à travers des dashboards. On a du temps réel, on a donc des bases de données peut-être donc une base de données CAQuel dans fabrique qui va servir à à stocker les événements. Donc on a vraiment tout un une architecture complète. Et euh avant de de de venir sur l'applicatif à proprement parler, on a besoin de construire en fait la coquille de cet applicéfaudage d'infrastructure à code. On va donc créer tout ce tout ce qu'on va pouvoir déployer ensuite exécuter simplement qui va nous créer en fait cette p tout tout l'environnement. Donc ça nous sert à standardiser les déploiements, à appliquer les bonnes pratiques et éventuellement je peux avoir ce qu'on appelle des skills euh dans euh dans dans l'IA. Peut-être tu peux nous parler de skill Mohamadou avant que j'enchaîne ? Alors effectivement donc un skills que donc qu'est-ce que c'est ? En gros, c'est un mode d'emploi qui donne à ton IIA, bah pour qu'elle sache comment accomplir une tâche précise avec les bonnes pratiques et les bons outils. Donc c'est un peu comme une fiche recette bah qu'elle va consulter uniquement lorsqu'elle en a besoin et qui serait propre à l'entreprise. Imagine l'entreprise qui veut travailler qu'avec des warehouses parce que de pour des besoins de supportabilité et cetera, elle pourrait mettre dans ses skills donc des règles pour que ton infrastructure Scode utilise que des warehouses. Oui oui oui oui. C'est c'est une c'est une bonne analogie hein. Imagine par exemple que tu embauches un consultant très intelligent mais qui est généraliste. il sait globalement tout faire mais pas toujours à ta façon et pas toujours avec les outils que bah que tu utilises dans ta maison. [raclement de gorge] Quelque part un skill c'est comme lui glisser le classeur euh bah chez nous on dépend de cette manière là. Voilà c'est c'est c'est aussi un cadre de travail finalement. Exactement. On peut on peut on peut le résumer comme ça. Et donc finalement, si tu as déjà ton cadre de travail, bah ça accélère bah tout ce qui est démarrage d'un d'un projet. Puis ça peut éviter, si le skill est bien construit, euh d'éviter certaines erreurs d'architecture. Comme tu le disais Romain, on peut faire des choix dans fabrique. On a plusieurs façons de faire la même chose. Si c'est le choix de l'entreprise d'utiliser que desous, bah ça sera des effectivement à ce moment-là que on doit créer la bonne information et du coup bah le l'infrastructure AS code sous-jacente euh va prendre en compte ce qui est ce qui est ce qui est ce qui est demandé. Alors ici, on on voit en fait l'autre étape donc de création de de ce de de cette infrastructure à code. Donc on va utiliser un guit, on veut faire de l'infrastructure à Code, on va utiliser pipeline CCD, on a une préférence pour le terraform et cetera et cetera. Et donc encore une fois, je lance mon prompt et je laisse l'agent euh euh travailler. Donc là, je sais pas si vous vous souvenez, donc il y avait mon grand schéma en fait d'architecture au départ. Donc on voit que il y avait déjà quand même pas mal de composants entre les sources, les mécanismes d'injestion, euh les les le storage, les moteurs qui vont implémenter en fait la logique métier et cetera et cetera. Donc il va générer énormément en fait de choses euh de fichiers entre autres terraformes. Donc là, j'ai accéléré la démo par une vitesse x 12 hein, sinon ça serait un peu trop long pour la vidéo du jour. Et euh et bien là en fait, il me liste l'ensemble des artefacts qu'il a produit euh pour construire euh mon projet euh fabrique. Donc ça va effectivement des fichiers Terraform en passant par mes pipelines euh les les euh tout ce qu'il faut en fait en terme de documentation également et instruit à ce niveau. Euh donc on a à ce niveau donc beaucoup de de fichiers qui ont été construits. On peut en voir certains, mais on voit que bah déjà il a il a il a il a je sais pas si ça se dit bien populé donc mon espace de travail avec plein de fichiers mapdown et de fichiers terraform pour bah setup mon environnement. Je rappelle qu'à cette à ce moment-là, on a encore rien de construit par rapport à mon métier. On a juste cette pé par rapport aux consignes d'architecture que j'ai donné et bien l'environnement dans lequel je dois évoluer. Ce que j'aime beaucoup ici, c'est que l'agent ne remplace pas l'ingénierie. Il s'insère finalement dans une boucle déjà connue, celle du DevOps DPR parce que là, tu vas pouvoir aussi avoir un guide qui conservera l'historique des changements qu'a fait le data agent. la boucle de feedback, des itérations et en fait ça casse pas les pratiques existantes mais ça les renforce peut-être et puis on est aidé par ces agents. Absolument. Ça ça comme comme le disait très bien Mohamadou, c'est vraiment un cadre de travail. Finalement, ça évite de faire un peu n'importe quoi et et quand on démarre, on a on a quelque chose qui est solide et qui respecte les qui respecte les normes. Alors maintenant, on va venir au cœur du du sujet et au cœur du projet. C'estàd que bon pour l'instant j'ai effectivement ma coquille euh mais j'ai toujours aucune aucune logique métier. Alors vous comprenez bien que dans ma démo, je parle d'une société fictive. J'ai besoin aussi de données qui sont qui n'existent pas. Donc je vais géner à à à l'agent en fait de générer en fait de la FEC data pour moi. Mais plutôt que d'utiliser directement euh donc l'agent dans dans Gitup Copilot, j'ai pris aussi un copilote euh pour générer le promte. C'est-àdire que le le schéma d'architecture que vous avez vu tout à l'heure euh je m'en suis inspiré et je lui dit "Bah à partir de ce schéma d'architecture, est-ce que tu peux euh me générer euh le prompt que je vais pouvoir euh donner à Gitup Copilote Agend pour qu'il me génère en fait euh toute mon application ?" Donc c'est ce que j'ai fait. Donc on prend un GitUP copilot, un chat GPT, un copilote standard, un chat GPT, un cloud, ce que vous voulez. on donne les informations pour que je il me génère un promte et puis avec ce pont, je fais un copiercollé directement dans Gitup Copilot Agent pour avoir le résultat de mon implémentation. Alors, on se retrouve à nouveau euh dans euh dans mon interface euh VS Code [grognement] et euh bah ce coup-ci, je vais copiercoller le promte euh que euh mon copilote m'a m'a donné. Euh voilà, donc je lui donne en plus donc c'est et c'est détaillé hein du coup comme on a utilisé le le copilote. Donc là, on lui demande une démo avec un warehouse euh peut-être des dates agents. Euh euh il y a un business contexte, je rappelle que il y a effectivement des caméras connectées euh que il doit être capable de détecter les événements. Il y aura peut-être besoin d'une base de données temps réel. Donc je donne des spécifications sur tout ce qui est euh euh ma base de données CAQL. Voilà, toutes les recours vont se retrouver ici. Euh et euh j'ai pu que donc en plus voilà, donc j'ai besoin d'un synthétique data générateur pour en plus produire des événements sur sur les caméras qui vont être en fait envoyés dans ma dans bien un event stream dans ma base de données KQL. Donc tout ça c'est détaillé au niveau du prompt. Donc il faut effectivement, c'est peut-être la plus grosse partie humaine qu'on ait à traiter dans le cadre de ce projet d'avoir en fait quelque chose d'assez complet pour produire effectivement bah ce qui sera intéressant pour nous en terme de de de résultat. Donc il va travailler. Alors vous imaginez bien que comme tout à l'heure, il va y avoir un certain temps de réflexion en fonction de ce qu'on euh lui a demandé. Bien ça prend quelques minutes. Donc ici il a fallu exactement 11 minutes pour produire l'ensemble en fait des scripts, des notebooks qui ont qui vont être utilisés. Euh et donc il me fait un résumé euh de tous les livrables euh étape par étape avec la documentation associé. Donc là, j'ai tout mon plan euh et euh c'est toute ma doc en fait euh que je vais pouvoir suivre à la à la à à la lettre euh si je veux tout t'implémenter par moi-même. Alors évidemment, on pourrait aller plus loin et demander effectivement un peu de un peu plus d'automatisation. Mais là, ce que je voulais montrer à travers cette démo, euh c'est la génération en fait de tout un projet euh de tout un projet complet. Voilà. Donc pour accélérer Éric euh il y a un petit bouton en bas à droite là qui euh qui s'agrandit, c'est le compacton. Est-ce que Mohamadou là tu tu connais ce bouton, ça permet de compresser les différentes demandes et c'est ce qui aurait pu peut-être accélérer les traitement. Bah en fait compaton [raclement de gorge] c'est lorsqu'on trac les LM dans le dans le domaine du du de l'Atlantique Development, on a un certain nombre de tokens qui sont autorisés par en fonction des des LLM. Le fait de de combattant va nous permettre de bah de réduire et de gagner de l'espace entre guillemets libre pour pouvoir continuer à à à travailler dans notre contexte global. OK. C'est c'est un système de fenêtre en fait sur les tokens. C'est ça, c'est de mémoire. C'est bon, sans rentrer trop dans la dans la dans la technique, mais il me semble que il est obligé de libérer un peu un peu de token pour euh pour avancer. Bah oui, et puis ça te permet de de pas atteindre cette limite parce que si tu atteins cette limite, bah ta session entre guillemets euh est terminée et c'est tu repars un petit peu sur quelque chose de de bah de frais, tu vois. Donc [raclement de gorge] gardons le contexte, compactons pour rester dans un fonctionnement où il sait ce qu'il a effectué pour arriver à à produire ce que ce qu'on a là sous sous sous les yeux. Alors tout ce qu'on a généré donc dans dans VS Code maintenant on va le synchroniser avec notre repository sur sur GitHub. Donc rapidement ici on a une toute petite démo effectivement bah tous les assets qui ont été construits hein euh dans euh dans dans VS Code. Je passe rapidement en mode terminal euh pour pouvoir passer mes mes mon notamment mon guide commit au au final. Donc euh quand j'aurai euh euh donc fait toute ma synchro, je vais obtenir effectivement un repot avec toute la documentation, tous les fichiers qui sont prêts à l'emploi euh bah pour déployer mon projet. Donc euh on arrive [grognement] sur la place d'implémentation. Alors on pourrait automatiser un certain nombre de choses. Euh moi j'aime bien en fait le ce que j'appelle le process HITL new in the loop. C'estàd que même si euh mais je suis peut-être de la vieille école hein, même si tout a été généré euh et bien j'aime bien euh regarder comment ça se passe à l'intérieur de mon instance fabrique, comment il a construit en fait mon bronze, ma couche bronze, euh comment mes notebooks vont euh vont opérer et euh et et quelque part, j'ai pas forcément tort dans le sens où bah dans ce que j'ai généré là, le notebook qui me passait de silver, mes données silver à la couche gold, bah il avait perdu un certain nombre de d'informations et j'avait des notebooks en erreur. Donc il a fallu que je je retre au [ __ ] et je lui demande de corriger. Donc je vais passer de vidéo ici mais bon la façon de donc ici vous avez à droite donc le le ripo Gitub pour information c'est ce qu'on avait fait Romain pour le fabrique Crotcho Show au début du mois d'avril et comment je l'implémenterai donc comment je vais paramétrer mon workspace d'en fabrique pour pouvoir implémenter les différentes choses. Donc ça c'est une partie la plus la plus la la la plus manuelle si je si je si je reprends en fait mes termes. Après, peut-être que j'ai oublié des choses et dans mon cas, j'avais oublié bah une le fait de se dire "Ben, je monitore effectivement un business pour mes clients sur des caméras et je me dis bah finalement dans fabrique, il existe quelque chose qui s'appelle une Asure, une fabrique MAP pour représenter des événements sur une carte." Et donc il existe euh dans Fabrique un MCP serveur RTI real time intelligence euh pour pouvoir bien euh permettre à mon agent euh Gitubilot de communiquer avec ce RTI server. Mais peut-être que il faut redéfinir ce que c'est que MCP Mohamadou. Ouais. Donc [raclement de gorge] oui, comme ça on va savoir un peu de c'est bien de repasser de de reposer un peu les basiques. Donc le MCP effectivement donc c'est quoi ? C'est un standard ouvert. Donc on le voit, c'est écrit ici en 202 pack 2024 pardon par tropic et qui va permet qui qui permet à une IAIA de se brancher à des outils ou à des dotés externes. En gros, c'est quand même un peu un port USB universel pour les modèles IA. J'ai envie de dire donc avant MCP pour connecter à une IIA, enfin connecter UNIA à ton agenda, ta base de données ou Gitub, c'était comme c'était comme avoir un câble différent pour chaque appareil. Tu en as un pour ton téléphone, un pour l'imprimante, un pour le casque. En gros, chaque éditeur DIIA avait sa propre prise avec le MCP. C'est un peu comme le USBC de l'IA. tu as une seule prise standard, tu branches, ça marche. Et peu importe que tu utilises du cloud, du copilote ou un autre ou un autre agent. Alors le MCP ça ça c'est c'est ce qui va passer c'est ce qui va permettre de passer l'a du statut j'ai envie de dire du stagiaire qui va écrire du code dans son coin à celui d'un collègue qui peut vraiment toucher à ton système avec bien sûr tout ce que ça implique en terme de pouvoir et et et de risque. Donc là, on a une illustration hein de cette architecture MCP euh avec effectivement euh le fait que le LLM plutôt que de de chercher à trouver la réponse va s'appuyer effectivement sur du Tooling, hein, donc depuis la partie cliente. et donc s'adresser à DMCP serveur. Donc qui sont en fait à la fois des tools qui peuvent être des ressources ou voire même des promptes complémentaires et puis un appel en fait à différents services qui sont fournis en fait par les des différentes solutions. Derrière ça peut être à peu près tout ce qu'on veut hein. Alors, on parle souvent d'API, hein, mais ça peut être des fichiers de config, ça peut être ça peut être beaucoup de choses. Ouais, effectivement, parce que juste juste je te coupe Éric, mais euh il y a quelques minutes, tu nous as montré dans le terminal, tu as fait la Synchro [raclement de gorge] GitHub. Euh euh si tu utilises le MCP euh GitHub, tu peux directement dire "Bah euh initialise-moi ce répertoire et fais le commit du code et euh il sait exactement il va te demander "OK euh où est ma remote source ? Est-ce que je vais faire euh le le le commit de Scott dans le main ou dans Origine, bref, ou dans une branche particulière ? Tu peux faire ça directement en interagissant via via bah en langage naturel par exemple avec le avec l'agent et le MCP aurait pu être utilisé aussi pour déployer directement après dans fabrique. Absolument. [raclement de gorge] Ouais. Hm. Alors si si on regarde un petit peu la la trame de ce qui va se passer ici, c'est un peu plus complet dans le sens où depuis mon BS code, j'ai un modèle Opus 4. J'ai le client qui va appeler des outils et derrière bien j'ai l'implémentation fait des outils qui sont euh exposés par le MCP serveur euh de RTI. Donc, on voit un certain nombre de de primitives, par exemple euh le Query Event House euh ou le get real time stream. Donc, un certain nombre de de primitives qui sont exposés et qu'on va utiliser euh en fonction de la requête euh que l'on souhaite. Alors, c'est pas tout à fait ces primitives là qu'on va retrouver maintenant puisque moi je lui demandé de créer une map. Alors ce que si je suis pas passé à travers une vidéo parce que en fait la vidéo était trop longue ou alors il aurait fallu que je fasse une accélération par 40 puisque notre et c'est là que ces outils sont de plus en plus puissants et peuvent interroger aussi c'est que ce qui s'est passé c'est que a priori il y a une erreur quelque part dans la doc qui fait que il passait pas les bons arguments pour pouvoir créer la la map mais par subtilité par sierie il a fini par y arriver Donc les différentes étapes c'était effectivement de de de fabriquer donc cette cette map pour un event stream. Ça veut dire que il faut qu'il trouve donc le workspace et l'event stream correspondant la liste en fait des des des outils pour pouvoir créer en fait ma ma map. Et c'est là-dessus qu'il a euh qu'il a un peu un peu ramé. Et puis euh donc il a créé effectivement euh ma ma map avec les les événements par caméra. Alors euh ici c'est ma map. Alors, elle est pas très très détaillé, mais après je peux je peux raffiner effectivement ma map et cetera, mais sans rien connaître la façon d'implémenter une une carte, et bien, il a réussi à me faire ça. Alors, j'étais un peu taquin parce que j'ai continué, je me suis dit mais pourquoi pas faire aussi à travers un développement custom directement avec un agent. Donc là, ça m'a pris plus que 10 minutes. Euh donc ici, c'est une page HTML tout simplement où euh je vois en fait les mêmes événements mais représentés à travers ce que m'a produit euh le LLM. Voilà, donc c'est une façon d'utiliser euh les les serveurs MCP. Peut-être un petit mot Romain sur MCP dans fabrique. Si on a d'autres outils plein, on en a plein des MCP dans fabrique. Euh maintenant, on a même des MCP qui recensent finalement les différents MCP et c'est en ça que c'est intéressant parce qu'on va pouvoir avec notamment MCP là qui est sortie, je mettrai dans les commentaires qui s'appelle Force, ben lui demander de faire un assessment de tous mes workspace. il va cesser non pas les workspace mais les items à l'intérieur des workspace parce qu'il a des skills pour connaître comment euh avoir les best practice sur les sémantique model sur les houseous sur les warehous et donc il va nous proposer des index va nous proposer un certain nombre en fonction de l'item de recommandation c'est assez impressionnant et on a aussi ces agents skills et là alors si vous travaillez avec Microsoft fabrique au quotidien vous avez sûrement déjà ressenti ce besoin comment tirer partie de l'I et des assistants modernes pour interagir efficacement avec fabrique sans réinventer la roue, hein. Par exemple, lister les workspace, par exemple ACC les workspace et cetera. Ben c'est exactement ce que fait le skills for fabric. ce projet qui est porté là par Microsoft met à disposition un ensemble de skills près à l'emploi conçu spécifiquement pour fabrique. Et donc concrètement ces skills vont permettre à des outils comme copilote VS code ou encore euh la version Cli ou même un assistant AI comme Claude d'interagir intelligemment avec votre environnement fabrique. L'idée est simple, standardiser les capacités d'action et de compréhension de fabrique, que ce soit pour les développeurs, mais aussi les data engieurs, les admin ou même les utilisateurs un peu avancés. [grognement] Et donc avec skills, on ne parle pas de magie mais de briques cohérentes et réutilisables. Comprendre les objets fabriques, interroger les métadonnées, automatiser certaines actions, accompagner l'exploration et l'exploitation des données via les donc c'est assez intéressant, n'hésitez pas à l'utiliser. C'est une fondation qui reste ouverte hein et euh qui va permettre d'accélérer, je pense, l'adoption et surtout de ramener l'IA au service de vrais scénarios data au quotidien qu'on notamment les admin. Hop ! Merci. Merci Romain. Alors, j'en ai terminé là sur le ce que je voulais illustrer en terme de de projet créer en fait un projet complet. Alors, c'est pas tous les jours qu'on a besoin de cette pé tout un environnement. Par contre, ce qu'on constate aujourd'hui et dans toutes les discussions qu'on a avec euh avec nos clients euh c'est en quoi l'ingénierie agentique, la la le le le mode de développement en mode agent euh va nous aider ? euh dans le développement des tâches et notamment des tâches data. Alors, il y a un un personnat ou un un rôle qui s'y prête particulièrement qui est le data engineering euh où euh alors je rappelle que le data engineering, on peut le faire de deux façons, en l code, no code ou en code, mais alors code, bah voilà, on est en plein dedans. Euh et et d'ailleurs dans la dans ce qu'on a vu juste avant, il y a un certain nombre de notebooks qui ont été qui ont été générés. Euh donc ce sont des pipelines d'injestion, des pipelines de transformation. On peut imaginer des euh des générations de tests de qualité de données. Euh il y a aussi euh chez nos clients énormément de choses qui sont liées à l'existant mais qui sont pas documentées. Et donc toutes ces tâches aujourd'hui hein, euh on peut euh donc euh euh se faire assister d'agents euh pour euh bien augmenter euh et enrichir en fait toutes ces tâches de data engineering. L'idée aussi, c'est vraiment d'accélérer ces ces tâches de data engineering. On a des chiffres aujourd'hui qui tombe sur le fait que un projet de data, 70 % en fait du temps ou la la consommation est lié en fait au tâches engineering. C'est c'est vraiment beaucoup et et donc si l'IA permet de compresser ce ce tempslà, et bien autant en profiter. Alors, il y a d'autres types d'expérimentation qu'on peut faire et nos équipes chez Microsoft ont travaillé sur différents scénarios. Ici, ça peut être des migration. Comment en fait partir d'un existant par exemple avec un outil de reporting comme tableau voir qui est migrer vers fabrique/power BI ? peut être de l'ETL ou l'ELT comme talent vers fabrique. Ça peut être nos propres outils hein. Comment je passe en fait de SQL Serveur vers les fabriques database. Ça peut être des choses un petit peu plus sophistiquées. Alors des accélérateurs et donc bah on parle beaucoup maintenant d'ontologie pour permettre aux agents ce que les agents qui seront utilisés par les métiers. Euh donc euh créer des ontologies euh quand on part euh on peut partir d'un d'un modèle sémantique mais on se rend compte qu'il y a encore beaucoup de documentations, beaucoup de choses à faire pour créer des ontologies complètes. Donc utiliser l'IA pour justement euh augmenter euh le temps euh de enfin à à réduire le temps de réalisation de ces ces ontologies. Bon, on l'a vu he une démo même si vous avez pas vu en fait les rapports ou les dates agents et puis bah ça peut être encore des choses comme sortir de la donnée et alimenter donc un outil de gouvernance comme Colibra par exemple. Donc les scénarios sont vraiment multiples. On trouve vraiment beaucoup de de de caises euh avec des des agents comme Guit Copy Data Adjant euh dans le monde de la data. Alors, ce qu'il faut retenir quand même comme enseignement, c'est que chez chez Microsoft, on s'en sert beaucoup pour prototyper, pour faire des des démos. Il y a un truc que j'aime particulièrement, c'est que le monde va très vite et il faut apprendre très vite, mais que bah lire des docs, c'est ça peut être très très long. Et pour apprendre, c'est vraiment euh bah un accélérateur. C'estàd que typiquement avant de créer la démo avec ma fabrique MAP, j'avais jamais implémenté une fabrique MAP. Euh et là en fait, je suis passé par LIA et cetera et j'ai vu comment on a interagissait avec. J'ai après customisé ma map dans fabrique, mais sinon bah voilà, j'aurais peut-être passé un peu de temps à lire la doc et un peu de temps à l'implémenter. Alors que là bah a fait tout pour moi. Euh on a des usages autour de l'optimisation et aujourd'hui on peut optimiser des des traitements en terme de de temps de traitement dans les pipelines, dans les rapports, dans les requêtes qui sont faites aux bases de données. Donc tout ça ça fait partie des des usages qu'on qu'on voit sur les data plateformes. Et puis bien évidemment la partie génération donc qui fait partie de tout ce qu'on a vu hein. On peut générer à la fois des de la donnée, on peut générer des tests de qualité, des pipelines, des scripts de de la phrase code évidemment de la documentation. Ça c'est très très important. Alors, ça c'est les premiers types de de d'usage. Donc partir sur une production, pourquoi pas ? Mais à condition d'avoir toujours ce qu'on appelle l'humain dans la boucle, c'està-dire l'œil qui va vérifier si tout se passe correctement et ce qui a été produit, si ce qui a été produit en correspond. Alors, on a pas parlé de test dans ma démarche à base de mon framework spec kit, mais ça faisait partie aussi de de la boucle. On a tous les tests qui sont générés et qui vont permettre à l'humain aussi alors aux agents de voir si effectivement on a bien implémenté correctement la solution, mais aux humains de regarder le rapport final pour savoir si tout a été créé correctement. Donc voilà, donc c'est aujourd'hui des vrais accélérateurs pour pouvoir aller plus vite. Vous avez une idée, vous souhaitez l'implémenter et bien honnêtement aujourd'hui avec les agents, on peut aller beaucoup plus vite. Alors effectivement donc Éric, je te trouve un peu euh comment dire conservateur. Voilà, ça va bien. Ça va beaucoup plus aujourd'hui quand on regarde l'usage des agents. Alors plus côté même côté de développement les juste un point on regarde les statistiques sur la plateforme Gitub sur les pull request aujourd'hui les personnats euh qui font le plus de pool request c'est des agents donc et c'est donc c'est utilisé en production. Euh on peut avoir des des agents personnalisés, donc les custom agent qui j'en ai moi-même sur mon VS code qui vont être des experts en en analyse de données parce que moi je suis pas une personne data donc ça va m'apporter une lettre sur cette partie-là. Donc aujourd'hui oui les enseignements on l'utilise pour le prototyp prototypage la documentation même pour se se former mais on on est vraiment aujourd'hui dans une démarche où c'est également d'utiliser en production. Super. Ben merci à vous deux. Merci Eric Mohamadou pour la démo et les échanges. Merci à vous d'avoir suivi cet épisode de Fardata. Si vous avez des questions, des retours d'expérience ou si vous souhaitez creuser un point en particulier, n'hésitez pas à le mettre dans les commentaires. On vous dit à très vite pour un nouvel épisode et d'ici là, abonnez-vous à la chaîne. À bientôt. À bientôt. va --- ## Gouvernance Fabric : Autoriser des items Fabric spécifiques sans ouvrir toute la plateforme ? URL: https://www.pharedata.fr/videos/gouvernance-fabric-autoriser-des-items-fabric-specifiques-sans-ouvrir Publié: 2026-04-24 Durée: 14:46 Sujet: microsoft-fabric Mots-clés: microsoft-fabric, gouvernance, fabric-policies, purview, data-agent, azure-automation, web-app, fabricitemmanagement ### Résumé La vidéo présente la problématique de gouvernance sur Microsoft Fabric : comment autoriser la création d’items spécifiques sans ouvrir tous les workloads. Elle détaille l’arrivée des Fabric Policies, basées sur Purview, permettant un contrôle granulaire, et propose une solution de contournement via une web app open source. Une démonstration illustre la gestion des droits, la création d’items ciblés et l’accompagnement des utilisateurs métier, en attendant l’arrivée officielle des fonctionnalités. ### Points clés - Microsoft Fabric ne permet pas nativement de restreindre la création d’items spécifiques par type ou workload. (2:19) - Les Fabric Policies, basées sur Purview, offriront bientôt un contrôle granulaire sur la création d’objets dans Fabric. (4:08) - Une solution de contournement open source existe : une web app qui crée des items via managed identity et runbook Python. (5:44) - La web app permet d’appliquer des conventions de nommage, de guider le choix de capacité et d’intégrer des bonnes pratiques. (6:29) - La démonstration montre comment un utilisateur peut créer un Data Agent sans droits directs, en passant par l’application. (8:23) - L’application facilite l’audit, la gouvernance et le suivi des coûts en traçant chaque action effectuée. (7:05) - Les Fabric Policies ne sont pas encore disponibles : une private preview puis une preview sont annoncées dans plusieurs mois. (5:25) ### Questions fréquentes **Comment restreindre la création d’items spécifiques dans Microsoft Fabric ?** Il est possible de restreindre la création d’items spécifiques dans Microsoft Fabric grâce aux Fabric Policies, basées sur Purview. En attendant leur disponibilité, une web app open source permet de créer des objets ciblés via une managed identity et un runbook Python. **Quelles sont les limites actuelles de la gouvernance dans Microsoft Fabric ?** Actuellement, Microsoft Fabric ne permet pas de donner des droits de création sur un item spécifique sans ouvrir l’accès à tous les workloads. La granularité des droits n’est pas encore disponible nativement, mais des solutions de contournement existent. **Quand les Fabric Policies seront-elles disponibles sur Microsoft Fabric ?** Les Fabric Policies, permettant un contrôle granulaire sur la création d’objets, ne sont pas encore disponibles. Une private preview puis une preview sont annoncées, mais leur arrivée est prévue dans plusieurs mois. **Comment fonctionne la solution de contournement proposée dans la vidéo ?** La solution de contournement est une web app open source qui utilise une managed identity et un runbook Python pour créer des objets dans Fabric. Elle permet d’appliquer des conventions de nommage et de guider les utilisateurs métier sans intervention IT directe. **Peut-on automatiser la création d’items avec des templates ou des blueprints ?** Oui, la web app présentée permet de déployer des templates ou des blueprints, d’appliquer des bonnes pratiques et d’introduire un circuit de validation humaine pour les cas sensibles, facilitant ainsi la gouvernance et l’autonomie des équipes. **La solution présentée est-elle officielle et supportée par Microsoft ?** Non, la solution de web app open source présentée n’est pas officielle ni supportée par Microsoft. Elle sert d’exemple concret pour illustrer une approche de gouvernance en attendant l’arrivée des Fabric Policies officielles. ### Chapitres - — Phare Data - 1:35 — Problématique - 3:47 — Fabric Policies (basées sur Microsoft Purview) - 5:35 — Demo - 13:51 — Conclusion ### Transcript [musique] [musique] Ouais, bonjour et bienvenue sur Fardata, la chaîne qui éclaire vos données. Dans l'océan des données, voir Clair change tout. Sur PH data, on décrypte les services de données d'analytique CDIA. Le tout avec un ton accessible, des choix techniques assumés et une touche d'air marin. Que vous soyez architecte, analyste engéur, product honur ou simplement curieux, Fardata vous accompagne pour comprendre les enjeux réels, éclairer les compromis et prendre de meilleures décisions et parfois avec le gris des cri des mouettes en bruit de fond. Alors si ce genre de contenu vous parle, n'hésitez pas à vous abonner. Capsule l'épisode du jour. Aujourd'hui, j'ai le plaisir d'être accompagné par Émilie et Marc pour aborder un problème très concret que rencontrent beaucoup de nos clients sur Microsoft Fabrique. Comment permettre aux utilisateurs de créer des items fabriques spécifiques sans ouvrir toute la plateforme ou sans ouvrir la création de l'ensemble des workload fabrique. Alors Émilie Marc, je vous laisse vous présenter d'abord. Bonjour à tous. Donc Émilie Beau, je suis ce qu'on appelle Solution Engineer, c'est-à-dire expert technique avant vente sur les solutions data et analytique Microsoft et j'accompagne des comptes dans le secteur public. Bonjour à tous. Donc j'ai exactement le même rôle qu'Emilie mais sur des comptes plutôt retail et voilà expert sur la partie data and analytics. Alors effectivement ce que Romain nous disait en introduction c'est que on observe très souvent chez nos clients une contradiction assez naturelle entre deux besoins qui sont exprimés par les utilisateurs. D'un côté, on souhaite donner un maximum d'autonomie aux équipes métiers et data, par exemple au travers de la Self Service BI. Et de l'autre, on veut absolument garder un contrôle sur la gouvernance, sur les coûts, sur l'architecture et surtout éviter que les utilisateurs ne fassent n'importe quoi, n'importe comment. Et avec Fabrique, la question du périmètre queon va laisser aux utilisateurs métier est d'autant plus importante parce que Fabrique permet d'activer soit uniquement Power BI, soit l'ensemble des workload fabrique. Il n'existe pas de droit spécifique pour pouvoir donner le droit de créer juste un item fabrique particulier. Et donc la démarche de fabrique, c'est vraiment d'ouvrir euh les accès à tous les workloads pour permettre aux utilisateurs de pouvoir découvrir toutes ces capacités fabriques. Mais sur le terrain, chez nos clients, c'est un peu plus compliqué parce que ils ont besoin de pouvoir maîtriser justement qui peut créer quoi, sur quelle capacité, dans quel workspace, avec quelle règle de de hommage et surtout avec quel impact sur les coûts. Et de par ça, en fait, nos clients nous demandent très souvent, bah j'aimerais bien autoriser certaines de mes équipes à créer des dates agents, mais je ne veux pas qu'elles puissent créer des notebooks ou des houseous dans leur workspace. Et aujourd'hui, ce niveau de granularité, il est pas si simple à obtenir sur fabrique. Oui, en effet. et désactiver les work de Fabrique n'est pour moi pas forcément une solution puisque Fabrique a été pensée comme une plateforme SAS unifiée avec des workloads fortement intégrés peut-être aussi entre eux et qui offrent une expérience cohérente et un maximum de valeur. Le besoin de contrôle plus fin est bien identifié chez le produit group mais la fonctionnalité n'est pas encore disponible. On a eu une euh un sneak peck euh de cette solution auxquelle il pense implémenter avec Purview, avec Fabric euh lors de la Fabcon. Marc, est-ce que tu pourras nous la présenter ? Merci. Donc vous allez voir la la démo. Avant de parler de la démo, petit retour d'expérience. beaucoup de nos clients et notamment dans le secteur du retail ont euh Microsoft fabrique suite à la migration qu'ils ont fait avec PowerB mais souvent sont restreints euh à et souvent réticents à l'utilisation de fabrique parce que on ne peut pas justement ségréguer les workload et donc ce cette démo là va vous montrer que on a maintenant des possibilités. Donc justement, Microsoft a annoncé récemment des fabriques policies basées sur Microsoft Purview qui permettent de de progressivement restreindre la création des objets. [grognement] Donc ce que vous allez voir là, c'est on va créer cette policie et on va du coup définir les conditions. La première étape, c'est dire bah quel item va être restreint. Le groupe de sécurité, ça peut être aussi un user unique et évidemment le workspace sur lequel on va le restreindre. Une fois qu'on a appliqué cette police, c'est assez simple pour le tester, c'est qu'on va essayer de créer du coup un item euh en l'occurrence les notebooks sur un workspace où on a appliqué la policie. Donc vous allez le voir lors de la création, on va voir ce message qui indique que on n' pas le droit de tout faire. Et pour montrer que c'est pas restreint pour tous les workspace, là on va aller sur un autre workspace et retester un notebook où là la création va s'appliquer. Donc c'est un vrai moyen pour restreindre l'utilisation et éviter le shadow IT ou en tout cas des vu que l'enjeu aujourd'hui c'est l'administration des capacités, ben on va vouloir bah restreindre des la consommation de CU et c'est hyper important. Effectivement Marc, ça répond bien à aux besoins mais là pour l'instant c'est un stick, ça va pas arriver tout de suite. On va avoir une private preview plus une preview, c'est pour dans plusieurs mois. Est-ce qu'on aurait pas la possibilité d'avoir une solution un peu plus rapide ? Oui. Alors ben en échangeant avec plusieurs collègues, ils ont remonté le même besoin similaire chez leurs clients et j'en ai discuté avec toi Émilie, j'en ai discuté aussi avec Christopher Manu et à la suite bah de ce court échange, ben j'imaginais une solution assez simple avec une staticque web app qui viendrait à la place de l'utilisateur qui n'a pas le droit de créer certains items, créer avec une manage identity l'item dans un workspace comme ça après il va pouvoir l'utiliser. en une après-midi de développement largement assisté he via Claude Sonet 4.6 et depuis Visual Studio Code, ben la solution a prié fabrique item management car elle se veut volontairement un peu plus évolutive. L'objectif n'est pas de livrer un produit final hein, mais de montrer euh un exemple concret comment on peut créer une telle solution et qui va peut-être nous permettre de faire d'autres choses que simplement créer des items. Pourquoi pas appliquer automatiquement des conventions de nommage, orienter intelligemment le choix de la capacité en fonction peut-être du projet, en fonction du besoin de l'usage que le projet aura, en fonction aussi peut-être de la création d'un objet plus qu'un autre. Pourquoi pas créer un layout ou un warehouse par rapport à des questions que l'application viendrait poser à l'utilisateur ? Guider le bon choix du type de stockage, intégrer des bonnes pratiques dès le dès le début en fait. Pourquoi pas faire des blueprints de déploiement avec différents objets et introduire un circuit de validation humain euh pour les cas sensibles, ce que les politiques fabriquent ne couvrent pas euh encore aujourd'hui. Et enfin peut-être tracer chaque action afin de faciliter l'audit, la gouvernance et le suivi des coûts. Regardons une démonstration. Je suis à gauche ici sur le portail Azure en tant qu'adminé un groupe Noabrique. On imagine les utilisateurs à l'intérieur de ce groupe ne vont pas avoir le droit de créer des items fabriques. C'est ce que j'ai configuré ici au niveau du tenant. Rappelons qu'on peut aussi le configurer au niveau de la capacité en l'occurrence ici et on peut aussi le déléguer aux admins des capacités. Ici, je suis à droite LO 6 et je vois que je alors que je suis sur une capacité fabrique ici une capacité fabrique que ce workspace est sur cette capacité, je vais pas pouvoir créer des items fabrique. Ici, je cherche date agent et je ne trouve pas. Alors que l'utilisateur admin sur le même workspace, ici on voit bien que je suis admin, je vais pouvoir ici créer un objet de type datage. OK ? Donc là, le besoin de Léo, il est plutôt simple. J'ai besoin de créer un data agent au-dessus d'un sémantique modèle pour des besoins de BI conversationnel. Alors, il se trouve que l'organisation a déployé cette solution. La solution, elle est plutôt simple. C'est une web app, donc une application web statique qu'on peut déployer euh qu'on peut avoir en local ou déployer euh dans Azure et avec une Azure Automation Webook, un petit code Python qui va finalement avec un manage identity créer les objets pour moi, vérifier peut-être la naming convention, vérifier un certain nombre d'éléments. Et ici, on regarde la partie data agent. On aurait pu aussi évoquer la partie storage tout à l'heure et euh c'est peut-être simplifier euh le choix euh des différents types de stockage que l'utilisateur va pouvoir créer sur la plateforme par rapport à des besoins organisationnels et cetera. Ici en l'occurrence l'utilisateur a choisi d'utiliser un une un workspace qui existe déjà et donne un nom à son data agent. On pourrait enforcer la naming convention et cetera. Ici pas besoin de rajouter en tant qu'admin, il est déjà admin ce workspace à partir du URL. que l'utilisateur que l'administrateur a donné avec un token, il va pouvoir exécuter le web et ce web, on va pouvoir le monitorer en tant qu'admin. Alors, on va voir à quoi ça ressemble tout à l'heure, hein. Mais ici, c'est en train de s'exécuter. Je regarde, je peux moner ce qu'on lui a passé comme paramètre. Ici, c'est en attente de démarrage. C'est maintenant en cours d'exécution. Et on va voir que le nouvel objet va être créé dans le workspace et on va voir qu'il va être créé avec la manage identity qui va être en tant que honneur de l'élément. Mais après Léo va pouvoir prendre l'honhip sur cet objet et comme il a les droits sur ce workspace, il va pouvoir bien entendu l'utiliser pour développer son data agent. Ici l'exécution c'est faite. Je vois le nouveau date agent. On regarde, il y a toujours pas les droits de créer des datas agents. On regarde le data agent, il va pouvoir créer son data agent. Alors, on aurait pu aussi prémâcher le data agent avec un template, un template que l'organisation aurait créé. En l'occurrence, il l'a créé ici vide. Donc l'utilisateur à la main pour générer son data agent et poser ses premières questions. OK, donc il fonctionne. Maintenant pourquoi pas prendre l'onership sur ce data agent ? Alors ici, je vous montre l'architecture mais vous aurez accès au au GitHub. Donc simplement, c'est pas compliqué hein, c'est une web app qui va faire appel à ce runbook et en fonction des demandes renseignées effectuer un certain nombre de tâches en appelant les les rest. C'est pas compliqué. Enfin, je l'ai quand même codé avec Claude, mais euh vous voyez qu'il prend des paramètres et puis après qui va appeler les les bonnes les bonnes rest. Du coup, tu aurais pu aussi lui demander de créer uniquement que des lous ou des objets qui sont restreints. Tout à fait. Tout à fait. Et là, c'est un exemple he pour montrer que comme quoi c'est possible, mais on peut imaginer plein plein d'autres plein d'autres choses. Déployer des templates, déployer des blueprints où je ne déploie pas seulement un data agent mais un layout avec et cetera et en fonction des bonnes pratiques de déploiement que l'organisation a déjà a déjà chez eux. Donc maintenant, je regarde, c'est ça qui Ouais, vas-y. Très intéressant. je me permets de rajouter euh parce que justement on va permettre de définir une couche d'abstraction peut-être pour aider les utilisateurs euh en leur posant des questions sur le fameux frontend qu'a présenté Romain avec euh le fait de les guider vers le choix euh d'un stockage particulier, un house, un warehouse ou une base de données SQL dans fabrique. Donc ça va aussi permettre de d'accompagner les utilisateurs métier vers justement la création de ces items sans forcément qu'ils aient besoin de connaissance technique avancé sur la différence entre un le house et un warehouse. En effet et alors que ça l'a créé, on le voit avec la managing entity en l'occurrence ici automate, l'utilisateur après publication de son data agent ou même avant va pouvoir aller dans les settings de de l'item. Ce serait un layout que ce serait pareil. euh pourquoi pas récupérer le MCP serveur et cetera, mais en l'occurrence ici prendre l'ownership puisqu'il est adminace. Et donc euh finalement maintenant ça a été complètement transparent qui a créé l'objet. En l'occurrence Léo avait ce besoin d'avoir un data agent. Euh il y a pas eu l'IT qui est intervenu euh soit pour dire non. Euh mais ils ont mis en place euh des workflow d'approbation qui peuvent être automatisés au travers d'une application simple comme celle créée quoi. J'ai une question pour toi Romain. Est-ce que bah là maintenant qu'on est à l'air de l'agentique puisque d'ailleurs tu veux créer des agents, est-ce que j'aurais pu faire ça avec un agent plutôt qu'une application ? Tout à fait tout à fait. Le le principe resterait le même. On pose des questions à un utilisateur et on appelle la web euh très simplement. En effet, ouais. Donc on pourrait imaginer un super agent qui autorise les objets fabriques pour un utilisateur final. Ouais, ce serait une bonne idée d'ailleurs. Génial. Génial. Alors pour résumer, le besoin est réel et récurrent chez nos clients. Les fabriques policy vont dans le bon sens. On attend de voir quand est-ce qu'ils vont arriver, mais on a ici montré une solution de contournement qui n'est pas officielle de Microsoft qui est open source que vous pouvez vous familiariser avec et peut-être aussi modifier. Et cette solution, on l'a créé pour illustrer surtout un message clé de gouvernance et d'autonomie, pas opposé finalement puisqu'on va pouvoir permettre à des utilisateurs de créer des objets auxquels ils ont pas le droit au travers de cette application. Merci Marc, merci Émilie pour cet échange. Merci à vous d'avoir suivi cet épisode. Si vous avez des questions, des retours d'expérience ou si vous voulez creuser un point en particulier, n'hésitez pas à le mettre dans les commentaires. On vous dit à très vite pour un nouvel épisode et d'ici là, abonnez-vous à la chaîne, ça permet au pha de rester allumé. À bientôt. Merci. À bientôt. À bientôt. --- ## Fabric Roadshow : Le meilleur des nouveautés de la FabCon Atlanta URL: https://www.pharedata.fr/videos/fabric-roadshow-le-meilleur-des-nouveautes-de-la-fabcon-atlanta Publié: 2026-04-03 Durée: 59:09 Sujet: microsoft-fabric Mots-clés: microsoft-fabric, fabcon-2026, onelake, mirroring, shortcut, materialized-like-view, fabric-plan, extensibility-toolkit ### Résumé L'épisode présente les principales nouveautés de Microsoft Fabric dévoilées à la FabCon Atlanta 2026. Sont abordés : l'unification des données avec OneLake, le mirroring, les shortcuts, la gouvernance, la sécurité, la migration Azure Data Factory, les Materialized Like Views, Fabric Plan pour la planification collaborative, les avancées temps réel, Fabric IQ (modèles, graphes, ontologies, agents), la création d'applications via l'Extensibility Toolkit, et une démonstration métier sur le monitoring de flotte de montgolfières. ### Points clés - La FabCon Atlanta 2026 a réuni les communautés SQL et Fabric, avec plus de 8000 participants, deuxième plus gros événement Microsoft communautaire. (2:07) - OneLake propose un datalake unique, scalable et sécurisé, accessible sans duplication de données grâce à mirroring et shortcuts. (3:53) - Les shortcuts permettent d'accéder aux données sans pipeline complexe et peuvent être enrichis par des transformations synchronisées. (6:27) - La migration depuis Azure Data Factory vers Fabric Data Factory est facilitée par un assistant dédié, permettant de migrer pipelines, datasets et dataflows. (22:33) - Les Materialized Like Views simplifient les transformations et intègrent des contraintes de qualité directement dans la définition. (25:59) - Fabric Plan permet une planification collaborative, intégrée aux données opérationnelles, avec création de scénarios et persistance dans Fabric. (33:04) - Le Fabric Extensibility Toolkit permet de créer et déployer des applications personnalisées dans Fabric, accessibles via une marketplace ou privées. (49:56) ### Questions fréquentes **Qu'est-ce que OneLake dans Microsoft Fabric ?** OneLake est un datalake unique pour toute l'organisation, scalable et sécurisé, qui permet d'accéder aux données sans duplication grâce au mirroring et aux shortcuts. **Comment migrer des pipelines Azure Data Factory vers Fabric Data Factory ?** La migration s'effectue via un assistant dédié dans Azure Data Factory, qui permet de transférer pipelines, datasets et dataflows en quelques étapes vers Fabric Data Factory. **À quoi servent les Materialized Like Views (MLV) ?** Les Materialized Like Views simplifient les transformations de données dans Fabric, permettent d'intégrer des contraintes de qualité et de persister les vues en tables delta. **Quelles nouveautés pour la planification collaborative dans Fabric ?** Fabric Plan permet de créer des objectifs, budgets, scénarios et de collaborer directement sur la plateforme, avec persistance des données de planification dans Fabric. **Comment fonctionne le monitoring des capacités dans Fabric ?** Le monitoring s'appuie sur des events en temps réel, capacity overage billing, et des solutions comme Fabric Cost Analysis pour analyser l'usage et les coûts des capacités. **Qu'est-ce que le Fabric Extensibility Toolkit ?** Le Fabric Extensibility Toolkit permet de créer, déployer et partager des applications personnalisées dans Fabric, via une marketplace ou en privé pour un tenant spécifique. **Quels types d'agents sont disponibles dans Fabric IQ ?** Fabric IQ propose des data agents, agents conversationnels sur les données, et des operation agents qui interagissent avec l'utilisateur selon des règles définies. ### Chapitres - 0:48 — Présentation des intervenants et contexte FabCon Atlanta - 1:49 — Unification des données avec OneLake, mirroring et shortcuts - 7:16 — Cas d'usage entreprise : intégration et enrichissement des données - 14:51 — Gouvernance, sécurité et monitoring des capacités - 22:33 — Migration Azure Data Factory et nouveautés Data Factory - 25:59 — Materialized Like Views et gestion de la qualité - 33:04 — Fabric Plan : planification collaborative - 39:37 — Nouveautés temps réel : connecteurs, custom stream et business events - 42:34 — Fabric IQ : modèles, graphes, ontologies et agents - 49:56 — Fabric Extensibility Toolkit et création d'applications - 52:39 — Démonstration : monitoring de flotte de montgolfières - 58:11 — Livre sur Microsoft Fabric et conclusion ### Transcript [musique] [musique] Bonjour et bienvenue sur Fardata, la chaîne qui éclaire vos données. Dans l'océan de données voir clair change tout. Sur Fre data, on décrypte les services de données d'analytique CDIA. Le tout avec un ton accessible, des choix techniques assumés et une touche derma. Que vous soyez architecte, analyse, dat ingénieur, product honur ou simplement curieux, Fardata vous accompagne pour comprendre les enjeux réels, éclairer les compromis et prendre de meilleures décisions et parfois avec le cri des mouettes en bruit de fond. Si ce genre de contenu vous parle, n'hésitez pas à vous abonner. Cap sur l'épisode du jour. Aujourd'hui, j'ai le plaisir d'être accompagné par Émilie et Fred pour partager quelques-unes des nouveautés qu'on a sélectionné lors de la FAPCON 2026 à Atlanta. Hier, nous étions à Paris dans les locaux de Microsoft pour présenter ces mêmes démonstrations à la fabrique CRO. [musique] Avant de rentrer dans le vif du sujet et des super démos, Fred Émilie, est-ce que vous pouvez vous présenter qui vous êtes, ce que vous faites ? Oui, donc enchanté Émilie B. Alors moi je suis Solution Engineer euh sur toute la stack data et analytique Microsoft et donc j'accompagne des grands comptes Microsoft d'un point de vue technique sur tous ces sujets. Et bonjour tout le monde Fred Gisberg mais moi je suis partenaire solution architect donc sur tout le périmètre data et j'accompagne les partenaires sur l'implémentation des projets chez nos clients. La FAPCON a eu lieu à Atlanta il y a environ 2 semaines et pour la première fois, elle a réuni communautés à savoir la communauté SQL et celle de Fabrique. Il faut savoir que pour les prochains événements, il se pourrait bien que les deux communautés soient toujours réunies. Il y a eu plus de 8000 participants, ce qui en fait le deuxè plus gros événement Microsoft communautaire. Est-ce que vous connaissez le premier Émilie Fred ? Et bien, je crois que c'est l'ign. Et en effet, c'est l'incroionnant. On peut rappeler que Power BI a bientôt 10 à 11 ans je crois et que Fabric a plutôt 2 ans. Et ils ont profité de la Fabcon pour rappeler quelques reconnaissances et notamment celle du Gartner aussi bien sur les parties data intégration, database, AI et business intelligence et les quelques reconnaissances aussi du Forester notamment sur la partie real time. Alors, on a décidé puisque on avait pas forcément suffisamment de temps pour présenter toutes les nouveautés d'en sélectionner certaines. On va aussi s'appuyer sur le framework Fabrique IQ pour les présenter à différents niveaux. On va commencer par l'unification des données puis leur processing pour arriver aux connaissances et aux fameux data agents. On travaille chez Microsoft ce qui nous a permis d'avoir en avance de phase l'accès à certaines fonctionnalités ce qui nous a permis aussi de créer nos propres démos et de pas vous présenter les mêmes démos qui ont été jouées lors de l'événement. On va essayer d'y inclure aussi quelques retours d'expérience en utilisant ces ces nouvelles fonctionnalités. Alors LIA n'est performante qu'avec des données et un contexte de qualité. La fondation dans le framework Fabric, c'est l'unification de votre patrimoine de données. Dans Microsoft Fabrique, c'est au travers du Oneelake qu'on évoque cette fondation. On l'appelle souvent le OneDrive mais pour vos données d'entreprise. L'idée est simple, proposer un datalec unique pour toute l'organisation, scalable à l'infini et repesant sur des formats de stockage ouvert. La donnée n'est pas dupliquée, mais pourtant elle est accessible par l'ensemble des workloads. On dit que c'est la fin des silotchniques. Le oneelake, il est bien évidemment sécurisé. Les utilisateurs peuvent facilement trouver la donnée dont ils ont besoin tandis que les équipes IT conservent un haut niveau de sécurité, de gouvernance, de conformité avec des outils qui sont déjà intégrés dans la plateforme. En résumé, le Onelec apporte une fondation unique gouvernée et ouverte sur laquelle tous les workload fabriqu peuvent s'appuyer pour accélérer les projets data et dia. Partager la Oneelake, c'est aussi simple que de partager la donnée dans le OneDrive. Grâce au raccourci, les données peuvent être analysées sans être importé, que ce soit on premises ou dans d'autres cloud provider. On peut citer que grâce au mirroring, les données sont répliquées et maintenu à jour en quelques clics. On peut aussi rappeler que le stockage de ces données est gratuit et dépend du SKU. par exemple avec une capacité de F64, ça nous permet de disposer de 64 Tas gratuits, ce qui est assez conséquent. Donc on réduit la complexité d'accès et d'intégration à votre données. On évoque souvent le oneel comme un hub de data virtualisation qui devient un point de convergence multicloud. Alors les collecteurs, il y en a de plus en plus, ils se multiplient. On peut citer euh le JA de SAP datasphère de Oracle et on a annoncé à la Fabconés notamment sur Azure Monitor et Dremio. On retrouve ici la liste complète des différents connecteurs et on peut citer la GIA en bidirectionnelle de Snowflex et la preview de Datab qui va nous permettre à DataBabx de se connecter aux données stockées dans le Onelec directement et simplement. On va voir des démos avec notamment le ShareP list en mirroring. On va voir aussi des démos sur l'accès via des shortcuts à des fichiers Excel. Et on peut aussi rappeler une des nouveautés qui a été annoncée qui est celle du l'extension du mirroring avec notamment le support en preview du Delta Change Datafeit qui va nous permettre d'écouter en temps réel toutes les modifications faites sous mes bases de données lié au mirroring ou encore quelques nouveaux partenariats dans l'Open Mirroring tel que Informatica. Alors, les shortcuts qui sont des raccourcis et qui offrent un accès aux données sans nécessité la création d'une pipeline d'intégration complexe, ils peuvent être également enrichis par certaines transformations, mais on va garder ces données toujours synchronisées, toujours à jour. Donc, on peut citer l'AG de ces shortcut transformation. Et si on a des fichiers non structurés tels que des avis clients, des emails, vous pouvez appliquer des transformations dia intégré tel que la traduction, l'analyse de sentiments, la détection de données sensibles, le masquage de données, bref un certain nombre d'enrichissements que vous pouvez apporter on top de vos données et qui vous permet après coup d'avoir une table au format delta toujours à jour. Alors, on va prendre un cas d'exemple à se placer dans une entreprise Fardata qui commercialise des produits bretons. Alors, Far Data qui est un détaillant en ligne qui a bien évolué mais qui rencontre aujourd'hui certaines limites. Les données, les outils sont fragmentés. L'intégration de nouvelles données s'avère complexe et coûteuse et en conséquence l'entreprise prend des décisions lentes et peu fiables et elle n'est pas prête à intégrer les alors on va découvrir comment Fardata va transformer sa plateforme de données grâce à Microsoft Fabrique dans l'objectif de conquérir le monde. Alors je suis ici dans fabrique, je suis ici dans une SQL database dans fabrique. J'ai un certain nombre de produits déjà disponibles que je vends. J'ai ici accès à mon one lake à travers de mon house et je vois un certain nombre de sources déjà référencées mais comme beaucoup d'entreprises, j'ai aussi beaucoup de données dans Excel. Alors, j'ai ce fichier Excel qui est classique dans lequel j'ai aussi des formules. Je vais vouloir créer un shortcut sur ce fichier Excel stocké dans un SharePoint. Donc, je crée mon nouveau shortcut de type table. Ici, je vais choisir dans quel dossier ce fichier Excel existe. Je pourrais en avoir plusieurs. Et ici, il va me proposer déjà de sélectionner l'entête comme nom de colonne de ma future table et de pouvoir choisir certaines feuilles qu'il va pouvoir combiner ou pas. Et ici, je vois clairement la transformation Excel delta table. La synchronisation s'effectue et en quelques temps, je vais pouvoir analyser cette nouvelle table. Maintenant, si j'ai des actualisations de cette table, elles seront bien évidemment synchronisées. Mais la question que tout le monde se pose, c'est si je change par exemple le nom d'une colonne, qu'est-ce qui va se passer ? Ici, ce qui est intéressant, c'est que je retrouve aussi le nom de la feuille, le nom du fichier. Voilà. Donc, testons le fait de modifier, de rajouter ici euh une nouvelle colonne, de changer le nom d'une colonne existante pour voir comment ça réagit. La synchronisation a déjà détecté qu'il y avait des changements. Ça s'opère pour moi automatiquement. Et je vois donc mon ancienne colonne qui est vide, la nouvelle 2 qui est pleine et j'ai aussi ma nouvelle colonne test. Maintenant, j'ai des données non structurées qui concernent des avis de clients sur mes produits. Est-ce qu'on en parle de bien de mes produits ou pas ? Vous imaginez l'analyse que je vais en faire de ces différents fichiers texte non structurés qui sont aussi dans différentes langues. Et donc ici, je vois que je vais pouvoir enrichir mes données non structurées par une analyse de sentiments. Très simplement, chaque nouveau fichier sera synchronisé. Je vois ici le résultat. J'ai du mal au longer après une bouchée. Je suppose qu'on parle de Kunyaman, mais on sait que le Kunyaman, c'est bon quand il y a du beurre, donc c'est finalement pas très grave. Autre source de données assez commune chez nos clients, j'ai des données dans une SharePoint list ici en l'occurrence des promotions. Ce que je vais vouloir faire ici, c'est non pas un shortcut mais créer un mirroring. Et on retrouve ici la liste des possibilités en terme de mirroring. Je retrouve ma SharePoint list. Je vais donc choisir dans quelle ShareP list ma donnée que je souhaite répliquer et donner le nom à ma table. Le mirroring est actif et les nouvelles lignes seront automatiquement répliqué dans ma base de données en miroir. Maintenant que j'ai ces différentes sources de données, je vais pouvoir les requêter, créer des requêtes pour les corréler et cetera. Mais ici, en l'occurrence, je vais choisir de créer un modèle pour après créer des visuels et après utiliser la fonctionnalité transliticale qui est en depuis la Fabcon. Je crée ici mon sémantique modèle. Je vais chercher les données sans quitter l'interface sur mon leus. Je reprends les tables qui m'intéressent. Je vais donc être connecté ici en direct le pas besoin de rafraîchir mon sémantique model. J'aurai toujours les dernières données à jour. J'ai ici rajouté la table promotion. Maintenant je souhaite rajouter une dimension date comme souvent. Et là en l'occurrence je vais choisir depuis la galerie TMDL un bout de code TMDL. Et ça me permet de montrer ici une nouveauté, le TMDL view depuis l'interface graphique. Comme ceci, je vais pouvoir créer ma nouvelle table qui est en mode import celle-ci. Et donc, on voit aussi une nouveauté composite modèle entre direct le et mode importu l'interface. Je vais au-dessus d'une table qui est en direct le pouvoir créer des nouveaux colonnes calculées. Ça c'est aussi une nouveauté. Alors, rappelons qu'il est toujours pertinent de faire les choses euh le plus tôt possible, mais euh ça peut être intéressant dans certains cas ici d'avoir les colonnes calculé disponibles sur des données en direct l. Je rajoute ma dernière table sur les produits provenant de mon SQL database. Je suis ici toujours en direct le lc. Maintenant, je vais pouvoir passer à la partie visualisation et créer un rapport au-dessus de mon sémantique modèle ici. En utilisant l'assistant copilote. Je lui demande de créer un rapport sur l'analyse de mes produits, de mes ventes, des sentiments, des catégories et cetera. Mon rapport est créé. J'analyse mes sentiments, les commentaires, j'analyse mes ventes et cetera. Je vois notamment différentes catégories. Une autre nouveauté qui a été annoncée, c'est la possibilité de changer le mode de calcul des totaux sur une table, ce qui était très entendu par nos clients. Maintenant, passons à la partie transliticale qui est en J. Et donc ça passe par la création d'une user data function sur laquelle je vais créer une connexion vers ma SQL database et ça va me permettre comme ceci en lui passant en paramètres la catégorie le produit d'updater la catégorie d'un produit que j'aurais sélectionné. Je montre au passage l'input slicer qui est aussi en J depuis peu et qui va me permettre de renseigner à la main depuis l'interface de mon rapport le nom de ma nouvelle catégorie. Ici, j'ajoute mon UDF et en paramètres donc la chaîne de connexion vers mon input slicer et une mesure qui va me permettre de choisir en fonction euh de la catégorie celle sélectionnée. Et donc comme ceci, je vois ici la box poisson d'avril qui est connectée à la catégorie poisson. Je veux renommer poisson en déco, donc changer le nom de la catégorie. Et ici, j'ai exécuté. Pas besoin de rafraîchir le sémantique modèle puisque je suis en direct lake, je vois directement l'information. Très bien. Avançons. Maintenant, l'entreprise est côté en bourse, il y a besoin de gouvernance et de sécurité. Ça tombe bien, il y a quelques nouveautés qui ont été présentées à la FAPCON sur le sujet et notamment au travers du Oneel Catalogue. Ici, je vais pouvoir la voir la classification de mes différents objets à l'intérieur de fabrique. En tant qu'administrateur, je vais pouvoir voir les domaines sur lequels il y a moins de classification. Et donc comme ceci, je vais pouvoir m'aider de copilote. J'ai retrouvé le domaine dans lequel il y avait un manque de classification de données rapport que la classification va me permettre notamment de faire du DLP datalos prevention, d'avoir côté pure viiew des euh policy et cetera. Donc ça peut être pertinent hein de classifier vos données. Autre nouveauté, toujours dans le oneeleg catalogue, je vais avoir des informations beaucoup plus précise sur mes sémantiques modèles et je vais pouvoir aussi demander à copilote de me décrire euh ce qui va me permettre ici de mon sémantique modèle, ce qui va me permettre après de mieux le retrouver. par exemple sur le layout, ça me donner aussi plus d'informations sur mes tables, les colonnes, des commentaires et je vois ici notamment des données sur le Social Security Number, des données peut-être importantes que je devrais pas donner accès à tout le monde. Ça tombe bien sans quitter l'interface encore une fois du Oneel catalogue dans la partie sécurisation je vais avoir un accès central pour gérer toute la sécurité de mes objets et notamment le colonne level sécurité qui est aussi en J depuis peu. Comme ceci je vais pouvoir créer un nouveau rôle dans lequel je vais ajouter Éric Charbonnier parce que j'ai pas envie qu'il ait accès à cette colonne là. Et donc comme ceci, j'ai simplifié euh j'ai sécurisé ma donnée. Maintenant l'usage de fabrique évolue dans mon organisation. J'ai de plus en plus de capacités. Je vais vouloir monitorer en temps réel leur usage. Ça tombe bien, j'ai des nouveaux events en temps réel que je vais pouvoir monitorer comme le capacity event overview qui est en J. Et très bientôt, on va voir les capacity operation event qui vont me permettre d'être encore un peu plus granulaire sur les événements au-dessus de mes capacités. J'ai des workspace des fois qui consomment un peu trop de ressources. Ici via le workspace level surge protection, je vais pouvoir limiter ce qu'ils vont pouvoir consommer. Je vais aussi pouvoir donner euh une catégorie à certains workspace mission critical qui vont euh qui seront du coup pas limité. par euh ce paramètre capacity overage billing. Très intéressant. Plutôt que doubler euh le coût de ma capacité euh peut-être pendant un temps donné, je vais ici activer le capacity overage qui fait que j'aurai plus de throing. Je vais pouvoir comme ceci consommer un certain nombre de cuotling, des ralentissements. Je vais pouvoir payer on top un certain nombre euh de CU pour optimiser l'usage de ma capacité. On va regarder ici une démonstration. Je suis sur une capacité, je vais ici autoriser 96 CU que je vais pouvoir consommer dans les 24 heures. Je pourrais très bien savoir combien C8CU va me coûter en amont, hein. Donc je définis un seuil. Maintenant, je regarde ma capacité. Tiens, j'ai eu des pics de consommation. C'est peut-être encore une fois ce Éric Charbonnier qui a surconsommé et peut-être ici on le voit à travers du copilote. Donc il a effectué pas mal d'activités. Maintenant, on se demande est-ce que ça a eu un impact ? va regarder si ça a eu un impact en terme de rafraîchissement de mes sémantiques modèles. Il n'y a pas eu de rejection. Par contre, est-ce qu'il y a eu des interactive rejection ? La réponse est il y en aurait eu si je n'avais pas activé le capacity overage. Maintenant, on va regarder combien ce capacity overage m'a coûté et je vais avoir ici la le détail sur le nombre de CU par seconde qui ont été consommés. On se pose tous la question maintenant combien ça m'a coûté en terme d'euros. Et là pour se faire, je vais côté Azure, je vais côté et je retrouve ce meters capacity overage capacity usage. Mais dans cette liste de metteurs, il y en a certains qui sont intégrés au prix de ma capacité, d'autres ne le sont pas comme celui-ci. Ça peut être intéressant d'avoir une solution on top pour monitorer l'ensemble de vos coûts fabriques. Ça tombe bien, il a été annoncé à Fabcon ce jump start qui référence un certain nombre de solutions euh qui sont prêts au déploiement et j'ai notamment une solution qui s'appelle fabrique cost analysis et qui comme son nom l'indique va nous aider dans la compréhension des des coûts fabriques. Je retrouve ici cette solution. Je vais avoir le détail. OK, elle se connecte aux Azure Cost, aux réservations au quota. Ces données sont enrichies pour me permettre après de les analyser au travers d'un data agent expert en FinOPS ou de rapport. Donc vous pouvez le l'installer. On peut aussi la retrouver dans le GitHub de la Toolbox. Cette solution, je l'ai déployé. Ça me permet de monitorer tous mes coûts. Je vois les coûts qui sont intégrés au prix de ma capacité. Je vois ceux qui sont top comme ce fameux capacity overage. Ça va me permettre aussi d'avoir le détail sur les activités. Par exemple, copilote au travers de leur usage sur mes x capacités, combien ça m'a coûté d'avoir aussi l'information sur l'impact du pose. Le nombre de capacités augmenté. J'ai créé des réservations, ce qui me permet de diminuer le coût. Je vois où sont mes capacités, je vois leur usage, je vois aussi le détail de différentes opérations teles que voilà copilote par exemple. Ça m'a permis notamment d'apprendre qu'à un moment donné, mes réservations n'étaient pas totalement utilisées. C'est dommage. Ça m'a permis aussi de grandir sereinement puisque j'avais une visibilité sur les quotas toujours utiles. Donc en tant que CTO de Fardata, je peux dire que le oneel qui va unifier la donnée, le catalogue renforce la gouvernance et la sécurité et nouveauté côté capacity management rendre l'exploitation beaucoup plus prévisible. l'ençant offre aux utilisateurs et aux agents un contexte fiable et actionnable. N'hésitez pas à investir dans F data. Et ben, on va continuer sur la partie euh process et toute la partie connaissance avec une petite nouveauté déjà pour commencer plutôt à destination des administrateurs ou des utilisateurs plutôt avancés avec ce qu'on a appelé les edges skills fort fabric. Alors, c'est quoi les edges skills ? Ce sont des compétences que l'on va pouvoir fournir à des agents IA et ces agents IA au travers de ces skills vont pouvoir créer, interroger et gérer des objets fabriques mais de manière complètement sécurisée et gouvernée. Alors comment on va les utiliser ? Et ben, on va les utiliser au travers de gitup coilot d'outils comme VS Code Copilot, Cloud Code et cetera. Il y en a d'autres qui sont compatibles et chacun de ces skills va en fait être dédié à une action précise. On va utiliser les API fabriques derrière en respectant les contraintes de sécurité et on va pouvoir créer un workspace, attacher une capacité à un workspace, créer des layouts, exécuter des pipeline et cetera. Et donc ensuite et ben un agent va pouvoir combiner plusieurs de ces skills pour pouvoir réaliser des scénarios complets de projet data. Autre nouveauté, là on va passer côté ingestion données. Alors les nouveautés côté ingestion données, on a on en a eu pas mal et on en a eu une très intéressante côté notamment Azure Data Factory. On a annoncé dans Azure Data Factory un assistant de migration pour pouvoir migrer en quelques étapes les items depuis Azure Data Factory vers Fabrique Data Factory. Et pour ça, on a un nouveau petit bouton côté Azure Data Factory pour pouvoir migrer les pipelines, les datasets, les datafow et même les mapping datafow. Alors, on va regarder comment ça se passe en démonstration. Là, je suis du coup côté Azure Data Factory. Je vois à gauche que j'ai quatre pipelines à migrer et donc j'ai ce petit bouton pour pouvoir lancer cet assistant de migration. Ici, je vois un assessment qui est fait pour pouvoir identifier la compatibilité de mes différentes étapes avec notamment fabrique Data Factory. Je vais sélectionner le workspace dans lequel je vais faire atterrir mes différents pipelines et ensuite je vais repasser côté fabrique pour pouvoir terminer la configuration de cette migration. Donc là, je retrouve mes datasets, mes data flow, mes pipeline que je suis en train de migrer. Je retrouve le détail de mon assistant de migration. Et ce que je vais faire, c'est du remapping des chaînes de connexion. Donc soit le mapping est fait automatiquement, soit j'ai besoin de le refaire manuellement. Ensuite, j'ai plus qu'à sélectionner un dossier pour pouvoir héberger ces différents pipelines et l'assistant de migration se lance et donc va transcoder le code Azure Data Factory vers Fabrique Data Factory. Et donc je vais me retrouver avec exactement le même pipeline que j'avais côté ADF mais cette fois-ci vraiment au sein de l'interface Azure Fabrique Data Factory. Ce qui est très intéressant aussi, c'est que on a annoncé une nouveauté côté pipeline au niveau des activités, une nouvelle activité SSIS pour pouvoir invoquer un package SSIS. En paramétrant un accès vers un house qui contient des packages SSIS, on va pouvoir exécuter tout notre historique, tout notre patrimoine de transformation au travers des CISS. Donc ultra imprtique, si vous avez pas encore eu l'occasion finalement de de faire la transition entre SSIS et les nouveaux outil de TL côté fabrique, vous avez la possibilité de continuer à les exécuter au travers de cette de cette nouvelle action. Et bien sûr, je termine par la partie map mapping data flow dont je parlais tout à l'heure avec cette capacité aussi de l'émigrer. Donc là pareil, je vais sélectionner un mapping datafow. Je vais faire le mapping euh côté chaîne de connexion. Et ce qui est intéressant, c'est que je vais me retrouver côté fabrique avec exactement la même interface, la même expérience des mapping data flow que celle que je pouvais avoir côté fabrique, côté euh Azure Data Factory. Donc vous voyez ici que je suis vraiment exactement dans les mêmes dans la même configuration. je peux venir rajouter euh différentes transformations de données. Et donc une fois que mon pipeline a été migré, je me retrouve avec mon pipeline historique qui était sur Azure Data Factory que je vais pouvoir enrichir avec les nouvelles actions qui sont disponibles aujourd'hui euh côté fabrique Data Factory. On continue au niveau des nouveautés avec cette fois-ci des nouveautés côté transformation données. Alors c'est pas une nouveauté en tant que telle. Euh ce sont les materialized like views qu'on appelle en raccourci les MLV qu'on a annoncé en general availability. Ces MLV, à quoi ça va servir ? Et ben, ça va tout simplement nous permettre de simplifier les transformations de données dans des architectures le houseous dans le sens où ça va nous aider à faire des transformations pour faire passer des données d'une étape à une autre. Par exemple, si on parle d'une médaille en architecture, de passer d'une étape bronze à une étape silver, puis d'une étape silver à une étape gold, mais de manière plus simple, sans avoir à mettre en place des pipelines, des data flow. Et ces transformations euh effectivement, on peut les faire avec d'autres types de de workload fabrique. Mais là, l'idée c'est vraiment d'avoir des transformations de type code déclaratif. Donc c'est du code que l'on va réaliser dans des notebooks fabriqu soit en Spark SQL soit en Python et qui ont l'intérêt de pouvoir persister ses vues en tant que table delta dans le house. Donc je vais créer ma vue telle que je souhaite l'avoir dans mon étape cible et ensuite cette vue sera persistée en tant que MLV au sein de mon house dans une table delta. Ce qui va être très intéressant aussi, c'est la possibilité de pouvoir intégrer des contraintes de qualité donné directement dans la définition de ces transformation. Et donc si ma règle métier n'est pas respectée, je vais pouvoir choisir soit de ne pas intégrer la donnée qui effectivement ne répond pas à cette contrainte, soit de mettre ma MLV en échec de façon à pouvoir corriger ces problématiques de de data quality avant de la relancer. Dernier intérêt, c'est que je vais avoir un graphe visuel qui va me permettre de suivre les étapes de transformation et qui va permettre aussi le refresh séquentiel de l'ensemble du chaînage de mes MLV. Donc, je vais partir de ma source et ensuite mes transformations vont se faire au fur et à mesure de manière séquentielle sur la définition de ma de mes différentes MLV. Alors, on va voir tout ça en démonstration. Donc là, je suis dans un environnement dans lequel j'ai fait un mirroring sur une table postgel d'une table sur laquelle j'ai des problématique de qualité, notamment par exemple ici des numéros de téléphone qui me manquent. Et bien, je vais aller au niveau de mon house et je vais venir sélectionner l'option materialize leg views. Le fait de sélectionner cette option, ça va m'ouvrir du coup, comme vous l'avez compris, un notebook. Et dans ce notebook ici, j'ai choisi de faire ma MLV en Python. Je vais commencer par définir ma MLV. Donc je vais lui donner un nom, euh un commentaire. Je vais définir les différentes colonnes que je souhaite voir apparaître dans ma nouvelle vue. Et surtout, c'est là que je vais définir mes contraintes de qualité. Par exemple, ici, si le numéro de téléphone n'est pas présent dans la ligne que je souhaite insérer, à ce moment-là, je n'insère pas cette ligne. Ces contraintes de qualité, je vais pouvoir en faire différemment. Je vais pouvoir checker si euh j'ai un code PI dans une liste. Je vais pouvoir faire une expression régulière. Je vais pouvoir vérifier la présence d'une donnée à partir d'une base de d'une autre table en réalisant une requête SQL. Bref, j'ai plusieurs façons de définir ces contraintes de qualité et comme je vous le disais, on peut le faire en Python, mais on peut le faire aussi en Spark SQL. Donc là, de la même façon, je crée ma matérialise View. Ensuite, je vais faire comme un citas, hein. Je vais définir le select pour définir les colonnes que je souhaite voir dans ma vue. Et je vais venir euh positionner mes contraintes de qualité, mes checks de qualité au niveau de cette MLV. Une fois que j'ai réalisé mes différentes MLV, je reviens au niveau de mon option matériel like Views et je vais dans la partie manage pour pouvoir accéder à ce fameux lineé edge. Et là, je vais avoir une petite icône de type triangle quand il s'agit de mes tables sources. Et lorsque je vois une matérial use qui a été créée, je vois une petite icône de type éclair. Donc là, je vois que j'ai réalisé deux MLV euh en séquence pour pouvoir traiter, transformer ces données. Et de cette façon, je vais pouvoir visualiser vraiment l'enchaînement des évolutions de ma donnée et des transformations que j'ai pu y faire avec ces différentes MLV. Je vais pouvoir schéduler donc euh l'ensemble du déclenchement de ces transformations et qui vont pouvoir être réalisé euh de façon delta, c'est-à-dire je vais pouvoir venir mettre à jour uniquement les données qui ont changé au niveau de la source de données. Ensuite, ce qui est intéressant aussi, c'est que je vais avoir tout un reporting pour pouvoir suivre justement euh les données qui n'ont pas pu être intégrées au travers de ces contraintes de qualité de données. Par exemple, ici, je vois le nombre de lignes qui ont effectivement été insérées et le nombre de lignes qui ont été rejetées parce que elles n'ont pas répondu aux contraintes de sécurité de de qualité. Je vais aussi pouvoir visualiser quelles sont finalement les tables qui ont eu le plus de lignes rejetées par rapport à ces contraintes de qualité. Et je vais également pouvoir voir quelles sont les contraintes en tant que telles euh qui se sont vu voir le plus de rejets. Donc quelles sont les contraintes les plus drastiques finalement pour lesquelles j'ai le plus à travailler au niveau de la qualité de mes données en amont. Donc une fonctionnalité très intéressante encore une fois qui est passée en general en general availability. Et on va terminer par une très grande nouveauté qu'on a annoncé aussi lors de cette FAPCON. Euh là, on va passer plutôt sur la partie analytique où bah finalement les plateformes analytiques aujourd'hui comme fabrique, on les utilise beaucoup pour comprendre ce qui s'est passé sur son business. Donc qu'est-ce qui s'est passé dans le passé ? Avec bien sûr toute la partie realtime intelligence, on est en capacité de surveiller ce qui se passe en temps réel sur son business et de pouvoir suivre à l'instant ce qu'il se passe. Mais finalement, quand on arrive en matière de planification, on se retrouve souvent sur des outils qui sont déconnectés, des processus manuels, souvent de la saisie manuelle dans des fichiers Excel ou dans des outils EPM séparés. et ça va nécessiter de faire des extractions, des copies et finalement beaucoup de réconciliations manuelles. Et le problème c'est que la planification, elle doit être absolument connectée aux données opérationnelles euh et au et au reporting qu'on qu'on en fait pour pouvoir justement ajuster ces plans quand les données réelles évoluent. Et donc si on a des fichiers Excel statiques ou des outils déconnectés, et ben on a vraiment des difficultés à avoir une vision vraiment fiable et à jour de ces projections. C'est pourquoi on a annoncé une nouvelle capacité au sein de fabrique qui s'appelle fabrique plan. Et cette nouvelle capacité, elle va justement nous permettre de faire de la planification d'entreprise. On va pouvoir créer des objectifs, créer des budget, faire des prévisions. On va pouvoir définir des scénarios, des scénarios optimistes, des scénarios pessimistes, du watif et surtout on va pouvoir comparer les plans par rapport aux données actuelles. Et ce qui est vraiment intéressant, c'est que tous ces toutes ces planifications, on va pouvoir les renseigner, les écrire, les créer directement au sein de fabrique sur la plateforme de données et ensuite les persister au sein de fabrique, au côté euh de nos données analytiques. Alors, concrètement euh plan, ça fait partie du workload IQ et ça vient d'un éditeur qui s'appelle Lumel qui est spécialisé dans tout ce qui est planification et pilotage de la performance. C'est une fonctionnalité en nos codes. Donc on fait vraiment de la saisie manuelle comme on pourrait la faire dans Excel. On va saisir donc ses prévisions, ses budgets et surtout on a accès ça sur la collaboration de façon à pouvoir offrir un outil qui soit le plus collaboratif possible permettant à plusieurs personnes de définir ses objectifs, ses plans. Une petite démonstration pour rendre tout ça concret. Donc ici, je suis un manager commercial et du coup mon CO m'a demandé de soumettre un plan pour atteindre un revenu de 19 milliards de dollars en 2026. Donc ce que je vais faire, c'est que je vais aller dans plan et je vais créer une planning sheet. Cette planning sheet, je vais la connecter à mes données. Donc mes données sur les derniers quarters. Ici, je suis sur un modèle sémantique dans lequel je vois ventiler les catégories de produits sur les différents quarters de l'année 2025. Et bien ce qui va être intéressant, c'est que je vais pouvoir me rebaser sur ces données pour pouvoir euh effectuer mes projections futures. Donc je vais copier mes données 2025 et je vais venir les réajuster directement en saisie ici. Donc par exemple, je vais venir prendre une catégorie de produits à fort potentiel, je vais lui rajouter un 14 %. Donc là, on voit bien que je double clique dans la cellule et je viens directement rajouter un pourcentage supplémentaire euh en saisi directement dans ce tableau. Je vais pouvoir aussi par exemple pour une catégorie de produits que je lance euh récemment venir directement me donner un objectif chiffré à 45 millions de dollars. Et ce qui est intéressant, c'est qu'une fois que j'ai fait ça, je vais loquer l'ensemble de ce que j'ai déjà travaillé en terme de projection et je vais mettre mon objectif global qui est mes 19 milliards de façon à ce qu'il reventile l'ensemble de ces objectifs sur les catégories de produits que je n'ai pas encore euh redéfini manuellement. Je vais pouvoir notifier mon manager de ce plan et ensuite je vais pouvoir lui proposer ces fameux scénarios euh plutôt optimiste ou pessimiste. Donc pour ça, je crée un scénario dans lequel je vais avoir un curseur qui va me permettre d'aller ajuster plutôt à la hausse ou à la baisse les objectifs que je suis venue définir. Et donc de cette façon, de manière très simple, j'ai la possibilité de me créer ces différents scénarios pour les soumettre à mes collègues. On a également une vue ici que l'on voit au travers de ce de ce map où je vais pouvoir voir la ventilation de ces différents objectifs et tout ce que je vais modifier ici dans cette vue sera répertorié bien sûr au niveau de ma vue tableur. Ici je vais comme je vous le disais on est sur du collaboratif donc je vais pouvoir ajouter des commentaires. Je vais pouvoir ajouter un statut, une date et bien sûr euh un responsable pouvoir définir une personne qui sera responsable de la définition d'un objectif. Je vais pouvoir mettre des contraintes de sécurité pour que n'importe qui n'ait pas accès à cette working sheet et surtout euh je vais pouvoir derrière monitorer qui est venu ajouter quelle donnée, modifier quelle données sur cette planning sheet. Ensuite, je vais persister ces données au sein d'une table fabrique. Et donc l'ensemble de la planification que j'aurait réalisé manuellement sera enregistré dans cette table euh qui est disponible au sein de la partie SQL dans fabrique. Et ce qui est intéressant, c'est que je vais pouvoir l'utiliser avec l'ensemble des autres workload. Par exemple, si j'utilise IQ euh au niveau de mon anthologie, je vais permettre à mes agents, à mes copilotes de venir interroger à la fois mon mes données historiques et de pouvoir les confronter euh à mes objectifs, à mes planifications futures sur 2026. Donc voilà pour ces belles nouveautés côté FAPCON, côté analyse et process. Super, merci. Bien super. Ben merci Émilie, merci Romain. On va on va continuer sur la présentation des nouveautés. Donc on va remonter un petit peu dans les couches. On va pas mal parler de fabrique IQ et d'une autre partie qui est un peu moins un peu moins connue à présent, c'est les applications dans dans Fabrique. Euh donc vous avez beaucoup entendu parler d'IA et que l'IA sur la data mais c'est ça ça fonctionne pas très bien aujourd'hui. Il faut comprendre que sur cette place de la donnée au service de l'IA, le temps réel va prendre beaucoup plus de place et et on s'aperçoit avec tous les use cas, les cas d'usage qu'on a chez chez nos clients, on a de plus en plus de volonté d'aller chercher la donnée au plus près des systèmes en amont bien évidemment de de la récupérer, de s'y connecter et de prendre des décisions sur sur cette donnée. Mais tout ça reste un peu un peu technique et souvent trop technique et on a besoin de rajouter cette cette couche métier au-dessus de toutes ces ces événements et ces données techniques que l'on va récupérer pour faire ce dernier kilomètre et amener justement cette observabilité, cette décision jusqu'au métier. OK ? Donc on a on a besoin de simplifier cette trajectoire vers le métier. Donc la brique temps réel dans Microsoft Fabrique prend de plus en plus de place dans les architectures des architectures d'entreprise. Donc on va faire le le focus sur quelques nouveautés. Il y a eu énormément de nouveautés qui ont été annoncées sur la brique temps réel. On va faire le focus sur trois grandes nouveautés. Alors, la première, c'est euh l'enrichissement des connecteurs. Euh quand on parle de temps réel, on pense souvent à des plateformes type euh Solas, type Confluent euh avec qui nous avons de très bons partenariats pour se connecter justement de notre plateforme Trael à leur plateforme Trael. Mais de plus en plus, on est en train d'enrichir notre propre plateforme euh Torel avec un euh énormément de de connecteurs. Donc je vais pas tous les citer. Euh vous avez la liste à l'écran et on a annoncé pas mal de connecteurs même pour des produits tels que Say Force, Snowflex, Service No où on va pouvoir aller capturer des transactions et capturer des événements pour les injecter directement dans notre dans notre plateforme. Le deuxième la deuxième annonce qui pour moi est assez majeure aussi, c'est ce qu'on appelle le custom stream connector. Ça peut paraître un peu barbare mais c'est cette capacité que vous allez avoir si le connecteur n'existe pas dans la bibliothèque fabrique de créer votre propre connecteur sur un standard qui est Kafka Connect. Donc c'est un standard qui est assez euh partagé par euh plusieurs éditeurs et vous allez pouvoir euh coder, paramétrer votre propre connecteur et l'uploader directement dans les interfaces euh fabriques et à partir de là l'utiliser en source d'un event stream au même titre qu'un connecteur qui est managé par euh par euh par Microsoft. La troisième information qu'on voulait vraiment mettre en avant, c'est ce qu'on appelle les business events. Les business events, ça a été annoncé justement à la à la Fabc. Donc c'est en public prévu aujourd'hui. Ça va vous permettre de transformer un ensemble de signaux très techniques, des transaction euh des événements qui arrivent sur des event up, sur des upafk ou autres en des événements métiers. Par exemple, vous pouvez dire, j'ai tout un tas d'événements qui se sont fait dans mes dans mes systèmes en amont, peut-être dans plusieurs systèmes, un système SAP, un système S force et autres qui représentent, je sais pas, l'édition d'une facture. Et donc, vous allez pouvoir corréler tous ces événements entre eux et vous dire bah si ce schéma est respecté, alors la sortie de de mon event stream est aussi un business event de type la facture a été émise. Et à partir du moment où on a cet artefact qui a été créé, donc c'est un vrai objet au sens fabrique, on va pouvoir y associer des alertes par exemple via notre service d'activateor ou autrees pour déclencher des choses, déclencher des mails, déclencher des publications Teams, déclencher des notebooks ou euh ou autres ou autres événements dans la plateforme. Donc voilà. Donc c'est vraiment cette transition entre des éléments qui sont très techniques en amont et on va les transformer en ces fameux business. Euh on on va s'arrêter là sur le temps réel en en tant que tel. Vous avez énormément d'annonces qui ont été faites. On va s'intéresser maintenant à toute la la l'ensemble IQ. Donc donc l'ensemble de connaissances, on va dire fabric IQ comme l'ensemble des connaissances qu'on a dans la plateforme fabrique. Vous connaissez, vous savez que le l'ADN de fabrique c'est d'un même plateforme. Ça c'est vrai. Donc on essaie justement de de connecter cette plateforme sous la forme d'un data hub dans l'entreprise. Donc on essaie de la connecter nativement ou en dupliquant la donnée dans fabrique ou en elle a très bien dit Romain ou en faisant des de la virtualisation donnée via des shortcuts sur des choses qui restent dans le du client. Et à partir du moment où on a connecté cette plateforme au d'entreprise, on va aller raisonner à l'intérieur de cette plateforme sur des projets de de données qui peuvent être du mèche, qui peuvent être du médaillon, qui peuvent être plein de choses. C'est pas parce qu'on a fait un data hub en centrale que derrière on est obligé de se limiter à ce à ce à ce dat. Donc ça c'est très bien, mais comment est-ce qu'on va un peu plus loin en disant bah maintenant que cette plateforme est connectée, comment on met à la disposition facilement les données qu'il y a à l'intérieur à nos métiers ? Et c'est là où tout fabrique IQ, on l'appelle comme ça la les bases de connaissance au sens large fabriquent ont beaucoup de valeur. Donc vous voyez, ça englobe un certain nombre de d'artefacts propres à la plateforme fabrique. On va retrouver les les modèles sémantiques, on va retrouver les digital twin, donc ces jumeaux numériques dans les de de de potentiel système qui vont avoir leur jumeaux numérique directement dans la plateforme. cette notion de graphe où on est tout n'est pas table ou vu mais on va aussi avoir des relations sur la forme de de graphe les les cartes les dates agents les operational agent on va voir tout ça juste après mais aussi l'ontologie l'ontologie ça va être cette cette notion de domaine de connaissance que vous allez mettre à disposition d'agent ou directement de métiers pour parcourir plus facilement les informations que vous allez dans l'entreprise. [grognement] Donc c'est quoi cette ontologie ? Globalement dans votre entreprise, vous avez avoir un certain nombre d'entités. C'est très propre à beaucoup d'entreprises. C'est pour ça qu'on narrive pas avec un un un concept très défini de l'ontologie, mais vous allez pouvoir l'adapter à votre modèle d'entreprise. Un certain nombre d'entités, certains vont s'y retrouver des produits, des distributeurs, des clients, des inventaires et autres. Ces produits sont des entités et ils vont être liés entre eux par tout simplement des de relations. Donc c'est cette modélisation qui va vous permettre d'avoir cette ce modèle d'ontologie en reliant les entités euh entre elles via des relations. Bien évidemment, toutes ces entités vont aussi porter un certain nombre de propriétés, porter un certain nombre d'attributs qui vont permettre de définir les entités, mais auxquelles aussi vous allez rattacher un certain nombre d'actions qui sont propres à vos entités. par exemple ici le le transform tout ça pourquoi pour résoudre et participer à un certain un certain nombre d'objectifs métiers que vous allez fixer. C'est là où de plus en plus on dit que les sociétés doivent devenir data centrique parce qu'on va apporter la donnée jusqu'au métier pour leur permettre ou de cette donnée d'en faire un produit d'entreprise à part entière et là l'ontologie peut avoir beaucoup de sens en cette notion ou ce produit peut aussi rendre un de vos produits historiques d'entreprise très premium parce qu'on va rajouter de la donnée, on va rajouter de la valeur à ce produit à ce produit historique. Voilà, ça ça participe à tout cette à toute cette notion. Donc la première chose qu'on a annoncé, c'est la général availability, donc la possibilité d'utiliser en production toute cette notion de graphe. D'accord ? Donc tous les graphes, le nouveau moteur de graphe que l'on a de de fabrique peut aller en production. Donc c'est un moteur qui est très puissant, qui est issu de l'engineering LinkedIn euh avec qui on a travaillé pour intégrer ce moteur directement dans la fabrique. Donc ça c'est en production euh aujourd'hui. Au-dessus du graphe, vous allez avoir l'ontologie qui elle euh reste en public preview et on va avoir d'autres annonces qui vont être faites dans les dans les dans les mois qui viennent. La deuxième général avability, c'est toute la partie cartographie. Donc ça c'est plutôt sympa. On va ramener cette notion de cartographie très poussée maintenant en tant qu'un artefact propre. Donc vous êtes pas obligé de dépendre par exemple d'un type de graphique dans Power BI ou autre. Vous allez pouvoir créer un artefact de type carte qui va vous permettre de d'empiler les les couches directement dans cette cartographie pour représenter différentes informations qu'elles proviennent de plusieurs sources plutôt d'un d'un LOS directement d'un du du W Lake ou potentiellement d'une base qui va être très orientée Time Series sur un event OS ou autre. Donc vous allez pouvoir faire des représentations assez poussées sur cette notion de de cartographie. Euh la partie la plus euh émergente, on va dire et de de cette de ce fabric IQ est tout ce qui est euh sur la notion d'agent. Donc vous avez deux grands types d'agents euh dans Fabrique aujourd'hui, les data agents et les operation agents. Donc une des énormes nouveautés de la FAPCON, c'est que nos dates à agents aujourd'hui sont euh général availability, donc utilisable en production. C'était très attendu par euh par nos clients. Qu'est-ce que c'est un data agent ? est un agent conversationnel que vous allez pouvoir créer au-dessus de vos données. Donc vous allez pouvoir lui rattacher un certain nombre de sources de données que ce soit des Lakos, des eventos, des warehous, de l'ontologie, un un grand nombre de de sources de données. Vous allez pouvoir le verticaliser avec un certain nombre d'instructions. Donc ce data agent par exemple est spécialisé dans les relations marketing, les relations de vente et autres. Et en plus, vous allez pouvoir euh détailler au sein même d'un dat agent euh quelle sous-partie des données et euh est directement utilisable depuis cette source ou depuis cette source. Donc c'est très très puissant. Donc ça c'était très attendu. Les data agents euh les data agents c'est une conversation de l'utilisateur vers l'agent et à contrario, on a créé les operation agents qui eux restent en public preview pour l'instant euh qui sont une conversation de l'agent vers l'utilisateur. Donc c'est un agent qui va monitorer vos données, qui va suivant des règles que vous avez créé et paramétré va monitorer les données et au déclenchement de ces règles va avoir une interaction avec vous. L'interaction peut être par exemple sur euh un canal Teams, vous allez recevoir un message parce que justement les règles ont été euh euh bah ont été validées et du coup un message vous a été envoyé pour vous alerter de quelque chose et à partir de là vous allez ou réagir avec l'agent ou peut-être déclencher des outils liés à l'agent pour corriger des choses ou faire des des des interventions. Donc très intéressant mais c'est plutôt une une relation l'agent vers vers l'utilisable. Alors on va passer par sur un concept un petit peu un petit peu différent et c'est et et là où on nous attendait pas beaucoup dans dans Microsoft Fabric, c'est pourquoi pas votre capacité de créer votre propre ce qu'on appelle workload mais on va aller un peu plus loin votre propre application directement dans Microsoft Fabric. Aujourd'hui, quand vous créez un un rapport Power BI, un warehouse, un Lake House, ce genre de choses, ce sont des workload Microsoft. Donc on a des euh on a annoncé euh et pareil en général availability. Donc pour moi, ça reste la plus grosse annonce qu'on a fait euh à la FPCON, c'est euh la possibilité d'aller en production avec vos propres applications, vos propres workload à l'intérieur de fabrique. Donc ça s'appelle le Fabric Extensibility Tool Kit. Donc tout est dans le nom. Euh vous allez pouvoir étendre les capacités de la plateforme fabrique avec votre vos propres applications, vos propre création. Euh on a énormément de partenaires qui sont de type ISV qui sont en train de euh réfléchir ou en ou en train de développer ou certains ont déjà développé leur workload et vous pouvez en bénéficier dans la plateforme fabrique ont développé des solutions que vous pouvez directement provisionner. Donc je sais pas, on peut citer ici bah le fameux Lumel dont parlait Émilie tout à l'heure. C'est un work fabrique qui a été fait par l'UMEL et qui va justement permettre d'étendre les capacités. Donc voyez, on a cette notion un petit peu de marketplace. D'ailleurs euh si vous voulez que votre workload que vous avez créé euh soit rendu public et et utilisable par plusieurs clients, vous allez le publier sur la marketplace sur une euh solution SAS et il va pouvoir après être euh redescendu dans les différentes tenant clients qui ont envie de consommer votre workload. Euh je tiens à dire que ce workload n'a pas forcément valéité à être public. Vous pouvez avoir un workload qui peut être partagé par beaucoup de clients, mais vous pouvez avoir un workload qui est votre application d'entreprise, votre déclinaison d'une application dans l'entreprise que vous allez publier dans euh dans Fabrique et qui reste privé à votre tenant. Et donc c'est là où ça devient intéressant. Vous avez une application, vous pouvez avoir dans différents worksplace, vous faites new item et vous redescendez votre application dans les différents workplace. Donc ça devient très très puissant. Alors, on a fait une petite démonstration euh comme le disait Romain au début, on vous a voilà, on a accès à ces à ces outils, on a créé des choses. Euh on connaît beaucoup les démonstrations Microsoft sur les taxis new yorkaais. On connaît maintenant avec les E Tour approche de e-commerce avec le avec la démonstration Zava. Euh nous on a fait une démonstration qui est un petit peu particulière qui est une le monitoring une flotte de mongolfière dans le centre de la France au-dessus des des châteaux de la Loire. Donc on a fait toute une vidéo et je vous propose justement de d'expliquer cette cette démonstration. Donc tout part de ce fameux concept de workload. Donc dans Microsoft Fabric, on a voyez si on clique sur l'onglet workload, vous avez tous les workload partenaires. Et là, on a été créé un workload qui s'appelle Skynifit Manager. Vous allez pouvoir décrire ce workload. Donc ça va nous faire des beaux dashboards. Vous allez voir, on peut faire voir un petit peu des une description, vous pouvez mettre des images, vous pouvez mettre le lien guit sur sur World Workload et cetera. La première chose que l'on a fait, c'est on a été simulé une télémétrie de mongolfière euh avec tous les artefacts de la de la mongolfière avec le niveau de propane, l'altitude, la télémétrie sur le vent et autres avec une petite une petite application assez sympathique sur laquelle on peut même déclencher des alarmes. Par exemple, on a une alerte sur un niveau de proprielfère et derrière on va récupérer toutes ces informations dans fabrique. Tout ça est streamé dans fabrique. Et par exemple, on peut déclencher directement avec l'activateor des alertes parce qu'on a reçu une télémétrie sur par exemple un niveau de propane trop faible. On va derrière stocker toutes ces informations directement dans une base euh très orientée Time Series, un event house qui va nous stocker bah toute la télémétrie qui est qui est remontée. On a été même jusqu'à créer une ontologie donc un système de vision des des différents domaines. Al bien sûr, on va aller matérialiser les ballons, les pilotes, les mongossières, les pilotes, les vols, les sites, les zones de restriction de vol et cetera et derrière ça va nous générer un graphe complet avec les différentes entités et les relations entre entités et les attributs qui sont portés par ces entités. Donc ça c'est intéressant parce que derrière on va pouvoir aller analyser toutes ces entités directement dans notre dans notre workload. Et donc vous vous retrouvez dans votre workload qui a été créé. Vous voyez, c'est très très customisé. On n pas l'impression d'être dans fabrique. Si vous enlevez le menu à gauche, on a absolument pas l'impression d'être dans fabrique. Vous avez en réel et vous voyez avancer les différentes mongolfières sur la carte au-dessus des différents chirquez sur les mongolfières, vous zoomez dessus. Vous avez l'historique des des vols, vous avez les différentes alertes, vous avez toute la notion de télémétrie qui est remontée. Mais [grognement] ce que l'on a fait, on a été aussi encapsulé un agent directement à l'intérieur du workload dans Microsoft Fabrique. Et la particularité de cet agent, c'est qu'il est baqué par Microsoft Foundry avec un modèle GPT à qui on a donné l'accès à un certain nombre de serveurs MCP, par exemple les la météo, les vents et cetera. Et vous pouvez directement par exemple là dire euh à l'agent donne-moi un statut de ma flip de de mongolfire et il va aller chercher la témétrie et vous donner un statut de la flongolfire. Vous pouvez lui dire aussi quel mongolfire est en danger ou qui a été quel mongolfière est soumis à des vents très forts. Et donc là, il va aller activer les serveurs MCP et retourner en plus de la télémétrie les différentes informations. On a été aussi jusqu'à lui donner l'ontologie en source de cet agent. Donc il n'a pas juste accès à la télémétrie mais à toute l'ontologie. Vous voyez ici les ballons, les vols, vous pouvez naviguer entre ces euh différentes entités mais vous voyez du coup tous les attributs qui peuvent être requiétés par euh l'agent directement dans le dans workload. Donc tout ceci pour dire que euh ce workload amène l'information euh directement au business dans une application qui lui est propre et qui lui est très métié. Ici, vous avez affaire à quelqu'un qui gère les opérations sur une sur une sur une flit. Et vous voyez qu'on déborde complètement de cette juste notion de plateforme fabrique avec en embarquer toute cette notion de métier directement dans Microsoft Abonne. Donc on a rendu public ce repository. Donc vous avez la la l'adresse ici AK.s Skynav. Vous pouvez complètement vous projeter dans ces dans ces workload. vous pouvez complètement recréer cette démo de votre côté en installant les différents les différents artefacts. Si vous ne voulez pas aller aussi loin que la démonstration Skynav, il existe aussi une adresse pour le Extensibility Starter Kit qui va vous permettre de faire une sorte de hello world sur les workload, donc de publier publier d'en fabrique un Hello World sous la forme d'un d'un workload. et ils ont fait les choses euh ils ont commencé à faire les choses vraiment enfin c'est c'est très bien fait maintenant parce qu'ils ont publié justement à la Fapcon une skills qui va vous permettre si vous avez un GUP copilote ou autre directement en langage naturel de commencer les développements et en vibe codant en allant directement à l'essentiel et en commençant à publier des choses. Bien évidemment c'est pas production ready. C'est pour ça que Skynave que vous avez vu tout à l'heure est très production ready. vous allez avoir toutes les étapes pour rentrer en production votre workload. Mais voilà, je trouve que cette extension de la plateforme fabrique vers les applications est vraiment une avancée majeure que l'on a aujourd'hui sur sur la plateforme. Super, merci beaucoup. Vous l'aurez peut-être compris hein, on a rédigé le livre The Definitive Guide to Microsoft Fabrique ensemble avec Fred Christopher qui devait être sur scène aussi lors de le Fabric Show et aussi Jean-Pierre Riel. On a écrit un livre. Donc on a essayé lors de cette présentation des nouveautés de la Fabcon ben de coller à peu près à nos chapitres parce qu'on imagine aussi mettre à jour notre livre et donc se tenir toujours au courant des nouveautés. N'hésitez pas à profiter puisqu'on a demandé à notre éditeur Pact d'avoir un discountte pendant cette période à utiliser le discount qui offre je crois 10 à 15 € de réduction sur livre ce jusqu'au 5 avril. Donc voilà, encore une fois n'hésitez pas à en profiter. Merci à vous deux. Merci à vous d'avoir suivi cet épisode de Fardata. Si vous avez des questions, n'hésitez pas à les mettre en commentaire et on vous dit à très vite pour un nouvel épisode. Merci, à bientôt. Merci. Merci, à bientôt. --- ## De Tableau à Power BI : Migrer autrement avec le #VibeCoding URL: https://www.pharedata.fr/videos/de-tableau-a-power-bi-migrer-autrement-avec-le-vibecoding Publié: 2026-03-30 Durée: 32:42 Sujet: power-bi Mots-clés: power-bi, tableau, vibe-coding, migration-analytics, github-copilot, python, microsoft-fabric, data-engineering ### Résumé La migration de Tableau vers Power BI peut être accélérée grâce au Vibe Coding, une approche basée sur des agents et l'IA, notamment via GitHub Copilot. La méthode permet de générer automatiquement du code, de corriger les erreurs et d'optimiser les modèles. La solution Python présentée migre rapports, données et visuels, couvrant jusqu'à 90 % du travail, tout en nécessitant une supervision experte pour garantir la qualité. ### Points clés - Le Vibe Coding permet d'automatiser la migration de Tableau vers Power BI grâce à des agents IA. (2:31) - La solution Python open source migre rapports, visuels et données, générant jusqu'à 90 % du travail. (14:04) - La méthode propose trois niveaux : YOLO (prototype rapide), Structured (multi-agent), Spec-Driven (plan détaillé). (3:32) - GitHub Copilot est utilisé pour générer et corriger le code, même à partir de messages d'erreur ou de screenshots. (22:46) - La migration peut être réalisée en batch ou en unitaire, avec un rapport d'assessment pour contrôler les résultats. (25:40) - La supervision experte reste indispensable pour valider les mappings et optimiser les performances. (30:37) - L'approche est adaptable à d'autres outils analytics comme Qlik, MicroStrategy ou Informatica. (28:02) ### Questions fréquentes **Comment accélérer la migration de Tableau vers Power BI avec le Vibe Coding ?** Le Vibe Coding utilise des agents IA, comme GitHub Copilot, pour générer automatiquement du code de migration, corriger les erreurs et optimiser les modèles. Cette approche réduit le temps de développement et permet de migrer rapports, visuels et données plus rapidement. **Quels sont les niveaux de structuration du Vibe Coding pour une migration analytics ?** Trois niveaux sont proposés : YOLO pour un prototype rapide, Structured avec des agents spécialisés par tâche, et Spec-Driven où un plan détaillé est défini avant le développement. Le choix dépend du contexte et du besoin de contrôle sur le projet. **Peut-on migrer plusieurs rapports Tableau en batch vers Power BI ?** Oui, la solution Python permet de migrer plusieurs rapports en batch. Plus il y a d'exemples de rapports, plus l'outil devient performant, car il apprend à gérer des cas variés et optimise la migration pour chaque rapport. **Quels langages et outils sont utilisés pour la migration automatisée ?** La migration s'appuie principalement sur Python, qui offre des bibliothèques pour accéder aux APIs de Power BI. GitHub Copilot est utilisé dans Visual Studio Code pour générer et corriger le code, facilitant l'automatisation et l'évolution de la solution. **Comment gérer les erreurs lors de la migration de rapports ?** Les erreurs sont corrigées en envoyant les messages d'erreur ou des screenshots à l'agent IA, qui analyse, corrige le code et effectue des tests de non-régression. Cette boucle permet d'améliorer continuellement l'outil sans intervention manuelle sur le code. **La solution nécessite-t-elle une expertise sur Tableau et Power BI ?** Une connaissance approfondie des fonctionnalités source et cible est recommandée pour superviser la migration, valider les mappings et optimiser les performances. L'IA peut couvrir une partie du travail, mais la supervision humaine reste essentielle. **Peut-on adapter la méthode à d'autres outils analytics que Tableau ?** Oui, la méthode et la solution Python sont adaptables à d'autres outils comme Qlik, MicroStrategy, Informatica ou SSIS. Le principe reste le même : définir un plan de migration, utiliser des agents IA et superviser le processus. **Quels sont les principaux gains et limites de la migration automatisée ?** La migration automatisée permet de couvrir jusqu'à 90 % du travail, avec un gain de temps important. Les limites concernent les visuels customisés et certains cas particuliers, qui nécessitent des ajustements manuels et une supervision experte. ### Chapitres - — Phare Data - 2:29 — Vibe Coding ? - 9:02 — Demo - 28:01 — Conclusion ### Transcript [musique] [musique] Ouais, bonjour et bienvenue sur Fardata, la chaîne qui éclaire vos données. Dans l'océan des données, voir clair change tout. Sur Fardata. On décrypte les services de données d'Analytics et d'IA. Le tout avec un ton accessible, des choix techniques assumés et une touche dermarin. Que vous soyez architecte, analyse, dat engénieur, product honur ou simplement curieux, Fardata vous accompagne pour comprendre les enjeux réels, éclairer les compromis et prendre de meilleures décisions et parfois avec le cri des mouettes en bruit de fond. Si ce genre de continu vous parle, n'hésitez pas à vous abonner. Cap sur épisode du jour. Aujourd'hui, j'ai le plaisir d'être accompagné par Pierre et Marc pour évoquer le vibe coding en prenant comme exemple un besoin récurrent chez nos clients qui est celui de migrer des tableaux tableau vers fabrique. Marc, tu peux nous rappeler d'abord ton rôle et si tu as eu déjà des clients qui ont eu ce besoin ? Bien sûr. Bon, bonjour à tous. Donc moi, Marc, je suis Solution engineer du coup sur la partie data et euh effectivement aujourd'hui, on a beaucoup de clients euh qui sont intéressés par passer de de tableau ou bien même d'autres technologies. On parle au tableau au point de vue reporting, mais on on a on a beaucoup de de clients qui sont intéressés de manière générale de passer sur fabrique. Là en l'occurrence sur Power BI. Alors, ils sont euh les fonctionnalités, tout leur plaît, mais euh quid de la migration parce que euh aujourd'hui euh l'effort de migration pour passer d'un tableau à PowerBay, la philosophie est différente. Donc ce qui fait que on va devoir recoder l'ensemble et parfois euh projet en terme de de d'implémentation peut prendre du temps. Et donc, j'ai eu beaucoup de clients qui ont été, on va dire, stoppés par ce par ce par ce par ce par ce biais là. Et donc c'est pour ça que Pierre a mis en place un projet. Pierre, je te laisse te présenter. Oui. Donc je suis aussi engurer côté Microsoft he surtout de la stack data et j'ai eu le même souci que Marc. J'ai beaucoup de clients qui souhaitent migrer de tableau vers Power BI et actuellement faut être honnête il y a assez peu d'outils sur le marché qui le font avec des bonnes performances et ça veut dire qu'il nous faut des projets de 1 ou 2 ans. Et du coup de est venu l'idée de se dire bah est-ce qu'on peut accélérer cette migration ? Est-ce que le V coding peut nous permettre de créer des outils qui vont migrer dynamiquement du tableau vers PowerB ou même d'autres outils ? Une question bête Pierre, c'est quoi finalement le Vibe coding ? Ah, c'est une très bonne question marque. Le vibe coding c'est assez simple, c'est juste un agent, vous connaissez tous la Gennyi on pose des questions sur vos données, des fichiers et cetera. Bah là, en fait, le but c'est qu'on a un stand qui va nous aider à développer. Donc ça être assez simple. On peut utiliser par exemple Gitup Copilote donc dans Visual Studio qui vous permet de faire ce type d'élément. Donc on va juste poser des questions et selon vos questions, ben l'outil va générer du code répondant à votre question. Donc c'est pas pour ça qu'en fait on a pu réaliser cet outil de tableau ver Power BI uniquement au V coding. On a créé aucune ligne de code même la documentation a été générée par le VAC coding et par l'agent et c'est fini. Mais ce qui est important c'est que vous allez voir c'est de plus en plus le VAC coding et va s'industrialiser. Au début on pouvait faire du VAC codingement pour créer un petit outil de migration ou juste un code tout simplement d'une cinquantaine centaines de lignes. Maintenant avec les nouveaux modèles, on peut quasiment créer les projets endions et des millions de lignes de codes à disposition. Vous allez voir sur sur notre projet tableau verb, on a 80 lignes 80000 lignes de code généré par l'outil. Donc on a quand même une bonne performance associée, la bonne sécurité et cetera. Mais il y a plusieurs méthodes de webcoding. Le premier par là où on commence la partie yolo. On connaît tous le yolo dans dans le jeu vidéo. C'est vraiment de se dire on y va à l'arrache, on pose des questions, on a un résultat très rapide. Le point c'est qu' va peut-être répondre à 20 % des besoins et cetera, mais au moins on a un prototype. Donc c'est très intéressant pour montrer un client que ça peut fonctionner avec le valoding. On fait un po rapide, on voit comment il est. OK. Au moins en 1 heure. En 1 heure on peut avoir un truc qui fonctionne, on peut le démontrer et après on va plus loin. Mais ça va beaucoup plus vite que juste déjà commencer à créer une infrastructure, autre chose. Là, on a un truc qui peut fonctionner dans certains cas. Voilà, on coupe peut-être 10 % du besoin mais au moins c'est utilisable. Ensuite, on aller sur la partie structurée qui est de se dire bah en fait, on va commencer déjà à passer en mode multiagent. Donc chaque agent va avoir une fonctionnalité spécifique. Un qui va définir le plan de migration, un qui va définir comment migrer, qui va faire un assessment, un qui va faire les tests, un qui va faire les déploiements et cetera. Là où c'est intéressant, c'est chacun a une tâche et chacun va avoir vraiment un ordre dans ce qu'on veut demander. Et ensuite, on va vraiment aller sur la partie SP driven dans le sens que on va pas commencer à coller. On va juste passer peut-être par exemple une journée, 1 heure ou 2h à définir le plan du projet en tant que tel. Donc c'est pour ça on va pouvoir faire un suivi dessus et chaque agent va avoir déjà une liste de tâches à faire dans le futur. C'est vraiment comme un planning projet tout simplement. Chacun on va avoir des phases et pour chaque phase, on vair des inputs, des outputs. Et par rapport à ça, en fait, on va pouvoir suivre toute la vie du projet. À chaque tâche, on a la mise à jour de ce qui s'est passé. On sait quels sont les futures étapes de migration ou de développement et on sait où on est toujours par rapport à notre achement. Encore une fois, le but c'est de se dire est-ce que on arrive à atteindre notre finalité ? Et à chaque fois, c'est pour ça qu'on parle toujours de gap analysis qui est de se dire bah oui, entre toutes mes étapes, où est-ce que j'en suis par rapport à ce qui était prévu, il a développé et ce qui reste à faire un projet end toend. Vas-y Marc. Une question qu'on se pose tous, c'est est-ce que c'est accessible à tout le monde ? Parce que finalement là, on a sur un sujet spécifique qui est de tableau vers Power BI. Alors, on sait que tableau en terme de philosophie par rapport à un Power BI, c'est forcément pas la même chose. Est-ce que ça te demande finalement de connaître l'outil source ou l'outil cible pour pouvoir le faire ? Ah oui, en fait c'est une très bonne question. La partie yolo, tout le monde peut le faire. Voilà, parce qu'on veut migrer, il va vous migrer quelque chose. Le point, c'est qu'il va pas migrer tous les objets parce qu'il y a pas détecté tous les types d'objets à migrer et cetera. Là où effectivement, tu as raison, il faut connaître les outils, il faut connaître ce qu'on a en entrée et ce qu'on a en en cible en fait. Donc, il faut connaître les fonctionnalités de tableau à disposition et comment pourrait être la cible côté pouvoir bi donc on peut l'aider. Lui, il va ce que tu vas faire dans le modèle spec où tu vas lui définir des spécificités de du produit initial. OK. Le but c'est c'est de comprendre en fait ce que lui il il a compris de cette migration. Peut- était très simple, il juste pas était sur la partie reporting uniquement mais tableau et pour ce n'est pas ça. Il y a une partie intégration, il y a une partie modèle, il y a même des dashboards, il y a même des abonnements et cetera en fait. Donc il peut juste se limiter la partie visuelle mais nous on va aller beaucoup plus loin. Donc le yolo, on aura juste le visuel, ça va fonctionner. Par contre on aura tout, on a'ura pas le backend, on aura on a'ura pas le déploiement et cetera. ça que l'pect est importante et surtout connaître les inputs et les outputs. Comme ça, on peut toujours contrôler ce que lui il a généré. Voilà. Alors, moi je suis assez curieux du langage que tu vas utiliser pour migrer puisque finalement si je fais euh du value coding sur Power BI, ben je vais utiliser le le DAX ou en tout cas les les langages qui sont directement dans Power BI. Là, comment tu te dis bah je vais utiliser tel ou tel langage qui va être mon outil de migration ? Alors, par défaut, il prend toujours le Python pour Gen du code de migration en tant que tel et par rapport à PowerB. Pourquoi ? parce qu'on a pas mal de bibliothèques ou librairies qui sont en Python qui permet d'accéder aux APIA ou MCP serveur côté fabrique. Donc dans ce cas-là, il a fait le choix de par exemple pour ce projet-là d'utiliser du Python. J'ai d'autres projets où il est passé en C++ parce que c'était par rapport à des backend et cetera mais par défaut c'est du Python. Et là dans notre cas en fait il a généré des PowerBill project en TMDL, en Gison et cetera. Ça qui est intéressant c'est comme ça on a l'information de tout ce qui était émigré. On a les objets unitaires, on a le rapport pour objet de projet qui est migré et aussi on peut aller plus loin notamment avec les livrairies de Python et cetera pour déployer directement ce proine. En fait, ça veut dire que là, tu vas utiliser, tu vas aussi te servir de certains MCP euh pour t'aider euh sur la target, c'est-à-dire qu'aujourd'hui, il va se connecter à un modèle PowerB pour faire toute la migration de tableau vers Power BI où c'est vraiment from Scratch qui va aller tout seul euh se dire bah voilà, je sais comment fonctionne le projet Power BI et j'ai pas besoin de d'installer des plugins avec des MCP supplémentaires. Alors, on peut lui demander en fait de base, moi comme c'était pour un client particulier, je lui demandé de jamais se connecter sur des MCP. Voilà, tu es juste connecté au MCP pour lui était ouvert en offline. Le but c'est après de pouvoir faire des migrations offline. Donc en fait, il y a il y a le choix. En fait, lui, il va poser la question est-ce que je fais tel ou tel MCP ou est-ce qu'on autorise tel ou tel MCP ? Moi, j'ai juste dit on garde le MCP fabrique parce que ça va nous aider pour la partie déploiement. Tout le reste, on interdit. Voilà. Donc dans ce cas-là, en fait, soit on peut tu sais par des modèles locals, soit dans ce cas-là, on lui demande souvent d'aller chercher toute la doc. En fait, moi il y a des moments, il a été recherché la doc euh chez nous, des exemples sur GitHub, pour voir comment on peut migrer et cetera. Alors, justement, tu as parlé de modèle, tu as parlé de modèle. Aujourd'hui, quel LLM tu utilises ? Parce que on sait que il y en a beaucoup. Est-ce que toi tu as des préférences là-dessus ? Alors, actuellement, soyons nés, depuis 2 mois, euh je v que pour Cloud Plus 4.6, il est assez nouveau et surtout comme il a un gros contexte, on peut vraiment créer des applications. Al comme je disais avant, il y a un an, on pouvait juste créer des je peut-être un fichier de code et c fonctionnait bien, mais on était vraiment limité sur une fonctionnalité. Maintenant, on peut créer un projet de N to avec ce type de modèle. Super intéressant, Pierre. Et du coup, bah comment on fait tout ça ? Parce que il y a on a parlé de LLM, on a parlé de Python et cetera. Comment quel utilité tu les utilises pour faire tout ça ? Et ben le plus simple c'est de vous le montrer en direct hein de toute façon donc comme je je l'avais présenté on va utiliser principalement Gitup Copilot donc là ici c'est tout mon projet de migration qui est à disposition que vous voyez et ici c'est ici mon agent voilà ici je poser mes question là je suis sur Visual [raclement de gorge] Code je poser mes questions et il va se mettre à jour donc selon mes question bah je vais savoir qu'est-ce que j'ai en cours de développement qu'est-ce qui a été développé mes limites et cetera ça que vous allez voir j'ai beaucoup de fichiers on va pas être trop dans les détail mais le but c'est vraiment de se dire bah oui j'ai même un plan de déploiement de développement qui est à disposition. Et dans tous les cas, moi je vais savoir à un instant donné où j'en suis dans mon plan de développement, quels sont les features qui ont été implémentés ou non et cetera. Et ensuite, il y a plus qu'à tester. Voilà, à la fin, il va juste générer du code Python euh qu'on va pouvoir exécuter tel qu'elle sur la machine. Donc euh là, ce qui est important, c'est qu'on a plusieurs exemples à disposition. Donc là le GitHub il est il est il est à disposition mais on va pouvoir migrer soit des rapports unitaires, soit euh en boucle plusieurs rapports. So on peut même se connecter sur un tableau serveur, récupérer métadonnées et migrer. Donc là on va faire un cas simple, c'est qu'on a deux rapports tableau. Donc ces rapports sont publics, il est aussi été les récupérés directement sur GitHub en tant que tel. Donc un sur la partie NBA quand on le voit, il est assez sexy celui-là. Donc on verra après quel pourra être le rendu que va générer l'outil de migration. Et un second qui est sur la partie superstore. Voilà donc on a deux rapports à disposition. Les deux sont disponibles dans un dossier en tant que tel. Donc les deux, ils sont sur un de mes dossiers qui sont ici. Donc ces deux rapports, ils sont là. Et ce qui est important sur migration, vous allez voir, c'est qu'il y a pas mal d'options. On va faire l'option assez simple qui est de se dire "Bah, je vais le migrer en tant que tel." Donc là, c'est juste un migrate. Pille, j'ai des options. Est-ce que je fais en batch et cetera et quel est mon dossier de sortie ? Donc, je vais l'exécuter. Donc là, vous allez voir prendre là, il faut il faut qu'on aille sur ton git faire un clone de tout ton projet. Ouis, on fait un clone et vous pouvez l'utiliser. Voilà. On peut directement le exécuter le point. Il y a pas de librairie installé, c'est important. Encore une fois, faut juste avoir une version de Python 3.12 et ensuite vous pouvez l'exécuter. Là, j'ai exécuté, il a pris 2 secondes pour migrer de rapport. Donc là, je vais avoir à disposition mon outil de migration. Donc j'ai aussi à on met à disposition un rapport de migration pour entre guillemets savoir bah quel est le contenu de tous les workbooks qui ont été immigrés côté tableau. Donc les contenus, ça peut être le nombre de tables, les colonnes, les mesures, les visuels et cetera. la part qui si on a un peu plus de complexité et ce qui est important ça vous permet aussi de vous de contrôler donc par exemple ici je suis sur à la la vue qui est un peu la partie DAX donc je sais les formules sources et je sais comment il a converti en DAX même si à la fin j'ai rapport utilisable mais au moins vous avez le suivi et s'il a besoin de contrôler vous l'avez l'information et c'est pour ça qui est important donc là on a la même chose sur tous les visuels comment il a converti les visuels qu'est-ce qu'il a comme dimension et comme mesure sur chacun des visuels vous avez les informations et ensuite pour chaque rapport il va vous générer le Power BI project, donc la partie rapport, la partie modèle sémantique, la partie power query là c'est juste pour information si on veut l'extraire ou mettre dans un gène 1 ou gène 2, on peut aussi directement le faire. Et le dernier c'est la partie data. Voilà, on crée aussi un dossier data. Pourquoi ? Parce que dans tableau, vous pouvez stocker dans un document tableau directement soit des fichiers Excel, soit des fichiers hyper. Donc en gros, c'est un peu des fichiers compressés, un peu comme des modèles sémantiques. Dans ce cas-là, en fait, il va générer euh un fichier CSV correspondant à l'hyper file et comme ça on pourra le réintégrer directement dans Pouvoir Bill. Donc là, je suis en train d'ouvrir. Ce que je comprends, c'est que tu as deux modes. Soit tu as des connexions directes qui étaient dans le tableau euh vers des des euh backend type bah big query ou n'importe quelle base de données. Donc là, il va aller migrer les connexions tout seul. Et par contre quand le fichier est dans l'hyperfile qui est le format propriétaire de tableau, il va faire des extractions vers un format compréhensible par PowerBI. C'est ça. C'est ça. Et du coup le charger en mode import, ton power query va passer en mode import dans ce cas-là. Voilà. Dans ce cas non, en fait ça dépend des sources. Les sources si eux ils étaient déjà en en normal, il va rester tel quel et sinon il va le changer. Effectivement là c'est vraiment au choix des utilisateurs de ce qu'il va mettre en place. Donc là, il y a pas de c'est vraiment vous qui choisit. Donc une fois qu'on a ouvert le Power BI qui a migré, on a juste à ouvrir le power BI, on met à jour les données. Il a même migré les données. Donc on a plus qu'à faire un refresh du rapport power BI. Là, comme vous voyez, voici ce qu'il a produit. On est assez proche euh de l'équivalent côté tableau. Donc, il a récupéré les images, les noms, les noms des objets et cetera. il a même créé des calculation group parce que comme vous voyez ici, ici on est lié à des calculation group les a recréé et cetera. Là où il y a une petite différence que vous voyez c'est que bon déjà il a repris la mise en forme, on est pas mal. Le point c'est que il a créé il y a un visual custom côté tableau qui n'existe pas côté power bi qui de se dire bah oui c'est comme si j'avais une image de mes joueurs et des éléments. Donc là actuellement elle est juste mis en multicard. Encore une fois les tout est donné ont été immigrés, le rapport a été immigré, la mise en forme a été immigrée. Certains visuels ont toujours un peu de drift par rapport 90 % du job quoi. Il a fait 90 % du job. Maintenant bah vous ajustez. Voilà, ça qui est important juster. Là où c'est plus intéressant, c'est vraiment pour les rapports où il y a assez peu de customisation côté euh tableau qu'on voyez ici celui-ci. Donc vous voyez même les noms euh des visuels 11 étaient un peu customisés en terme de de police. Ils ont été mis en grâce. sur ligne et cetera. Et voici le pendant côté power BI donc qui reprend encore une fois la même chose, la mise en gras a été mis au milieu. On est quasiment identique en terme de visuel. Donc ici en plus il a ajouté les informations custom mais on pourrait les supprimer par rapport au tableau. La seule petite différence étant le slicer ici c'est qu'ici il me l'a mis en mode dropdown alors que côté tableau, il est pas en drop en dropdown mais on a plus qu'à modifier. Et comme vous voyez au final, il a fait allez dans ce ce cas-là peut-être 98 % du boulot. Mise en forme les mêmes typologies de visuel. J'ai juste à changer deux choses côté power. 1 pas ici je suis en pas de temps jour au lieu du pas de temps mois dans tableau. Donc ça j'ai plus qu'à changer le pas de temps. Et ici le format, je change de dropdown à un élément global comme ça je sélectionne et c'est fini. Voyez ? Il a migrer les données, le rapport donc le TMDL, le modèle, les liaisons, les mesures d'axe, les visuel. Maintenant, j'ai plus qu'à publier sur Ouais. Le modèle, il est déjà finalisé. Il y a les bonnes relations, il y a tout, le DAX, il y a les formules s'il y a besoin, tout est fait. voir le modèle de données de que cel il est assez simple voyez cel il est assez simple par que c'est les deux tables qui sont autoliées mais sinon il a il a tout généré le seul point important sur ce type d'outil c'est qu'on a essayé de poser au maximum le fait que les coines calculés dans tableau on peut faire beaucoup de coines calculés là on peut faire la même chose côté power bien mais on sait que c'est moins performant donc en gros on a modifié les colonnes calculées pour les pousser dans le power query pour en fait faire qu'au maximum tout soit près calculé dans le power query le modal est fait vous avez les liaisons et ensuite bah vraiment la partie mesure tiens uniquement pour les calculs voilà plus du tout de col calculé c'est un peu ça la petite différence qu'on a fait en terme d'optimisation donc l'outil fait aussi des optimisations entre tableau et powerbite pour maximiser le fait que tout ce qui est calcul se fait dans la partie power collect là tu nous parl vas-y vas-y vas-y non je t'en prie je t'en prie vas-y tu non parce que après moi je suis curieux de là tu nous parles d'un d'un pyon que tu as créé toi hein et que tu offres gratuitement dans un guitupos aitory. Mais ce que je pense intéresse tout le monde, c'est comment tu as fait ça et combien de temps ça t'a pris. Alors celui-ci ça m'a pris 2 semaines à peu près. Alors c'est pas de semaines à temps plein c'est encore une fois en vibe coding vous posez une question il va peut-être travailler pendant 15 minutes avant d'er un retour. Donc ça qui est intéressant. Moi je peux le faire à longueur de journée, je joue avec et cetera. Donc ça m pris à peu près 2 semaines. En 3 jours, j'avais quelque chose qui était viable donc principalement sur quasiment toutes les fonctionnalités. Et ensuite, j'ajouté pas mal de fonctionnalités additionnelles. En fait, encore une fois, c'est que au début, on a la baseline, on a un tableau vers Power BI. Là où j'étais plus loin, c'est pour la partie visuelle. Voilà, on a ajouté les visuels au fil de l'eau. 1 partie modèle sémantique. En fait, on a aussi une option pour fusionner des modèles sémantiques. Donc, en gros, si on a mis plusieurs rapports tableau, il va aller vérifier le contenu des modèles. Et s'il voit qu'il y a plusieurs tables qui sont identiques à plusieurs modèles, ben il va vous proposer de créer un seul modèle sémantique. Là, il y a aussi de l'optimisation en terme de modèle. Et le dernier qu'on a aussi ajouté, c'est sur le fait que bah on peut déployer sous forme fabrique. Dans ce cas-là, on aura des notebooks, des data pipeline, des data flow, un houseous et un rapport power bi en direct leck. Ah oui, début, on a fait la baseline. Voilà, on a fait la baseline qui était juste tableau vers PowerBi. On a essayé d'ajouter le maximum de visuel, le maximum de requête d'axe au fil de l'eau. Ça qui est important, c'est de le faire évoluer encore une fois. Après, on a ajouté la partie fusion des modèles sémantiques et ensuite on a ajouté la partie bah le fait qu'on peut migrer sur format fabrique pur. Voilà. Et donc ce qui est important c'est que même vous vous pouvez prendre ce ce Python et le faire évoluer chez vous. Comme j'ai soin des clients, c'est ce que j'ai présenté en live à un client. B on l'a exécuté sur un de ses rapports tableaux, il avait une erreur. J'ai fait un screenshot, j'ai mis le screenshot directement ici dans le compte, il a corrigé. 2 minutes après, il a on l'a réexécuté. Le rapport de tableau verbi était fonctionnel. C'est ça aussi la magie du truc, c'est de se dire oui, c'est un outil. Oui, il va peut-être faire 80 % du boulot, mais il peut encore avoir des erreurs. Mais le but, c'est qu'on utilise, on continue à utiliser le V coding pour corriger l'outil par rapport à un contexte client. Moi, je l'ai fait sur une dizaine vingtaine de rapports différents, mais il y a des chances que peut-être vous avez des cas particuliers et le but voilà, c'est qu'on dise on continue à utiliser GP Cop pour corriger et faire évoluer cet outil. C'est dire que le client en question doit du coup télécharger ton RIPO, se mettre sur VS Code et là utiliser Gitup Copilot finalement pour améliorer ou ajouter des feures à l'outil. Ouais. Et pour moi c'est vraent ça la différence du VA coding par rapport à un outil qu'on acheté clé en main ou avant on acheta un outil clé en main. Ça marchait tant mieux ça marchait pas bah tant pis fallait faire la main. Voilà c'est un peu ça le sujet là. Maintenant, ça marche pas en fait, il va se corriger de lui-même en fait pour que ça marche à la fin. C'est ça qui est intéressant et c'est là où le gain de temps est important. C'est un on gagne du temps parce qu'on crée un outil qui existe pas sur le marché en tant que tel assez rapidement. En de tr jours, on a un truc qui fonctionne si on allit plus loin sur partie industrielle, déploiement et cetera parce que là l'outil peut aller directement récupérer dans tableau tout migrer et directement pousser dans online sans geste manuel. Ça il peut le faire. Voilà, c'est c'est une possibilité. Mais après ce qui est important c'est de se dire s'il y a une erreur ben en fait il va se corriger et c'est là où on gagne du temps. Quel est le premier prompt que tu as utilisé pour créer cette solution ? Imagine demain j'ai j'ai une autre solution que je dois migrer vers Power BI. Par quoi je commence ? Moi je demande toujours de défier un plan un plan de migration et de se dire bah quels sont les éléments dont il a besoin pour mirer par exemple de tableau vers pour BI ou de microstratégie vers pour BI. il va vous générer un plan, il faut lire le plan pour bien l'appréhender et c'est là où vous pouvez être critique en fait et c'est là où vos connaissances sont importantes. C'est de se dire "Bah non, peut-être il manque ça, peut-être qu'il manque ça, et cetera." Et une fois qu'on a le plan d'éventement, on lui demande de créer plusieurs agents pour que chacun a des tâches particulières et ensuite on vérifie bah le plan de développement. Donc là, c'est vraiment de se dire bah combien j'ai de tâches qui arrivent, combien j'ai de phases de développement, est-ce que les phases sont liées à notre besoin. Comme ça, on peut se dire "Bah tiens, fais rapidement un prototype qui est fonctionnel peut-être sur 10 % 20 % euh de l'outil et ensuite on améliore." Ça qui est intéressant. Et ensuite on itère. Voilà, il fait la première phase, on peut tester, on vérifie avec lui si c'est OK ou pas. Si c'est pas OK, bah il va continuer itérer sur la phase actuelle et après si c'est OK, bah on passe à la phase suivante et cetera. Et on fait ça que dans une seule interface qui est celle que tu nous montres dans VS qui est celle-ci. Voilà. Et puis en fait, il peut même tout faire. Moi à un moment donné quand j'étais en phase de test, il faisait la migration pour moi. Il faisait des évolutions sur l'outil, il faisait la migration et ensuite il m'ouvrait le rapport pour avop. Donc j'ai même pas besoin d'ouvrir le rapport pour desktop. Il le faisait pour moi et si j'avais un message d'erreur, j'avais juste à faire un copier d'écran, je collais, c'était fini. Il me fermait à nouveau le power bi desktop, il refisait ses corrections et il m'a réouvrit le rapport power bi. Voilà, c'est comme ça que j'ai fonctionné. et ça a été assez vite. Un point important justement, tu dis il t'ouvre il t'ouvre PowerB desktop et cetera. Est-ce que ça c'est quelque chose qu'il faut que tu lui spécifie parce que de enfin c'est ce qui fait peur aussi dans les agences se dire bah il va prendre la main sur ton poste et puis il va commencer à tester des choses et cetera. Est-ce que c'est toi qui lui définit le degré de liberté qu'il va avoir sur sur ton ordinateur finalement pour faire toutes ces ces phases de test ? Oui parce que par défaut en fait il a pas le droit de par exemple d'exécuter du du Power Shaell, d'exécuter des streets et cetera. En fait, c'est vous qui autorisez. Donc vous allez pouvoir dire bah tiens peut-être juste pour cette session en cours. Donc quand j'ouvre mon visual studio, est-ce qu'il a le droit d'accéder à des dossiers ? Est-ce qu' a le droit deer des outils ? Est-ce qu'il peut exécuter strip shell ? Donc ça on a le droit de l'autoriser ou l'interdire. Voilà. Et ensuite c'est juste que moi j'ai créé un module qui s'appelle l'autoplay. Et l'autoplay qu'est-ce que c'est ? Bah en fait il exécute pour moi l'ouverture d'un rapport pour desktop. Mais effectivement faut que je l'ai autorisé au fait qu'il peut se connecter au dossier où il y a power pour B desktop et qui peut exécuter PowerB desktop. Donc vous avez la main sur oui ou non, est-ce qu'il exécute telle ou telle l'activité ? Ben justement, est-ce que tu peux nous montrer un cas d'exemple où tu as eu une erreur et justement qu'est-ce que tu as fait pour améliorer ton ton script ? Oui. Et ben c'est simple. Regardez, j'ai fait exprès d'avoir une erreur dans mon power, je vais l'ouvrir. Ici, j'ai une erreur assez classique des problèmes de TMDL et cetera. Dans ce casl je m'embête pas à copiercoller le code. Je pourrais copiercoller le message un screenshot. Je copie, je copie. Je vais dans mon visio code. Je dis juste error parce qu'on peut pas juste envoyer une image et c'est parti. Et là, vous allez voir, il va commencer à travailler. C'està dire, il va aller lire le message d'erreur, il va essayer de comprendre et ensuite il va essayer de trouver où cette erreur a pu être générée dans le code. Ça qui est important, c'est toujours cette compréhension de se dire bah je vais comprendre le code, je vais comprendre ce que j'ai fait comme élément. Voyez là, il commence à travailler. Voilà, là il voit qu'il y a une erreur dans la partie calendar. Donc il a retrouvé le bon élément et cetera et là il va commencer à analyser tout ce qui se passe. Donc là c'est une partie de description et il a raison ce que je suis en train de faire monter de version pour prendre en charge les description des champs parce que je fais je mets à jour le PowerBi report pour bi le TMDL il a je tes descriptions mais elles sont pas encore disponibles sur cette version de TMDL. Donc là il va commencer à mettre à jour cet élément là donc se dire bah est-ce que je fais une montée de version TMDL de Probl Project en tant que tel ou est-ce que je supprime une description des description. Vous voyez là, il a compris TMDL, il supporte pas les descriptions. Donc là maintenant, ben soit je lui dis bah en fait supprime-moi les descriptions, soit je vais lui demander de créer ou mettre à jour le l'avant monter de version de PowerB project mais de base ce qu'il va faire c'est qu'il va le supprimer je pense. Voilà donc vous voyez là il va corriger le code en tant que tel pour pouvoir réexécuter mon power desktop. Je n'ai rien à faire. Message d'erreur. Il voit où est l'erreur, il vous explique l'erreur en tant que telle et laissez le faire. Voilà. Là, il fait un river parce que je je lui demandé juste avant de d'aller plus loin. Il fait un revers de ce qu'il a fait et maintenant il va me faire les corrections. Ensuite, il peut selon si on demande refaire la migration pour moi. Il va me réouvrir le power bi desktop où je l'ouvre manuellement et je vais pouvoir vérifier que ça a été corrigé. Puis il te génère une nouvelle version de ton euh ton gén et que tu pourras après réexécuter. Donc tu peuxécuter. OK. Et ensuite comme à chaque fois je demandé dans mes instructions de faire des tests comme vous voyez à chaque fois j'ai des tests. Voilà. Il modifie tel ou tel street, j'ai un certain nombre de tests relatifs à chacun des scripts. Pourquoi ? C'est des tests sûr que ça peut être exécutable, qu' a pas de régression et cetera. Ça c'est important, c'est que j'en ai pas parlé avant, c'est toujours lui demander d'effectuer des tests en fait. Et dans tous les cas, dès qu'il fait une modification de code, il fait les tests pour pour être sûr que ce soit exécutable et des tests de non régression. Donc là, il va faire ses corrections comme je dit, ça peut prendre du temps. C'est ça qui est important avec le VA coding. C'est comme c'est lui qui travaille, on lui met le message d'erreur. Pendant ce tempsl, moi je peux travailler de mon côté, je ne fais rien. Ça prend du temps mais c'est pas le tien. [rires] C'est pas le mien. Voilà, ça le point c'est que honnêtement de vous à moi, je peux me le faire en réunion ou autre chose, c'est que bah oui, corrige, il se corrige, je reviens, je reviens, non mais je reviens 5 minutes après, je vois qu'il a corrigé, je peux jouer avec. Voilà, c'est ça qui est intéressant, c'est que bah on n'est pas bloqué par cette tâche là. Alors qu'avant on était bloqué. C'était nous qui faisons le test, on on buit la solution, on ouvrait, on testait, on était obligé de modifier code. Là non, je mets le screenshot, il travaille tout seul, je reviens 5 10 minutes après et c'est fini. Une une question que que j'ai parce que justement tu parlais de temps, [grognement] euh je mets la place du client qui a une centaine de rapports à migrer pour dans le cadre d'un passage de tableau à à à PowerBA. Est-ce que tu peux batcher ou tu conseilles vraiment de faire de l'unitaire ? Comment tu vois le les choses ? Non, on peut mettre en batch honnêtement. Moi, j'ai testé au début, on fait du unitaire euh c'est intéressant, maisant on peut faire en batch de façon l'outil par exemple sur c il prend en batch et c'est quand même beaucoup plus rapide. Et ce qui est intéressant le batch aussi c'est en fait plus lui là d'exemple plus il sera performant. Voilà parce qu'il saura comment faire. Par exemple dans des cas sur la partie NBA, il y avait des calculation group, il en a assez peu dans des rapports. C'est pour ça que là il y a eu un cas avec calculation group. Donc du coup, il a créé des fonctions pour migrer en calculation group et ça va servir pour tout le monde. Ça que plus on a d'exemples, c'est comme à l'époque de de l'IA, les documents et cetera. Bah là, plus on a d'exemples de rapport, plus on aura de fonctionnalités possibles migrabl. Voilà, parce que calculation group de base, il savait pas, il savait pas le faire. Jeis pas demandé mais moi j'is pas demandé donc il connaissait pas. Et là et avec ce rapport là spécifique, il a ajouté la partie calcul groupe. Donc non, si vous pouvez faire du batch, c'est mieux. Donc peut-être que oui, ça prendra un peu plus de temps à se corriger, mais au moins vous serez vraiment plus performant et plus de fonctionnalités seront couvertes par l'outil. Et tu as ton rapport qui il génère tout seul son rapport de migration. C'est ça que tu as montré tout à l'heure l'HT. Ça qui est important. Voilà, dans tous les cas, il y a rapport de migration et comme je dis, il sert de deux manières, hein. C'est euh bah se dire bah qu'est-ce qu'il a fait en tant que tel ? Il est ici. Qu'est-ce qu'il a fait en terme de migration et ça permet aussi de contrôler. Voilà, ça vous permet de savoir bah qu'est-ce connecteurs, qu'est-ce les types d'objets associés. Donc des calculation group, des visuels et cetera. Et pour moi, ce comme je disais, ce qui est important, c'est aussi la partie d'act. Voilà, la partie d'Ax oui, il fait la conversion de la partie tableau en DAX, mais après vous pouvez quand même contrôler et comme je dis, voilà, tout ce qui est quand même calculé. Ouais. Voilà. Et ça qui c'est que même vous pouvez contrôler, c'est de se dire bah je peux ouvrir juste mon rapport PowerB et même encore une fois je pourrais migrer moi-même. Et ce qui est intéressant, c'est qu'il m'a déjà fait la conversion d'axe. Donc si je veux, je peux migrer moi-même le rapport tableau vers le refaire de zéro. Mais au moins il m'a déjà fait une grosse partie qui est le DAX. que le DAX çait peut rester compliqué selon certaines formules. Là au moins j'ai les éléments qui sont à disposition. Donc il fait l'assess en gros c'est un rapport de migration et d'assess et vous avez toutes ces informations là. Voilà. Donc même si ça a planté au moins il peut faire les corrections. Voyez bah voilà là il me l'a il l'a fini. Il m'a dit qu'il a fini corrigé avec peu près 7000 tests en fait sur partie. Là il m'a directement commité sur mon ripo maintenant c'est disponible. Je veux je peux le réexécuter. Je relance et c'est bon. Magnifique. C'est super impressionnant. Merci Pierre. Et justement donc là euh on a fait un focus sur tableau, mais est-ce qu'on sait le faire sur d'autres outils ? Ah oui, totalement. En fait, ce qu'on ce qui est possible, c'est que maintenant qu'on il sait comment migrer, en fait, on peut répliquer sur tous les outils possibles. Donc là, même moi je l'ai fait sur du clic, sur du microstrat, euh tout ce qui est on va dire euh datavis, on peut le faire. Donc ça va être simple. Il connaît déjà comment il a migré de quelque chose en dash, comment il a généré du TNDL et cetera. Donc on peut reprendre cette intelligence là et dire bah non, en fait c'est pas que tableau, ça peut être du clic, du microstrat et cetera. On peut même le faire sur partie hôtel. Nous, on l'a mis en place sur du data IQ, de l'informatica ou même du SSIS. On peut aussi migrer ça directement dans fabric. Voilà. Donc oui, on peut le faire sur quasiment tous les outils. Donc à la fois pour faire de la migration, voilà, on choisit l'outil source et on essaie de toujours dans la même cible qui est fabrique/p et ensuite on peut aussier pour des accélérateurs. Moi j'utilise beaucoup pour faire des démos à des clients. Comme ça, je pourrais une démo end toend sur un business précis pour un client. il va tout vous créer, les flux datafow, les pipeline, le houseous, même les dates agents, il va tout vous faire tant que la pierre est à disposition dans l'outil par exemple sur fabrique et ben il pourra le créer pour vous. Et ce qui est intéressant c'est qu'on peut pareil pour une démo, on se dire bah oui, j'ai flux total, je veux changer ma démo, ça c'est facile, on va juste lui demander de faire sur un autre élément business, par exemple, de passer d'un élément du livre à des voitures, il va créer les jeux de données, recréer des modèles et même créer les rapports pour ABI. Ce qui est intéressant, c'est que même il va vous créer des rapports pour Bia qui sont intéressants en fait, qui sont lisibles avec des images, des tableaux et cetera sur vos données. Vous avez rien à faire. Il y a même pas besoin de générer des données, il va le faire pour vous. On a plus qu'à laisser travailler quoi pour nous à notre place. Il y a plus qu'à laisser travailler. Voilà. Voilà. Il faut juste avoir l'idée et quand même contrôler. Peut partir en vacances mais il faut toujours le contrôler. Encore une fois, bah il faut le superviser et il faut surtout savoir ce que vous voulez. Comme je dis même sur un accélérateur, bah il faut dire oui peut-être il me faut un date agent, peut-être il faut autre chose. Voilà. et lui, il va peut-être se limiter à à la partie basique. Par contre, vous pouvez bien entendu poser plus de questions pour aller plus loin et ajouter plus de fonctionnalités. Ça c'est important ce que tu as dit. Tu tu as dit contrôler, c'est-à-dire que il faut quand même avoir une bonne connaissance et que finalement euh les gens qui nous regardent, qui nous disent qui se disent bah voilà, on va être remplacé demain et cetera. Mais tu es quand même là pour superviser et il y a ta connaissance qui fait que que finalement tu as réussi à à réaliser ces outils là. C'est ça. C'est vraent les connaissances. Si je connais pas de tableau par défaut, j'aurais pas pu. Voilà, là c'est parce que je connaissais bien un tableau euh de mon ancienne vie. Donc oui, on peut migrer mais encore une fois, on peut commencer sans connaître. C'est juste qu'on aura un outil qui fera peut-être 20 % du boulot de migration. Plus on connaît, plus on sa on connaît les fonctionnalités en sources, les fonctionnalités en cible et plus même nous, on peut l'aider sur le mapping. Voilà, important c'est toujours l'aider et superviser. Lui, il va faire des propositions peut-être elles sont bonnes, elles sont pas bonnes. Peut-être des fois on pourra améliorer en terme de performance, autre chose. Bah, c'est là où on va le guider. Mais ce qui est important, c'est qu'il peut tout faire de A à Z. C'est vraiment ça qui est important. Donc oui, c'est pas juste un prompte qui fera tout. Non, un prompte il va vous faire le plan de développement et cetera et ensuite vous allez avec lui. Mais encore une fois, comme je vous ai montré, même pour un message d'erreur, je lui pousse le message d'erreur, ça soit en copiercollé ou un screenshot, je dis qu'il y a une erreur, il va se corriger lui-même sans avoir lui dit où est l'erreur dans le code. Non non, il va aller trouver l'erreur dans le code, il va se corriger, il va refaire ses tests et après vous pouvez retester directement. Super démo, c'est impressionnant. Vous avez vu, on a fait attention, on a mis les fonds d'écran en fonction. On est vraiment dans le monde du vibe coding aujourd'hui. Euh moi je suis impressionné. Euh je pensais pas que c'était aussi simple de créer des solutions Python qui permettent de migrer tableau vers PowerBI. Euh Marc, tu l'as déjà testeté chez des clients cette solution ? C'est ça. Et j'ai même fait un peu le le beta testeur pour Pierre. Donc moi, j'ai installé, j'ai récupéré le le RIPO, j'ai testé la solution sur des des rapports de certains clients et on peut le faire en live he avec le client en disant bah voilà effectivement bah donnez-nous un rapport, on va le tester. Alors on va avoir comme disait Pierre certaines erreurs parce que bah effectivement il y a des toujours des cas que que l'outil n'a pas de migration n'a pas encore prévu. Mais c'est ça le c'est vraiment ça l'attrait du de de l'outil, c'est de se dire bah Kitup Copilot lui va aller rajouter des feures au fur et à mesure et donc à la fin le client il aura un rapport qui marche. Pierre tu nous partageras le lien du du Rippo et on demande à tout le monde de changer la solution de tester de l'améliorer. Tester pouvez l'améliorer et ce voilà c'est prenezla chez vous pouvez continuer guitable copilot pour la faire évoluer par rapport à votre contexte. Voilà, ça qui est intéressant, vous allez voir, il va se corriger tout seul et il va s'améliorer et ça évite les actions manuelles. Et comme on a vu bien entendu, il y aura toujours les actions manuelles pour remettre en forme certains visuel et cetera, mais c'est déjà 90 % du boulot est fait, on gagne pas mal de temps. Ouais. Bah, en tout cas, si vous avez des questions, des retours d'expérience, n'hésitez pas à nous les mettre en commentaire. On vous dit à très vite sur la chaîne Fardata pour un nouvel épisode. D'ici là, abonnez-vous à la chaîne. On vous dit à bientôt. Merci. Sí. --- ## L’IoT au cœur des usines, REX concret multiplateformes URL: https://www.pharedata.fr/videos/l-iot-au-coeur-des-usines-rex-concret-multiplateformes Publié: 2026-03-30 Durée: 34:53 Sujet: architecture-data Mots-clés: iot, microsoft-fabric, real-time-intelligence, snowflake, databricks, eventhouse, kql, power-bi ### Résumé Cet épisode présente un projet industriel d'analyse de milliers de capteurs IoT en temps réel, avec visualisation instantanée, corrélation de sources hétérogènes (Snowflake, Databricks) et interrogation en langage naturel. La solution s'appuie sur Microsoft Fabric Real-Time Intelligence, Azure IoT Hub, MQTT, KQL et Power BI. Les agents opérationnels permettent d'automatiser l'analyse et l'action sur les données. La démo est reproductible via un repository public. ### Points clés - Le projet consiste à analyser et visualiser des milliers de capteurs IoT en temps réel dans un contexte industriel. (1:03) - Les données sont simulées via une VM Linux, streamées en MQTT, ingérées dans Microsoft Fabric via Azure IoT Hub. (3:35) - L'architecture permet de mixer des données temps réel et des sources externes (Snowflake, Databricks) sans duplication. (8:47) - Les update policies en KQL transforment et normalisent les données pour l'analyse et la visualisation. (15:10) - La détection d'anomalies s'appuie sur des fonctions KQL intégrées à Eventhouse pour identifier des patterns. (15:55) - Les agents opérationnels automatisent l'analyse et l'action sur les données, avec publication possible dans Teams ou Copilot Studio. (31:28) - La démo et le code sont accessibles publiquement pour reproduction et adaptation. (34:24) ### Questions fréquentes **Comment ingérer des données IoT en temps réel dans Microsoft Fabric ?** Les données IoT sont simulées via une VM Linux, streamées en MQTT, puis ingérées dans Microsoft Fabric grâce à Azure IoT Hub et Eventhouse. L'ingestion s'effectue en temps réel, permettant une visualisation instantanée et une faible latence. **Comment mixer des données temps réel et des sources externes comme Snowflake ?** Le mirroring et les schémas Delta/Iceberg permettent de représenter les données externes dans OneLake sans duplication. On peut ainsi analyser et corréler les données temps réel avec celles provenant de Snowflake ou Databricks dans un seul environnement. **Quels outils sont utilisés pour la visualisation des données IoT ?** La visualisation s'appuie sur les dashboards RTI pour le monitoring opérationnel et Power BI pour l'analyse avancée. Plotly Templates sont utilisés pour des visuels personnalisés, et Copilot peut aider à générer des scripts KQL pour les rapports. **Comment fonctionne la détection d'anomalies dans Fabric RTI ?** La détection d'anomalies utilise des fonctions KQL intégrées à Eventhouse, permettant d'identifier des patterns inhabituels dans les données en temps réel, comme des écarts de température ou des comportements anormaux de capteurs. **Quel est le rôle des agents opérationnels dans l'analyse des données ?** Les agents opérationnels automatisent l'analyse et l'action sur les données. Ils peuvent déclencher des alertes, envoyer des messages ou prendre des décisions en autonomie, et sont configurables pour être publiés dans Teams ou Copilot Studio. **Peut-on reproduire la démo présentée dans la vidéo ?** Oui, la démo est reproductible grâce à un repository public qui contient le code et les instructions nécessaires pour simuler les devices, ingérer les données et déployer l'architecture sur Microsoft Fabric. **Quelle est la latence d'ingestion des données IoT dans Fabric ?** La latence d'ingestion mesurée entre le device et Fabric est inférieure à une dizaine de secondes, ce qui permet une analyse et une visualisation quasi instantanées des données. **Comment partager les données temps réel entre Fabric et Snowflake ?** Les données temps réel sont redescendues dans OneLake via mirroring, puis exposées dans Snowflake sans duplication grâce aux mécanismes Iceberg et Delta. Les tables sont accessibles des deux côtés pour analyse et action. ### Chapitres - — Phare Data - 1:34 — Architecture - 10:08 — Demo - 34:08 — Conclusion ### Transcript [musique] [musique] Bonjour et bienvenue sur Fardata, la chaîne qui éclaire vos données. Dans l'océan des données, voir clair change tout. Sur Fardata, on décrypte les services de données d'Aytics et d'IA. Le tout avec un ton accessible, des choix techniques assumés. et une touche derma. Alors que vous soyez architecte, analyste, dat engineer ou product honur ou simplement curieux, fardata vous accompagne pour comprendre les enjeux réels, éclairer les compromis et prendre de meilleures décisions et parfois avec le cri des mouettes en bruit de fond. Et si ce genre de contenu vous parle, n'hésitez pas à vous abonner. Alors, cap sur l'épisode du jour. J'ai le plaisir d'être accompagné par Marc et Vincent pour parler de RTI Realme Intelligence et ceux dans un contexte industriel avec un enjeu multiplateforme. Ils ont tous deux travaillé sur un projet client avec un enjeu clair, analyser des milliers de capteurs et les visualiser en temps réel dans des dashboards. Marc Vincent, avant d'entrer dans la solution, est-ce que vous pouvez d'abord vous présenter et puis après nous expliquer le contexte du projet et les enjeux côté industriel ? Bonjour à tous. Donc moi Marc AG, je suis Solution Engineer chez Microsoft. Et donc je suis accompagné par Vincent avec qui on a fait le projet. Bonjour à tous, je m'appelle Vincent et je suis architecte cloud et donc on a collaboré avec Marc et je me suis occupé plutôt de la partie implémentation. Euh l'idée c'était de montrer bah les les les capabilités de de Microsoft fabrique dans les usines où on a bah des milliers de de device qui vont produire des quantités de données pharamineuses. Et l'idée en fait c'est de pouvoir bah justement pouvoir intégrer ces données au fil de l'eau et avoir des bah des des reportings comme il se doit, c'est-à-dire des reportings temps réel qui vont permettre de monitorer bah tous les devices pour des opérateurs. Donc ça c'est vraiment le le point principal. Puis ensuite faire de l'analytics puisque l'idée c'est ensuite pouvoir prendre des décisions sur sur des capteurs et autres. Et le et comme on est dans le monde de l'IA aujourd'hui, bah l'idée aussi c'est derrière pouvoir avoir des agents, des agents opérationnels qui vont se charger eux à la fois de collecter enfin de de récupérer la data et de l'analyser et surtout permettre à des opérateurs d'avoir des des insights en temps réel. Et la le challenge qu'on avait par sur le client en question, c'était de se dire "OK, moi j'ai euh vous avez Microsoft Fabrique en tant que plateforme data temps réel, par contre nous on a un patrimoine qui n'est pas sur Microsoft Fabrique." Et l'idée donc ce client comme il avait beaucoup de technologies, il a du Snowflex, il a du databx, l'idée c'était aussi de se dire bah on va prendre des données de son euh patrimoine, de son écosystème et on va les mixer avec ses données temps réelles. Et dernier point qui est très important, le client nous dit les sources de vérité aujourd'hui, c'est pas forcément Microsoft Fabrique. Comment moi je vais pouvoir lire ces données temps réel sur ma plateforme de ma zone de vérité ? Et c'est ça tout le challenge. Donc on va pas vous décrire tout le projet qu'on a fait pour le client en question dans ces usines. Là l'idée c'est de de de vous montrer un petit peu à quoi ça ressemblait. Donc pour la démo, on va simuler euh des devices euh qui seraient dans des usines hein qui euh qui remontent des capteurs. Donc ça va être l'humidité, la température, la pression et la qualité de l'air. Et à partir de ces euh devices là, donc on va les intégrer euh sur Microsoft Fabrique. pour faire pour simuler ces ces ces IoT. Vincent a fait une application sous un une VM Linux pour essayer de rester le plus léger possible et surtout pour que vous puissiez vous rejouer demain cette démo environnement. Donc on va déverser et simuler de de de la de la donnée quoi venant des de ces devices là et on va les les streamer pour les les embarquer dans dans Microsoft Fabrique au travers un protocole MQTT. [grognement] Par la suite, on va vous montrer plusieurs capabilités de Microsoft Fabrique. C'est ce que je disais tout à l'heure. On a la partie plutôt dashboard opérationnel. Donc c'est plutôt du monitoring au départ au travers ce qu'on appelle les rayem dashboard. Et puis ensuite faut pas oublier Power BI he qui est là et qui permet justement de faire des des dashboards un peu plus chiadé, on va dire plus analytics sans pour autant oublier cette cette cet aspect. Donc c'est ce qu'on va vous montrer au travers la démo. Puis ensuite euh c'est ce que je disais tout à l'heure, on va vraiment se focaliser sur on prend des données externes. Bon là on va prendre la météo qui pourrait être des données qui viendraient d'une plateforme externe euh pour corréler tout ça et faire et interroger des agents. Donc l'idée c'était que il fallait qu'on reproduise un petit peu la le besoin du client. Donc son besoin, il était assez simple. il voulait centraliser dans une plateforme différentes usines et donc on avait la possibilité d'externaliser l'inestion de données. Donc fabrique prenait tout un sens. L'idée c'était de pouvoir ingérer la donnée multi location enfin multiloisation et donc pour y arriver, on est parti d'un besoin simple. Euh et donc j'ai reproduit dans un ensemble de machines virtuelles un boot code et ce boot code, il est développé en Rust pour être le plus léger possible comme si j'avais dû le déployer dans un device IoT dans je sais pas Arduino, un Raspberry et il va envoyer des données à Azure IoTub. On l'a testé dans un deuxième cas. Azur IoTub est en fin de vie donc on tend à le remplacer avec Azure IoT Operations et le service était aussi compatible. Donc c'est un service qui va être euh multiservice. Ce protocole MQTT ce qu'il fait c'est qu'il va générer des données assez bêtes, hein, de l'humidité, de la température, du la pression, des choses qu'on a randomisé avec un algorithme et il va les envoyer en temps réel. Ces données, elles vont être mises en queue donc par Azur IoTob et elles vont être ingérées via data stream. Euh donc c'est finalement la méthode qui va permettre d'ingérer la donnée dans fabrique. Et ce datastream, il va directement lire un ensemble de fichiers Gon euh qui vont pouvoir être manipulés via euh la base de données en temps réel dans fabrique. Cette structure Gison, elle est très riche. Donc on va utiliser le langage KQL pour la simplifier, mettre à plat les éléments et pouvoir les analyser dans une forme normale qu'on aime beaucoup dans Power BI et travailler avec cette information pour ensuite le la mettre en forme sous un ensemble de capill. Donc si on veut rester purement dans la sauce temps réel et analyse en temps réel, il y a un truc qui est super intéressant dans Microsoft Fabrique, ça s'appelle les templates plotly. Donc c'est une librairie qui est développée avec euh des différentes jauges, avec différents algos et derrière on va pouvoir afficher des charts qui sont infinies, un petit peu comme si on avait mat plot lib dans dans Python. Et l'avantage c'est que bah du coup ça devient infini. Donc toutes les les limitations avec les simples visuels qu'on a dans RTI, bah elles sont illimitées. On a des jauges, des capill, des couleurs et cetera et c'est assez assez riche. OK. Une question. Si on se concentre. Ouais. Par rapport à l'usage de IoT hub, quelle était ici la nécessité ? Tu aurais pu envoyer les données directement un event stream dans dans fabrique. Alors l'avantage, c'est que on va aujourd'hui dans Microsoft fabrique si la capacité s'éteint, on perd les messages. OK. Donc en plaçant un IoTub en dehors de Microsoft fabric, l'avantage c'est que la mémoire tampon va ça va se charger et que s'il y a une failure ou s'il y a un perte de connexion entre les deux services, ça nous assure une stabilité et le service va pouvoir reprendre la queue là où il en était, là où il s'est arrêté. OK. Donc si on regarde cette architecture, c'est une architecture lambda. En fait, l'idée c'est que nos données en temps réel, elles viennent d'Azure, de VM Azur, donc c'est notre fameux device IoT qu'on a schématisé. Elles sont intégrées dans l'evento house et l'evento house va en temps réel transformer cette donnée. Donc avec un ensemble de d'update policies, c'est vraiment la clé hein de de notre base qu'Quel. On va transformer la donnée à la volée, la normaliser, la mettre à plat. Le sujet c'est que ça ça nous permet de faire des analyses en temps réel, donc de visualiser nos données, de pouvoir prendre des capill, des indicateurs tout de suite et d'avoir une un impact sur ce qu'on fait. En revanche, ce qu'on aime, c'est aussi la comparer avec notre référentiel, toutes les informations sur les usines, les informations sur les services qui sont déployés. Et ça pour le client, c'était déployé dans deux services, Snowflake et Databx. Et via la richesse des schémas iceberg et des schémas Delta, on a réussi sans copier la donnée et c'est ça qui est super important à la représenter comme table delta dans Oneelake. Donc on a le double avantage d'être dans Microsoft fabrique avec un stockage qui est externalisé. On change pas la source, on fait pas de transformation, il y a pas de migration de données, mais on arrive à mixer des données chaudes, des données froides dans un seul endroit. Et par-dessus céta delta, bah on a créé un modèle sémantique, des rapports pour faire de l'analyse un petit peu plus profonde et surtout des agents et du copilote. Et on verra qu'il est capable de mélanger les données de plusieurs services et c'est ça qui est super intéressant. Si on zoome sur real time intelligence qui est le workload fabrique qu'on a utilisé pour faire ce projet, il y a des composants intéressant alors qu'on va peut-être pas tous voir dans la démo parce que ça nous prendrait beaucoup de temps. Mais ce que là où on voulait faire une un zoom, c'est sur la partie anonym detection. Finalement, l'anony Detection va nous permettre de détecter des patterns d'anomalie euh via des algos qui sont directement fournis en en KQL via les fonctions KQL de de l'eventhouse. Et c'est hyper intéressant parce que euh pour les opérateurs, on va pas avoir uniquement la restitution des données tempelles, mais aussi on va avoir de l'intelligence au travers ces patterns là. Donc ça aussi c'est des choses que vous avez aussi dans dans Real Time Intelligence à utiliser. Donc on est une VM. Bah tout tous ces éléments, vous allez pouvoir le retrouver sur le le guit de Vincent qui a qui a mis en place la démo. Donc une première machine, c'est la VM que j'ai appelé VM- IoT euh qui elle va simuler justement ces ces devices qu'on va streamer euh au travers l'eventous et toute l'architecture fabrique. Euh donc pour se connecter, on utilise SSH euh et on se connecte. Alors, n'oubliez pas la clé qui vous permet de d'accepter d'accéder côté SSH, la clé cryptée. Une fois qu'on est connecté, on se met sur donc il faut installer le projet, installer Rust et cetera, les packages. Donc ça c'est bien expliqué dans le guide de Vincent. Et une fois que que c'est fait, j'ai plus qu'à lancer le projet. Donc avant de de lancer le donc de simuler les IoTI, je voudrais vous montrer du coup sur fabrique mon projet. Euh et donc enfin mon projet, notre projet, excusez-moi Vincent, il est là. Donc ici, on a un tas clos avec plusieurs éléments. Donc on a l'event House qui est au cœur, on va dire, du du projet puisque c'est lui qui va store toutes les données en gison des IoT qui vont arriver. Et euh on va avoir donc plusieurs rapports qu'on a appelé near real time qui sont les les rapports les rapports temps réel sur le composant qu'on appelle RTI RTI dashboard et euh les rapports PowerBI. Si je deep dive et puis après on on verra comment c'est intégré et cetera. Mais déjà je vais vous montrer l'effet wou quand lorsqu'on va démarrer euh nos device et voir la rapidité pour pouvoir justement euh commencer à avoir des données arrivées. Donc on va démarrer par vous montrer du coup le ce rapport real time de du composant donc exclusivement disponible sur la partie RTI et qui fait partie des composants disponibles. Donc là on va afficher uniquement les données temps réelles euh sur ce dashboard là. Vous voyez que bah les données euh sont pas forcément euh toutes disponibles encore. Il va falloir que du coup je j'allume euh mon streaming et mes éléments à streamer, donc mes mes mon IoT. Donc je vais sur la machine sur donc sur sur Linux et là je vais lancer le projet. Voilà, on voit que on voit donc la les devices qui démarrent. Merci Vincent. euh où euh bah je vais avoir trois devices où à chaque fois ben on va envoyer des gison avec euh des éléments donc qui sont euh qui sont aléatoires he qui sont dans l'algo que Vincent a mis en place. Mais on a trois devices avec bah comme comme je disais tout à l'heure le device ID, la température, l'humidité, le l'air et le la pression. Donc si je retourne dans mon dans mon dashboard TL là, voilà, j'ai de la donnée qui arrive directement. Euh et ensuite une fois qu'on qu'on a vu ça, on va voir quand même qu'est-ce qui se passe côté euh euh backend. Euh d'abord il y a peu de latence hein. Il y a il y a aucune latence et c'est ça qui fait la différence par rapport à un dashboard PowerBi. Pas qu'il y a de la lance mais là on est vraiment sur du stream en continu. Voyez le refrate ici ça nous indique bien que nous sommes en continu versus un rapport PowerB. Mais vous allez voir que PowerBier a aussi tout son sens et on va le voir juste après. Euh si je retourne sur mon MQTT broker, donc l'IoTI euh on voit que ça a démarré et que j'ai des messages qui arrivent he évidemment voyez ici. Donc c'est vraiment les messages que qu'on envoie euh au travers donc les les IoT envoient vers ce ce broker qui ensuite stream côté euh Eventhouse. Voilà. Euh je vais maintenant passer la main à Vincent qui va vous parler un peu plus de la partie Eventhouse justement. Donc si je vais dessus, ce qui est intéressant dans l'eventhouse, c'est que déjà on va pouvoir comparer les quand on observe la table qui récupère les informations, on est capable de comparer le temps d'envoi de l'information depuis le device, le moment où il a été généré et le moment où il est ingéré par fabrique. Donc ça, on va le comparer avec le moment de la mise en queue et le moment d'ingestion. Et on peut remarquer que le la latence, elle est inférieure à un diè de secondes. Donc si on clique par exemple sur la table R data, on va pouvoir consulter le schéma. Et là, ce qu'on voit, c'est que le temps d'entrée du message, il est de pour la première ligne 11h55 et euh 483 msees et de l'autre côté 566 msees. Donc, on est sur de la latence euh faible et on a des données qui sont ingérées dans le service. Une fois qu'on a fait ça, notre table R data, vous pouvez le voir le fichier le petit Jason là, il est toujours formaté sous forme de Jason. On a une update policy qui vient transformer le Gizon et qui vient venir récupérer les informations qu'on veut. Donc le gone est très simple et on pourrait aller très très loin dans l'analyse, retirer des colonnes, changer les types et ça ça se fait via une update policy. L'upate policy, ensuite ce qu'elle vient faire c'est qu'elle vient alimenter une table et elle vient splitter chaque champ dans un dans une colonne et venir venir appliquer nos transformations. Donc là, on pourrait aller très loin. On peut c'est des analyses qui sont faites ligne à ligne mais dans d'autres cas d'usage les updates de policier on peut très bien faire des analyses sur du le passé donc plusieurs événements venir alimenter des informations basé sur une une fenêtre d'information et donc c'est là la vraie richesse de toute l'analyse en temps réel dans dans fabrique. Et c'est là que tu viendrais rajouter aussi l'appel de tes fonctions d'anomalie détection par exemple. Exactement. Alors ça c'est quelque chose de très très riche. Donc on si on va sur le query set, on va pouvoir voir qu'on a euh des requêtes euh qui nous permettent de faire de la détection d'anomalie avec euh du machine learning assez simple. Donc ça va être par exemple l'application de différentes règles euh pour pouvoir détecter euh une régression linéaire, une régression logistique sur la base d'information. Donc si on a un autre cas d'usage qu'on avait mis en place pour un autre client, on avait des fours et une température qui augmentait et on était capable grâce à l'algorithme directement dans le langage sans modèle de machine learning et sans rajouter de fonctionnalité de venir détecter si les temps d'allumage des fours étaient trop longs et si les températures des fours étaient hors des hors des normes. C'est pas nous qui avons défini les normes. Les normes, elles dépendent des valeurs. Donc si la valeur tous les jours elle est à une certaine valeur et qu'on voit qu'il y a un point qui sort de cette de cette dynamique et ben on va la détecter et pouvoir lancer des anomal. J'imagine qu'avec data activator tu pourrais justement recueillir ces anomalies et actionner des actions. Alors et ça c'est ça c'est une information qu'on a depuis effectivement la Fabcon qui s'est qui s'est clos la semaine dernière. Euh on on connaît les agents donc on sait qu'on est capable de faire de l'analyse textuelle et en temps réel de nos différentes informations. Maintenant on a la possibilité d'envoyer des et de déclencher un ensemble d'actions. Donc les les agents opérationnels, c'est vraiment bah le bras armé de fabrique par-dessus nos données en temps réellir détecter une anomalie. Donc on lui explique avec des instructions claires quel élément on veut analyser et après on lui donne un moyen d'action. Et lorsqu'il va pouvoir analyser ces éléments-là, déclencher une alerte, envoyer un message, prendre une recommandation sur l'information et et venir donc avoir une chaîne de bout en bout entre l'alimentation et la prise d'action avec une décision qui est faite en autonomie. Je reviens un peu sur les updates ici parce que c'est vraiment un composant hyper intéressant. Vous voyez ça un peu comme de le TL temps réel, c'est-à-dire que au moment où la donnée arrive sur notre table rata qui est finalement nos nos données brut qui arrivent des donc les gison euh du coup on va c'est hyper puissant parce que en temps réel il va aller euh faire des transformations. Donc là en l'occurrence on a on lui a demandé de parcer les données pour les mettre à plat euh dans une autre table qu'on a appelé clean clean. L'idée c'est c'est que derrière on va pouvoir plus facilement analyser avec un Power BI avec justement du KQL sur au travers les les dashboard réel qu'on avait juste avant. Mais c'est hyper puissant et hyper léger aussi en terme de consommation cu parce que souvent on parle de de de fabrique mais on oublie que les composants sont optimisées et notamment cette partie là qui est hyper léger en terme de consommation cellule. Euh si maintenant on va plus loin, donc là c'est tout le code qu'on a généré. Alors on aurait pu le faire avec l'event stream et et faire du low code no code. Nous on a décidé de le faire avec les update policy. Mais voilà aussi pour les personnes moins à l'aise avec le code KQL et les transformations via les updates policier. On a exactement le même composant en low code NOCOP et qu'on aurait pu utiliser. Ouais. Sinon copilote nous aide aussi à rédiger du script plutôt bien. Complètement. Donc on là, on a toujours nos notre copilote. D'ailleurs, on va le voir au travers le dashboard en Vincent va vous montrer les requêtes qu'il a faites pour pouvoir afficher bah les éléments qu'on qu'on a vu tout à l'heure dans le dashboard. Mais il a il peut très bien faire directement des requêtes parce que Vincent est un expert, mais on peut très bien aussi se dire que on va le faire avec Copilot. Justement, si je reviens sur ce dashboard, je je je vais vous montrer comment du coup avec Vincent, on a réussi à faire toutes ses requêtes finalement. Donc on est en mode vous avez view, on peut passer en mode edit et Vant du coup je te laisse la main pour expliquer un peu comment tu appuy. Ouais. Alors les graphiques qui sont en haut à gauche, c'est des graphiques qui sont directement intégrés par le service Power BI. Donc c'est des charts assez simples. Donc si on clique sur le petit crayon ou alors comme tu as fait pour aller dans edit, on va pouvoir modifier la requête KQL qui affiche et génère ce visuel. Donc de quoi on a besoin ? En fait, on a besoin de générer un tableau qu'on va pouvoir voir dans l'onglet résulte en bas à gauche. Et ce résultat, c'est vraiment le résultat de la de la requête qu'on a mis là-haut. Donc là, on peut voir que on a organisé la température par device et par axe de temps. Donc sur base de ça, j'ai la possibilité de générer un visuel. Donc j'ai un onglet visuel qui s'affiche juste à côté. Et quand je clique dessus, bah j'ai la possibilité sur la droite de comme dans Power BI formater mon visuel. Donc je choisis mon type de visuel, c'est un line chart. Euh et puis après je viens choisir les colonnes en axi des ordonnées, des abscisses, je mets des couleurs et et donc on a un rendu assez simple. Alors c'est moins euh recherché que les les éléments qu'on peut faire dans Power BI et c'est en général un petit peu le ce que les clients nous disent bah ouais moi j'ai l'habitude d'aller plus loin, j'ai l'habitude de faire plus de transformation, comment j'y arrive ? Donc faut voir ça comme un outil effectivement très opérationnel mais on peut aller plus loin. Donc si tu reviens sur le tableau en faisant discard change tout en haut à droite, on va voir qu'on a pardon tout en haut à droite un petit une petite croix. Ah pardon euh on va pouvoir voir qu'on a tout en bas ici des jauges. Et donc ces jauges bah là c'est pareil sauf que là on a installé dans la dans la la base de données un petit bout de code et ce bout de code il interprète euh bah le les visuels qu'on veut mettre. Donc là on va passer tout un tas de variables en disant bah je veux tel visuel les données, elles sont ici et bah je veux telle couleur, je veux tel seuil. Donc c'est un petit peu plus code que Power BI mais pour autant ça nous permet de faire des visuels très avancés. Donc là j'ai mis des jauges parce que c'était le besoin du client mais on a on a tout un tas de choses qui ressemblent au à ce qu'on a dans MAT Plopin. Alors ça peut paraître [raclement de gorge] un petit peu cavalier un petit peu comme code. Là on voit qu'il y a beaucoup de choses. On a on a c'est très verbeux. Euh alors, c'est pas moi qui l'ai inventé ce code. Ce code, je l'ai trouvé dans la doc. Euh et j'ai simplement remplacé les valeurs pour pouvoir euh euh arriver aux éléments. Vous voyez la fonction qui permet de faire une une jauge chart là qui est ligne neuf. Ça c'est dans la doc hein. Donc euh on a rien à inventer. Simplement on reprend le code euh pour y arriver. Donc on pourrait très bien être aidé de copilot qui vient nous aider à choisir le bon visuel et générer le bout de code correspondant. Et après nous le seul truc qu'on a à faire c'est vous voyez de la ligne 3 à la ligne 7 venir donner les couleurs qu'on veut le titre du du tableau et basta. Donc c'est assez simple. Une librairie qu'on installe avec un code qu'on vient exécuter, une ligne et derrière on se fait aider de copilot pour générer notre code. Et tu l'as installé où alors cette librairie ? Alors, la librairie, elle est dans la table qu'on peut voir dans Ploty Template. Euh ce qui se passe, c'est que au moment où on l'installe, on exécute un bout de code qui vient récupérer les données qui étaient disponibles dans la librairie Microsoft et puis elle se déploie dans la table et cette table, on la réutilise pour pouvoir afficher les éléments derrière. Super. Voilà, petit template, la table. Voilà. Et donc là voilà c'est tout c'est tout simple c'est les j'en ai mis que trois j'ai mis les anomalies et puis les jauges mais on pourrait récupérer tous les visuels qui existent quoi. Donc ça c'est évidemment pas quelque chose que moi j'ai inventé je juste repris en ligne. Vous avez activé le mirroring de ces données dans le oneel leg pour des questions d'analyse après de corrélation justement avec vos autres sources de données type Snowflex et datab c'est c'est ça on parlait tout à l'heure de lambda architecture. C'est on est vraiment dans ce modèle là. Une fois que on a les données temps réel, bah pour des besoins de temps réels, faut pas oublier l'analyse et justement cette possibilité de d'avoir sous format Delta ces mêmes tables et ces mêmes données en quasi temp réel en fait. Et et c'est pour ça que derrière alors là on va se pluguer, vous allez voir sur un rapport Power BI pour montrer un petit peu comment aller plus loin parce que certains clients nous disent bah OK c'est bien de faire du monitoring mais Quid euh bah des de l'analytics dont j'ai l'habitude de faire avec des visuels un peu plus avancés dans Power BIF. Donc c'est ce qu'on va vous présenter juste après. Donc là je vais je vais aller ouvrir ce rapport Power BI. Donc là sur le sur le rapport pour AB, on est connecté sur le end point du KQL et non pas sur la donnée qui est mirorée sur le le l'ho donc au format Delta pour des raisons de latency parce que le client voulait quand même avoir des données en quasi temps réel. Euh par contre euh justement le use case de redescendre la donnée, vous allez voir euh dans le L va nous permettre de faire un agent qui va prendre à la fois euh la donnée de temps réel euh qui est euh mirorée et euh les données de bah de nos autres plateformes qui sont euh en l'occurrence databl. Donc si je m'attarde d'abord sur le rapport euh temps réel, enfin le rapport Power Bay du coup qui est justement sur le endpoint KQL temps réel, Vincent si tu veux le commenter, n'hésite pas. Le rapport là, il est branché effectivement sur le modèle KQL. Et donc pour pouvoir arriver à avoir un affège en temps réel, on a utilisé du direct query. Donc direct query, on pourrait se dire que c'est effrayant, que c'est mauvais en performance. Sauf que quand on s'en sert avec les requêtes natives et des paramètres M, en fait, on a un tableau de bord qui fonctionne à merveille et qu'on ait des données dans datab, qu'on ait des données dans une base calcul. Si on arrive à transformer le la manière dont on génère notre modèle et à faire pour chaque visuel une requête, en fait, c'est là qu'on a toute la clé de l'outil et que il prend tout son sens. Donc le direct query dans ce cas d'usage, on peut voir que c'est quand même très pertinent et que ça nous permet de retrouver un mode où on est très à l'aise dans la définition de nos visuels. On a quelque chose de d'assez familier et on a des super pe Là, je vois que tu rafraîchis pas la page parce que tu as mis un autorfrh. C'est ça. Exactement. Exactement. Alors, on peut voir aussi que je me suis amusé à dessiner des cuves et puis des grands conteners. Ça, c'est des choses que j'ai fait à la main et que j'ai incrusté dans mes visuels. Euh, c'est le seul truc qui est pas dans Power BI que j'ai rajouté. Sinon, tout le reste c'est choses le PowerBi. Donc, ici euh on vous a présenté le dashboard PowerBay. Maintenant, on va parler plus d'analytics et euh on va dire de de mix de données qu'on va pouvoir faire à la fois avec nos données temps réel et nos données euh bah de d'autres d'autres sources de données telles que Databx et Snowflex. Euh dans ce use case là, du coup, je vais ouvrir mon Lake, OK ? Et quand je monous, je vais aller faire justement ce qu'on appelle des shortcuts qui vont nous permettre d'aller récupérer à la fois les données de Snowflex et les données de datab plus pas nos tables brutes et nos tables en temps réel qu'on a récupéré via le mirroring côté eventus. Donc pour faire ça, je vais faire un shortcut et je vais aller me récupérer mes objets datab mirroré et mes objets Snowflex. Assez simple hein. Je suis sur Oneel et vous voyez qu'ici euh j'ai alors je vais pas on a déjà fait des épisodes qui expliquent comment on va interconnecter via le l'iceberg et créer une base Snowflake qui va pointer sur Oneel. Donc là c'est vraiment ce casl. Et donc quand il va créer quand on va créer la base Snowflex, on va les faire pointer sur le oneel, ce qui va être hyper intéressant puisque je vais directement récupérer cette donnée là dans mon Luse sans avoir à recopier les données de Snowflake. Donc j'ai juste à aller sélectionner mon objet mirroring Snowflake et de la même façon mon catalogue datab où j'ai pareil des données externes et je vais réunir l'ensemble euh dans mon layout. Donc vous voyez que j'ai mes données plus les données externes que je vais retrouver à la fois dans Snowflex ou Datab. Là si je switch rapidement sur sur Datab les données qui sont ici. Donc on utilise ce qu'on appelle la fonction mirroring qui va nous permettre de justement mirrorer ces données là et sans avoir à les copier. Donc je récupère finalement les métadonnées, hein, c'est du mirroring mais dans Databric ou dans Snowflex, on est plus dans le shortcut, dans la mesure où on va aller pointer sur la donnée qui a été produite dans le stockage sous-jacent là donc sur Databak c'était de la la DS Gen 2. Et côté Snowflex, bah c'est le oneelake sur lequel j'ai décidé d'écrire. Donc une fois qu'on a fait notre Lake House, elle va servir de réceptacle justement à notre agent. Euh et je vais laisser Vincent vous présenter justement l'agent et comment on le configure. Donc l'agent c'est vraiment euh simple hein. C'est un outil qui est pas pensé euh comme CQL où effectivement fallait être un petit peu plus technique pour le mettre en main, même si on a vu que copilot pouvait nous aider, mais il faut quand même avoir des connaissances data euh assez rudimentaires. Là l'agence c'est très simple. L'idée c'est qu'on va venir fournir un ensemble de sources de données. Donc là, vous pouvez sur la gauche qu'on peut choisir des données, les rajouter et venir choisir nos petites nos tables particulières. Donc là, on a pris la table des de des informations météo depuis datx et on va la lier avec nos données de nos différents capteurs et les informations sur notre température. On va chercher notre table depuis notre Lake et avec ça, on va lui expliquer comment interpréter ses infos. Donc les instructions pour l'agent, c'est tout simplement qui est l'agent, qu'est-ce qui de quoi est-il responsable ? Et après, on a un petit bouton setup en haut à gauche là. Et quand on clique dessus, euh on va pouvoir aller plus finement dans les instructions. Donc on va fournir la méthode euh dans euh data source instructions et dans example queries. On va rajouter les instructions sur les différentes data sources, qui est la data source, qu'est-ce que ça contient ? Et les requêtes d'exemple, bah c'est comment on vient récupérer un item ou un autre. Donc ça c'est super riche. Le premier élément, les data source instructions, on peut aller très loin. Il faut lui fournir les informations comme si on voulait discuter avec un modèle GPT Open AI. Donc là, moi mon conseil c'est vous prenez vos instructions, vous les envoyez dans Open AI, un modèle Open AI et vous lui dites "Relmez-les à la sauce comme si je devais te fournir des instructions pour toi." Et là, il va faire un tableau avec des markdown, des éléments. Et là, quand vous les mettez, on a un taux de réussite des requêtes qui est généralement euh meilleur. Deuxième élément qui est super important, c'est les requêtes. Exemple, faut faire des choses assez simples pour dire bah voilà, pour récupérer la moyenne des températures, c'est ici. on donne les indicateurs et après avec les instructions, il vient compléter, changer les claw et ça c'est super. Donc on peut voir qu'après on peut tester cet agent et donc là on lui a demandé de nous donner le la situation environnementale dans les différentes zones géographiques et puis il peut nous expliquer quelle température il fait à tel endroit et ensuite ben on aura pourrait très bien aller plus loin dans l'analyse et aller à bien lm lui dire est-ce que la température locale a un impact sur la l'humidité de mes capteurs et donc là bah forcément on va beaucoup plus loin dans l'analyse. On a mixé des données qui viennent de deux environnements et surtout on est capable de les mélanger via notre agent et de prendre vraiment un insight plus détaillé. Et là, tu nous montres la consommation de l'agent depuis l'interface, mais on pourrait très bien la mettre dans une application tiers ou directement dans Teams. Alors, c'est vrai. Donc là, on est plutôt dans la phase de développement mais la publication ça va nous permettre de la publier dans Copilot Studio dans le centre M365 M365. On peut le voir par le petit bouton là. Donc, c'est directement disponible de l'autre côté. et on peut très bien utiliser cet agent dans Teams pour pouvoir le consommer aujourd'hui. Donc il nous faut un utilisateur fonctionnel qui peut qui peut qui a une connaissance fonctionnelle des données et après bah on le publie pour les utilisateurs métiers qui viennent consommer ce cet agent. Donc c'est très riche euh et c'est très puissant. N'oubliez pas aussi que l'agent peut très bien publier donc MCP pour pouvoir le consommer pour dans n'importe quel enfin on est vraiment sur de l'op enfin de l'open source et d'un protal ouvert quoi. Euh si je reviens du coup sur mon Lake House euh vous avez vu que ceous là il a des tables. Il a mes tables qui sont ici disponibles. Le dernier élément, c'est de se dire bah ces tables là, je veux les partager parce que tout à l'heure on a expliqué que bah Snowflex ou Datab vont pouvoir eux partager leurs données pour l'agent, pour des use case plutôt côté fabrique. Mais la réciprocité est vraie puisque je vais pouvoir aussi partager les tables temps ell donc tout ce qui va être au data, sensor location et cetera qui ont été créés en casl depuis mon event et ensuite redescendu sur le Lake House et donc sur oneelake, je vais pouvoir partager ces tables là dans Snowflex par exemple. Donc comment faire ? Je vais sur mon mirroring Snowflex. Alors pourquoi je vais sur le mirroring Snowflex ? Là, j'ai récupéré la donnée côté Snowflex, mais c'est pour tout c'est surtout pour pouvoir me connecter à l'environnement Snowflex sous-jacent parce que si vous voyez ici, j'ai un petit bouton qui me permet d'aller directement dans mon environnement Snowflake. OK ? Et une fois que j'ai fait ça, donc j'ai pas cliqué dessus, je suis directement dessus, je vais avoir mes bases de données. Dans mes bases de données Snowflex, je vais j'ai une base de données que j'ai appelé Lake House. OK ? Qui elle, vous allez le voir pointe sur one OK ? Et en fait, qu'est-ce que vous retrouvez dedans ? exactement les mêmes tables que j'ai de de l'autre côté côté houseous côté fabrique. Voyez, c'est exactement les mêmes tables. Et si je clique dessus, je clique sur une table, bah vous allez voir que bon là c'est là du coup c'est mon compute snowflake qui va lire le fichier iceberg qui est derrière qui est sur oneelake et ben je vais avoir exactement les mêmes informations. Ce qui fait que je peux très bien utiliser cette donnée de temps réel qui est redescendue dans Oneelec au travers les mécanismes qu'on a décrit tout à l'heure sur fabrique pour ensuite les utiliser et les mettre à disposition côté Snowflex sans avoir à les copier puisque la clé de voûte est en one le partage commun entre les deux les les les deux systèmes. Super démo, merci. Une super architecture qu'avec certaines nouveautés de la Fabcon pourrait être enrichi. On a évoqué notamment les operation agence. Ça pourrait être intéressant de faire évoluer et aussi d'avoir les activateurs pour les alertings. Ça pourrait être intéressant. On mettra dans le lien de la vidéo le repository de Vincent avec la solution que vous pourrez redéployer chez vous. Si vous avez des questions, des retours d'expérience ou si vous souhaitez creuser un point en particulier, n'hésitez pas à nous laisser des commentaires. Encore une fois, merci Vincent, merci Marc et merci à vous d'avoir suivi cet épisode de Fardata. À très vite pour un nouvel épisode et d'ici là, abonnez-vous à la chaîne. À bientôt. Merci. --- ## Microsoft Agent Framework URL: https://www.pharedata.fr/videos/microsoft-agent-framework Publié: 2026-02-10 Durée: 48:40 Sujet: ia-copilot Mots-clés: microsoft-agent-framework, multi-agents, orchestration, open-source, azure, python, net, copilot-studio ### Résumé Le Microsoft Agent Framework, actuellement en preview, est un framework open source (.NET et Python) pour créer et orchestrer des agents IA, avec une gestion native des workflows multi-agents. La vidéo détaille ses patterns d'orchestration, ses intégrations avec l'écosystème Microsoft, sa portabilité locale/cloud, et propose une démo concrète d'un workflow concurrent. Les aspects sécurité, gouvernance, observabilité et critères d'industrialisation sont explicités. ### Points clés - Le Microsoft Agent Framework est open source (.NET et Python) et conçu pour orchestrer des workflows multi-agents IA. (0:58) - L’approche code-first permet une personnalisation complète, une expérimentation locale et une portabilité cloud agnostique. (1:20) - Les frameworks existants souffraient de fragmentation, d’un manque d’observabilité, de sécurité et de conformité entreprise. (2:08) - Le framework propose plusieurs patterns d’orchestration : séquentiel, concurrent, group chat, handoff et magtic. (19:11) - L’intégration native avec Azure, Cosmos DB, Fabric, Search, GitHub et Visual Studio facilite le passage à la production. (9:05) - La télémétrie et le monitoring sont assurés via OpenTelemetry et App Insights, permettant un suivi détaillé des agents. (28:15) - La démo montre un workflow concurrent pour organiser un voyage, avec agents spécialisés et intégration de serveurs MCP. (29:44) ### Questions fréquentes **Qu'est-ce que le Microsoft Agent Framework ?** Le Microsoft Agent Framework est un framework open source en .NET et Python permettant de construire et orchestrer des agents IA, avec une gestion native des workflows multi-agents et une intégration avancée à l’écosystème Microsoft. **Quels sont les principaux patterns d'orchestration multi-agents disponibles ?** Le Microsoft Agent Framework propose cinq patterns d’orchestration : séquentiel, concurrent, group chat, handoff et magtic. Chaque pattern répond à des besoins spécifiques de collaboration et de délégation entre agents IA. **Le framework est-il cloud agnostique ?** Le Microsoft Agent Framework est conçu pour être cloud agnostique. Un agent développé localement peut être déployé sur Azure, AWS, GCP ou tout autre environnement, sans réécriture du code ni dépendance à un fournisseur. **Comment le framework gère-t-il la mémoire des agents ?** Le framework distingue mémoire court terme et mémoire long terme. La mémoire court terme est gérée via l’objet thread associé à l’agent, tandis que la mémoire long terme peut être persistée dans différentes bases de données selon les besoins. **Comment assurer le monitoring et la télémétrie des agents ?** Le monitoring et la télémétrie sont assurés grâce à l’intégration native d’OpenTelemetry et App Insights. Ces outils permettent de collecter et analyser les logs, les coûts et les performances des agents en production. **Quelles sont les étapes pour industrialiser un workflow développé en local ?** Pour industrialiser un workflow, il faut intégrer la télémétrie, déployer sur un cloud ou conteneur, et utiliser les classes de monitoring du framework. Les logs et métriques sont ensuite accessibles dans les outils de tracing du cloud choisi. **Quels types d'intégrations sont possibles avec les systèmes d'entreprise ?** Le framework permet d’intégrer des fonctions, API, services internes ou serveurs MCP. Des connecteurs prêts à l’emploi facilitent la connexion aux bases de données, systèmes SaaS et API standards, sans repartir de zéro. **Le framework est-il adapté à la production en entreprise ?** Le Microsoft Agent Framework intègre nativement sécurité, gouvernance, observabilité et conformité. Il est pensé pour une utilisation en entreprise, permettant un passage fluide de l’expérimentation locale à la production à grande échelle. ### Chapitres - — Phare Data - 1:10 — Une approche code-first pour construire des agents IA ? - 5:14 — Microsoft propose différentes manières de créer des agents - 8:13 — Écosystème d'agents IA - 11:16 — Microsoft Agent Framework - 19:11 — Orchestration multi-agents - 26:45 — Outils et extensibilités - 29:44 — Demo - 47:25 — Conclusion ### Transcript [musique] [musique] Oh ! Bonjour et bienvenue sur Fardata, la chaîne qui éclaire vos données. Dans l'océan des données, voir clair change tout. Sur farata, on décrypte les services de données d'analyti. Le tout avec un ton accessible, des choix techniques assumés et une touche d'airmarin. Alors que vous soyez architecte, analyste, dat engieur, product honur ou simplement curieux, Fardata vous accompagne pour comprendre les enjeux réels, éclairer les compromis et prendre de meilleures décisions et parfois avec le cri des mouettes en bruit de fond. Si ce genre de contenu vous parle, n'hésitez pas à vous abonner. Cap sur l'épisode du jour. Aujourd'hui, j'ai le plaisir d'être accompagné par Aya et Samir pour parler d'un sujet qui monte très fort, à savoir les Microsoft agent framework actuellement en preview. Microsoft agent Framework, c'est un framework open source net et en Python pour construire et orchestrer des agents IA et surtout des workflow multiagents et pensez, je crois, tu vas nous en parler dès le début pour passer à la production. Mais pourquoi Microsoft insiste aujourd'hui euh sur une approche code first alors qu'on a déjà des outils low code pour construire ces datag ? Bah effectivement Romain euh tu fais bien de poser la question pourquoi avoir une approche code force pour des agents ? Bah déjà, ça permet d'avoir un contrôle total et une personnalisation complète du comportement des agents. Ça permet également d'avoir de faire de l'expérimentation locale très facilement. C'est-à-dire qu'on va pouvoir tester le comportement de nos agents sur nos propres machines avec nos différents outils préférés, que ce soit du VS Code et cetera, sans dépendre du cloud. Également pour la partie portable, c'est-à-dire qu'un dével un un agent développé en code peut être déployé n'importe où sans limite de connecteur ou de modèles préfabriqués. Et ensuite, ça permet facilement de l'intégrer dans des pipeles CCD et de passer facilement du local et de l'intégrer dans n'importe quel cloud sans réécrire le code. Alors, on se pose la question de pourquoi jusqu'ici construire et faire évoluer des agents surmesure a-t-il été aussi difficile ? Effectivement, euh développer et passer à l'échelle d'agent personnalisés posait plusieurs problèmes. D'une part, les agents, les framework existants pour les agents étaient fragmentés. Ça veut dire qu'il fallait assembler beaucoup d'outils et d'API aux interfaces, aux formats existants, ce qui compliquait l'intégration de bout en bout. Ensuite, point important, la recherche sur les LLM et les agents évoluent rapidement et donc il y avait souvent un fossé entre la recherche et la production. On voit beaucoup émerger des des modèles multiagents dans les labos de recherche, mais comment les industrialiser les passer de façon viable à grande échelle ? Ensuite, comme on l'a dit précédemment, il y a une lenteur d'itération pour passer du local à la production. comment on peut faire du débogage local mais une fois en production la partie débogage est souvent plus laborieuse et plus et moins fluide. Enfin, on a des systèmes fermés qui offrent une extensibilité limitée. Les services managers qu'on a proposent uniquement des intégration prédéfinies et à ce jour, il est compliqué d'intégrer ses propres plugins et sa logique métier ou de se connecter à des systèmes d'entreprise vraiment spécifiques. Et enfin, dernier point, la plupart des framework open source qui sont sur le marché ne disposent pas de capacités entreprise ready. On n pas forcément d'intégration de en manière en matière de d'observabilité, de sécurité, de conformité et de gouvernance. Et donc ça ne garantit pas une traceité à 100 % sur le comportement des agents. Ouais. Donc il est vraiment pensé pour la production ready, le passage à l'échelle aussi, le le suusage. C'est exactement ça Romain. Donc merci Samir de l'avoir introduit. Aujourd'hui, ce que cherchent les organisations, c'est de construire des agents IA performants, très industrialisables et surtout sécuriser. Mais les framework qui existent aujourd'hui montrer rapidement leurs limites parce que d'un côté, on va trouver des framework qui sont très orientés tool calling. Donc, ils sont très capables d'appeler des tools, les exécuter. Mais dès qu'on va passer à des architectures multi-agents plus complexes avec des workflow, avec des exécutions longues durée, bah on va rapidement être face à des limites bah qui vont pas nous permettre de travailler comme on veut. Et d'un autre côté, on va trouver des SDK qui sont très peu compatibles entre elles. Euh dès qu'on va passer d'un SDK en autre, bah on va pas avoir les mêmes dépendances et les mêmes choses et donc bah on va pas arriver à passer en production. Euh résultat de tout ça, euh on n' pas d'observabilité. Donc suivre tout ce qu'on a déployé, avoir des ordres de monitoring là-dessus, bah ça va manquer beaucoup. On va pas avoir de garde de fou, pas de conformité parce que la complète, c'est quand même important. euh des difficultés à débugué localement et donc bien évidemment une intégration CICD très difficile et laborieuse. Et donc euh dans un monde un peu parfait, ce dont les entreprises ont réellement besoin aujourd'hui, c'est un framework qui va leur permettre en même temps de prototyper localement mais aussi de facilement passer à l'échelle et passer en production ce qu'ils ont commencé à faire. Et pour faire ça, on a besoin d'un framework qui va être sécure, gouvernable et basé sur des standards ouverts, intégrés dès le départ. Donc by design. Alors, je crois que chez Microsoft, on n pas qu'une seule façon de construire des agents. On a euh copilote studio, j'imagine. Voilà, il y en a un certain nombre. Est-ce que tu peux nous faire le le tour un peu pour que ce soit plus clair ? Effectivement, Romain, tu tellement raison. Euh chez Microsoft, on va voir différentes approches pour construire des agents qui vont être compatibles à différents types de profil. Euh donc il y a pas qu'une seule manière de faire. Euh bah déjà si je commence avec un spectre un peu classique, on va avoir l'approche ce qui est Yas euh où le client va avoir un contrôle maximal sur ce qu'il est en train de construire. Il le déploie sur un containeur mais il va avoir plus de responsabilité côté infra et orchestration. Deuxième choix, ça va être plutôt le côté passe qui va nous donner une sorte d'équilibre entre la productivité et la personnalisation. Et le final, c'est le SAS avec une simplicité maximale. Ben, on a zéro code limite mais moins de contrôle et moins de personnalisation. Euh si je vais un peu dans le détail pour euh expliquer ça, typiquement euh dans Microsoft Fundy, on va avoir du développement, de l'expérimentation mais qui reste assez simple et assez facile euh basé sur le agent service. Euh après, si on regarde copilote, ça va être des agents plus orientés métier et le code pour des profils bah qui sont pas forcément très techniques, mais ils veulent quand même décrire leur agent, le déployer, commencer à le consommer très rapidement. Et alors, il se situe où le Microsoft agent framework là-dedans ? [rires] On va voir ça plus dans le détail, mais avant de passer dans ça, euh on va juste voir les différentes approches, comment elles se représentent exactement. Juste un petit preview de ce qu'il y a à l'intérieur. Donc typiquement, si je commence par le Microsoft Fundy, ben on va voir différents types d'approches qui va nous permettre d'avoir quand même une main pour personnaliser, customiser et créer des agents, on va dire très custom. Euh par contre, on va avoir aussi l'interface qui est assez facile à utiliser et qui reste des fois low code si on n pas envie de rentrer dans le détail et ouvrir le capot. Le copilote studio, bah c'est typiquement euh l'âge enfin l'âge la partie qui va permettre à au métiers de créer leurs agents très très facilement par excellence. Et là, on va juste drag and drop des tools, créer notre agent, le décrire avec des instructions et le mettre en production. Ce que vous allez comprendre et ça ça se voit ici, c'est que à chaque fois c'est les mêmes étapes mais de différentes euh on va dire différentes interfaces. On choisit un modèle, on donne des instructions et on définit des tools parce qu'un agent est composé principalement de ça. Après, tu as posé la question Romain, c'est que où est-ce qu'il se positionne le framework dans tout ça ? Mais en fait, c'est le cœur de cet écosystème. Ça va être vraiment au plein milieu de cet écosystème qui nous permet de faire plein de choses. Cet écosystème agentique qui va être autour bien évidemment de Azur et Messonderie euh mais aussi qui va nous permettre d'aller plus loin dans la réalisation et la définition des agents. Et donc là, si on veut vraiment voir l'ampleur de cet écosystème agentique, bah on parle pas seulement d'agent, mais tout ce qui est nécessaire de les faire fonctionner en condition réelle parce que c'est ça qu'on cherche en vrai. On va avoir des workflow multiagent, de la mémoire court terme et long terme. Et ça, je pense que Samir va l'expliquer un peu plus dans le détail. On va voir de l'observabilité, de la traçabilité et l'évolution. Ça c'est hyper important et aujourd'hui on le trouve pas partout. Et donc avoir des KP, des métrixes sur euh les agents une fois euh mis en production, ça va nous permettre de les faire évoluer, euh de modifier des choses qui vont les permettre d'être leur permettre d'être plus efficaces. Et sans oublier, donc c'est ça que je disais sur quoi je mettais l'accent tout à l'heure, c'est la sécurité, la gouvernance et l'identité. Donc chaque agent va être associé à une une identité un ID qui va nous permettre bah de mettre des architecture très sécurisé sans avoir des problèmes de d'accès ou autre. Bah le framework s'intègre aussi nativement avec des services Azure comme le Cosmos DB, le fabrique, le Azure et Search, euh des outils développeurs comme le GitHub, le Visual Studio pour que les développeurs soient très à l'aise à pousser leur leur changement. partager leur projet et aussi ben évidemment on parlait de standard ouvert bah typiquement ça va être compatible avec les open API du MCP et du A2A. Ça c'est vraiment quand on va construire des agents aujourd'hui c'est euh on peut pas s'en passer. Les MCP Tools ultra important et les way pour faire communiquer des agents différents entre eux. Et donc on va avoir une plateforme qui va nous permettre de faire tout ça et là-bas ça va être vraiment l'agent framework qui qui va être le cœur battant de tout ce qu'on va construire. Donc si je crée un dans Microsoft Fabrique, je peux créer des dates agents. On a enregistré une vidéo récemment sur le sujet. Tu peux le rajouter comme connaissance à ton ta agent que tu à ton agent que tu vas créer via le framework. Oui. Alors, il y a limite deux manières de faire. Il y a soit je vais l'ajouter autant que tools un mon agent et donc il va pouvoir faire appel à ce data agent sans problème. Après, je peux aussi construire mon MCP serveur qui définit ce data agent et l'appeler aussi. Aujourd'hui, on doit le faire à la main et le faire nous-même. Mais je pense sur la roadmap, ça arrive pour que le data agent soit exploitable depuis euh un MCP serveur. Et ça, ça va vraiment simplifier euh cette connexion entre les différents agents qu'on va trouver dans un écosystème euh Microsoft. Et donc l'objectif est clair, c'est vraiment d'avoir Microsoft Framework étant le cœur d'un écosystème très ouvert, très extensible et prêt à être mis déployé en entreprise sans problème. Bah maintenant que le cadre un peu il est posé, on va passer à quelque chose de plus concret. Et là Samir, il va nous expliquer plus dans le détail bah c'est quoi le Microsoft Alien Framework, qu'est-ce que ça nous permet de faire et jusqu'où on peut aller avec ce nouveau framework. Effectivement, rentrons dans le vif du sujet avec Microsoft Edent Framework. Donc, on l'a déjà un petit peu tiré juste avant. Donc c'est le service qui permet open source qui permet de construire et orchestrer des agents I intelligents. Euh bah faut savoir qu'aujourd'hui le projet est en public preview. Il sera bientôt disponible en general availability, mais euh voilà, aujourd'hui, vous pouvez l'utiliser pour euh construire vos premiers workflow d'agent et euh la generality sera disponible très très bientôt. Euh voilà, comme on l'a spécifié, on a la disponibilité d'avoir des standards ouverts, c'est interopérable avec beaucoup de beaucoup de services. Également, ça sert de pipeline pour la recherche mais c'est également compatible pour la production. Euh et command list open source. Donc c'est maintenu et développé par une très large communauté, que ce soit Microsoft, mais également à l'extérieur. Et donc c'est euh aujourd'hui la solution recommandée par Microsoft pour construire des workflow multiagents. Euh d'où vient l'émergence du projet ? Alors faut savoir qu'à la base côté Microsoft, on avait deux frameworks qui permettaient de construire des agents, des m des systèmes multiagents. Donc on avait d'un côté sémantique kernel pour ceux qui se rappellent et Autogen. Donc sémantique kernel c'était un enfin c'est toujours un SDK très complet qui permet de construire des agents uniques. C'est ça la spécificité, c'est que c'est très simple pour construire des ces agents uniques avec une grande variété de tools et que la partie multiagent, elle était possible mais elle était un petit peu difficile à mettre en œuvre. Euh, il y avait une intégration avec l'écosystème Azure qui était qui était assez simple. Donc, on pouvait l'intégrer avec la télémétrie sur du App Insight, on pouvait l'intégrer facilement avec du AI search comme A dit précédemment. Mais voilà, pour l'orchestration multiagent, c'était assez complexe. À côté de ça, on avait on a toujours autogen. Donc Autogen, c'est un framework de recherche cette fois-ci qui permet de construire des workflow multiagents cette fois-ci. Donc on a déjà des primitives qui sont disponibles dans le dans le framework qui permettent de faire de l'orchestration. Donc soit pour avoir des agents séquentiels parallèles et cetera. On reviendra après sur les différents types d'agent. Mais voilà, l'idée c'était d'avoir des euh des des primitifs qui permettaient de faire des des des chaînes d'agents directement sans avoir à à à fournir du code supplémentaire. Mais le désavantage en fait, c'est que c'était très peu intégré à à l'écosystème Azur. Donc pour gérer l'identité, la sécurité et cetera, c'était pas la solution qu'on préconisait. Tu es en train de nous dire que avant on avait deux manières de faire et la jeune framework qui est sortie après ces deux framework qui existait déjà chez Microsoft. Est-ce que tu peux nous dire un peu plus pourquoi et c'est quoi les plus qu'on va avoir en passant sur l'agent framework ? Effectivement alors euh aujourd'hui euh la solution qui est maintenue et développée par Microsoft, bah c'est Agent Framework. Et donc l'idée comme on l'a dit précédemment en fait, c'était de réunir le meilleur des deux mondes. Donc réunir les capacités de d'intégration à l'écosystème Microsoft de sémantique kernel et également la flexibilité et la simplicité de développer des orchestrateurs multiagents d'Autogen. Et donc vous verrez tout à l'heure dans la démo, c'est que aujourd'hui pour construire des workflow multiagents, ça reprend le même paradigme que Autogen. Autogen pardon. Et alors concrètement ça ressemble à quoi ce nouveau framework ? Bah très bonne question Romain. Euh tu l'as dit au début, on dispose de deux API en Python et en DNET pour bah pour développer des agents code first dans agent framework. Euh si on revient un petit peu à la manière dont le dont le framework a été pensé par les les développeurs Microsoft, euh bah le but c'était d'être le plus simple possible. Euh donc on a trois primitives principales sur laquelle on va on va greffer différentes enfin on va greffer toute la logique toute la logique des projets. Donc on a euh ce qu'on appelle lay agent donc c'est un une primitive qui permet en fait de d'abstraire la manière d'appeler l'agent. Et maintenant dans ce nouveau framework, en fait le mode de fonctionnement tourne autour de l'argent à la différence de sémantique carnel par exemple où en fait on instancia un carnel et on développait tout un tas de tout un tas de fonctionnalités autour de ce ce kernel là et en fait c'était un petit peu abstrait, c'était pas forcément intuitif. Là aujourd'hui comme on parle beaucoup d'agents d'agent donc les développeurs se sont dit de bah finalement de bah de construire cet objet agent et en fait d'intégrer tout un tas de capacité autour de cet objet. Et l'idée c'est de facilement pouvoir lui adosser un LM sans avoir à reconner toute la logique ou appeler différentes classes. Donc qu'on lui adosse un Open AI GPT5, GPT4 ou un Deepsic, euh ça va se configurer au niveau des paramètres. C'est vraiment euh simple à simple à manipuler d'un point de vue code. Euh à côté de ça, bah on adosse à l'agent ce qu'on appelle le Fred. Donc dans la mesure où on a différents types de mémoires, les mémoires court terme et long terme, euh dans le cas de la mémoire court terme, bah le Fred en fait euh est directement adossé à à l'agent. Mais dans le cas où on a des workflow qui peuvent durer plusieurs jours, où on a besoin d'avoir des réponses qui interviennent à beaucoup plus tard et cetera, bah il y a besoin d'avoir une persistance de la mémoire et c'est là qu'intervient la notion de Fred. Et donc c'est un objet à part entière dans lequel on va euh stocker le dans des bases de données qui peuvent être de différents types. La mémoire de l'agent, la mémoire long terme de l'agent. Et enfin, on a la partie tool. Donc le tool, c'est euh c'est une notion assez large en dans Microsoft. Un tool, ça peut être un serveur MCP, ça peut être un euh une une base de données. Enfin, il y a plusieurs manières de de définir un tool. Et l'idée tout simplement ça va être de d'avoir une base de connaissance qu'on va adosser à l'intelligence de l'agent. Merci Samir. Maintenant, on a très bien compris comment construire un agent quand on crée un agent à partir du MS Framework. Euh j'ai abordé tout à l'heure le sujet de pouvoir prototyper en local, faire tourner en local et ensuite pousser dans le cloud facilement. Est-ce que tu peux nous expliquer un peu plus dans le détail comment ça se passe ? Effectivement Aya, merci pour la question. Donc j'insiste sur le fait que Edent Framework a été pensé pour être local first et indépendant du cloud. Donc en pratique, ça veut dire qu'un développeur peut démarrer son agent local sur son PC, le faire tourner, le tester sur le avec le SDK de son choix. Donc que ce soit du open API ou le SDK standard Open AI, le SDK fonder donc c'est vraiment agnostique du SDK. Tu n'es pas vender loqué finalement. Non, tu n'es pas vendor loqué. C'est c'est de l'open source. Voilà, même s'il y a des intégrations Microsoft qui sont facilitées, mais dans la pratique, c'est cloud agnostic. Effectivement, super. Ensuite, le même code de l'agent qui aura été développé en local et testé pourra être développé pourra être déployé tel que tel quel sur fonder agent services dans le cloud ou sur n'importe quel autre conteneur cloud, ce soit du AWS, du GCP ou même sur du des VMAN. C'est là qu'on voit bien l'aspect cloud agnostique. Donc le framework comme on l'a dit, il est pas verrouillé à Azure ou un cloud spécifique. On peut le faire tourner voilà sur une VB, dans Cubernetes, dans AKS ou sur n'importe quel autre fournisseur que ce soit aussi bien le le radtime.net ou le runtime Python. Ensuite là sur la slide, on voit la notion donc de runtime partagé et de SDK unifié. Et donc l'idée c'est d'avoir une continuité totale entre le code qu'on exécute localement et ce qu'on déploie en production. On développe le code une fois et après on peut le déployer partout. B c'est super Samir. Maintenant on a compris comment créer un agent avec le AG Framework. On a compris comment avoir cette portabilité assez facile entre local et dans le cloud. Maintenant la question qui se pose c'est comment l'orchestration multiagent que ça se passe dans le MS Agent Framework. Est-ce que tu peux nous expliquer les différentes manières de faire ? Jent framework en fait hérite comme on l'a dit précédemment de autoen pour tout ce qui est orchestration avancée d'agent. Donc là vous voyez différents schémas pour orchestrer vos agents. Donc là on peut voir que bah chaque box en fait représente un agent et il y a plusieurs manières d'orchestrer les agents de manière native via le framework. Et donc ces schémas hérites de de autogen comme on l'a dit précédemment tout en bénéficiant des workflow durables de sémantique kernel. Ça veut dire que par-dessus ces agents, on va pouvoir connecter des couches d'observabilité, de sécurité, d'identité et voilà et intégrer vraiment tout l'écosystème Azure. Alors, est-ce que tu peux rentrer un peu dans le détail par exemple dans séquentiel ? Est-ce que c'est l'agent A qui va appeler un agent B alors que concurrent c'est l'orchestrateur qui va envoyer des infos à à certains agents ? Est-ce que tu peux rentrer dans le détail ? Euh effectivement, tu as une bonne intuition euh Romain. Euh il y a plusieurs patterns qui qui existent au sein du framework. Donc on va rentrer dans le détail de chacun des patterns. Euh pour la partie séquentielle effectivement tu as eu la bonne intuition. Donc là c'est des agents qui travaillent à la chaîne. Donc on a voilà c'est vraiment le pattern le plus simple on a un on commence par donner une tâche à un premier agent qui va produire un résultat. Ce résultat va être transmis au second agent qui va continuer le travail et cetera jusqu'au dernier agent qui va produire un résultat. Et donc à chaque agent, comme on le voit ici, on peut le on peut leur adosser des tools, des modèles, des bases de connaissance. Et l'idée en fait, c'est que euh l'état global du workflow est partagé. Ça veut dire que euh bah tous les agents en fait euh ont accès à la à une mémoire partagée. Bah, le mode de d'orchestration un petit peu euh opposé à celui qu'on vient de voir précédemment qui était le séquentiel, bah c'est le mode concurrent. C'est un petit peu la même analogie que ce qu'on pour ceux qui ont des cours de d'électricité à l'école entre le branchement en série et le branchement en parallèle. Euh l'idée ici c'est on va avoir un premier agent orchestrateur à qui on va envoyer une entrée et en fait les différents agents euh voilà ici on a l'agent 1 jusqu'à l'agent N vont recevoir la même instruction en même temps en parallèle. Et euh l'idée bah ça va être qu'ils vont devoir prêter la même instruction et chaque agent en fait va être spécialisé dans une Ouais. chacun avec leur expertise et après et après comment tu fais pour euh pour corréler finalement ces différents résultats ? Bah après l'idée ça va être qu'on va avoir un comme la mémoire va être partagée entre les entre ces différents agents, on va être en mesure d'agréger les résultats produits par ces différents agents et de et en fait d'avoir une réponse agrégée d'experts qui va être retourné à la suite. OK ? C'est l'idée et ça ça ira dans le sens de la démo tout à l'heure. Vous verrez que la démo reprendra ce pattern là. Le mode de fonctionnement suivant, le pattern suivant donc c'est le groupe chat. Donc le groupe chat, c'est quoi ? Faut essayer d'imaginer ça comme un peu un débat. Donc dans un débat, qu'est-ce qu'on a ? On a un personne qui organise le débat et qui donne la parole à à différentes personnes et qui veilleent à ce que le les temps de paroles soient équilibrés, à couper la parole à la personne qui qui parle, à demander des suppléments d'information, à interroger la bonne personne en fonction du contexte. Ben, c'est exactement l'idée qu'on va avoir ici. Donc on a un agent qu'on appelle groupe chat manager qui est l'agent orchestrateur et en fait va il va décider de de donner la parole à un agent en fonction de son domaine de compétence et c'est lui qui va un petit peu guider l'orchestration de comment on comment on interagit et comment le le les échanges se font entre les différents agents et il pourra être capable de couper la parole à un agent si les informations vont pas dans le bon sens à demander des informations supplémentaires et cetera. Alors, le mode suivant donc c'est le hand of pattern. C'est un dérivé de celui qu'on a vu précédemment. Euh l'idée c'est quoi ? Ça va être de faire de de la délégation dynamique de contexte en fonction de la spécification la spécificité de l'agent qui va être capable de bah de répondre à la à la question posée posée par l'agent précédent. Je m'explique, c'est un mode qui est principalement utilisé dans le cadre du support. Supposons voilà que vous ayez un ticket à soumettre à à une à un système de ticket. Le premier agent qui va être l'agent de premier niveau va pas être capable de répondre à la question. Donc qu'est-ce qu'il va faire ? Il va agréger les informations que vous allez lui donner et va lui et va les soumettre à l'agent de niveau 2. L'agent de niveau 2 va chercher à répondre à la question. Il va être plus spécialisé dans certaines tâches techniques, on va dire. Et s'il peut pas répondre, il va déléguer l'agent niveau 3 et cetera. Donc on peut avoir plusieurs niveaux. Et une fois que bah l'agent un agent à un certain niveau a réussi à répondre, qu'est-ce qu'il va faire ? Bah il va retourner ça à il va retourner résultat tout simplement. Donc voilà, tout simplement l'idée c'est d'avoir une délégation de contexte et de et de voilà de contexte en fonction de la de la difficulté du prompt qui a été soumis au au système multiagent. Et enfin, le dernier pattern qui est le plus complexe et le plus à la fois le plus complexe mais le plus facile à se représenter, c'est celui qu'on appelle le magtic pattern. Donc là, l'idée en fait, c'est d'avoir une orchestration multiagent qui est dans un cas où le problème à résoudre est ouvert et complexe. C'est une sorte de combinaison, enfin d'une version plus avancée du groupe chat qu'on a eu précédemment et du handoff combiné. Donc là, l'idée en fait, c'est qu'on a pas de plan défini à l'avance. comme on l'a vu précédemment, bah c'était l'exemple, c'était pour résoudre des tickets. Donc là, c'est des tâches qui sont assez définies et et dont on connaît l'output et l'input. Donc on est capable de d'avoir un plan en fait. Mais dans le cadre du dans le cadre du mattic pattern, l'agent manager qu'on voit à l'écran euh ou qu'on appelle aussi gestionnaire va construire la stratégie de résolution des des problèmes au fur et à mesure du du de la réflexion. Donc l'idée ça va être de recueillir des informations et d'affiner progressivement en fonction des objectifs. Euh l'autre terme qu'on peut donner bah c'est le c'est en fait on appelle ça un task ledger et il fait une liste dynamique de ce qu'il faut faire et évolue en fonction des retours de l'agent. Si vous êtes euh si vous utilisez euh chat GPT ou d'autres solutions comme ça, généralement quand vous posez une question assez complexe, vous voyez des petits message qui s'affiche euh dans l'écran euh de de recherche pendant que ça pendant que ça mou déjà les étapes qui va avoir à faire à traiter, c'est ça en réel. Exactement. Ouais. Et c'est sur ce même principe là que fonctionne ce pattern là. Et donc quand est-ce que tu vas choisir un pattern plus qu'un autre ? Euh bah le choix du pattern va dépendre du cas d' usage tout simplement. Euh bah on l'a vu précédemment, si vous êtes dans des cas de résolution de tickets, c'est un cas qu'on rencontre beaucoup aujourd'hui dans le bah dans dans le cadre de notre travail de CSA. La recommandation qu'on faite, bah c'est souvent le hand of pattern, mais dans les cas où euh où on on est censé avoir des des orchestrations assez déterministes et séquentielles, ça revient souvent. Ça veut dire une fois qu'on a une une sortie, bah transmettre cette sortie à l'agent suivant et cetera. Bah là, on va recommander par exemple l'agent séquentiel. Donc le choix se fait en fonction du cas d'usage du client et de la manière de dont on souhaite implémenter le la solution. Merci Samir. En tout cas, moi je trouve hyper intéressant tous les choix qu'on a en terme de pattern dans le framework parce qu'on passe de quelque chose qui était très basique avec soit un orchestrateur qui va avoir des sous-agents collaborateurs ou juste un agent spécialiste. Mais là, on a vraiment des choses plus efficaces et plus détaillées. Après, des agents intelligents n'ont de valeur que s'ils peuvent agir dans un écosystème d'information existant. Donc avec le MSCGN Framework, tout peut que ce soit des fonctions, des API, des services internes ou des serveurs MCP, euh l'objectif est simple, c'est de pas repartir de zéro quand on va construire notre agent. Euh bah on va avoir des intégrations déjà prêtes à l'emploi avec les systèmes d'entreprise, les bases de données, les SAS et les API un peu standard. Et puis l'agent peut être défini de manière un peu déclarative. Donc par exemple en Yamul euh on peut préciser quel outil nécessite la validation humaine. Typiquement dans la résolution de ticket, on peut avoir besoin de cette validation et le human in the loop. Euh et après on va le but c'est aussi de garder la flexibilité au développeur pour qu'ils puissent profiter de cet écosystème qui est hyper riche en terme de tools et de fonction. Mais d'ailleurs, j'ai parlé de quelque chose d'important au tout début. Euh c'est la l'importance d'avoir du monitoring et du tracing euh sur nos agents encore plus quand on a une architecture multi-agent. Et pour ça, je vraiment que tu m'expliques Samir comment ça se passe avec le MS Agent Framework. Euh effectivement, bah merci pour la question A. Donc euh effectivement, la télémétrie, c'est très important. Bah, de savoir euh euh quelles sont les réponses des agents, quand est-ce que les agents ont craché, euh quel est le coût de mes agents finalement parce qu'il y a il y a toute cette partie aussi euh monitoring des coûts qu'on a pas abordé. Euh et donc l'idée c'est déjà d'avoir on a beaucoup parlé d'interopérabilité donc déjà d'avoir l'intégration avec un un framework interopérable qui est open télémétrie euh voilà qui est un framework open source qui permet de connecter euh énormément de de services à à cet outil là pour bah pour en fait avoir de la télémétrie provenant de différentes différents canaux. Donc il y a cette connexion entre cette intégration d'open télémétrie au au à Microsoft et John Framework. Et là bon, on va un petit peu prêcher pour notre paroisse. Bah là c'est des screens de app. Et donc l'idée c'est c'est qu'on est capable une fois les span open télémétrie collectés bah de les envoyer dans appinite et après de faire du du logging assez classique pour aller euh lancer des requêtes KQL pour aller vérifier euh ce que telle telle ou telle requête a donné et cetera. Euh les coûts voilà comme on a dit bah avoir toute la toute cette partie tracing comme on le voit à l'écran. C'est parfait, très clair. Je pense maintenant on a fait le tour, on a beaucoup parlé mais on aimerait bien voir ça, voir de plus concret une démo. Voilà. Bah allons-y pour la démo. Euh commençons par une un petit schéma d'architecture pour vous expliquer ce qu'on va montrer lors de cette démo. Euh bah l'idée voilà, c'est de montrer les capacités de Microsoft Agent Framework bien sûr. Et bah ce que je voulais démontrer c'était d'utiliser l'un des patterns qu'on a eu précédemment. Donc ici le pattern euh concurrent euh comment ça va fonctionner ? Bah, on va se mettre dans la peau d'un voyageur. Euh voilà, on veut organiser un trip de plusieurs jours et on a besoin de d'avoir des informations pour de vols, savoir quel vol on va prendre en fonction de de nos contraintes, quel hôtel on va réserver et quel itinéraire on va on va choisir. Donc ces trois agents là, la sélection des vols, le choix des hôtels et la partie itinéraire, elle peut être fait de manière concurrente. Ça veut dire on n pas besoin d'attendre le retour de de de l'agent hôtel pour lancer l'agent Flight. Donc l'idée ça va être quoi ? ça va être de au sein du pattern de de concurrent, bah en fait de lancer ces trois agents en même temps, de collecter les réponses et après derrière bah de retourner le la réponse agrégée de ces trois agents pour avoir une réponse structurée de comment le voyage va s'organiser, de l'itinéraire qu'on va faire et des des vols qu'on va réserver de et des hôtels qu'on va réserver également. Euh donc on a instancier trois agents. Donc la démo, je l'ai faite en local. Voilà, pour vous montrer que tout est tout est développable en local. Euh à chacun des agents, enfin aux deux premiers agents, j'ai adosser des serveurs MCP. Donc pour la partie euh flights, donc je ne suis pas passé par des API internet, mais j'ai simulé des des des vols. Donc j'ai inventé des vols, je vous montrerai tout à l'heure. Et pour la partie hôtel, par contre là, je me suis appuyé sur un vrai serveur MCP. Donc, j'ai créé un compte sur Serpi, qui permet d'aller récupérer des données de d'hôtel sur sur Google. Et euh et après l'idée en fait, ça va être par rapport au contexte qu'on va fournir à l'agent, bah d'aller récupérer les bonnes informations des hôtels par rapport à des prix ou des des des contraintes que j'aurais fixé et en fonction des nuits et des contraintes que j'aurais fixé, bah de me recommander les bons hôtels et cetera. Et enfin bah sur la partie itinerary adjent là c'était juste pour vous montrer la capacité en fait d'avoir un un local tool et donc de lancer une fonction pé python en local. Voilà. Donc là j'ai ouvert vs code. Donc euh bah j'ai repris un petit peu l'architecture qu'on a présenté précédemment. Donc j'ai mes deux scripts qui instancent mes deux serveurs MCP. Ici, on regardera le contenu tout à l'heure. Et là, c'est la fonction main en Python qui bah qui va définir toute la logique euh du workflow d'agent euh concurrent et donc après bah qu'on va exécuter pour avoir le retour. Donc là, si on rentre dans le détail, j'ai mes différents imports. Voilà, donc sans Python, hein, on voit bien. Donc là, j'importe du pas identique. Euh sur Ad Framework, bah j'apporte le chat adjunent qu'on a vu précédemment qui est le bah en fait qui permet de définir le client chat. Et à ça, je vais adherosser mon LLM. Euh le concurrent de builder, donc c'est le pattern qu'on a eu précédemment qui permet de de définir un workflow de d'agent concurrent, euh la partie MCP et euh le le monol local qui va exécuter une fonction Python quand le LLM va juger que c'est nécessaire de l'appeler et après derrière elle va retourner du code Python. Et donc on est d'accord là quand tu as appelé le concurrent builder dans ton agent framework, ça va dépendre aussi de l'architecture ou le pattern que tu as choisi. Typiquement si j'ai choisi le séquentiel euh j'allais appeler séquentiel builder à la place. Exactement. Euh c'est ça ? Ouais. Euh donc là je le client euh Azure que j'utilise enfin le client euh de de de chat qu'utilise donc c'est le open Ail. Donc là c'est ma fonction ma ma fonction locale qui permet de construire mon itinéraire. Donc en gros ce qu'elle prend elle prend l'itinéraire. Donc là c'est le donc là c'est le prompt que j'ai défini en entrée. Donc c'est le parcours le roetrip que j'ai essayé de faire. Donc là, on l' retrip en fait, c'est à Seattle. Donc on va partir du principe que je vais à Seattle en avril pendant 5 jours. Et donc il y a différents endroits que j'ai envie de visiter. Donc il y a le marché au poisson pour ceux qui connaissent euh pour aller manger du street food et cetera. Euh voilà. Donc là c'est les différentes choses que j'ai envie de visiter. Euh Space Needle le jour 2. Donc ça c'est le jour 1. Le jour 2 aller voir Space Needle pour avoir une vue sur la ville et le et la vue sur le Montraigné. Euh également voir le musée euh et manger à Capital Hill qui est un quartier un peu un peu un peu festif. Euh jour 3, donc c'est aller faire une petite excursion en nature. Donc voilà, j'ai envie d'aller faire une randonnée et d'avoir une vue panoramique sur le lac et après voilà, j'ai d'autres activités le jour 4 et 5. Et donc l'idée de mon workflowage antique, bah ça va être de reprendre un petit peu ce ce plan ce plan de de de visite que j'ai mis et avec les API de euh pour aller voir chez les hôtels en fait, d'aller d'aller récupérer des hôtels qui sont à proximité de ces lieux-là et de me faire des recommandations de nuit pour pour avoir mon roipp qui est bien prévu. Donc voilà. Donc ça c'est ma fonction qui va me retourner le voyage à Seattle avec le nombre de jours et cetera. Sachant que bon là, j'ai défini déjà le voyage, j'aurais pu être bien moins précis, j'aurais pu mettre un plan bien plus bien plus général, large. Ouais, large. Et voilà. Et laisser le LLM en fait me faire des suggestions de de lieu à visiter. Mais là, j'ai fait le choix en fait de bah des des lieux que j'allais visiter tout simplement. Donc là, c'est mon tout le local que j'ai défini. Euh voilà. Bon, là, c'est juste une petite fonction parce que les outputs sont un peu bruts. Donc là, c'est juste pour parcer un peu la l'output qu'on aura sur le sur le le terminal. Voilà. Bon, je vais vite sur cette partie là. Et donc là, on rentre dans la partie main. Donc les donc c'est comment le l'orchestration va se faire entre mes agents. Donc voilà, là c'est la définition de mon de mon chat API. Donc c'est très très simple. J'ai juste à définir donc ça c'est une fonction de framework. J'ai juste à instancier mon client chat euh et après lui passant à paramètre ma clé API, mon modèle. Donc là c'est un GPT 5 mini de mémoire et mon endpoint open AI. Donc là, le modèle est hébergé sur fonderie. Donc j'ai construit enfin j'ai déployé mon modèle sur fonderie. Donc, j'ai ma clé, mon déploiement et ma et mon endpoint et je les passe en paramètres dans mon dans mon dans mon fichier d'environnement qui est ici. Euh là, je définis donc mes serveurs MCP, donc la partie MCP pour le les hôtels. Euh donc ce qu'il va faire c'est qu'il va aller appeler donc les ce fichier qui est ici en pardon ici. Euh et donc comme j'ai dit tout à l'heure en fait c'est des vols fictifs que j'ai placé pour ne pas aller appeler des API l'API Google par exemple mais directement récupérer via une une fausse base de données en fait des des des vols. Donc là j'ai simulé des vols voilà un vol Air France de de Charles de Gaul la Seattle à un certain prix d'une certaine durée et cetera. Donc voilà, il y a plein de vols que j'ai simulé et également des vols retour. Et donc le but en fonction des paramètres que je vais spécifier de bah c'est de va d'aller récupérer le bon vol. Par exemple, voilà, si je spécifie que j'ai pas envie d'avoir d'escal, bah le but enfin le LM en fait va être capable de me recommander le bon vol avec sans escal par exemple. Donc on est d'accord là, tu as choisi de simuler ton ta base de données directement dans ton fichier. On aurait eu le choix soit d'aller taper dans une base de données externe qui elle contient tous ces informations ou d'aller chercher directement dans des sites dans des sites web qui ont ces informations aussi. Exactement. Euh il y a des enfin les il y a pas mal d'APIs structurés qui permettent de faire le bah d'aller récupérer des des informations de vol, mais j'ai préféré voilà pour euh pour des besoins de simplicité en fait de de de le simuler. Mais je l'ai pas j'ai pas fait ça pour la partie hôtel. pour la partie hôtel, je suis vraiment allé récupérer euh j'ai instancié une clé serpi. Donc Serpay, c'est un service qui permet d'aller euh récupérer différentes informations sur le net, notamment tout ce qui va être euh Google Hotel et en fait d'aller récupérer des informations sur des hôtels avec des dates de checkin et cetera. Donc là, lors de lors de l'excusion de la démo en fait, ce sera des vraies informations sur des vrais hôtels que qu'on va récupérer. Donc là, ce sont mes deux serveurs MCP qui que j'instancie. Euh là, c'est juste pour vérifier qu'il tourne que qu' tourne bien. Donc on passe par HTTP pour les pour les exécuter. Donc voilà, là c'est je fais des ping sur les serveurs. Euh et donc là, ce sont mes deux agents, donc l'agent Flight et l'agent hôtel comme j'ai dit tout à l'heure. Donc là, voilà, c'est le prompt. tu es un agent de recherche de vol, tu dois absolument utiliser des outils MCP pour rechercher des vols parce que il y avait des petits des petits effets de bord tout lors de mes tests. Euh voilà, donc un vol CDG Seattle et Seattle CDG euh présente les ressources sous cette forme là, compagnie vol et cetera. Donc voilà, soit concis. Voilà, donc ça c'est du prompt engineering assez classique. Et pour reprendre un petit peu le l'intérêt de d'ent framework, donc vous voyez que c'est très simple. Donc j'instancie mon agent avec le chat agent, je lui donne un nom, euh je récupère le client open API que j'ai défini juste audessus, open API pardon, j'ai Open AI pardon, que j'ai défini juste au dessus. Euh et après je lui passe en tool le flight MCP que j'ai défini ici. Et donc voilà. Donc là, j'ai mon agent avec son modèle et ses tools et c'est tout. Voilà, c'est assez rapide à instancier. Ouais, c'est ce qu'on se disait au début, enfin ce qu'on expliquer au début, c'est que ça reste assez basique. On définit des instructions, un modèle, des tools pour construire notre agent. C'est ça. Euh, ça c'est le deuxième sur les hôtels. OK. Ouais. Ouais. Même paradig pour les hôtels. Donc même logique, sauf que j'appelle le tout MCP. Et sur la partie itinéraire euh bah là en fait euh bon là c'est vraiment le plus simple possible puisque j'ai déjà défini l'itinéraire donc il y a pas vraiment de de de recherches qui vont être qui vont être faites. J'ai déjà ma ville, j'ai déjà mon nombre de jours. Là je spécifie un peu les intérêts. Donc j'ai envie de goûter la nourriture locale, la nature, la technologie et cetera. Et je lui dis comment un petit peu formuler la sortie. Donc voilà, là c'est euh assez contraint mais voilà, c'est juste pour vous montrer que il est capable d'aller appeler des fonctions Python euh dans le code. Et la magie opère ici. Donc là, je définis mon concurrent de builder euh qu'on a défini lors des imports de fonction. Donc là, c'est le pattern séquentiel euh euh euh parallèle, pardon. Euh je définis bah les différents participants qui vont interagir en parallèle, donc mes trois agents, le flight, l'hôtel et le l'itinéraire. Euh je dis d'agréger les résultats sous la forme d'un d'une réponse. Euh et après bah là c'est pour construire le le workflow. Et après derrière ce workflow, je vais l'appeler un peu plus bas euh ici. Voilà, de manière asynchrone puisque les agents trôent de manière asynchrone. Et là, c'est la requête, le prom enfin le point d'entrée sur tout le workflow où j'explique voilà que je veux aller à Seattle en avril 2026 depuis Paris le 10 avril, retour le 15 avril avec ce budget avec un prix un coût d'hébergement maximum de 150 dollars par nuit et que j'ai envie et que je suis intéressé par ces différentes choses. Donc voilà, vous voyez que l'orchestration est enfin la logique est assez simple et là il y a le main. Donc là, juste pour vous montrer, j'ai mes deux serveurs MCP qui tournent ici. Donc là, le MCP Flight et le MCP euh Proxy euh pardon hôtel. Et donc mon script qui permet de d'exécuter toute cette toute cette logique. Je vais la lancer. Voilà, Samoline. Donc voilà. Donc on fait la vérification que les serveurs MCP sont bien fonctionnels. Donc les deux les deux répondent. Ils sont ils tournent sur les ports euh 8001 et 8002. Et donc là, j'ai mes trois agents qui travaillent en parallèle. Donc le serveur local euh enfin le le la partie euh tool locale euh celui qui va récupérer les vols par ici et celui qui va récupérer les données Google Serpay. Ça c'est des données réelles. Est-ce qu'il se partage des informations entre eux ? C'est-à-dire que j'ai déjà trouvé l'hôtel, donc je vais peut-être trouver l'itinéraire par rapport à ça ou non ? Là, c'est vraiment en parallèle et c'est à la fin que je vais consolider le résultat. Ouais, c'est exactement ça. C'est à la fin que les résultats sont consolidés. OK. Donc ici, on a le format final output qui va être injecté plus bas et donc qu'on va qu'on va récupérer. Euh voilà, qui va qui va nous permettre en fait d'avoir le la réponse finale par rapport au par rapport au modèle. Et donc là, j'ai bien la réponse. Donc là, si je reviens au début, voilà, comme je dis, j'ai parcé un peu les réponses pour que ce soit un peu lisible. Voilà. Euh donc voilà, là c'est mes 5 jours, il me fait mes recommandations de vol. Euh aller retour. Donc j'ai été assez large sur le choix mais j'aurais pu spécifier sans escal avec escale. J'aurais pu mettre dans le promte que je veux pas d'escale. Euh là il me fait les recommandations par rapport au prix puisque je lui ai dit qu'en fait je voulais que ça coûte pas trop cher. Donc il m'a recommandé les vols des moins chers si je vérifie bien sur les hébergements. Donc là là c'est des vraies données de d'hôtel en fait. Euh là, si on vérifia au niveau du serveur MCP, on voit qu'il a fait des vraies requettes. Euh là, si je suis bien, non, c'est l'autre. Il a fait des vraies requêtes à à Serpaper récupérer les données des hôtels. Euh voilà. Donc là, il me fait des recommandations pour les différentes pour les différents jours et il me donne des notes et des descriptions. Donc là, par exemple, il me recommande ce cet hôtel pour la première nuit, c enfin là, il fait pardon différentes recommandations d'hôtel. et à la fin, il me fait les trois meilleures recommandations par rapport au critères. Donc c'est le prix surtout que j'ai que j'ai où j'ai été strict et euh et voilà. Et là, il reprend un petit peu ce que j'avais dit par rapport au par rapport au au séjour. Donc effectivement, ça c'était assez contraint. Voilà, jeais bien dit que je voulais PL Market le premier jour, Space Tindle. Donc là, il a pas eu à inventer mais j'aurais pu être beaucoup plus large et voilà, j'aurais pu le laisser me faire mon road trip quoi. Ouais, là tu es un peu restreinte la créativité, on va dire, du modèle pour te proposer quoi que ce soit. ton prend enfin tes instructions elles ont été très très précises et là on revient à une problématique enfin une problématique quelque chose de très majeur les instructions qu'on va donner à nos agents sont primordiales et c'est ça qui va avoir enfin des résultats plus ou moins bons selon nos attentes. Exactement. Toute la partie prompt engéering est est cruciale pour ce genre de pour ce genre de travaux. Super. Donc là, on rappelle he tu es en local mais on a dit que c'était une grande force de ce framework que de pouvoir passer à l'échelle et en production rapidement. Alors, quelles seraient les prochaines étapes si tu voulais l'industrialiser ? Bah effectivement, si je veux l'industrialiser, donc d'une part, il y a la partie télémétrie dont on a parlé où en fait on va être l'idée, ça va être de bah d'envoyer des logs euh que ce soit sur fonder ou sur n'importe quel n'importe quel cloud, n'importe quel conteneur qui exécute les agents à distance. Euh et l'idée euh d'un point de vue code, c'est très simple. On va avoir des des classes qu'on va pouvoir importer sur la partie télémétrie qui hérite de edge framework. Et en fait, ça va juste être des des des fonctions de wrapping qu'on va placer dans le code. Donc typiquement euh on va être capable de de de lui dire euh récupère-moi le nombre de tokens qui a été consommé. Enfin, par défaut, il va afficher le nombre de tokens qui a été consommé, les différents appels des agents, des tools et en fait toutes ces donnéesl vont être stockées automatiquement. Et bon là, comme on est dans le cadre Microsoft, j'ai fait des enfin j'ai fait des exemples sur fonderie. Euh les informations sont envoyées directement dans votre projet fonderie euh dans votre projet fonderie et après derrière vous pouvez les les retrouver et cliquer dessus sur l'onglet tracing de votre projet fonderie pour ceux qui sont familiarisés. Et directement sur ces informations là, vous avez bah les les cols qui ont été réalisées, le temps des requêtes, les requêtes qu'on fail et cetera. Donc toute cette partie-là, elle est elle est intégrée directement. Ah super Samir pour la démonstration. C'était vraiment très très intéressant de voir ça de près de voir tout ce que tu as construit avec MS Framework. Et en fait, on a compris que euh ce qui nous imp ce qui nous apporte exactement, c'est un socle unifié, assez ouvert, orienté développeur euh et surtout prêt pour l'entreprise. Donc ça nous permet de passer de cette expérimentation locale à la production sans vraiment avoir de rupture. Euh tu nous as parlé aussi de la partie observabilité open télémétrique qu'on va avoir sur nos projets fonderies quand on va les partager. Et donc l'objectif c'est pas seulement de construire des agents mais c'est vraiment d'avoir cette véritable plateforme qui est capable d'évoluer, de s'intégrer avec tout l'écosystème existant. Donc en résumé, on va avoir moins de friction, plus de contrôle et une voie assez claire pour industrialiser les agents IA à grande échelle dans la vraie vie. Super. Ben merci beaucoup à vous deux. N'hésitez pas en commentaire à poser des questions ou à nous dire ce que vous en pensez de vos premiers tests de la solution du framework qui est actuellement en preview, on peut le rappeler. Merci Aya, merci Samir pour cet échange et super démo. On vous dit à bientôt sur la chaîne Fardata. À bientôt. Merci. À bientôt. --- ## Surge Protection dans Microsoft Fabric URL: https://www.pharedata.fr/videos/surge-protection-dans-microsoft-fabric Publié: 2026-02-06 Durée: 23:20 Sujet: microsoft-fabric Mots-clés: microsoft-fabric, surge-protection, gouvernance, capacity-management, workspace, power-bi, demo, optimisation ### Résumé La Surge Protection de Microsoft Fabric permet d'éviter qu'un Workspace ne consomme toute la capacité, en imposant des seuils de consommation. Depuis janvier 2026, le contrôle s'applique au niveau Workspace, offrant une gouvernance plus fine. La vidéo détaille la configuration, les stratégies d'optimisation, les limites techniques et propose une démonstration du mécanisme. ### Points clés - Depuis janvier 2026, Surge Protection permet un contrôle par Workspace, offrant une gouvernance plus fine sur la capacité Fabric. (1:00) - La version V1 de Surge Protection limitait les activités background dès qu'un seuil de consommation était atteint, protégeant les activités interactives. (2:47) - La version V2, actuellement en preview, permet de définir un seuil de consommation par Workspace, cumulatif avec la V1. (12:04) - Les statuts Workspace incluent available, mission critical (jamais limité), et bloqué (manuellement ou automatiquement). (12:40) - La consommation est vérifiée toutes les 5 minutes, et le blocage s'applique sur une fenêtre glissante de 24 heures. (21:17) - Certains items comme les datas flow gen2, rapports paginés, scorecards, modèles graphes ne sont pas pris en compte dans Surge Protection. (20:58) - Le blocage n'interrompt pas les requêtes en cours mais empêche les nouvelles requêtes interactives ou background sur le Workspace concerné. (22:34) ### Questions fréquentes **Comment fonctionne la Surge Protection dans Microsoft Fabric ?** La Surge Protection surveille la consommation de capacité et bloque les Workspaces dépassant un seuil défini. Elle protège les workloads critiques et évite qu'un Workspace ne perturbe l'ensemble de la capacité. **Quels sont les statuts possibles pour un Workspace avec Surge Protection ?** Un Workspace peut être available, mission critical (jamais limité), ou bloqué. Le blocage peut être automatique si le seuil est dépassé, ou manuel par l'administrateur. **Quels items ne sont pas pris en compte par Surge Protection ?** Les datas flow gen2, rapports paginés, scorecards, modèles graphes, data activator et datas flow gen2 en édition ne sont pas inclus dans le calcul de consommation pour Surge Protection. **À quelle fréquence la consommation est-elle vérifiée pour le blocage ?** La consommation de capacité est vérifiée toutes les 5 minutes. Si un Workspace consomme 100 % en moins de 5 minutes, Surge Protection ne se déclenche pas immédiatement. **Comment débloquer un Workspace bloqué par Surge Protection ?** Pour débloquer un Workspace, il faut attendre la fin de la période d'expiration définie par l'administrateur ou demander à l'administrateur d'agir manuellement pour le débloquer. **Le blocage par Surge Protection interrompt-il les requêtes en cours ?** Non, le blocage n'interrompt pas les requêtes déjà lancées. Il empêche seulement les nouvelles requêtes interactives ou background une fois le seuil atteint. **Comment choisir le bon seuil de blocage pour un Workspace ?** L'administrateur peut utiliser la MRIX SAP et le chargeback reporting pour analyser la consommation. Le seuil est ajusté selon les usages, souvent par test and learn. ### Chapitres - — Phare Data - 0:59 — Surge Protection - 4:05 — Stratégies de gestions des capacités Fabric - 10:45 — Demo - 19:52 — Considérations et limites - 22:56 — Conclusion ### Transcript [musique] [musique] Ouais, bonjour et bienvenue sur Fardata, la chaîne qui éclaire vos données. Dans l'océan des données, voir clair change tout. Sur PH data, on décrypte les services de données d'analytique CDIA, le tout avec un ton accessible, des choix techniques assumés et une touche dermare. Que vous soyez architecte, analyse, data, engénieur, productur ou simplement curieux, Fardata vous accompagne pour comprendre les enjeux réels, éclairer les compromis et prendre de meilleures décisions et parfois avec le cri des mouettes en bruit de fond. Si ce genre de contenu vous parle, n'hésitez pas à vous abonner. Cap sur l'épisode du jour, j'ai le plaisir d'être accompagné par Manel et Anne pour évoquer le Surge Protection, un sujet clé quand on parle de gouvernance dans Microsoft fabrique. Bonjour. Bonjour. En janvier 2026, Microsoft a fait évoluer ses mécanismes de Surge Protection en introduisant un contrôle au niveau des workspace. Objectif: offrir aux administrateurs de capacité une gouvernance plus fine, mieux protéger les workload critiques et éviter qu'un workspace ne perturbe l'ensemble de la capacité. Avant à workspace pouvait couler toute la capacité, maintenant il coule tout seul. Mais Manel, tu peux nous rappeler ce qu'était le Search Protection avant cette évolution ? Mais bien sûr, avant de parler de la B1 de du Search Protection, il est important de revenir un petit peu aux bases et d'expliquer la consommation des C. En fait, quand on a une F64 par exemple, on a la possibilité de mettre plusieurs projets sur cette capacité. Donc quand on dit plusieurs projets, elle ça peut être réparti sur plusieurs espaces de travail. Mais ce qu'il faut savoir, c'est que quand on a une F64, on a le droit de consommer 64 CU par seconde. Donc on ne doit pas dépasser ce nombre de CU consommé. Donc toutes les requêtes qui tournent sur cette capacité, quelle que soit l'origine de l'espace de travail, que ça soit euh une requête d'axe parce qu'il y a un utilisateur qui a consommé tel ou tel rapport ou une requête un peu plus costaud parce que on a besoin de rafraîchir un modèle sémantique doivent ne doivent pas dépasser euh une un certain nombre de CU sur un intervalle de 30 secondes. Et en fait ce qu'il faut savoir c'est que dans certains cas on peut avoir ce qu'on appelle débat d'acteur, quelqu'un qui a mal développé un rapport, qui n'a pas forcément appliquer les bonnes pratiques. On peut se retrouver avec une seule requête qui elle va consommer l'ensemble des CU de cette capacité. Mais ça ça va impacter tout le reste. Donc on va avoir un bas d'acteur, quelqu'un mauvais élève qui qui sera la cause du throttling ou des ralentissements sur la capacité. Et c'est là où le Search Protection ou la version V1 du Search Protection rentré en jeu, elle consistait à dire "Ben, je vais essayer de traquer la consommation, la surconsommation euh de ma capacité et si elle se rapproche des 100 % ou qui va un petit peu me planter toute la capacité, je vais commencer par rejeter les opérations background. Je vais commencer par rejeter par exemple le refresh d'un modèle sémantique ou un datafow pour ne pas impacter la consommation des du rapport. Donc les actions interactifs. Donc c'est ça la search protection. C'était un paramètre au niveau de la capacité qui consistait à dire ben je ne veux pas attendre 100 % de surconsommation ce qui fera ce qui va un petit peu mettre chao ma capacité. Je mets un tress hold, je mets une limite et si je l'attends, je vais arrêter toutes les opérations background parce que je ne veux pas que l'accès au M rapport soit bloqué. Donc c'est ça la la V1 du Search Protection. Super, merci Manel. Anne, tu as déjà rencontré ce problème chez tes clients ? Oui, bien sûr Romain, ça m'est déjà arrivé. Euh je pense à un client par exemple euh qui utilisait une seule capacité fabrique à la fois pour du reporting réglementaire euh sur lequel il avait euh euh il avait des euh des contraintes critiques en terme de délisé de mise à disposition euh euh de rapport et en même temps qu'il qui qui utilise cette même capacité euh pour du sel service donc pour des utilisateurs avancés qui pouvaient eux-mêmes construire leur propre rapport et quand on quand les utilisateurs avancés fonctionnent bien travaillent bien ça se passe super bien et puis un jour arrive un utilisateur qui est peut-être moins formé, qui va faire des rapports ou des data flow moins efficaces et et ça impacte directement des processus métiers critiques avec des impacts lourds euh sur sur les processus clients. Ouais. C'est par exemple ce cas qu'on voit à l'écran où sur une même capacité, on a mis du dev, du test, du self service de la production et finalement euh on arrive très vite à l'utilisation de toutes nos ressources de la capacité. Exactement. Et du coup en fait la question qui se pose, qu'est-ce qu'on peut faire quand on a un use case ou un scénario comme ça ? Une seule capacité qui va contenir plusieurs espaces de travail et qui arrive à sa limite ou qui est dans un état de de throatlink. Donc là, on a plusieurs options. Euh généralement, on va recommander la stratégie une qui consiste à demander aux différents développeurs d'aller optimiser leur modèle sémantique et leur apport. Donc quand on parle d'optimisation, on va euh parler un petit peu des principes de base, suivre une modélisation star schima, ne pas ajouter des colonnes juste au cas où, euh prêter attention au format des données. Euh donc tout ça rentre dans la partie optimisation et pour ça en fait euh vous avez la possibilité d'utiliser plusieurs outils euh un petit peu comme le DAX Studio qui est qui est le maître outil pour optimisation des requêtes d'Ax. Mais aujourd'hui, avec l'arrivée de l'IA et l'arrivée des LLM, on a euh des outils euh qui peuvent réellement nous aider euh dans cette vibe optimisation de Power BI comme par exemple l'utilisation d'un MCP serveur sur Power BI Model Link. On va lui demander directement d'optimiser telle ou telle requête taxe ou alors demander euh à exécuter un best practice analyser sur un modèle sémantique et ça nous ressort avec une liste de suggestions pour mieux optimiser et réduire la consommation des CU. de ce modèle sémantique. Donc bien évidemment, cette approche et euh son coût euh elle est facile à mettre elle est plus ou moins facile à mettre en place. Ça demande bien évidemment une formation. Par contre euh le pas le point négatif mais le compromis c'est euh le temps euh parce que c'est quand même une action de fond où il faut aller se rapprocher des différents espaces de travail owner pour les aider et les accompagner dans l'optimisation. ce qui peut prendre plus de temps euh dans certains contextes et c'est ça Infin après optimisation qui va nous permettre de consommer moins de CU et du coup de faire rentrer ces quatre espaces de travail qui sont illustrés dans la même capacité. Donc ça c'est une option parmi d'autres. Ouais. Sur l'optimisation, on peut citer le fait que on peut optimiser après coup ou avoir des gardes de foot dès l'entrée, à savoir je ne permets pas qu'on publie sur ma capacité du sémantique modèle qui aurait pas été vérifié sur un certain nombre de bonnes pratiques en amont, hein. On peut on peut mettre des gardes de fou dès l'entrée aussi, si c'est possible. en plus d'éduquer comme tu l'as cité les différents développeurs. Une alternative et un peu la deuxième stratégie dans ce cas-là quand on arrive aux limites de l'optimisation parce que ça arrive forcément à un moment donné euh ça va être la solution simple. Bah j'augmente ma capacité si j'ai plus la place dans ma capacité. C'est ce qu'on appelle le scalup. Donc l'avantage c'est que immédiatement on va avoir plus de place pour exécuter mes workload. Euh on peut euh quand on est sur une capacité premium euh activer l'autoscale. On peut mettre en place un quand on a une une capacité fabrique, on peut instantanément augmenter sa taille en tout cas pour pour absorber ce ce pic de charge. Euh et donc ça permet euh très rapidement de répondre au problème. l'inconvénient, bah le premier c'est forcément le coût, c'est forcément plus cher. Et puis bah c'est pas ça va pas sur le long terme, ça va pas apprendre aux personnes qui ont mal développé ou problèmes. On rentre pas dans un circle cercle vertueux, on a plutôt tendance au contraire à laisser libre cours à des des des problématiques de de de développement et de conception des items. Une autre stratégie consisterait non pas faire du scalup mais du scalout, c'est-à-dire multiplier le nombre ben de capacités euh avec les coûts bien évidemment associés, mais ça va permettre aussi d'isoler euh les différentes capacités et donc isoler les bas d'acteurs. J'ai des entreprises, des organisations avec lesquelles je travaille ont des capacités pour le self service et du coup si euh le self service ben ne travaille pas convenablement, ils seront eux-mêmes impactés et non pas la capacité de production qui elle permettra toujours de répondre aux enjeux majeurs de l'organisation. Mais alors du coup Romain, si on a vraiment des des traits des des items qui sont enfin des data flow ou des rapports qui consomment naturellement beaucoup de CU même s'ils sont optimisés, on va pouvoir les isoler, on va pouvoir avoir une approche même en amont hein d'un projet. On peut imaginer que je crée une capacité de test pour mon projet. Comme ça, j'évalue la charge en terme de CU que ce projet va générer et donc après évaluer sur quelle capacité la créer ou le déplacer. Finalement, on a différents moyens d'isoler et voilà, on retrouve chez différentes organisations différents euh stratégie. Euh, on peut imaginer une capacité qui est toujours là euh en terme de rescue et donc on déplacerait nos workspace en fonction euh de ça pour pouvoir permettre toujours à ces workspace de répondre à la demande, hein. Il y a différentes stratégies à vous organisation d'adopter celle qui vous convient le plus. Ouais. et peut-être un peu plus de précision sur la stratégie tryout capacité. Il y avait un un on avait réalisé euh il y a quelques mois sur la chaîne Datachouette une vidéo qui montrait euh comment on peut utiliser le sémantique Linklab pour vérifier si un modèle sémantique applique les bonnes pratiques ou si le modèle sémantique a bien appliqué ou si euh il a bien on a bien partitionné ses tables correctement, on a bien mis en place le format des données correctement et ça en fait on peut le mettre dans une capacité pour dire "Ah tiens, j'ai une capacité plus petite. qui n'est pas de production où j'ai la possibilité de développer, je mets un système justement grâce au canticlab pour vérifier si les bonnes pratiques ont été appliquées et si c'est le cas, je vais le mettre dans la capacité de production qui est la plus de compute. Donc c'est un système de tryoutte capacité pour le développement et une fois que ça valide entre guillemets les règles, je les je leur donne la possibilité d'aller consommer des ressources dans une capacité plus grosse de production. Alors c'est c'est super et c'est des bonnes pratiques, Manel, mais ça demande énormément de travail. préparatif, d'administration, d'anticipation et on n' pas toujours la possibilité d'avoir euh la vision de ces choses là à l'avance. Effectivement et c'est pour ça qu'on on va introduire une autre stratégie qui est le Search Protection. En effet, on va parler maintenant du Search Protection et on va parler du Search Protection d'abord la version 1 qui est au niveau du capacity level, sachant que c'est additionnel avec la V2, on en parlera tout à l'heure. Donc la V1 va nous permettre de limiter les activités background sur notre capacité. à partir d'un seuil. Et donc on voit sur cette image par exemple alors qu'on a configuré le background euh rejection, on va lorsque la surge protection s'active et ben ne plus prendre en charge les activités background, ce qui va donc laisser un peu plus de marge aux activités interactives. Et on voit un deuxième cas où ici le surge protection s'est activé et donc a limiter l'impact des rafraîchissement par exemple sur les activités interactives de type requête d'Ax qui permet toujours à des utilisateurs d'accéder au rapport même si les données n'ont pas été rafraîchies. Ça peut faire sens dans certains cas. Et maintenant, on va donc évoquer en détail le Surge Protection V2 qui est actuellement preview. Et on voit qu'il est cumulatif avec le background operation qu'on connaissait avec la V1. C'est un une tuile aussi qu'on peut activer. Et là, on va donner un seuil pour l'ensemble des workspace de la capacité. C'est-à-dire ici, on voit 5 %. L'ensemble des workspace, un workspace ne devrait pas pouvoir excéder 5 % de consommation de la totalité du CU. aussi bien pour les activités interactives que background. Et à nos workspace, on a trois niveaux de statut. Soit il est available, c'est-à-dire sujet à la rejection, soit il est mission criticole et à ce moment-là, il sera jamais sujet à la rejection. Par exemple, on a un workspace où c'est pour la direction, on ne veut pas qu'il soit limité. Ou encore un workspace peut-être bloqué et là bloqué soit manuellement, soit automatiquement. automatiquement s'il a atteint le seuil, manuellement, si je décide manuellement comme on le voit en bas à droite de euh cocher le bloquet pour un workspace. Mais du coup, qu'est-ce qui se passe quand un espace de travail est bloqué ? Euh est-ce qu'on a un moyen de voir euh la liste des espaces de travail qui sont bloqués ? Oui. Alors, juste à cause du surprction, la MRI SAAP a été mise à jour récemment pour permettre aux administrateurs de capacité de voir le nombre de workspace bloqué sur une capacité. Et si je fais un drill down, j'aurai tout le détail dans le temps. Euh aussi bien des euh workspace bloqués manuellement qu'automatiquement dû au seuil qui a été atteint. Alors, regardons une démonstration où là j'ai un workspace en business critical et là je veux pas le limiter. J'ai un workspace en self service bi que j'ai bloqué et j'ai un workspace en def test qui lui va pouvoir s'agrandir mais tout en restant dans la limite des 5 % que tous les workspace sur la capacité hormis ceux qui sont critical pourront consommer. Rappelons hein, c'est la consommation des actif background et interactif. Donc imaginons que j'ai une F2. Une F2 me donne 60 CU que je peux consommer tous les 30 secondes. Ces fameux time point ce qui me donne 172800 CU que je peux consommer dans la journée. Si je fais le ratio des 5 %, ça va me donner que chacun des workspace ne peuvent pas excéder la consommation de 8640 CU par jour. Et donc ça, on peut le consommer en une seconde, soit on peut le consommer en 24 heures. Mais si le workspace atteint cette limite, il passera automatiquement bloqué. Regardons une démonstration. Et alors, ben toujours sur la MTRI, je vais pouvoir voir euh par exemple pour ce workspace qu'on a atteint les 11000. Et donc au niveau du workspace, l'utilisateur lui sera aussi averti à savoir il aura un bandeau au-dessus du nom du workspace qui lui indiquera que ce workspace a atteint son seuil limite. On va regarder une démonstration. Donc je suis sur ici ma capacité que j'ai choisi de mettre en F2 pour des besoins de démo, hein, pour montrer rapidement que j'atteins le seuil défini. Je suis sur une capacité que j'ai appelé surge et j'ai trois workspace, les fameux trois workspace qu'on a cité. Je vais pouvoir regarder si ils sont leur statut. Donc available, mission criticale ou blocket. Donc le business critical en mission criticale, le surge de test en available et donc sujet la limite que je vais donner et vous voyez que je bloque le self service. On va voir qu'est-ce que ça génère après comme erreur. Je vais au niveau du sechge protection et je vois que je peux activer soit la V1, soit la V2, la background ou les deux d'un coup. Et ici, je choisis de mettre les 5 % et de bloquer. On voit que j'ai une fenêtre de blocage aussi ici à définir. Ça va être le temps euh auquel mon workspace sera bloqué. OK. Maintenant, on va aller regarder ces différents workspace. On va commencer par celui qui est bloqué pour voir l'erreur que qu'on a. On va aussi pouvoir regarder la métrix après coup. Donc si je vais dans le workspace qui est déjà bloqué, c'est notre self service. Si j'essaie d'ouvrir un rapport comme un utilisateur le frais, il voit directement un nouveau message d'erreur en lui indiquant ben que l'administrateur a mis des limites et que les limites ont été atteintes pour ce workspace. Le message était est plutôt clair. Maintenant, si je vais sur un autre workspace, alors qu'on est sur la même capacité, hein, euh je vais pouvoir voir différentes choses. Par exemple, ici, je suis sur le def test, je vois que j'ai pas de limite. OK, vous imaginez ce que je vais vouloir faire ? Je vais créer du workload, exécuter des workloads sur mon def test pour atteindre les limites. Là, je regarde Search Protection et on voit que le Search Protection, bon je peux faire plein d'activités, jamais il ne sera limité, hormis peut-être des limites du Surge Protection V1 sur les activités background, hein, puisqu'ils sont tous sujets à ça. Et donc si je regarde maîtr, je vois actuellement j'ai un seul workspace qui est bloqué à savoir celui que j'ai bloqué manuellement. Jusqu'ici tout est clair ? Jusque là c'est très clair. OK maintenant on revient sur notre surge def test et j'ai chargé la mule. Je lui ai fait travailler. Je lui demande un certain nombre de rafraîchissements des rafraîchissements costaud jusqu'à atteindre le fait que dans pas longtemps je vais plus pouvoir effectuer d'activité sur celui-ci. OK. À quoi ça va ressembler ? Vous voyez là, c'était un peu la fin. J'ai atteint la limite et ben je retrouve le même message d'erreur que j'avais lorsqu'il était bloqué manuellement sur l'eau de capacité. Encore une fois, là je n'ai pas j'ai toujours mes fonctionnalités sur mon business critical. Lui, il n'est pas impacté. En rafraîchissant la métrix SAP, je vais pouvoir voir voilà même mes rafraîchissements he que ce soit les activités interactive ou background seront sujets à cette limitation. Et là on voit le le message d'erreur lorsque j'effectue une activité de type background. Maintenant si on regarde la matrix, je vois deux workspace bloqués. Si je drill down, je vais avoir le détail des workspace bloqués sur la capacité surge et je vais donc voir mes deux workspace. l'un bloqué manuellement et l'autre bloqué automatiquement avec le nombre d'utilisateurs affectés. C'est plutôt intéressant nombre de CU que la capacité que le workspace a utilisé. Et on voit ici les limites du fait que mon workspace qui consommait trop à savoir le def test et ben comme il a été limité ben j'atte pas les limites de ressources de ma capacité. C'est ça qui faut avoir en tête. Donc c'est plutôt intéressant. Et puis après je peux voir le détail comme on connaît des usages de ma capacité. Ce qui est intéressant de regarder aussi, c'est au niveau des notification. C'est à ce niveau-là que je vais définir OK, tu m'afficheras une bannière lorsque tu auras atteint les limites, ce qui permettra aux utilisateurs finaux alors qu'ils ont pas besoin d'ouvrir un rapport pour voir que la capacité le workspace est bloqué. H et donc si je retourne sur mon workspace, je vais pouvoir voir directement le petit message d'erreur qui est le suivant. Mais du coup Romain, comment qu'est-ce qui peut nous aider à mettre le bon seuil de blocage ? Là durant ta sur ta démonstration, tu as mis 5 % mais dans un scénario de production, qu'est-ce qu'on peut mettre qu'en pourcentage ? Ouais. Alors très bonne question. Ben déjà la MRIX SAP va pouvoir nous renseigner sur la consommation des items et donc la consommation d'un workspace. On pourrait aussi utiliser le chargeback reporting qui donne déjà en pourcentage l'usage d'un workspace sur une capacité. Donc je pense que je commencerai comme ça et puis après je ferai attention, je mettrai pas 5 % on comprend bien mais je mettrai peut-être 80 %. un workspace qui consomme 80 % de ma capacité, c'est peut-être il est peut-être déjà trop courmand et donc je descendrai comme ça petit à petit euh en faisant du test and learn comme tu l'as cité. Ouais. Alors comme toute fonctionnalité, elle arrive avec des limitations ou en tout cas des choses auxquelles il faut il faut avoir conscience avant de la mettre en œuvre. Euh la première, c'est ça s'applique pas forcément à tous les items et donc il y a des items qui ne sont pas euh support qui ne supportent pas en tout cas qui qui ne rentrent pas dans le calcul de la consommation de euh de la capacité euh pour le Search protection comme les datas flogè 2, les rapports paginés, les scorecard, les modèles graphes, des data activator ou même des datas flow 2 quand on les édite, donc quand on vient créer ou modifier un datafow gè 2. Le deuxième deuxème point à avoir en tête, c'est qu'on vient vérifier toutes les 5 minutes la consommation de la de la capacité. Ça veut dire que si on consomme 100 % de la capacité en moins de 5 minutes, la search protection n'aura pas le temps de se déclencher. Euh mais aussi et ça c'est important euh l'applic la les vérifications euh se font sur période de 24 heures. Ça veut dire que je peux si j'ai 8000 disponible pour mon pour mon workspace, je peux je peux les consommer en 5 minutes ou plusieurs fois en 24 he mais c'est la limite va s'appliquer sur par fenêtre glissante de 24 he enfin si j'ai surconsommé et que mon workspace est bloqué pour pouvoir venir débloquer mon workspace je vais être soit obligé d'attendre la fin de la période d'expiration qui a été mise paramètre par l'administrateur, soit je vais devoir demander à l'administrateur d'agir manuellement pour venir débloquer mon workspace. Ouais. Et on peut rappeler aussi que le mission critical ne remplace pas au niveau de la capacité le surge protection au niveau des background hein. C'est additionnel. C'est c'est aussi à voir avoir en tête. Et si je peux rajouter une limitation qui n'est pas forcément une, on a tendance à penser que le Search Protection va bloquer les requê en cours qui consomme justement plus de CU. Ben le Search Protection en fait, il va commencer à arrêter ou à bloquer les requêtes qui viennent après. Donc on va jamais interrompre une requête qui est déjà lancée, qui est en cours. On va plutôt commencer le blocage des requêtes interactives ou background. euh une fois qu'on détecte qu'on détecte que justement un espace de travail a atteint le seuil. Donc ça vient après. Super. Merci Anne. Merci Manel. On comprend un peu mieux ce qu'est le Surge Protection. Si vous avez questions, n'hésitez pas à nous le faire savoir, des retours d'expérience aussi. Si on doit creuser un point en particulier, n'hésitez pas à nous le faire savoir dans les commentaires. Encore une fois, merci pour cet échange et on vous dit à très vite pour de nouveaux épisodes et d'ici là, n'hésitez pas à vous abonner à la chaîne. À bientôt. À bientôt. Bientôt. --- ## Les Data Agents dans Microsoft Fabric URL: https://www.pharedata.fr/videos/les-data-agents-dans-microsoft-fabric Publié: 2026-02-06 Durée: 54:01 Sujet: microsoft-fabric Mots-clés: microsoft-fabric, data-agent, bi-conversationnelle, securite-des-donnees, modele-semantique, lakehouse, kql, microsoft-foundry ### Résumé La vidéo explore les Data Agents dans Microsoft Fabric, leur rôle dans la BI conversationnelle et l'analytics moderne. Elle détaille la configuration, la gestion des sources de données, la préparation du modèle sémantique, les instructions métier, les bonnes pratiques et la sécurité. Plusieurs modes de consommation sont présentés, ainsi que l'intégration avec Microsoft Foundry et Office 365 Copilot. Des démos illustrent l'utilisation concrète et les possibilités d'adaptation selon les profils utilisateurs. ### Points clés - La BI conversationnelle permet d'interroger les données en langage naturel, facilitant l'accès pour tous les métiers. (139s) (2:19) - La qualité du modèle sémantique est cruciale pour obtenir des réponses pertinentes via un Data Agent. (645s) (10:45) - La configuration d'un Data Agent dans Fabric se fait en quatre étapes simples : création, association des sources, ajout du contexte métier, publication. (987s) (16:27) - Les Data Agents peuvent interroger plusieurs sources, croiser des données historiques, opérationnelles et en temps réel grâce à des instructions métier précises. (1650s) (27:30) - L'évaluation d'un Data Agent peut être automatisée via un SDK Python, permettant de tester la qualité des réponses avant mise en production. (2240s) (37:20) - La sécurité est assurée par des permissions sur les sources, Row Level Security (RLS) et Column Level Security (CLS), respectées par l'IA. (3103s) (51:43) - Les Data Agents sont consommables dans Copilot, Teams, Excel, via API et intégrables dans Microsoft Foundry pour des workflows multi-agents. (2739s) (45:39) ### Questions fréquentes **Qu'est-ce qu'un Data Agent dans Microsoft Fabric ?** Un Data Agent dans Microsoft Fabric est un expert connecté à vos données, permettant d'interagir en langage naturel pour analyser, raisonner et accélérer la prise de décision. Il peut être configuré pour interroger plusieurs sources et répondre selon le contexte métier. **Comment configurer un Data Agent dans Fabric ?** La configuration d'un Data Agent dans Fabric se fait en quatre étapes : création de l'agent, association des sources de données, ajout du contexte métier avec exemples de questions, puis publication pour les utilisateurs métiers. **Quels sont les modes de consommation des Data Agents ?** Les Data Agents peuvent être consommés dans Copilot pour Power BI, Teams, Excel, via API ou SDK Python, et intégrés dans Microsoft Foundry pour des workflows multi-agents. Ils s'adaptent à différents profils utilisateurs et besoins métiers. **Comment assurer la sécurité des données avec un Data Agent ?** La sécurité repose sur des permissions d'accès, Row Level Security (RLS) et Column Level Security (CLS). L'IA respecte ces droits, empêchant l'accès non autorisé aux données, même si l'agent est partagé entre utilisateurs. **Quelle est l'importance du modèle sémantique pour un Data Agent ?** Le modèle sémantique est essentiel pour garantir des réponses pertinentes. Il doit être enrichi de métadonnées, instructions métier et descriptions pour permettre à l'agent de comprendre et d'interroger correctement les données. **Peut-on tester la qualité des réponses d'un Data Agent ?** Oui, un SDK Python permet d'automatiser l'évaluation d'un Data Agent en comparant ses réponses à des questions de référence, assurant ainsi sa fiabilité avant déploiement à grande échelle. **Les Data Agents fonctionnent-ils en multilangue ?** Les Data Agents dans Microsoft Fabric peuvent répondre en plusieurs langues, dont le français. Il est possible de poser des questions en français et d'obtenir des réponses adaptées. **Quelle différence entre Copilot et Data Agent dans Fabric ?** Copilot permet d'interroger une source ou un workload, alors que les Data Agents peuvent être configurés pour converser avec plusieurs sources, intégrer des instructions métier et offrir une expérience plus personnalisée. ### Chapitres - — Phare Data - 0:59 — La BI Conversationnelle - 8:40 — Microsoft Fabric - 10:48 — Microsoft Fabric Data Agent - 11:28 — Demo Chic Bazar - 39:04 — Consommation du Data Agent - 49:44 — Securité des données - 52:12 — Conclusion ### Transcript [musique] [musique] Bonjour et bienvenue sur Fardata, la chaîne qui éclaire vos données. Dans l'océan des données, voir clair change tout. Sur PH data, on décrypte les services de données d'analytique CDIA, le tout avec un ton accessible, des choix techniques assumés et une touche dermarin. Alors que vous soyez architecte, analyste, data ingénieur, product honur ou simplement curieux, fardata vous accompagne pour comprendre les enjeux réels, éclairer les compromis et prendre des décisions et parfois avec le cri des mouettes en bruit de fond. Si ce genre de contenu vous parle, n'hésitez pas à vous abonner. Alors aujourd'hui, cap sur l'épisode du Zour, j'ai le plaisir d'accueillir Akram et Éric pour aller plus loin dans l'Anytics moderne au travers des date agent dans Microsoft fabrique. Bonjour à tous et bienvenue à Akram qui va coanimer cette session sur la BI et notamment la BI conversationnelle qui sera notre sujet du jour. Alors, si on fait un petit historique sur ce qu'a ces dernières années, on a commencé avec ce qu'on appelle des rapports statiques où on avait des listings souvent des listings papier qui présentaient de la donnée. Tiens, donc on pouvait avoir énormément de de feuilles de papier et de tableaux pour représenter la donnée, ce qui était probablement un travail assez fastidieux. Dans les années 2010 sont arrivés des outils euh comme tableau et évidemment Power BI qui ont permis de faire de l'interaction avec ces données et notamment de de filtrer les données euh pour aller rechercher directement l'information qui allait bien. Mais on reste toujours dans un Canva qui est celui qui a été fixé par l'IT à savoir queon a designé donc un rapport avec bien des des filtres, des champs et des visualisations. Avec l'arrivée des LLM, donc des modèles de langage euh IA, aujourd'hui, on est capable d'aller poser une question en langage naturel aux données et d'avoir une réponse. Donc c'est ce qu'on appelle la conversation BI. Donc cette conversation BI permet de poser des questions quel que soit en fait le métier, tout ça dans son propre vocabulaire, dans son propre langage. Si par exemple je suis dans le monde du retail et que je suis un directeur de magasin, je peux aller poser une question sur par exemple quelle est la liste des soldats les plus vendus dans tel ou tel magasin ou quel est le produit qui a la plus forte marge ou même la liste des clients qui sont les plus importants. Alors, quel que soit le profil ou le personnage de la personne en question, on a aujourd'hui un intérêt à utiliser la conversation BI. Typiquement, je suis dans le métier de la data, je suis un analyste de données. Je peux explorer rapidement donc des ensembles de données et faire des hypothèses sur ces données, donc des projections. Puisque je rappelle hein, la BI c'est effectivement comprendre la donnée pour pouvoir prendre des décisions. Ça aide aussi d'autres types de personnat. je vais pas développer comme tout ce qui est développeur BI pour prototyper effectivement euh des dashboards, on revient au dashboard, mais également euh bah des scénarios qu'on peut imaginer avec des utilisateurs métiers, évidemment des exécutifs qui eux sont intéressés par une valeur, une un capilla et qui veulent avoir accès directement à l'information plutôt que d'avoir à consulter des rapports. Voilà. Donc ça c'est l'utilisation de la conversation BI, mais ça cache quelque part euh beaucoup de choses. Ce qu'on voit aujourd'hui en c'est évidemment euh le chat. Je pose ma question dans une interface en langage naturel et je requète des données. Je requête ces données. Mais ces données, d'où viennent-elles ? Sont-elles de bonne qualité ? Comment je sais que j'ai accédé à la bonne donnée ? Et c'est ce qu'on appelle les challenges. créer un agent conversationnel sur mes données, c'est aussi surtout s'occuper du backend parce que si on regarde bien ce qui se passe quand on fait une requête de ce type là, évidemment, on a la question, ce qu'on appelle le prompt, on a au milieu le modèle de langage et puis on a le data model qui va nous permettre de répondre. Quand mon Llm va interroger le data model, il va devoir savoir quelle est la donnée euh la signification de la donnée euh pour pouvoir bah justement la la requêter. Et évidemment, il va générer une requête qui sera dans un langage qui est propre au data model. Ça peut être du SQL. On verra qu'il y a d'autres moyens et Akram va le montrer tout à l'heure d'aller requetter la donnée. Mais ce data model revit donc une importance significative. Si on va plus loin, en fait pour pouvoir débloquer le potentiel des LM avec nos données, il faut qu'on appelle de la clarté sémantique. Et c'est tout le débat aujourd'hui de l'utilisation de l'IA avec nos données, c'est que certains champs euh certaines tables ont des noms qui sont assez à abscon. Euh souvent on a fait une modélisation plutôt IT des choses et euh et pas spécifiquement très avec une signification métier. Donc c'est enrichir tout ce qui est modèle de données avec des métadonnées qui signifient quelque chose à la fois pour l'humain et pour l'agent qui va requêter ces données. Alors, pour pouvoir faire ça, on peut s'appuyer aussi sur tout ce qui est définition de ces données qu'on va retrouver dans un catalogue de données et donc on va essayer d'enrichir au maximum ce catalogue de données. Et puis évidemment, ben le modèle de données c'est une chose, mais il faut que les données elles-mêmes soient propres. Donc, on a l'habitude maintenant de travailler sur des architectures notamment des architectures médaillon. On va attaquer plutôt une zone gold dont on sait qu'on a raffiné la donnée pour pouvoir être utilisé. Ça suppose que on est dans cette zone gold des données propres. Donc les process de data engineering et bien fait leur travail pour bah se dire que on va aller rechercher une donnée qui a une valeur significative pour un métier. Donc on a aussi dans une plateforme qui doit offrir un catalogue de données de la clarté sémantique tous ces outils de transformation. On va pouvoir parler de organisation de données, on va même pouvoir parler d'ontologie, hein, dans les dans les solutions. Alors, si on regarde bien euh ce qu'on a fait chez Microsoft, c'est construire en fait une fondation pour l'IA et au départ, c'est aussi pour alimenter les agents. Donc, on a la la partie de stockage de la donnée dans ce qui est représenté en bas, la data. toute la partie orchestration de la donnée pour arriver à construire quelque chose qui est à la fois la zone gold, la transformation de la donnée pour avoir la donnée propre significative avec un modèle sémantique. C'est ce qu'on appelle la couche de data management, donc les outils qui sont associés pour produire cette cette donnée propre. Et puis enfin, on a des outils de consommation de cette donnée. Ces outils de consommation, la donnée, bah, on les veut multiples, on a continuer à faire des rapports et ça reste le moyen BI aujourd'hui le plus utilisé. Pour WordBI est très utilisé. on a des milliers des fois des dizaines de milliers de rapports dans les entreprises, mais c'est à travers un autre moyen aujourd'hui qu'on va requêter cette donnée à travers ce qu'on appelle des agents. Alors, pour pouvoir bah faire ça, euh ce qu'on a construit chez Microsoft, c'est une plateforme qui s'appelle Microsoft Fabrique qui est maintenant bien connu. Alors, on va pas décliner tous les éléments qui sont présentés sur cette slide, mais il faut savoir que la couche data est représentée en par one qui offre plein de de de d'artifices pour pouvoir référencer, collecter la donnée. Et ce qu'on cherche à avoir, c'est cette exhaustivité qui de la donnée. Certains appellent ça la data de gravity. Donc Oneel nous permet ça et puis on a dans fabrique tous les outils qui nous permettent de traiter la donnée. Donc ce que j'appelle la la partie traitement de la donnée à travers bah soit des pipelines de transformation. Euh ça peut être du data factory. Si on est sur des outils ou des plutôt des flux temps réels, on a également cette capacité avec fabrique real time intelligence. Et puis enfin, on a les outils analytiques qui permettent de restituer la donnée aux utilisateurs. Et puis on va consommer en fait cette donnée bah soit dans la partie Power BI qui est représentée à l'écran, soit à travers donc ce qu'on appelle des datas agents qui est dans la partie bleue au milieu analytique. Donc ces data agents qui vont être présentés maintenant par Akram. Je te laisse la main maintenant Akram. Juste pour rappeler que finalement les sémantiques modèles pour la BI interactive était nécessaire qu'elle soit de qualité et donc je comprends après ce que tu viens de dire que pour la BI conversationnelle c'est d'autant plus important que ces sémantiques modèles soient qualitatifs pour finalement comprendre les besoins et y répondre avec les bonnes données. Alors c'est c'est un très bon point Romain, c'est que l'humain à la limite est capable de comprendre qu'il y a une erreur. Donc il a construit effectivement un modèle sémantique. Bah Unia potentiellement si on lui donne de fausses pistes, si elle a pas les bonnes les bonnes informations, c'est d'autant plus critique. Donc ça devient cette clarté sémantique, ce modèle sémantique est extrêmement critique aujourd'hui. Merci Éric pour cette magnifique introduction. Euh merci Romain également. Donc euh ce qu'on va voir aujourd'hui, c'est que euh comment un data agent peut être un véritable copilote de décision. euh un copilote non seulement capable de diagnostiquer les problèmes, mais aussi de prioriser les actions à mener. Et donc, on va passer, comme tu le disais Éric de je regarde des rapports à je prends des décisions et tout ça directement sur vos données dans Fabrique, dans un lake et aussi même en temps réel. C'est ce qu'on va voir durant cette démo. Donc euh on va essayer de de se focaliser sur une entreprise fictive qui s'appelle Chic Bazar. C'est un groupe de retail grande distribution qui dispose de 92 magasins à travers le monde, qui a également de deux marques et qui dispose d'un catalogue de produits multicatégories, donc du prête à porortter, de l'alimentation, décor et maison. Et donc on est clairement sur un environnement complexe avec beaucoup de données, beaucoup de cap et surtout beaucoup de décisions business à prendre au quotidien. Et là euh durant cette session, on va se concentrer sur une question clé, une vraie question de management et pas juste une question de reporting. La question est quels sont les facteurs qui entraînent de faibles ventes et où les responsables de magasin devraient-ils investir en priorité ? En fait, c'est volontairement une question qui ne peut pas être répondue uniquement avec un graphique ou un simple modèle sémantique. Elle demande de croiser plusieurs sources éventuellement, de comprendre le contexte métier et surtout de raisonner comme le ferait un analyste ou un responsable régional en général. Et pour répondre à cette question, le premier réflexe et c'est totalement normal, c'est de faire de la biaille classique comme il expliquait Éric. Donc nous avons notre base de données, un sémantique modèle euh qui consolide les ventes, la performance. Vous vous voyez ici par magasin, par produit, par période et aussi nous avons les rapports Power BI qui nous permettent de répondre à des questions factuelles et qui prennent les données de ce sémantique model. Voici un exemple de rapport où on voit ici qu'il y a trois pages. Vous pouvez voir aussi la première vue, elle est plus global qui donne de la performance de magasin. On peut voir les chiffres d'affaires, les volumes de vente. On peut aussi analyser nos différentes données selon plusieurs dimensions. Donc typiquement, c'est une vision rapide de la situation qu'un responsable peut voir. Nous avons aussi deux autres pages que nous voyons à gauche. Donc la deuxième, c'est plutôt la variation des ventes par localité et par mois. Et donc ça nous permettra d'analyser les tendances. Et la troisième, elle est dédiée aux magasins qui ont ouvert récemment et donc l'objectif c'est de suivre leur montée en puissance. Donc avec ce type de rapport, on a déjà énormément d'informations. On sait où regarder et on voit où ça va bien, où ça va moins bien. Mais quand on revient à notre question de départ, quelles sont les causes, comment investir, c'est là on atteint quelques limites. En fait PowerB, il est excellent pour analyser ce qui est déjà dans le modèle mais il reste très limité à ce gâre. Il ne sait pas dire ce qui manque dans les données. Il n'y a pas de véritable raisonnement ni explication causale. Également, c'est difficile de croiser plusieurs sources hétérogènes des temps réels, de fichiers. Et aussi ce n'est pas non plus une expérience conversationnelle. C'est à l'utilisateur de poser les bonnes hypothèses et donc ça va nous permettre de voir les symptômes mais pas toujours les causes ni les priorités d'investissement justement sur notre cas actuel. Et justement hein c'est ce qu'on dit hein la BI ça sert pas juste à consulter des données, ça sert à aussi à prendre des décisions. Ça a toujours été la finalité. Donc je pense que là tu vas nous présenter quelque chose qui permet de résoudre ce point. Exactement. On on a toujours parlé d'outil aide à la décision. Et donc là pour dépasser ces limites du reporting classique, on va maintenant s'appuyer sur les fabriques data agent. Un data agent c'est quoi ? Tout simplement un expérien connecté directement euh à vos données dans un lake. Donc l'objectif c'est de permettre aux utilisateurs de parler à leurs données en langage naturel au lieu de naviguer dans les différents rapports comme on l'a vu bien avant. On peut ensuite euh les exposer là où les utilisateurs travaillent dans fabrique, Teams, Copaloud Studio via des API et c'est ce qu'on va voir durant cette démo. Pour construire un data agent, nous avons besoin de deux connaissances complémentaires. La première et qu'on voit plus sur la gauche qui est là, c'est la connaissance métier. En fait, c'est comprendre les relations, les entités, la logique business derrière, le vocabulaire utilisé par l'entreprise. C'est très important. et d'un autre côté la connaissance des sources de données et donc là où où sont les données comment on y accéder leur structure leur qualité et traçabilité et quand on combine ces deux dimensions dans fabrique on ne crée pas juste un chatbot mais un véritable expert métier qui est basé sur vos données. Et la bonne nouvelle, Éric Romain, c'est que un data agent dans fabrique n'est pas un projet IT de plusieurs mois. Nous avons quatre étapes très simples pour le créer. D'abord, on crée l'agende en fabrique comme un nouvel objet de la plateforme. Ensuite, on lui indique quelle données on peut utiliser et ça va jouer le rôle de source de données. Ensuite, on va le configurer avec du contexte métier, don ce dont on a parlé bien avant en lui donnant quelques exemples de questions et à la fin, on va publier pour les métiers qui est le but de tout ce projet-là. Donc côté utilisateur, ce qu'il voit surtout c'est un agent prêt à l'emploi mais pas toute la mécanique derrière. Donc faisons cela, passons plus à la partie démo. Ici nous je suis dans ma plateforme fabrique. Euh j'ai un workspace qui s'appelle data agent Workspace. Nous allons créer un item euh tout simplement qui s'appelle data agent et on va l'appeler store sales data agent pour dire voilà c'est un data agent pour les ventes magasins pour notre entreprise Chic Bazar. L'idée c'est de c'est qu'il devienne l'experéia des vents des magasins de chicazar. Première chose comme on a dit on va associer les sources de données. Donc je commence par lui associer le modèle sémantique des ventes de magasins. Celui qui alimente déjà no rapport pas BI. on l'a vu bien avant. Et puis on va mettre définir les périmètres de données, donc toutes les tables qu'on peut prendre. Et là, ça va nous aider non seulement à sécuriser l'accès si on veut pas que l'agent ait accès à des données ou des colonnes spécifiques et en plus l'idée derrière c'est de lui donner un domaine métier. Ce data agence c'est pour les ventes des magasins mais on peut très bien créer d'autres agents pour d'autres métiers. Donc à ce stade-là, l'agent il sait déjà aller réinterroger les données. Mais avant de poser nos première question, je voudrais vous montrer comment se déroule l'échange avec un utilisateur et un data agent. Donc nous avons trois messages qui sont là. H premier message côté utilisateur, c'est très simple, on pose une question en langage naturel comme un chat et donc on le fait rentrer en bas ici sur le user input que vous voyez. Et puis nous avons deux messages en réponse. Le message numéro 2 qui vous que vous voyez ici, l'agent il va transformer cette question en langage naturel vers une requête qui peut être une requête SQL, KQL. C'est ce qu'on appelle les run steps. Et le message numéro 3, c'est le fait de reformuler la réponse de manière compréhensible pour l'utilisateur final. Ce qui permet toi en tant qu'utilisateur, peut-être si tu connais le SQL, de vérifier euh la query qui t'a généré pour finalement pondérer la qualité de la réponse. Exactement. C'est traçable pour les équipes data et IT et même pour les utilisateurs. Et c'est tout l'intérêt ici. Justement, on va voir comment il va interagir avec les différentes sources de données. Donc, posons une je juste pour préciser ce point-là parce que c'est important. Là, on est vraiment dans la conception comme tu l'as déroulé tout à l'heure, hein. Donc, tu es dans la conception de ton agent. Si à ce moment-là effectivement que tu regardes ben quelle est la requête qui a été générée pour vérifier la validité. Alors c'est quelque chose qu'on propose pas évidemment une fois que l'agent sera publié. On va pas on va pas afficher du SQL ou du KQL ou autre chose même euh à l'utilisateur final. Mais là on est vraiment dans cette phase de conception de la jangle comme tu le montres et ce qui nous permet de vérifier en fait si ben le la génération IA s'est bien passé. Exactement. Vous allez voir après quand on va exposer l'agent, ben l'utilisateur final, il va voir vraiment que la le message numéro 3 qui l'intéresse. Ouais, ce seront peut-être les admins qui pourront après monitorer la qualité des réponses grâce à ça, mais ce sera pas forcément pour les utilisateurs fin. Très bien. C'est ce qu'on cherche sur Romain. Simplicité pour l'utilisateur et transparence pour les équipes data et IT. Super. Et donc euh et c'est commençons à poser nos premières questions. Je vais demander à mon datagent de me donner le top 3 des magasins qui ont les ventes les plus élevées. Donc là c'est exactement comme le frit PowerB là au début. C'est une question il va me donner ici, il va me répondre avec les trois magasins. Si je j'ouvre le message numéro 2, les runsteps, vous voyez qu'il communiqueront sémantique model avec de langage d'axe. C'est le langage du sémantique model. Deuxème question dans la même le même principe montre-moi les ventes par code postal et par chaîne. Il va générer la requête d'Ax pour requetter la semantique modèle. il exécute l'analyse, il me renvoie le résultat avec le code postal et les différentes ventes. Très bien. Maintenant 3e question, on va essayer de poser une question euh qui va venir là juste après un peu plus intéressante. On va lui demander pourquoi certains magasins ont des faibles ventes. Et là vous allez voir que mon data agent, il va se comporter d'une manière à répondre d'une façon générale et générique. il va me dire voilà ça peut être à cause des faibles ventes prix moyen qui est bas faible marge la surface de vente plus rentable ou plutôt peu rentable et donc c'est une réponse logique ok mais elle reste très générique. Pourquoi ? Parce qu'il a pas trouvé cette donnée factuelle qui le laisse répondre et vous pouvez voir ici les différentes réponses qu'il m'a donné. Et donc euh c'est pas ce que j'attends d'un data agent. ce que j'attends d'un dat agent, c'est plus des réponses euh précises. Donc ce que je vais faire, je vais le configurer. Je vais aller dans mon semantic model dans la partie prep data for AI pour préparer mes données pour l'IA. Donc là, j'ai trois options. Le premier, c'est définir les paramètres. C'est pas mon besoin aujourd'hui. Le deuxième, c'est vérifier les réponses. En fait, c'est pour figer certaines réponses prédéfinies. C'est pas ce dont j'ai besoin aujourd'hui. C'est la troisième option qui m'intéresse, c'est de rajouter des instructions métier. Et là, ce qu'on va lui dire, OK, si tu as une question par rapport à la pèse des ventes, tu donnes les magasins concernés mais ne devine pas. En fait, il faut recommander si nécessaire d'enrichir l'analyse avec des données opérationnelles mais j'ai pas besoin que mon agent devine des réponses et me donne des réponses génériques comme on l'a vu bien avant. Ce qui est intéressant ici, c'est que tu le définis au niveau du modèle. Donc n'importe qui qui réutilise le modèle aura en plus les AI instruction on top, ce qui lui permettra de construire peut-être d'autres datas agents, ce qui peut être intéressant. Très bonne remarque. Oui, exactement. On le définit qu'une fois tout ça. On lui donne ce contexte métier, ses instructions et c'est réutilisable. Avant de voir le résultat de de nos instructions, en fait, il c'est important de savoir ce qu'il y a derrière l'agent. Il y a deux rôles principaux. l'orchestrateur et les outils. L'orchestrateur, il va comprendre la question que vous avez mis en langage naturel. Il va le reformuler si besoin. Il décide quel outil doit être utilisé. Dans notre cas, c'est le sémantique model. Et puis nous avons les outils qui vont générer, valider, exécuter les différentes requêtes. Et là, dans notre cas, les l'outil c'est le semantic model. Et là, vous voyez là en zone ce que nous avons utilisé, c'est les AI instruction. et donc il va faire le DAX et répondre. Donc voyons les résultats de notre petite instruction que nous avons mis. Donc on va essayer de poser une question. Quels sont est-ce que les faibles ventes sont causées par des problèmes opérationnels au magasin ? Euh et là vous allez voir que cette fois il devine pas. Il va lister les magasins ici comme je lui ai dit mais il ne va pas conclure que la cause est opérationnelle. L'agent, il explique euh les limites des données, il propose la prochaine étape de l'analyse. Il va vous dire à la fin ici, si on veut conclure, j'ai besoin de données opérationnelles parce que j'ai j'ai que des données des ventes sur les sémantiqu model. Et donc là, vous voyez qu'il a pris en considération les différentes instructions. Il a mis les DAX pour avoir la liste des magasins, mais il ne devine pas comme avant. Donc nous avec la configuration qu'on a faite ici sur PRP data for AI, l'impact il est direct. Ici on a vu qu'il tient en compte des instructions métier et sur la requête, il a mis les contraintes de raisonnement pour répondre à mes attentes. Il m'a même recommandé à la fin qu'il a besoin de données opérationnelles. Et donc, faisons cela, suivant ces recommandations. Et donc là, on va rajouter les recommandations qui nous a qui nous a donné. Donc un Lake avec des tables sur les données opérationnelles, la fréquentation, contexte opérationnel, rénovation des magasins, le staffing. Donc vous voyez ici qu'il y a cinq tables. On définit notre périmètre comme on l'a fait sur le semantic model. On a besoin des cinq tables et on va rafraîchir pour pouvoir poser nos questions avec deux sources de données. Maintenant, on a rajouté une deuxième source qui est le Lhous. Première question, est-ce que les magasins rénovés performment mieux que les autres et quels sont les meilleurs magasins ? Et donc là, la première fois, l'agent, il va me répondre uniquement à partir du modèle sémantique. Pourquoi ça ? Pour parce qu'il manque une corrélation entre la première source et la deuxième source. Et c'est pour ça que vous voyez qu'ici, il me donne les ventes, il a accès au sémantique modèle, il y a pas de souci. Mais pour corréler ça avec ma deuxième source et avoir cette information de rénovation, vous voyez que cette requête, elle est en erreur. Il arrive pas à faire cette relation entre les deux. Et donc nous ce qu'on va faire, c'est que on va l'aider. On va donner des instructions à notre agent pour les pour l'aider à faire cette corrélation. On va sur agent instruction et ici on va lui dire le champ pour lier les deux les deux sources c'est le location ID et j'en profite pour préciser le vocabulaire métier, le format de sortie, le style de réponse. On revient vers notre data agent. On va euh ici reposer la même question. Euh on va clire le chat pour commencer dès le départ et on va lui dire "OK, maintenant donne-moi le top magasin avec la notion de rénovation. euh qui performe le mieux. Et là, contrairement au départ, vous allez voir qu'il va pouvoir lier les deux sources. Il va il va pouvoir nous donner les top magasins qui ont le plus de ventes avec la notion de rénovation. Donc, il a corrélé les deux sources et c'est ce qu'on va voir sur le tableau qui va s'afficher, donc les différents magasins, leur vente et est-ce qu'ils sont rénovés ou pas. Et même si on regarde les run steps, vous vous allez voir qu'il a utilisé du DAX pour parler avec le semantic model et l'interroger. Il va utiliser du SQL cette fois sur le Lhouse pour interroger les données opérationnelles. Donc on passe d'une analyse purement descriptive à une analyse multisource orientée décision et c'est le but de notre data agent. Super, merci Akram. Et donc on a vu qu'il y avait un certain nombre de bonnes pratiques pour avoir des réponses de qualité. Tu nous as montré un certain nombre avec la préparation du sémantique modè et des instructions au-dessus du data agent. Ici on a une liste de checklist. On vous mettra dans le commentaire le lien de cette checklist pour vérifier si vous avez bien respecté toutes les étapes. Est-ce que vous avez bien défini le scope du data agent ? Est-ce que vous avez rajouté des vérifiés dansware ? Est-ce que vous avez bien uniquement listé les données que vous avez besoin de votre sémantique modèle ? est-ce que vous avez fait les tests et cetera et cetera. Donc c'est une liste, une checklist que vous pouvez suivre et puis vient ensuite un notebook qui va vous permettre d'assesser le fait que vous ayez bien suivi les bonne pratique aussi bien de développement du modèle avec les performances parce qu'on imagine qu'une requête qu'elle soit envoyée par le data agent ou qu'un utilisateur et ben il y a des problèmes de performance qui peuvent arriver si on n pas respecté toutes les bonnes pratiques. Et puis une bonne pratique c'est aussi de rajouter la description aussi bien des mesures comme des colonnes. Et on voit que dans cet exemple ici on a des problèmes. On a aussi des redondances de nom de colonne, ce qui peut poser les problèmes au LLM pour comprendre notre question et y répondre. Et puis après, on peut vérifier si on a bien euh ben tester finalement les réponses de notre modèle. On peut faire ça même en mode batch, tester euh si les réponses sont pertinentes, si c'est elles qui sont attendues. Et donc, on peut automatiser aussi ces phases de test avec un SDK qui va vous permettre comme ceci, on voit ici, on pose différentes questions et programmatiquement on va pouvoir valider que les réponses sont celles qu'on attend. Merci Romain pour cette checklist très intéressante. Et donc dans un datagent, chaque source de donnée, elle est vu comme un outil que LIA peut utiliser. Donc quand on pose une question, LIA regarde la conversation, il décide si elle a besoin de données ou pas, il vérifie les instructions mises par le créateur de l'agence, c'est ce qu'on a vu préalablement. et aussi il va faire appel à un ou plusieurs outils. Donc ça lui permettra de raisonner et répondre en transparence. Essayons d'aller encore plus loin dans nos décisions. On va enrichir notre analyse des ventes des magasins avec des données en temps réel, des informations de terrain. En l'occurrence ici, c'est la fréquentation des magasins en temps réel. Donc s'il y a s'il y a une personne qui rentre au magasin, on le détecte directement. Et ça, on le fait via real time intelligence. Éc, on en a on en a parlé brièvement quand il a présenté fabrique tout à l'heure. Et là, le but c'est que dans Fabrique, sur nos 28000 clients qui utilisent Fabrique, la deuxième composante la plus utilisée après Power BI, c'est le RTI. Donc c'est vraiment expansion. Le but c'est queà partir de données en streaming, base de données, IoTi, événement, application, métier et cetera, en fait il va fabrique va permettre à ces données de passer pour faire un parcours complet en temps réel. Donc on reçoit par exemple des événements depuis un event hub, on les fait transiter sur ce qu'on appelle un event stream pour ingérer les données. On les stock sur un event house euh une base spécifique pour les euh euh les données en temps réel et tout ça. Le langage qui est utilisé derrière c'est du KQL costock language. C'est pour analyser les temps en temps réel. Donc on va rajouter notre troisème source, notre base calcuel des de qui a des données des en temps réel. Et donc il y a deux tables euh de fréquentation de ces magasins. Concrètement, comme on l'a dit, c'est des événements euh qui viennent de eventup dans mon cas qui vont transiter par le event stream que vous voyez ici. Ça va être stocké dans un event house qui est basé sur des données KQL. Et donc là, l'avantage, c'est que vous voyez que les données arrivent en continu et vous voyez dans ce schéma là. Et toutes ces données, elles vont être déversées sur cette base de données, une table où les données arrivent en continu en temps réel. Donc ce qu'on va faire, c'est qu'on va mettre à jour notre instruction globale et on va dire attention, il y a une troisième source et c'est euh la KQL. Ce qu'on va faire, c'est que s'il y a une une question par rapport à l'actualité du terrain, vous utilisez ici euh la base CAQ pour les ventes sémantiques modèles et pour les attributs magasins comme les rénovations, on utilise le Lake House. On va aussi donner des instructions pour notre base en temps réel calqel. On va lui dire si il y a une question par rapport au ralentissement opérationnel, il faut utiliser ce KPI Botanex Core et on on va même lui donner la règle de de ce KPI sur et sur le gâteau. On va même rajouter un exemple de requête sur lesquels il peut se baser pour faire son analyse. On va mettre un exemple de question par rapport au ralentissement opérationnel et on va lui donner aussi la querie une requête KQL qui lui permettra de de lui montrer comment calculer ce KPI. Donc ce qu'on a fait, on a mis à jour les instructions globales et on a euh rajouté des instructions pour notre nouvelle base de données. On va poser une question à notre data agent qui a encore été amélioré et on va lui dire quels sont les magasins qui rencontrent actuellement des ralentissements de services. Là, on a utilisé deux mots clés déjà ralentissement de services. Deuxièmement, actuellement, ça veut dire que je veux des données euh en temps réel. Et donc là l'agent, il va interroger directement la base réelle en KQL. Et vous voyez ici que il nous donne les différents magasins qui ont des ralentissements. Il a utilisé des KQL qu'on peut voir ici avec le langage KQL pour interroger ma troisème source. Et même quand on voit son analyse, il a utilisé ici mon KPI, le botx score. Il a classé les différents magasins selon ce nouveau nouvel indicateur. Il m'a même dit que voilà la requête que tu m'as donné en instruction, elle m'a aidé pour calculer ce KPI. Et donc euh là, ce que je vais faire, c'est que je vais poser la vraie question qu'on a cherché depuis le départ. Où devons-nous investir pour réduire les ralentissements et à la fois et aussi comment améliorer leur performance commercial ? Et donc là, il y a deux notions performance commerciale donc c'est les ventes. Nous avons aussi les investissements par rapport euh au ralentissement. Et là vous voyez que notre data agent il raisonne, c'est ce qu'on attend de lui. Et il va lier nos différentes sources, décider quelle donné il a besoin pour pour nous répondre. Et là, vous allez voir que non seulement il va nous donner les différents magasins qui sont impactés, mais euh mais en plus, il va mettre cette information de fréquentation pour euh que nos données vraiment reflètent le moment actuel. Et donc là, vous voyez le magasin avec les différentes données opérationnelles et et là, vous voyez que les deux requêtes ont été exécutées en KQL et également en DAX. Donc on est maintenant dans une capable de raisonner sur des données historiques, opérationnelles et en temps réel et de guider des décisions concrètes. C'est top. On peut rappeler que tu es en lecture seule là sur les données, hein. Euh aujourd'hui, le data agent ne va ne va écrire aucune donnée. On peut rappeler aussi que tu peux parler en français avec ton data agent, non ? Oui, exactement. Euh en anglais, on dit euh voilà, c'est c'est recommandé, mais bien sûr, toutes les langues fonctionnent. Si je lui pose en question français, il va me répondre en français également. Donc multilangage, c'est c'est pris en considération. Et donc résumons ici ce que nous avons fait et la partie sécurité aussi romain, nous allons l'aborder un peu plus tard. Et donc euh au centre, on a configuré les instructions globales de l'agent. À gauche, on a ajouté et configuré plusieurs sources de données, chacune avec ses propres règles. C'est ce qu'on a fait avec le Lake House pour lui dire il faut pas deviner. C'est ce qu'on a fait avec le KQL pour lui donner le KPI. Et maintenant, on va pouvoir l'exposer aux utilisateurs finaux côté consommation. Oui, mais Akram, excuse-moi là effectivement, tu as fait des tests unitaires mais dans la vraie vie on fonctionne jamais comme ça. Tu passes en fait, tu fais du test. Euh est-ce qu'on peut faire la même chose avec les dates agents ? Exactement. Et très bonne remarque Éric. justement euh le process qui est derrière ça, il est itératif parce que là comme tu l'as dit, on voit des démos, ça passe du premier coup mais derrière il y a eu plusieurs itérations. Le l'objectif c'est de faire une configuration, poser des questions, évaluer la réponse et rebellote. Mais justement pour vous aider à améliorer euh ces itérations, ce que nous avons mis en place euh c'est qu'il y a un kit de développement data agent SDK. Et donc c'est un notebook euh écrit en Python qui va nous permettre d'évaluer notre data agent d'une façon assez automatique. Et donc ça va nous permettre de savoir quand un agent il est vraiment prêt pour un usage métier à grande échelle. Comment ça marche et c'est ce qu'on a fait justement sur notre data agent. On commence par installer ce kit de développement et on va définir un jeu de questions avec des réponses attendues. Et justement notre data agent va comparer ses réponses avec les les réponses attendues. Donc ici vous voyez que nous avons défini notre data agent avec les différentes informations. Ensuite nous allons exécuter notre data agent pour qu'il euh se compare avec les réponses et les questions de référence que nous avons définies auparavant. il va nous donner justement un score combien il y a de réponses correctes combien il y a de réponses fausses si on veut aller plus loin on peut même mettre un paramètre là le verb en tr et donc nous pouvons voir le détail de comment notre data argent il a répondu à chaque question de référence et ici il va nous donner un lien si on clique dessus et on se connecte et donc on va pouvoir voir l'échange qu'il y a eu entre le data agent et chaque question en l'occurrence ici c'est la Question numéro 1, mais j'ai défini 10 questions, mais vous pouvez définir 50 euh 60 questions et automatiquement il va vous donner un score. Donc l'idée derrière c'est de dire OK, si j'arrive à un pourcentage de 95 % 99 % de bonnes réponses euh par exemple mon data agent il est prêt à être en production. Donc là on peut vraiment dire que nous pouvons passer côté consommation après avoir montré cette partie évaluation. Et donc la bonne nouvelle, c'est qu'il peut être consommé de plusieurs façons. Même ici sur cette slide, vous voyez pas toutes les façons. Il y a même le code le MCP serveur qui manque. Euh et donc aujourd'hui ce qu'on va présenter, c'est quatre exemples concrets de consommation. Côté métier, le premier très simple, c'est d'utiliser euh notre data agent directement dans ce qu'on appelle le standalon copilot pour Power BI. En fait, c'est une interface de chat qui est infusée directement dans Fabrique. Elle va permettre de chercher des rapports, des modèles sémantiques, des agents que nous avons créé et de leur poser des questions euh sur les données. Et on peut aussi référencer un data argent par exemple pour lui poser des questions. Donc c'est ce qu'on va faire pour notre fameux data agent des ventes des magasins. Ici, on va euh euh cliquer sur notre standalon copilot. Donc c'est une interface du chat comme je je l'avais dit et euh je peux je vais poser la question euh où est-ce qu'on doit investir en priorité staffing ou innovation ? Et là vous voyez que j'ai tagué mon datagent, ça veut dire que je lui parle directement. Je peux aussi taguer plusieurs d'autres dates agents. Et donc il va me faire euh la réponse euh que j'attends avec les différents magasins. Où est-ce que je dois investir ? Il est où le le staffing ? car on n'oublie pas, nous avons mis cette transformation sur le L comme données opérationnelle. Merci Akram, tu nous as montré ici le standalon copilote. Alors, on peut rappeler la différence entre les copilotes qui existent dans Microsoft Fabrique et il y en a plusieurs avec finalement ce qu'on a vu depuis le début, les data agents. On a vu que les datas agents tu peux les configurer, ils peuvent attaquer plusieurs sources de données alors que les copilotes finalement sont plutôt là pour utiliser soit un workload soit une source de données seule. Ici, on voit la différence entre Power BI copilote et les data agents. On voit que le goal est assez différent. Les datas agents, on va pouvoir converser avec plusieurs sources de données. On va aussi pouvoir plus le configurer. Le scope est sur plusieurs sources de données. On l'a vu, il parle avec des layout, des warehouses en KQL. Bientôt, on l'a appris aussi avec des données non structurées. Il va bientôt aussi pouvoir interagir avec ces fameuses UDF, mais c'est encore un sneak peck. On va avoir l'intégration avec, on l'a vu, différents outils. Tu vas nous le montrer aussi je crois après comment on peut l'interfacer avec des outils qui vont permettre de le consommer sans être dans l'interface de Microsoft Fabrique. Ici, c'est pour rappeler les différentes solutions de copilote, que ce soit pour de l'autoring, donc du développement ou que ce soit pour finalement l'usage, l'accès aux données. Et on a vu tout à l'heure que un sémantique modèle pouvait être utilisé par un data agent qui lui-même, on va le voir, va pouvoir être exposé dans différentes autres solutions. Merci Romain pour l'explication de la différence entre copilot et data agent car les deux servent les données et permettent de dialoguer en langage naturel mais de différentes manières comme tu l'as si bien expliqué. Deuxème moyen pour euh consommer les dates agent et avec cette fonctionnalité ça change complètement la donne pour les utilisateurs métiers. avec un seul clic, je dis bien un seul clic, quand on publie notre date agent et le le clic il est ici, on va pouvoir le partager avec les applications M365 des utilisateurs métier. Concrètement, ce que ça veut dire, ça veut dire qu'un utilisateur métier qui est sur Teams, qui est sur Excel, qui est sur Word, il peut communiquer avec notre data agent. Là, vous voyez sur cet exemple, par exemple, ici, nous sommes sur Teams. Quand il accède à la au copilot dans Teams, vous voyez qu'il y a un datagent et qu'il peut communiquer avec. Pareil sur Excel pour les utilisateurs métier, il peut faire appel au copilot en haut et justement taguer le data agent et pouvoir communiquer avec. Et donc c'est ce qu'on a fait pour notre fameux data agent des ventes des magasins. Un seul clic, il est disponible sur Teams et vous pouvez discuter avec le datagent et lui poser les différentes questions par rapport à vos données. 3è moyen pour et là on s'adresse plutôt aux équipes IT dev intégration. En fait il existe un kit de développement en SD Capitan qui est disponible sur Gub. Je vous ai laissé le lien ici. Et donc vous voyez que dans la démo à droite quand j'installe ce SDK, il va me permettre à me connecter à mon agent et à lui poser des questions. Par exemple ici, vous voyez que je lui pose la question : "Quels sont les magasins qui ont actuellement des faibles ventes ?" Et au lieu de me répondre euh sur un chat comme on le voyait avant, là il va me répondre directement sur le script. Donc là, c'est idéal et les use case, c'est pour les intégrer dans des portails métiers, des workflow pipeline ou des applications internes des entreprises. Exemple pour le FCA, le fabric analysis où on déploie une solution de Finups, on a créé un data agent en ligne de code comme ça, ce qui permet depuis un notebook de créer le data agent tout configuré sur les données de coût de fabrique et donc avoir un expert phinops avec lequel on peut converser. Un exemple concret. Merci Romain. Ça c'était le 3è moyen. 4e et dernier moyen. On va essayer d'aller un peu plus loin en utilisant une autre plateforme, c'est la Microsoft Fund. Donc comme nous avons une plateforme data qui est fabrique, nous avons d'un autre côté la Microsoft Fundire, connecter, gouverner des agents et des applications I. Donc elle va connecter les modèles, les outils et les différentes données et les règles métiers dans un même runtime. Si on dit par exemple fabrique elle rend li intelligente grâce aux données, on peut dire que fonder rend li lien exploitable à grande échelle. Donc l'idée derrière ce qu'on va faire c'est que on ne va plus poser des questions à la data. On va créer un agent décisionnel surfonderie, on va l'appeler Retail Operation Decision Agent. On va euh et lui il va communiquer avec le fabrique data agent pour les faits et les chiffres et on va rajouter un document PDF qui contient les objectifs stratégiques de l'entreprise. Donc le rôle de ce de cet AG n'est plus seulement d'analyser mais il va prendre des décisions alignées avec la stratégie business. Donc, on croise la performance réelle avec les objectifs de l'entreprise. C'est ce qu'on va faire ici. Donc, on va publier notre fabrique data agent pour qu'il soit euh utilisable comme un outil externe euh comme par exemple sur Microsoft Foundry. Donc là, on est en train de le publier et puis on va passer directement vers Microsoft Fund. On voit ici que nous avons notre decisionnel agent euh qu'on a euh euh créé. Et là, on lui connecte les 12 outils. Donc premier outil, c'est le fabrique date à agent et le deuxème, c'est le fichier qui contient les objectif de l'entreprise. Vous voyez ici, c'est Compagnie Strategic Objectif, un simple fichier PDF à titre d'exemple. Et puis euh nous allons poser la question. La question c'est on va essayer de croiser les deux. Donc on va lui demander quels sont les magasins qui sont en dessous de nos objectifs, de combien et quelles actions concrètes faut-il prendre. Et donc là pour un feu, on peut aussi mettre des instructions sur fonder pour notre agent. On peut même choisir le modèle à utiliser. Notamment ici c'est le GPT 4.1. Et donc ici vous allez voir qu'il va me répondre d'une manière à ce que il va euh croiser les deux données. Il va prendre des données, des objectifs pour mettre les objectifs qui ont été mises. Il va les croiser avec nos données pour dire quels sont les magasins qui surperformment ou sousperformment. Pourquoi et où est-ce qu'on doit investir ? Est-ce que c'est le staffing ? Est-ce que c'est les fréquentations de magasin qu'on qu'on essaie de de d'augmenter ? On va rénover les magasins et cetera. Et pour s'assurer de ça, on peut aller dans TR. On peut voir ici qu'il a notre data agent, il a communiqué avec Azur Fabrique pour faire des appels à notre data agent. il a communiqué avec notre fichier. Vous voyez le file search call qui nous permet de euh communiquer avec le fichier des objectifs. Et donc là, les agents ne travaillent plus seuls, ils collaborent entre données et stratégies pour produire des décisions exploitables. Tu pourrais très bien corréler d'autres sources de données externes à l'organisation, peut-être la météo, la position géographique, les autres magasins autour. Bref, ça t'ouvre le champ des des possibles. Exactement. Donc là c'est juste à titre d'exemple où on a mis je reviens ici le l'objectif de de l'entreprise mais chacun a son use case et ça peut ouvrir le champ à beaucoup de choses. Et là tu reviens vraiment à la définition de l'agent puisque l'agent euh comme bah c'est dit dans la signification sémantique du mot agent, ça agit et effectivement là tu as effectivement une logique vraiment de décision autonome faite par l'agent. Exactement. Et donc l'intérêt de fondrer aussi c'est aussi qu'on peut toucher plus de monde. On a dit exploitable à grande échelle. Et donc ce qu'on va faire c'est qu'on va toucher les execs. L'un des moyens d'y parvenir c'est de passer par une architecture multiagent. Donc là ce qu'on va faire on a on va créer un deuxième agent. On va l'appeler exact summary agent. Et son rôle il est très simple. il va juste reformuler la réponse pour un public dirigeant, plus synthétique, plus stratégique, orienté décision. Donc la même analyse va servir plusieurs audiences simplement avec des agents spécialisés parole. On ne change pas la donnée, on adapte la communication. On pour cela, on va utiliser d'enfonderrer ce qu'on appelle des workflow. tout simplement, c'est juste pour définir qui parle à qui, dans quel ordre et cetera pour faire communiquer les différents datagents. Donc ça permet de contrôler le raisonnement. Donc c'est ce qu'on va faire ici. Je suis sur fonder, on va créer le workflow multiagent stores. On va mettre nos deux agents un pour l'exc et l'autre qui va analyser. Et on va lui poser ici la question quels magasins sont donc dessous de nos objectifs, de combien et quelles actions faut-il prendre ? Et là, vous pouvez voir qu'on a une première réponse qui est une analyse qui peut être peut-être complexe pour des ex qui ont juste besoin de réponse courtes orienté décision et justement ça va la transformer vers cette réponse courte avec les top priorités avec une réponse plus adaptée au monde des exécutifs. Et je pense qu'on a fait le tour Éric Romain. Absolument. Et ce qui est intéressant dans ce que tu as montré là, c'est que on peut faceter en fait un data agent en fonction du profil de consommateur de l'agent. Ça c'est super intéressant. Alors par contre, il y a quelque chose qui me qui m'intéresse aussi, c'est c'est le fait que OK, on parle de chic Bazar depuis le début avec des données de Chic Bazar, maisant que je sois en fait un opérationnel dans le magasin de Marseille, est-ce que j'ai le droit de voir les données du magasin qui est par exemple en banlieu à Paris ? H merci Éric de de préciser cela et justement la réponse est non. Nous pouvons bloquer cela. Le volet sécurité. Pour finir cette session, elle est primordiale chez Microsoft. Avec Microsoft Cloud, il y a trois engagements autour de l'IA. Donc non seulement le premier, les données sont vos données. Donc vous restez propriétaire de vos données. La deuxième c'est que vos données ne servent pas à entraîner des modèles des autres. L'IA apprend pour votre entreprise, pas pour l'extérieur. Et la 3e, tout est protégé par des standards de sécurité. Et donc nous avons aussi ce qu'on appelle les principes des responsibles AI, équité, fiabilité, confidentialité et cetera. Donc tout ça va nous permettre de sécuriser votre utilisation de l'IA. Et exemple pour répondre à ta question sur notre euh data agent des magasins, vous pouvez voir ici que nous avons un agent euh à gosse avec un utilisateur admin tout. Donc ici, vous pouvez voir qu'il communique clairement avec l'agent et à droite un utilisateur landa qui n'a pas accès aux données. Donc vous pouvez voir que ici sur les sources de données, il a un warning qui lui dit vous n'avez pas les permissions suffisantes pour lire les données. Donc même s'il a accès au dat agent, il ne pourra pas extraire les données. Je pense qu'on peut être encore un peu plus granulaire avec le relevel security. Exactement Romain. Là nous avons donné des permissions sur les items, ça veut dire un layout, les sources de données, mais on peut faire du RLS, row level security, donc des lignes précises, CLS, des column level security et ça va s'appliquer en plus plus précisément sur ce qu'on veut. Donc ici la l'IA ne contourne jamais la sécurité et donc elle l'applique. Donc même si l'agent il est partagé, il respecte toujours les droits d'accès aux données. Merci Akram pour bah cette présentation et surtout ces ces ces démos. Alors Microsoft fabrique à travers le data agence, c'est quelque chose qui évolue en en permanence. Euh je sais plus si c'est toi Akram ou Romain qui l'a cité, mais il y a des nouvelles fonctionnalités qui vont bientôt arriver. Alors ce que je vous propose c'est aussi pour ceux qui seraient intéressés pour voir ça en détail un événement qui est prévu chez Microsoft le 1er avril, le Fabrique Road Show où nous allons passer toute une après-midi à décortiquer en détail à partir de données métiers qui vont arriver dans fabrique. On verra même les notions d'ingestion dans dans le lexosition de ces données sous la forme d'agent et on verra notamment la publication notamment et l'utilisation de ces agents dans AI Fundry et leur utilisation dans Office 365 copilote. Donc ça c'est pour les les nouveautés et les événements. Il y a d'autres événements je crois romain qui on peut citer les Tour qui arrivent à Paris le 11 mars et on peut citer aussi la Fapcon qui a lieu à Atlanta en mars aussi pour lequel je pense qu'on va voir vraiment beaucoup d'annonces sur data agent parce qu'on imagine he Microsoft investi comme aussi beaucoup de de partenaires sur ce sujet-là qui est la BI conversationnelle. En tout cas merci beaucoup à vous deux pour cette super session. Euh voilà pour cet épisode de Fardata. Si ce sujet vous a aidé à voir plus clair sur vos choix data, alors le phare aura rempli sa mission. N'hésitez pas à vous abonner, à partager autour de vous et surtout garder le cap. À bientôt. À bientôt. À bientôt. --- ## Chiffrement des données dans Microsoft Fabric : PGP, BYOK, CMK URL: https://www.pharedata.fr/videos/chiffrement-des-donnees-dans-microsoft-fabric-pgp-byok-cmk Publié: 2026-01-29 Durée: 28:33 Sujet: microsoft-fabric Mots-clés: microsoft-fabric, chiffrement, pgp, byok, cmk, azure-key-vault, data-pipeline, securite-des-donnees ### Résumé La vidéo détaille le chiffrement des données at rest dans Microsoft Fabric, en abordant les méthodes natives, PGP, BYOK et CMK. Elle explique les scénarios d'échange sécurisé de fichiers, la gestion des clés, l'orchestration via Data Pipelines et UDF, ainsi que les impacts sur la conformité et la séparation des responsabilités. Les contraintes techniques, la rotation des clés et la compatibilité avec différents artefacts Fabric sont également analysées. ### Points clés - Toutes les données at rest dans Microsoft Fabric sont chiffrées par défaut et gérées par Microsoft. (1:52) - PGP/OpenPGP permet un chiffrement hybride (symétrique et asymétrique) pour l'échange sécurisé de fichiers entre entités. (4:00) - Azure Key Vault ne supporte pas nativement PGP mais permet de stocker les clés en tant que secrets pour sécuriser leur accès. (8:36) - La démonstration montre l'utilisation de notebooks Python avec la librairie python-gnupg pour chiffrer et déchiffrer des fichiers dans Fabric. (15:37) - L'orchestration des processus de chiffrement/déchiffrement s'appuie sur Data Pipelines et peut intégrer des notebooks ou des UDF. (21:17) - CMK ajoute une couche de chiffrement gérée par l'organisation, activable uniquement si tous les objets du workspace sont compatibles. (24:29) - La rotation des clés est cruciale pour la sécurité ; une mauvaise gestion peut rendre les données inaccessibles. (24:57) ### Questions fréquentes **Comment fonctionne le chiffrement natif dans Microsoft Fabric ?** Le chiffrement natif dans Microsoft Fabric est appliqué par défaut à toutes les données at rest. Microsoft gère les clés et assure la sécurité sans intervention de l'utilisateur, garantissant une protection minimale pour tous les artefacts stockés. **Comment utiliser PGP pour chiffrer des fichiers dans Microsoft Fabric ?** PGP repose sur un système hybride : une clé de session symétrique chiffre les données, puis cette clé est chiffrée avec la clé publique du destinataire. La librairie python-gnupg permet de gérer ce processus dans des notebooks Fabric. **Azure Key Vault supporte-t-il PGP ?** Azure Key Vault ne supporte pas nativement PGP ni la norme OpenPGP, mais il permet de stocker les clés PGP en tant que secrets, assurant leur protection et leur gestion via des commandes PowerShell ou des notebooks Python. **Quels objets Fabric sont compatibles avec CMK ?** Les objets compatibles avec CMK dans Fabric sont les Lake House, Warehouse, Notebook, Spark Job. D'autres comme SQLDB sont en public preview, et Event House en private preview. L'activation CMK nécessite que tous les objets du workspace soient compatibles. **Comment orchestrer le chiffrement et le déchiffrement dans Fabric ?** L'orchestration s'effectue via Data Pipelines, qui peuvent déclencher des notebooks ou des UDF pour automatiser le chiffrement et le déchiffrement des fichiers, incluant des triggers sur la réception de fichiers ou des activités de copie depuis des zones de landing. **Pourquoi la rotation des clés est-elle importante dans Fabric ?** La rotation des clés est essentielle pour maintenir la sécurité. Une mauvaise synchronisation ou révocation prématurée peut rendre les données inaccessibles. Fabric vérifie quotidiennement les nouvelles clés dans Azure Key Vault, d'où l'importance d'une gestion rigoureuse. **Quelle différence entre BYOK et CMK dans Fabric ?** BYOK (Bring Your Own Key) permet d'utiliser ses propres clés pour chiffrer les modèles sémantiques Power BI, tandis que CMK (Customer Managed Key) ajoute une couche de chiffrement sur certains artefacts Fabric, activable au niveau du workspace si tous les objets sont compatibles. ### Chapitres - — Phare Data - 0:50 — Encryption des données dans Microsoft Fabric - 2:40 — PGP - 14:16 — Demo PGP - 21:04 — Orchestration - 23:35 — CMK, BYOK - 28:03 — Conclusion ### Transcript [musique] [musique] Ouais, bonjour et bienvenue sur Fardata, la chaîne qui éclaire vos données. Dans l'océan des données, voir clair change tout. Sur farata, on décrypte les services de données, l'analytics, les tout avec un ton accessible, des choix techniques assumé et une touche d'mar. Alors que vous soyez architecte, analyste, data, engénieur, product honur ou simplement curieux, Fardata vous accompagne pour comprendre les enjeux réels, éclairer les compromis et prendre de meilleures décisions et parfois avec le cri des mouettes en buie de fond. Si ce genre de contenu vous parle, n'hésitez pas à vous abonner. Cap sur l'épisode du jour où j'ai le plaisir d'être accompagné par Manel et Frédéric pour évoquer l'encryption des données dans Microsoft Fabrique. On ne va pas parler aujourd'hui d'encryption des données qui sont en transit mais plutôt ceux à trest lorsqu'elles sont persistées sur le stockage. Mais avant ça, on peut quand même rappeler que les données transitent sur internet public entre les services Microsoft, ils sont toujours encryptés au moins en TLS 1.2 et que Fabrique privilégie le TLS 1.3 trois deck possibles et que le trafic entre les services Microsoft transite toujours par le réseau mondial Microsoft, le Microsoft backbond. Et Manel, est-ce que tu peux nous parler maintenant du de l'encryption des données à tress ? Yes ! En fait, on va parler euh plus généralement de la sécurité euh des données euh dans Fabrique. Donc, vous allez voir déjà qu'on a pas mal de choses qui sont déjà mises en place et par périmètre, on peut penser par exemple à l'accès au niveau des espaces de travail, niveau des éléments, l'accès euh avec la RLS CLS à travers le one security, mais là, on va essayer de faire vraiment un focus sur l'encryption des données interest sur Microsoft Fabrique. Donc déjà ce qu'il faut savoir c'est que par défaut toutes les données qui sont dans Microsoft fabrique sont déjà encryptées à travers d'ailleurs et grâce à Microsoft. Mais on va voir sur cette présentation comment on peut rajouter des niveaux de sécurité supplémentaires que les organisations peuvent mettre en place et manager tel que par exemple le bringer on key pour l'encryption des modèles sémantique Power BI ou les CMK pour les espaces de travail Microsoft fabrique ou même comment on peut utiliser des normes telles que PGP pour sécuriser le transfert des fichiers lorsqueon a par exemple des use cases où on a besoin de transiter des rapports ou des fichiers entre deux entités distantes. Donc je pense que Frédéric va commencer par nous détailler la norme Open PGP. Et bien merci Manel. Oui, en effet là on va on va rentrer un petit peu plus dans le détail et on va voir comment cette cette norme justement Open PGP peut être utilisée à l'intérieur de de Microsoft Fabric. Donc, tu en as déjà un petit peu parlé, mais on peut imaginer euh qu'une qu'aujourd'hui un, je sais pas, un ISV ou une une société qui qui développe ses services sur le cloud Azure a besoin d'échanger des euh des fichiers ou des rapports ou toute information de façon chiffrée, par exemple, avec des services financiers, des banques et autres. et on a besoin de s'appuyer justement sur un protocole de de chiffrement assez assez fort et des normes assez fortes pour assurer la sécurité des données qui seront transité vers vers cetiers. Donc c'est là où euh on repose justement sur PGP qui est le Pretigood Prep Privacy si je me souviens bien qui repose justement sur la norme Open PGP. Et euh à la base PGP est pas open source mais on a une implémentation open source de PGP qui s'appelle Nu PGP qui va nous permettre de l'utiliser justement à l'intérieur de de Microsoft. Donc comment ça fonctionne ? De façon assez simple. On va pas rentrer en détail de comment on va chiffrer des données et autres, mais sachez que les bases de PGP, c'est un systè un système de chiffrement hybride avec une approche qui va être à la fois symétrique et asymétrique. Elle va être symétrique parce que on va utiliser, on va générer une clé de session qui va permettre d'aller chiffrer les données que l'on désire envoyer. et on va reposer sur un système asymétrique de clés publique privé pour pouvoir assurer cet échange entre les tiers de façon très sécurisée. Donc on va voir comment ça fonctionne mais globalement on va chiffrer les données avec la clé de session et on va chiffrer et encrypter cette clé de session avec la clé publique du tiers qui va recevoir l'information. À partir du moment où cette clé est chiffrée, on va pouvoir envoyer le document qui lui est chiffré et le document va être reçu par ce tiers et va le euh déchiffrer avec sa propre clé privée et va pouvoir même vérifier la signature avec la clé publique de la personne qui lui a envoyé l'information. Donc on va voir tout ça un petit peu en démonstration, mais c'est des choses qui vont pouvoir se faire à l'intérieur de de Microsoft Fabrique. On va plus que PGP, c'est pas récent hein puisque j'avais écrit un article sur PGP et SSIS il y a en 2013. Donc euh pour dire que c'est éprouvé, c'est utilisé même en dehors de fabrique. Pu oui, PGPS par je crois que c'était créé en en 91 euh si je me si je me rappelle bien. Et donc c'est pas récent mais euh justement du coup c'est ce qui a un peu créé la norme derrière et on repose sur des fondamentaux qui sont très très solides. On va particulièrement utiliser dans Microsoft Fabricer Python de New PG qui est la déclinaison open source justement de de PGP. Donc vous avez PGP, vous avez Open PGP qui est qui est la norme, vous avez GNU PG qui est la déclinaison de PGP en open source et vous avez la libraireur et Python qui est le wrappeur de GNU PG directement dans l'environnement àche. Donc la première chose que l'on va faire, on va et tout ça va être vu en démonstration juste après. On va tout d'abord générer nos clés. Ça c'est très important. Imaginez, je suis la banque euh et je vais générer mes mes clés. Donc je peux utiliser ici un GNU un GNU PG où je vais pouvoir euh générer une clé jusqu'à 4096 bits. Donc c'est assez fort en terme de en terme de chiffrement. Donc je vais pouvoir avoir à la fois ma clé privée qui est protégée par une pas fraise. Euh on peut on peut on peut voir ça comme un comme un mot de passe. Donc je protège ma clé privée et je génère aussi ma clé publique que je vais pouvoir après aller échanger avec des tiers. Et en tant que euh ISV, donc en tant que service qui doit envoyer des données à cette banque, bien moi aussi via GNUPG, je vais générer à la fois ma clé privée et ma clé publique que je vais pouvoir aller aller échanger. OK ? Donc sachez que chaque tiers que je sois mon service SAS centralisé, je vais avoir à la fois ma clé publique et ma clé privée. Et on va parler de banque ou de services financiers. Eux aussi vont avoir leur clé publique et leur clé privée. Donc c'est un petit outil qui en ligne de commande peut directement vous générer à la fois les clés privées et les clés publiques. Et c'est là où on va avoir on va commencer à avoir un échange de clés. C'est-à-dire que moi en tant que service SAS centralisé qui veut échanger de l'information avec les tiers, je vais envoyer ma clé publique à tous les tiers avec lesquels je veux échanger des données chiffrées et chaque tiers va m'envoyer leur sa clé publique que moi je vais stocker en centrale. Donc vous voyez, il y a un échange entre ces clés publiques suivant les tiers. Bien évidemment, la clé privée de chaque tir et la clé privée centralisée reste une propriété privée qui doit être stockée euh dans son volt euh indépendamment les uns les uns des autres. Et quand on parle de volt, et bien naturellement on arrive sur le service de de de coffre fort de Azur qui est Azur Kivolt. Alors aujourd'hui, Azur Kivolt supporte pas nativement le PGP et les clés sur la norme open PGP. Aujourd'hui, il supporte le RSA, les ce qu'on appelle lesqui, les clés symétriques, mais aussi les les certificats. Mais la souplesse de Azure Kivol va nous permettre de stocker ces clés en tant que secret et de les protéger avec toute la sécurité d'accès que l'on a que l'on va avoir directement sur notre sur notre kivolt. Donc en tant que service SAS qui a envie de dialoguer avec des services financiers, je vais avoir mon propre keyolt et je vais sauvegarder dans ce kivolt à la fois ma clé privée et potentiellement ma part phrase qui va me permettre de retrouver et de déchiffrer ma ma clé privée, mais aussi toutes les clés publiques que l'on va m'envoyer. Donc ça ça se fait très bien avec une petite commande Power Shell où je vais lui donner lui target le nom de mon de mon Kivolt, lui dire quel secret je veux importer. Donc je vais identifier chaque clé publique qui provient de mes services financiers par un nom de clé publique et je vais importer le fichier de clé publique directement dans mon Azure Kivolt. Et la résultante de ça, c'est que je vais avoir mon Kivolt centralisé avec mon de mon service SAS et un ensemble, vous voyez ici de clés publique et de clés privées. La clé privée, c'est la mienne. D'accord ? et je vais stocker toutes les clés publiques des tiers avec qui je veux échanger des informations chiffr donc ça se fait très simplement, très facilement. Donc je disais tout à l'heure, on a PGP, on a la norme open PGP et on a une implémentation GNUPG qui va nous permettre de générer de façon open source nos clés privées et nos clés plus briques. Et on a ce wrappeur qui s'appelle Python Gnupig. qui va nous permettre euh justement dans l'environnement et directement en Python va nous permettre de chiffrer, de déchiffrer, de signer des fichiers mais aussi de vérifier la signature de fichiers que l'on nous a que l'on nous a envoyé. Donc ça c'est ultra pratique et c'est complètement compatible avec Microsoft Fabrique parce qu'on est dans un environnement Spark donc on va pouvoir utiliser cette cette librairie. Donc on a euh là dans notre exemple, on a créé un template de notebook qui va être très générique qui va nous permettre deux choses. qui va nous permettre de chiffrer un de chiffrer un ensemble de données, de un fichier un répertoire ou n répertoire, de signer le le fichier, de le de le compresser et de le signer. OK ? Et ce même notebook va nous permettre de recevoir une information, de la déchiffrer et d'en vérifier la signature. Donc on a vraiment un template de notebook qui va pouvoir nous faire le chiffrement et le déchiffrement des informations qui vont qui vont transiter qui vont transiter. On va voir après avec Manette comment on peut ordonnanoncer tout ça mais là on est vraiment sur le le cœur du chiffrement et et des chiffrements. Donc le but et vous voyez au milieu sur les scénarios donc j'ai un service SAS qui va envoyer des informations à une banque et j'ai une banque qui va recevoir des informations d'un service SAS. OK ? Donc à partir du moment où j'ai mon service SAS AS qui envoie les informations à la banque et ce qui va se passer ? On servic va se générer une clé de session de façon symétrique va chiffrer les données envoyé avec sa clé de de de de session. Ensuite, on va chiffrer la clé de session avec la clé publique du tiers qui va recevoir les informations. Donc ici la banque A, d'accord ? et on va envoyer des informations. À partir du moment où la banque a reçoit les informations, elle va déchiffrer des informations avec sa clé privée qui est qui est sa clé privée qu'elle a qu'elle a chez elle. Et en plus, elle va vérifier la signature de ces informations en utilisant la clé publique de la personne qui a envoyé euh la avec qui elle elle dialogue et la personne qui a envoyé les informations. Ce qui permet de vérifier qu'on ait pas transformé la donnée avant qu'il la reçoive ou euh Exactement. Et sous quel format tu vas les envoyer ces fichiersl ? Et justement le format c'est un PGP, c'est un format PGP ou un format zip que je vais avoir que je vais avoir compressé. Après, c'est un peu c'est un peu comme on veut. euh on peut euh le compresser euh le avoir le CSV, le compresser et derrière on en fait un zip et on envoie l'information à à au tier. OK ? Donc ce que je te propose c'est qu'on regarde un petit peu tout ça en vidéo. Super. Donc avant de rentrer dans la dans la démonstration, euh juste un petit point sur euh sur le zoning, sur le oneel leg. roll zoning, c'est un bien gros mot. C'est je veux juste dire que là, je vais simuler une zone de réception d'information et une zone d'émission d'information. Donc on voit ici la zone la zone export à droite, c'est la zone où je vais compresser l'information, chiffrer l'information pour un envoi. Et la zone landing, c'est une information que la banque va m'envoyer et que je vais déchiffrer. C'est comme ça que ça va se passer. Donc on est parti là. Je suis dans mon environnement fabrique. Donc j'ai mon j'ai ici créer mon mon workspace. Voyez dans mon dans mon workspace, il y a il y a pas grand-chose. Il y a juste ce notebook qui est central à toutes les interactions que je vais avoir avec ma donnée. Donc là on revoit mes deux scénarios. J'ai mon service SAS centralisé qui va renvoyer les informations à une banque et j'ai ma banque qui va recevoir les informations d'une de mon service centralisé. Ici, si je fais un gnu pig, donc je vois que je vais avoir l'ensemble de mes clés et vu que je simule sur ma sur ma machine, je vais avoir à la fois mes clés privées et publiques de mon service centralisé, mais aussi la clé publique de la banque qui va m'envoyer des informations. Et comme tout à l'heure, on l'a vu sur le Kivolt qui est lié à mon service SAS, je vais avoir un ensemble de secrets. Et dans ces secrets, je vais avoir ma propre clé privée, mais je vais avoir aussi la clé publique de la banque qui va recevoir les informations ou m'envoyer des des informations. Al bien évidemment, je retrouve tout ce qui a ces standards au keyot. Je vais pouvoir versionner mes mes secrets et vous voyez, je retrouve la clé publique de ma banque qui peut être qui peut être affiché. Donc là, je vais commencer à à exécuter un petit peu ce ce notebook. Donc je vais initialiser mon notebook. Je vais importer la librairie, voyez, le le pythonnu pg. Et après, je vais aller définir un certain nombre de fonctions. Donc là, je vais initialiser euh ma ma librairie en allant justement chercher les différents secrets avec la librairie Spark utile de Microsoft directement dans mon Azur Kivolt. Et donc ça c'est assez bien parce que je vais pouvoir lui donner accès à la manage identity directement de mon workspace. Et c'est cette manage qui pourra aller chercher les secrets directement dans le kivolt et pas d'autres et pas d'autres personnes. Je vais définir deux fonctions. Une fonction de chiffrement et une fonction de déchiffrement des informations qui vont m'être qui vont m'être envoyé. Donc là, on va commencer par le premier scénario où je vais vouloir chiffrer un fichier CSV qui est présent sur mon onelec dans mon workspace. OK ? Donc là, je me positionne comme mon service SAS centralisé qui envoie une information chiffrée à un service financier. Ici, la banque A. Donc là, j'ai mon euh petit fichier hotelreviews.csv. Donc je vais chiffrer cet hôtel reviews.csv en prenant euh en me créant justement une clé euh de de session. D'accord. Et après en incapsulant et en chiffrant cette clé session avec la clé publique de la banque A. Et là c'est ce qu'on voit. Reception key secret banque A PGP. et derrière, j'ai été euh compressé mon fichier. Donc ma résultante, c'est un fichier pointgpé et qui est chiffré pour un envoi à ma banque. Donc là, ça y est, j'ai déjà chiffré mon mon fichier. Donc là, je vais simuler ma banque maintenant. Donc moi pour recevoir l'information con banque, il va falloir que j'aille déchiffrer le le fichier qu'on vient de de m'envoyer. Donc je vais juste passer par je vais télécharger le fichier sur mon poste. Donc là je télécharge le fichier qui a été chiffré par mon service centralisé. Je vais aller le déchiffrer. Donc si je le déchiffre, ça veut dire que je me je pivote mon profil sur le profil de la banque et je vais aller déchiffrer avec ma clé privée de la banque. Donc vous voyez ici, j'ai le point PGP. Donc je vais lui dire je veux déchiffrer ce que l'on m'a ce que l'on m'a envoyé. Pour le déchiffrer, je dois avoir accès à ma clé privée. Donc je rentre mon mot de passe de la banque pour accéder à ma clé privée de la banque A. Et donc là, je déchiffre l'information. Et vous voyez, j'ai deux choses. Ça me dit bien que l'information a été déchiffrée, mais en plus ça a été vérifié la signature du fichier qui m'a été envoyé avec la clé publique du servic qui me l'a envoyé. Donc là, j'ai déchiffré le fichier hotelre reviews.pgp m'a été envoyé par la banque. Et donc maintenant, je vais pouvoir le je vais pouvoir le lire dans mon dans mon environnement. Le deuxième scénario que l'on va faire ici, c'est je vais recevoir une information de ma banque dans mon service centralisé sur Microsoft Fabrice. Donc là, le but déjà, c'est si je me positionne sur le profil de la banque, je dois chiffrer l'information. OK ? Donc là, ce que je suis en train de dire, je vais chiffrer le hotelreviews.ccsv d'un point de vue banque et je veux l'envoyer au service centralisé. D'accord ? Donc moi je suis la banque et je veux l'envoyer au service sas. Donc c'est ce que fait cette petite gnue gnueu péché. Admettons que tu as demandé ton fichier en local que tu as reçu et décrypté. Maintenant tu veux toi aussi le compléter et le réencrypter avant de l'envoyer à la banque qui te l'a envoyé info. OK. Potentiellement. Potentiellement. Et donc là je me mets dans un mode où j'ai reçu le fichier. Donc là bien évidemment je le simule. Donc, j'upload le fichier qui a été chiffré par la banque dans ma zone de landing, mais dites-vous que tout ça doit être forcément industrialisé et on va faire ça avec Manel un petit peu après. Mais j'ai ce fichier qui m'est arrivé sur mon sur mon Onelec. À partir du moment où il est sur mon onele, je vais pouvoir utiliser mon code Python en disant bah va me le déchiffrer ce ce fichier. Donc vu qu'il a été la clé a été chiffrée avec ma clé publique, moi je vais accéder à ma clé privée en tant que service centralisé. Je vais le déchiffrer avec ma clé privée et en plus je vais pouvoir vérifier la signature de qui me l'envoie parce que je sais que c'est la banque A. Je vais accéder à sa clé publique et je vais déchiffrer le le fichier. Et théoriquement, si j'ai bien déchiffré euh le fichier, ben je vais retrouver mon CSV complètement utilisable dans mon dans mon environnement Microsoft Fabrique. Donc là, en résumé, sur cette petite démonstration, on a vu les deux scénarios possibles. J'ai Microsoft fabrique en centrale avec un ISV qui envoie un fichier chiffré à une banque qui le déchiffre en local. et j'ai une banque qui envoie un fichier à mon euh ma plateforme Microsoft Fabrique et je la déchiffre en local et surtout je vérifie à chaque fois la signature du tiers pour voir que le fichier comme tu disais Romain n'a pas n'a pas été modifié. Super Demo, merci. Et maintenant, j'ai hâte de savoir comment on va pouvoir orchestrer tout ça. Manel, tu peux nous en parler ? Ben oui, déjà dès lors qu'on parle d'orchestration, le maître mot dans Microsoft fabrique, ce sont les dates à pipeline. C'est vraiment cet élément qui va nous permettre de faire différentes orchestrations, pas que euh lié au PGP, mais euh mais là, on va voir justement comment on peut utiliser les datas pipeline pour ça. Ben déjà euh ce qu'il faut savoir ici, c'est que pour le moment la partie encryption et décryption que Frédéric avait montré durant la démonstration se faisait via des notebooks. Donc sur la partie data pipeline, on a justement la possibilité de faire appel à des notebooks pour des activités notebook pour lancer l'appel de d'encryption et l'appel de description des différents fichiers. Euh autre chose aussi, c'est que on part sur un scénario où on fait un envoi de fichiers, donc un transfert de fichiers. Euh pour ça, en fait, on a pas mal d'autres d'activités qui nous permettent justement d'aller récupérer euh du SFTP ou d'aller faire des copie depuis une landing zone euh que la banque mis en place vers notre fabricant Lake ou autre. On peut même lancer des triggers dans le sens où on a une landing zone dès lors qu'on réceptionne un fichier, on a un trigger ou un événement de trigger qu'on peut qu'on peut enclencher pour faire pour faire tout le pipeline euh qui a été qui a été mis en place via les notebooks. Donc ça c'est hyper important. et on a évoqué les notebooks, mais pourquoi pas utiliser les UDF, une UDF qui serait au niveau de l'entreprise partageable et donc on aurait quelque chose d'assez euh normalisé dans toute l'entreprise pour échanger euh finalement aussi euh ben décompresser ces fichiers euh encryptés. C'est effectivement une très très bonne idée parce que là on a toute fait on a fait notre notre encryption des description via des notebook mais on peut facilement penser à créer une user data function dans Microsoft Fabric et qui a la possibilité d'aller se connecter à notre Azur Keyvolt, d'aller récupérer les différentes clés publiques et privées pour vérifier la signature pour crypter les différents fichiers et les décrypter. Et euh via un data pipeline, on a justement une activité qui peut faire appel à un UDF qui va faire tout le travail pour nous. Donc ça, on peut penser justement à un scénario où on crée une IDF euh propre à notre organisation où on va juste faire appel à elle avec euh avec euh différents paramètres. On a vu l'encryption, le chiffrement via PGP. Maintenant, on va parler de l'encryption des données à 13 toujours donc au niveau du stockage et on va parler du CMK et du bringer key. Alors le Bringeron Key, on le connaissait déjà côté Power BI mais là le CMK pour certains artefacts fabriquent euh c'est plus récent. Manel, tu peux nous en parler ? Oui, en fait là, l'idée c'est vraiment de voir comment on peut rajouter une couche de sécurité pour enrypter euh avec nos propres clés les euh quelques items euh de Microsoft Fabrique. Ce qu'il faut savoir, c'est que par défaut euh toutes les données à restent dans Microsoft Fabrique sont déjà encryptées, donc euh par défaut et managé par Microsoft. Donc cette encryption là, elle est déjà managée par Microsoft. Là, l'idée du CMK, c'est de rajouter une coûte supplémentaire, donc c'est d'encapsuler justement le DEK qui est managé par Microsoft par une coûte supplémentaire que les organisations peuvent mettre en place pour encrypter certains éléments de fabrique. Merci Manel. et tu as raison de mettre le enfin l'enpha justement sur ces clés parce que ce qui est très important de comprendre c'est aussi la rotation des clés et on en parle souvent, c'est des sujets qui sont un peu compliqués des fois à adresser avec avec nos clients, c'est qu'ussi bien au niveau du CMK, du Broron Key ou du PG ou du PGP, on a besoin pour être très sécurisé d'appliquer une rotation des clés sur toute sur toutes les couches et cette rotation doit être contrôlé. Donc c'est un process qui doit vraiment exister chez nos clients et moi j'invite tout le monde justement à créer une équipe qui vont participer justement à cette cérémonie de de rotation des clés parce que typiquement si si on révoque une clé avant même d'avoir fait la rotation propre de nos clés mais en fait la la fonctionnalité de de fabrique est d'aller voir tous les jours une fois par jour s'il existe de nouvelles clés justement dans notre Azure Kivolt et Si cette cérémonie des clés n'est pas synchronisée, alors on peut perdre bah toutes les informations qu'il y a à l'intérieur de notre WordPen et ne plus pouvoir y accéder parce que justement elles sont elles sont chiffrées mais avec la mauvaise clé. Voilà. Donc ça attention, il faut bien mettre en place ces cérémonies de de rotation des clés chez chez les clients. Ouais. Parce que là la responsabilité, elle est partagée et c'est pas Microsoft que vous pourriez porter responsable de ne pas avoir sauvegardé votre clé qui vous permet plus du coup d'accéder à vos éléments. En fait, c'est tout l'intérêt, c'est c'est que les organisations aient accès à une clé qui est la leure et que Microsoft n'a pas accès pour ajouter une couche de sécurité. C'est exactement ça. Donc c'est important de bien de bien de bien s'assurer de ce point-là. Et ce qui est important à savoir avec la fonctionnalité de CMK, c'est que c'est une fonctionnalité plutôt récente. Euh on l'a mis en J depuis le 15 octobre 2025 euh et on supporte le HSM depuis août 2025 aussi. Et par rapport aux objets qui sont supportés, je crois que tous ne le sont pas encore. Non, il y a certains éléments fabriqu aujourd'hui sont supportés avec le CMK en J et comme tu peux le voir aussi, il y a d'autres qui sont en ce moment en public preview, en private preview. Ce qu'il faut savoir, c'est que aujourd'hui à date sur la partie J ce qui est supporté grosso modo, ce sont les Lake House, Warehouse, Notebook, Spark Job, ce que vous voyez ici sur sa slide euh c'est vraiment ça qui est supporté. On a d'autres qui sont plus ou moins en preview tels que le SQLDB et en private preview, on a aussi le event house et ça s'active au niveau d'un workspace. Donc on le voit comme ça dans dans ta slide oui contrairement au brillant on key qu'on va évoquer tout à l'heure qui s'appliqué au niveau de capacité là c'est bien au niveau d'un workspace et ce que disait en jaune ici c'est que tu ne pouvais pas le créer si tu as un objet au moins qui n'est pas supporté. Effectivement ça c'est hyper important. Si vous avez par exemple un objet qui n'est pas dans la liste qu'on avait qu'on a mis euh sur notre sur notre site tel que par exemple un modèle sémantique PowerB qui lui ne supporte pas le CMK, vous n'allez pas pouvoir activer le CMK au niveau de l'espace de travail. Donc c'est hyper important euh avant d'activer le CMK, de s'assurer que uniquement les éléments qui supportent le CMK sont disponibles dans le dans l'espace de travail. Euh ou peut-être penser à dissocier euh les éléments qui ne sont pas supportés dans et les mettre dans un espace de travail dédié en dehors de celui euh où on active le CMK. Super ! Merci beaucoup pour cet épisode. C'est vrai que ce thème sur le PGP, l'encryption, le CMK, le bring c'est pas toujours simple à vulgariser. D'ailleurs, si vous avez des sujets comme ça difficiles à vulgariser, n'hésitez pas à nous challenger. Voilà pour cet épisode de Phare Data. Si ce sujet vous a aidé, avoir plus clair sur vos choix data, alors le phare aura rempli sa mission. N'hésitez pas à vous abonner et surtout gardez le cap. À bientôt. Salut. Au revoir. Salut. Yeah. --- ## Fabric Cost Analysis - Reservation deployment URL: https://www.pharedata.fr/videos/fabric-cost-analysis-reservation-deployment Publié: 2026-01-18 Durée: 1:30 Sujet: finops-data Mots-clés: fabric-cost-analysis, azure-reservations, finops, microsoft-fabric, cost-monitoring, github, notebook, shortcut ### Résumé La vidéo présente la solution open-source Fabric Cost Analysis, qui permet d'analyser les coûts Microsoft Fabric, notamment les réservations Azure. Elle montre la configuration des exports Azure, le déploiement via notebook, la création de shortcuts, l'activation du chargement des réservations et l'analyse de leur utilisation. FCA s'adresse à ceux qui souhaitent optimiser leurs investissements Fabric. ### Points clés - Fabric Cost Analysis est une solution open-source disponible sur GitHub pour analyser les coûts Microsoft Fabric. () - FCA fournit des insights complets et actionnables sur les dépenses Fabric, incluant les réservations Azure. (0:13) - La configuration des exports Azure permet d'obtenir les détails et transactions des réservations dans un compte de stockage. (0:28) - Le déploiement s'effectue via un notebook qui installe tous les éléments dans l'espace de travail FCA. (0:39) - Il faut créer deux shortcuts, vérifier leur accès, activer le chargement des réservations et exécuter le pipeline. (0:58) - L'analyse des réservations Azure permet de surveiller leur utilisation et d'identifier les capacités bénéficiant des avantages coûts. (1:03) - FCA est destiné à ceux qui veulent optimiser leurs investissements Fabric et rejoindre la communauté GitHub. (1:18) ### Questions fréquentes **Comment déployer Fabric Cost Analysis pour analyser les réservations Azure ?** Pour déployer Fabric Cost Analysis, il faut configurer les exports Azure des détails et transactions de réservations vers un compte de stockage, utiliser un notebook pour déployer les éléments, créer deux shortcuts, activer le chargement des réservations et exécuter le pipeline. **Quels types de données sont analysés par Fabric Cost Analysis ?** Fabric Cost Analysis analyse les dépenses Microsoft Fabric, y compris les détails et transactions des réservations Azure, permettant d'examiner leur utilisation et d'identifier les capacités bénéficiant des avantages coûts. **Fabric Cost Analysis est-il un produit officiel Microsoft ?** Fabric Cost Analysis n'est pas un produit officiel Microsoft. Il s'agit d'un accélérateur de solution open-source disponible sur GitHub, sans support officiel et avec un risque potentiel de défaillances. **À qui s'adresse Fabric Cost Analysis ?** Fabric Cost Analysis s'adresse à toute personne souhaitant monitorer, analyser et optimiser ses investissements Microsoft Fabric, en particulier ceux qui veulent examiner les réservations Azure. **Quelles étapes sont nécessaires après le déploiement du notebook FCA ?** Après le déploiement du notebook FCA, il faut créer deux shortcuts, vérifier leur accès, activer le chargement des réservations et exécuter le pipeline pour analyser les données de réservations Azure. ### Chapitres - — Présentation de Fabric Cost Analysis - 0:13 — Objectifs et public visé - 0:28 — Configuration des exports Azure - 0:39 — Déploiement via notebook - 0:58 — Création des shortcuts et activation du chargement - 1:03 — Analyse des réservations Azure - 1:18 — Appel à rejoindre la communauté ### Transcript Hello. The fabric cost analysis open- source solution available now on GitHub as part of the fabric toolbox repository aims to shine a light on Microsoft fabric cost. FCA for short, gives you comprehensive and actionable insights into your Microsoft Fabric spending. It's designed for anyone who wants to confidently monitor, analyze, and optimize their fabric investments. Let's get started and let's see how to deploy the fabric cost analysis solution including Azure reservations information. We configured the Azure exports of reservations details and transactions to a storage account. The deployment notebook successfully [music] deployed all items within the FCA workspace. The next steps will [music] be to create the two shortcuts and verify their access. Then enable the load reservations activity and run the pipeline. You can now review Azure reservations for Microsoft Fabric and analyze their utilization and monitor which capacity in [music] terms of cost benefits from them. Ready to take control of your fabric costs? Check out the fabric cost analysis on GitHub [music] today. Join the community and start making smarter decisions for your Microsoft Fabric environment. --- ## Fabric Cost Analysis - Azure Quotas deployment URL: https://www.pharedata.fr/videos/fabric-cost-analysis-azure-quotas-deployment Publié: 2026-01-18 Durée: 1:32 Sujet: finops-data Mots-clés: fabric-cost-analysis, microsoft-fabric, azure-quotas, finops, deploiement, open-source, cout, pipeline ### Résumé La vidéo présente la solution open-source Fabric Cost Analysis, disponible sur GitHub, qui permet d'analyser les coûts Microsoft Fabric. Elle montre comment déployer FCA avec l'analyse des quotas Azure, configurer la connexion avec une authentification OAUTH2 ou SPN, activer le chargement des quotas et consulter les capacités par région. FCA aide à optimiser les investissements Fabric, mais n'est pas un produit officiel Microsoft. ### Points clés - Fabric Cost Analysis est une solution open-source disponible sur GitHub pour analyser les coûts Microsoft Fabric. () - FCA fournit des insights complets et actionnables sur les dépenses Microsoft Fabric. (0:13) - Le déploiement de FCA inclut l'analyse des quotas Azure via un notebook. (0:28) - La connexion pour collecter les quotas Azure doit être configurée avec une authentification OAUTH2 ou SPN et un compte ayant accès contributeur. (0:38) - L'activité de chargement des quotas doit être activée et le pipeline exécuté pour récupérer les données. (0:55) - FCA permet de consulter les quotas et les capacités déployées par région pour Microsoft Fabric. (1:07) - FCA n'est pas un produit officiel Microsoft et n'est pas supporté officiellement. (1:20) ### Questions fréquentes **Comment déployer Fabric Cost Analysis avec l'analyse des quotas Azure ?** Pour déployer Fabric Cost Analysis avec l'analyse des quotas Azure, il faut utiliser le notebook de déploiement, configurer la connexion avec une authentification OAUTH2 ou SPN et activer l'activité de chargement des quotas, puis exécuter le pipeline. **Quelle authentification utiliser pour la connexion à Azure quotas dans FCA ?** La connexion à Azure quotas dans Fabric Cost Analysis doit être configurée avec une authentification OAUTH2 ou SPN, en utilisant un compte disposant des droits contributeur ou un rôle équivalent. **Fabric Cost Analysis est-il un produit officiel Microsoft ?** Fabric Cost Analysis n'est pas un produit officiel Microsoft. Il s'agit d'un accélérateur open-source sans support officiel, ce qui implique un risque potentiel de défaillances. **Quels types d'informations peut-on consulter avec FCA ?** Avec Fabric Cost Analysis, il est possible de consulter les quotas Azure pour Microsoft Fabric et de vérifier le nombre de capacités déployées dans différentes régions, permettant une analyse détaillée des coûts. ### Chapitres - — Présentation de Fabric Cost Analysis et objectifs - 0:28 — Déploiement de FCA avec quotas Azure - 0:38 — Configuration de la connexion et authentification - 0:55 — Activation et exécution du pipeline de chargement des quotas - 1:07 — Consultation des quotas et capacités par région ### Transcript Hello. The fabric cost analysis open- source solution available now on GitHub as part of the fabric toolbox repository aims to shine a light on Microsoft fabric cost. FCA for short, gives you comprehensive and actionable insights into your Microsoft Fabric spending. It's designed for anyone who wants to confidently monitor, analyze, and optimize their fabric investments. Let's get started and let's see how to deploy the fabric cost analysis solution including Azure quotas information. The deployment notebook successfully deployed all items within the FCA workspace. We need to configure the automatically created [music] connection that will be used to gather the Azure quotas with OOTH 2 or SPN [music] authentication. Edit the connection using an account with contributor access or a role that includes it. Then enable the load quotas activity and run the pipeline. You are now able to review Azure quotas for [music] Microsoft Fabric and check usage by looking at the number of capacities deployed across different [music] regions. Ready to take control of your fabric costs? Check out the [music] fabric cost analysis on GitHub today. Join the community and start making [music] smarter decisions for your Microsoft Fabric environment. --- ## Fabric Cost Analysis - Deployment URL: https://www.pharedata.fr/videos/fabric-cost-analysis-deployment Publié: 2026-01-18 Durée: 2:00 Sujet: microsoft-fabric Mots-clés: microsoft-fabric, fabric-cost-analysis, power-bi-direct-lake, delta-parquet, notebook, data-agent, azure-cost-management, rapports-personnalisables ### Résumé La vidéo présente le déploiement de Fabric Cost Analysis (FCA), une solution open source pour monitorer et analyser les coûts Microsoft Fabric. FCA s'installe via un notebook dans un workspace dédié, stocke les données en brut et Delta Parquet, et permet l'analyse directe dans Power BI Direct Lake. Des rapports personnalisables sont disponibles, avec accès facilité par le langage naturel. FCA n'est pas un produit officiel Microsoft. ### Points clés - Fabric Cost Analysis (FCA) est une solution open source disponible sur GitHub pour analyser les coûts Microsoft Fabric. () - FCA fournit des insights complets et actionnables sur les dépenses Microsoft Fabric. (0:13) - Le déploiement de FCA se fait via un notebook téléchargé et exécuté dans un workspace dédié. (0:40) - Les données sont stockées en brut et Delta Parquet, accessibles directement dans Power BI Direct Lake. (0:54) - FCA propose des rapports prêts à l'emploi et personnalisables, avec possibilité de connecter d'autres sources de données. (1:15) - L'intégration du data agent permet l'analyse en langage naturel des coûts Microsoft Fabric. (1:25) - FCA n'est pas un produit officiel Microsoft et n'est pas supporté officiellement. (1:48) ### Questions fréquentes **Comment déployer Fabric Cost Analysis (FCA) sur Microsoft Fabric ?** Le déploiement de Fabric Cost Analysis s'effectue en téléchargeant et exécutant un notebook dans un workspace dédié. Toutes les étapes sont détaillées dans le dépôt GitHub, et une fois le notebook exécuté, les artefacts Fabric sont installés. **Quels types de données sont stockés par FCA ?** Fabric Cost Analysis stocke les données à la fois en format brut et en Delta Parquet. Cela permet une analyse directe dans Power BI Direct Lake et offre une flexibilité pour la création de rapports personnalisés. **Peut-on personnaliser les rapports dans FCA ?** FCA propose des rapports standards, mais il est possible de les personnaliser ou d'en créer de nouveaux en utilisant le modèle de données. L'intégration avec d'autres sources de données est également facilitée pour des analyses approfondies. **FCA est-il un produit officiel Microsoft ?** Fabric Cost Analysis est un accélérateur open source et n'est pas un produit officiel Microsoft. Il n'est pas supporté officiellement, ce qui implique un risque potentiel de défaillance. **Comment accéder aux données FCA dans Power BI ?** Les données FCA sont stockées en Delta Parquet et peuvent être analysées directement via Power BI Direct Lake, offrant un accès rapide et flexible pour la création de rapports. **Qui peut utiliser FCA pour surveiller les coûts Microsoft Fabric ?** FCA est conçu pour toute personne souhaitant monitorer, analyser et optimiser ses investissements Microsoft Fabric, sans nécessiter de compétences techniques avancées grâce à l'analyse en langage naturel. ### Chapitres - — Présentation de Fabric Cost Analysis - 0:17 — Objectif et public visé - 0:29 — Déploiement et configuration - 0:54 — Stockage et accès aux données - 1:15 — Rapports et personnalisation - 1:25 — Analyse en langage naturel - 1:48 — Avertissement et conclusion ### Transcript Hello. The fabric cost analysis open- source solution available now on GitHub as part of the fabric toolbox repository aims to shine a light on Microsoft fabric cost. FCA for short, gives you comprehensive and actionable insights into your Microsoft Fabric spending. It's designed for anyone who wants to confidently monitor, analyze, and optimize their fabric investments. Let's get started and let's see how to deploy the fabric cost analysis solution. You can configure the export of the cost from the Azure portal built entirely [music] with Microsoft fabric itself. All the steps to deploy the FCA are very well described in the Git repository. Download and upload the installation notebook in [music] a dedicated workspace. Once executed, all fabric artifacts will be deployed. The next steps will be to create a shortcut to the exported cost and execute the pipeline. Data is stored [music] both in raw form and as delta parquet. So you can analyze it straight from PowerBI [music] direct lake. FCA offers ready-made reports and [music] lets you customize or build your own. Plus, it's easy to connect to other data sources for [music] deeper insights. Microsoft Fabric's data agent when layered over the FCA greatly improves access to insights [music] by enabling users to ask natural language questions about cost of the Microsoft Fabric [music] platform. This feature allows users without technical expertise to receive accurate contextsensitive answers quickly, making data analysis more intuitive and inclusive across an organization. Ready to take control [music] of your fabric costs? Check out the fabric cost analysis on GitHub today. [music] --- ## Fabric Cost Analysis URL: https://www.pharedata.fr/videos/fabric-cost-analysis Publié: 2026-01-18 Durée: 3:27 Sujet: microsoft-fabric Mots-clés: microsoft-fabric, fabric-cost-analysis, fca, azure-cost-management, power-bi-direct-lake, data-agent, open-source, couts-fabric ### Résumé Fabric Cost Analysis (FCA) fournit une solution open-source pour surveiller et analyser les coûts Microsoft Fabric. FCA exploite les capacités de Fabric, stocke les données en brut et Delta Parquet, et propose des rapports personnalisables. L'intégration avec Power BI Direct Lake et la possibilité d'interroger en langage naturel facilitent l'accès aux insights. FCA n'est pas un produit officiel Microsoft et n'offre aucun support. ### Points clés - FCA fournit des insights complets et personnalisables sur les dépenses Microsoft Fabric. (0:11) - FCA enrichit les données de coûts avec les informations sur les compteurs, réservations et quotas Azure. (0:46) - FCA clarifie les charges supplémentaires et les coûts non inclus dans le prix de la capacité. (1:16) - FCA permet de suivre l'utilisation des réservations, valider le scope et vérifier les quotas Azure. (1:49) - FCA utilise pipelines et notebooks pour extraire et transformer les données, stockées en brut et Delta Parquet. (2:16) - Les rapports FCA sont personnalisables et peuvent être connectés à d'autres sources pour des analyses approfondies. (2:29) - Le data agent Fabric permet des analyses en langage naturel, accessibles aux non-techniciens. (2:41) ### Questions fréquentes **Qu'est-ce que Fabric Cost Analysis (FCA) ?** Fabric Cost Analysis (FCA) est une solution open-source permettant de surveiller et d'analyser les coûts liés à Microsoft Fabric. FCA propose des rapports personnalisables et des analyses approfondies. **FCA est-il un produit officiel Microsoft ?** FCA n'est pas un produit officiel Microsoft. Il s'agit d'un accélérateur communautaire, gratuit et adaptable, mais sans support officiel et avec un risque potentiel de dysfonctionnements. **Comment FCA enrichit-il les données de coûts ?** FCA enrichit les données de coûts en intégrant des informations sur les compteurs, réservations, quotas Azure et charges supplémentaires, permettant une analyse détaillée et clarifiée des dépenses Fabric. **Peut-on personnaliser les rapports FCA ?** Les rapports FCA sont personnalisables. Les utilisateurs peuvent adapter les rapports standards ou créer leurs propres analyses à partir du modèle de données fourni par FCA. **Comment FCA gère-t-il les charges supplémentaires et les réservations ?** FCA clarifie les charges supplémentaires, les coûts non inclus dans le prix de la capacité, et permet de suivre l'utilisation des réservations, valider le scope et vérifier les quotas Azure. **Quels outils FCA utilise-t-il pour l'extraction et la transformation des données ?** FCA utilise les pipelines et notebooks de Microsoft Fabric pour extraire et transformer les données, qui sont ensuite stockées en format brut et Delta Parquet. **Peut-on analyser les coûts Fabric en langage naturel avec FCA ?** Grâce au data agent Fabric, FCA permet d'interroger les coûts en langage naturel, rendant l'analyse accessible même aux utilisateurs sans expertise technique. ### Chapitres - — Présentation de FCA et du Fabric Toolbox - 0:46 — Sources et enrichissement des données de coûts - 1:04 — Clarification des compteurs et charges supplémentaires - 1:25 — Réservations, CU meters et implications de la pause - 2:16 — Architecture technique et accès aux données - 2:29 — Rapports, personnalisation et intégration - 2:41 — Data agent et analyse en langage naturel - 3:05 — Limites et absence de support officiel ### Transcript Hello. Are you looking for a powerful free way to gain clarity on your Microsoft Fabric costs? Meet the Fabric cost analysis your open-source solution available now on GitHub as part of the Fabric Toolbox repository, FCA for short, gives you comprehensive and actionable insights into your Microsoft Fabric spending. It's designed for anyone who wants to confidently monitor, analyze, and optimize their fabric investments. But why FCA? Every time a customer comes with a question about fabric costs, we know that many others are wondering the same thing. That's why we've made it a priority to dig into these questions, share our discoveries, and build this solution. With FCA, we turn common questions into clear answers through reports that aim to shine a light on Microsoft fabric cost based on Azure cost export, enriching data on meters, reservations, and Azure quotas. We know cost transparency matters. Many users have questions or misconceptions around fabric billing. So, let's break down some of these common concerns. Maybe you expected to pay for one fabric capacity, but instead saw a confusing list of cost meters. Are all those meters included in your capacity price? Or are there hidden extra charges? Sometimes it's unclear which costs are bundled and which are built separately like one lake storage, Spark Autoscale, or the new warehouse autoscale billing. There are also reservations and CU meters to consider. FCA helps you cut through the confusion. Another common misconception, pausing your capacity instantly stops all costs. That's not entirely true. Some charges may continue and reservation discounts only apply to uptime. FCA helps you see the real story. When you pause, usage is reconciled and pay as you go rates may kick in. With FCA, you can track and understand every detail. Need to track reservation usage, validate scope, check Azure quotas, or assess pricing for a multigo setup? FCA puts all this at your fingertips and more. We've answered these questions for many customers. Now FCA makes these answers scalable for everyone. Built entirely with Microsoft Fabric itself. FCA uses pipelines and notebooks for robust data extraction and transformation. Showcasing Fabric's full power. Data is stored both in raw form and as delta parquet so you can analyze it straight from PowerBI direct lake. FCA offers readymade reports and lets you customize or build your own. Plus, it's easy to connect to other data sources for deeper insights. Microsoft Fabric's data agent when layered over the FCA greatly improves access to insights by enabling users to ask natural language questions about cost of the Microsoft Fabric platform. This feature allows users without technical expertise to receive accurate, contextsensitive answers quickly, making data analysis more intuitive and inclusive across an organization. A quick note, FCA is a community-built solution accelerator, not an official Microsoft product. That means it's free to use and adapt, but there's no official support and some risk of issues. Ready to take control of your fabric costs? Check out the fabric cost analysis on GitHub today. --- # Lexique ## ADLS Gen2 URL: https://www.pharedata.fr/lexique/adls-gen2 ADLS Gen2 (Azure Data Lake Storage Generation 2) est un service de stockage utilisé pour configurer la résidence des données des dataflows, permettant de placer les données dans la région souhaitée et d'assurer la conformité. --- ## Agent de données Microsoft Fabric URL: https://www.pharedata.fr/lexique/agent-de-donnees-microsoft-fabric L’agent de données Microsoft Fabric permet d’interroger les données en langage naturel, facilitant l’accès aux insights pour les utilisateurs sans expertise technique et rendant l’analyse plus intuitive. --- ## Agent IA URL: https://www.pharedata.fr/lexique/agent-ia Un agent IA est un programme basé sur un modèle de langage, capable de comprendre des instructions en langage naturel, d'exécuter des actions via des outils (API, protocoles), et de raisonner sur un domaine d'expertise. Il peut enrichir ses connaissances et agir sur des données. --- ## Agent opérationnel URL: https://www.pharedata.fr/lexique/agent-operationnel Synonymes: Agent opérationnel (Fabric RTI), Agent opérationnel Fabric Un agent opérationnel dans Microsoft Fabric est un composant automatisant l’analyse et l’action sur les données. Il reçoit des instructions, peut déclencher des alertes ou recommandations, et s’intègre dans Teams ou Copilot Studio pour une utilisation métier. --- ## AI Instructions URL: https://www.pharedata.fr/lexique/ai-instructions Les AI Instructions sont des règles métier ajoutées au modèle sémantique ou à l’agent. Elles guident l’agent pour éviter les réponses génériques, affiner le raisonnement et recommander des étapes d’analyse ou d’enrichissement. --- ## Audit Trail URL: https://www.pharedata.fr/lexique/audit-trail L’audit trail dans Fabric Plan est un journal qui trace toutes les modifications, validations et scénarios créés, assurant une traçabilité complète pour les administrateurs et les utilisateurs. --- ## Azure AI Search URL: https://www.pharedata.fr/lexique/azure-ai-search Azure AI Search est un outil d’indexation et de recherche documentaire utilisé dans Foundry IQ pour explorer les données non structurées et fournir du contexte aux agents IA. --- ## Azure Automation Webhook URL: https://www.pharedata.fr/lexique/azure-automation-webhook Un Azure Automation Webhook est une URL qui déclenche un runbook (script automatisé) dans Azure Automation. Il est utilisé dans la solution pour exécuter un code Python qui crée des objets Fabric selon les paramètres transmis. --- ## Azure Key Vault URL: https://www.pharedata.fr/lexique/azure-key-vault Azure Key Vault est un service de gestion de secrets et de clés dans Azure. Il ne supporte pas nativement PGP, mais permet de stocker des clés PGP comme secrets, offrant une protection et un contrôle d'accès centralisé pour les clés utilisées dans Fabric. --- ## Azure quotas URL: https://www.pharedata.fr/lexique/azure-quotas Les quotas Azure représentent les limites de ressources allouées dans Azure pour Microsoft Fabric. FCA permet de consulter ces quotas et de vérifier le nombre de capacités déployées par région. --- ## Backend-as-a-Service (BaaS) URL: https://www.pharedata.fr/lexique/backend-as-a-service-baas Backend-as-a-Service désigne une plateforme qui fournit des services managés pour le backend d'une application, incluant sécurité, authentification, gouvernance et scalabilité. Rayfin propose ce modèle dans Microsoft Fabric, avec CLI, SDK et intégration native. --- ## Backup/Restore (modèle sémantique) URL: https://www.pharedata.fr/lexique/backup-restore-modele-semantique La fonctionnalité backup/restore permet de sauvegarder un modèle sémantique volumineux sur un compte de stockage, puis de le restaurer dans la région cible. Elle évite un full refresh lors de la migration de modèles de plus de 10 Go. --- ## Baseline URL: https://www.pharedata.fr/lexique/baseline La baseline est un scénario de référence, généralement construit à partir des données réelles d'une année précédente. Elle sert de point de départ pour la planification budgétaire et la comparaison avec des scénarios optimistes ou conservateurs. --- ## BYOK (Bring Your Own Key) URL: https://www.pharedata.fr/lexique/byok-bring-your-own-key BYOK permet aux utilisateurs de Microsoft Fabric d'utiliser leurs propres clés pour le chiffrement des modèles sémantiques Power BI. Cette approche offre un contrôle supplémentaire sur la sécurité des données, distinct de la gestion des clés par Microsoft. --- ## Calculation Group URL: https://www.pharedata.fr/lexique/calculation-group Un Calculation Group est un ensemble de calculs ou mesures dans Power BI, permettant de gérer des variations de formules (par exemple, par période). L’outil de migration peut les générer automatiquement à partir des rapports Tableau. --- ## Capacité Fabric URL: https://www.pharedata.fr/lexique/capacite-fabric Synonymes: capacity, SKU Fabric, F64, Capacity Unit Une capacité Fabric est l'unité de calcul et de facturation de Microsoft Fabric. Elle se mesure en Capacity Units (CU) et se décline de F2 à F2048. Tous les workloads Fabric (Data Engineering, Data Warehouse, Power BI, Data Science, Real-Time Intelligence, etc.) partagent cette même capacité, dont la consommation est mesurée en CU. --- ## Capacity Unit (CU) URL: https://www.pharedata.fr/lexique/capacity-unit-cu Synonymes: Capacity Unit, CU (Capacity Unit) Capacity Unit est l'unité de mesure de la capacité consommée dans Microsoft Fabric. La tarification de Fabric Plan repose sur les CU, facturant uniquement l'activité réelle (consultation, modification, validation) et non le nombre d'utilisateurs. --- ## Change Data Capture (CDC) URL: https://www.pharedata.fr/lexique/change-data-capture-cdc CDC (Change Data Capture) est une technique permettant de capturer les changements (insert, update, delete) sur une base de données source et de les répliquer en quasi temps réel dans une destination, utilisée notamment dans le Mirroring de Microsoft Fabric. --- ## Chargeback Reporting URL: https://www.pharedata.fr/lexique/chargeback-reporting Le chargeback reporting fournit un rapport détaillé sur la consommation de chaque Workspace, exprimée en pourcentage, permettant d’ajuster les seuils de Surge Protection. --- ## CLI Rayfin URL: https://www.pharedata.fr/lexique/cli-rayfin La CLI Rayfin est un outil en ligne de commande permettant de construire, déployer et gérer des applications Rayfin dans Microsoft Fabric, en automatisant les tâches de scaffolding et de configuration. --- ## CMK (Customer Managed Key) URL: https://www.pharedata.fr/lexique/cmk-customer-managed-key CMK désigne une fonctionnalité permettant aux organisations d'utiliser leurs propres clés pour chiffrer certains objets dans Microsoft Fabric. Elle ajoute une couche de sécurité, avec des contraintes d'activation liées aux objets supportés et une gestion de la rotation des clés. --- ## Code interpréteur URL: https://www.pharedata.fr/lexique/code-interpreteur Synonymes: Code interpréteur Python Le code interpréteur est un outil intégré à l’agent IA qui permet de générer des graphiques et schémas à partir des données analysées, en utilisant du code Python et des librairies graphiques pour visualiser les résultats. --- ## Column Level Security (CLS) URL: https://www.pharedata.fr/lexique/column-level-security-cls Le Column Level Security (CLS) limite l’accès à certaines colonnes d’une table de données. Un Data Agent dans Fabric respecte le CLS, empêchant la consultation de colonnes sensibles par des utilisateurs non autorisés. --- ## Compaction URL: https://www.pharedata.fr/lexique/compaction La compaction est une technique utilisée pour réduire le nombre de tokens consommés par un LLM, permettant de libérer de l'espace et de maintenir le contexte lors de traitements longs ou complexes. --- ## Control Plane URL: https://www.pharedata.fr/lexique/control-plane Le control plane est la couche de gouvernance et d'observabilité sur Microsoft Foundry, permettant de tracer les interactions, suivre la consommation de tokens, contrôler les accès et détecter les régressions. --- ## Copilot dans Fabric URL: https://www.pharedata.fr/lexique/copilot-fabric Synonymes: Copilot Fabric, Copilot Power BI Copilot dans Microsoft Fabric regroupe les assistants d'IA générative intégrés aux différentes expériences Fabric : génération de code Spark et SQL, création d'expressions DAX, assistance à la création de rapports Power BI ou exploration de données en langage naturel. Son activation dépend des paramètres du locataire et nécessite une capacité Fabric compatible. --- ## Copy Job URL: https://www.pharedata.fr/lexique/copy-job Copy Job orchestre une copie batch ou incrémentale de données dans Microsoft Fabric, avec plus de 200 connecteurs Data Factory. Il permet la transformation et le nettoyage dès l’ingestion, mais implique une duplication réelle et un coût de stockage. --- ## CU meters URL: https://www.pharedata.fr/lexique/cu-meters CU meters sont des compteurs utilisés pour mesurer la consommation de capacité dans Microsoft Fabric. FCA permet de suivre et d'analyser leur usage pour optimiser les coûts. --- ## Data Agent URL: https://www.pharedata.fr/lexique/data-agent Synonymes: agent de données, Fabric data agent Un Data Agent Microsoft Fabric est un assistant conversationnel spécialisé sur une ou plusieurs sources de données Fabric. Il interprète les questions en langage naturel, génère les requêtes nécessaires, exécute celles-ci sur les données autorisées puis restitue une réponse contextualisée. Selon la source utilisée, il peut également expliquer son raisonnement et afficher les requêtes générées. --- ## Data Pipeline URL: https://www.pharedata.fr/lexique/data-pipeline Synonymes: Pipeline Data Pipeline dans Microsoft Fabric est un outil d'orchestration permettant d'automatiser des processus tels que le chiffrement, le déchiffrement et le transfert de fichiers. Il peut intégrer des notebooks ou des UDF pour industrialiser les traitements de données. --- ## Dataflow Gen2 URL: https://www.pharedata.fr/lexique/dataflow-gen2 Dataflow Gen2 est une solution low code dans Microsoft Fabric permettant de transformer et d’ingérer des données avec des jointures, agrégats et transformations avancées, sans nécessiter de compétences de développement avancées. --- ## DAX URL: https://www.pharedata.fr/lexique/dax Synonymes: Data Analysis Expressions DAX (Data Analysis Expressions) est le langage de formules des modèles sémantiques Power BI et Analysis Services. Il sert à définir des mesures et des colonnes calculées, et repose sur la notion de contexte — contexte de ligne et contexte de filtre — qui en constitue la principale difficulté. --- ## Delta Lake URL: https://www.pharedata.fr/lexique/delta-lake Synonymes: Delta, Delta Parquet Delta Lake est un format de table ouvert qui ajoute aux fichiers Parquet un journal de transactions. Il apporte au stockage objet les garanties ACID, les mises à jour et suppressions ligne à ligne, le voyage dans le temps et l'évolution de schéma. C'est le format natif de OneLake. --- ## Delta Parquet URL: https://www.pharedata.fr/lexique/delta-parquet Delta Parquet est un format de stockage de données combinant les avantages du format Parquet avec la gestion transactionnelle Delta. Il permet une analyse efficace et directe des données, notamment via Power BI Direct Lake. --- ## Direct Lake URL: https://www.pharedata.fr/lexique/direct-lake Synonymes: mode Direct Lake, Direct Lake storage mode Direct Lake est un mode d'accès aux données des modèles sémantiques Power BI qui lit directement les données Delta stockées dans OneLake, sans phase d'importation. Il combine la simplicité de l'Import avec une fraîcheur des données proche du temps réel et des performances élevées lorsque les conditions d'optimisation sont réunies. --- ## Direct Lake on SQL endpoint URL: https://www.pharedata.fr/lexique/direct-lake-on-sql-endpoint Direct Lake on SQL endpoint désigne un modèle sémantique qui utilise un SQL endpoint lié à un Lake House comme source de données. Après migration, il nécessite un rebind manuel de la connexion dans la définition TMDL. --- ## DirectQuery (Power BI) URL: https://www.pharedata.fr/lexique/direct-query-power-bi Direct Query dans Power BI permet d’interroger les données en temps réel sans les importer. Couplé à des requêtes natives et paramètres M, il offre un affichage quasi instantané des indicateurs issus de Microsoft Fabric ou d’autres sources. --- ## Dynamic Data Masking URL: https://www.pharedata.fr/lexique/dynamic-data-masking Dynamic Data Masking permet de masquer dynamiquement des colonnes sensibles dans le Lakehouse, autorisant l’utilisation dans les calculs tout en protégeant les valeurs confidentielles, via des fonctions SQL spécifiques. --- ## Embedding URL: https://www.pharedata.fr/lexique/embedding Un embedding est un vecteur numérique généré par un modèle IA à partir d'un texte ou d'une image. Il permet de représenter sémantiquement une information pour la recherche de similarité. --- ## Enhanced Compute Engine URL: https://www.pharedata.fr/lexique/enhanced-compute-engine Enhanced Compute Engine est un moteur de calcul optimisé pour les dataflows, réduisant les temps de refresh et permettant le direct query sur les entités. Après une migration cross region, le premier refresh peut échouer si deux dataflows se chevauchent. --- ## Étiquette de confidentialité URL: https://www.pharedata.fr/lexique/etiquette-de-confidentialite Synonymes: sensitivity label, étiquette MIP Une étiquette de confidentialité est une classification Microsoft Information Protection appliquée à un contenu afin de définir son niveau de sensibilité et les protections associées (chiffrement, restrictions d'accès, marquage visuel, etc.). Dans Microsoft Fabric, les étiquettes peuvent être propagées aux contenus dérivés afin de préserver la gouvernance des données. --- ## Eventhouse URL: https://www.pharedata.fr/lexique/eventhouse Eventhouse est le composant central de Microsoft Fabric pour stocker et traiter les données IoT en temps réel. Il permet l'ingestion, la transformation via update policies et l'analyse des données streamées dans des formats comme JSON. --- ## Exemple Query URL: https://www.pharedata.fr/lexique/exemple-query Un exemple query est une requête illustrative ajoutée à un Data Agent pour lui montrer comment structurer des réponses ou des analyses complexes, servant de guide pour reproduire des raisonnements métier. --- ## Fabric Cost Analysis (FCA) URL: https://www.pharedata.fr/lexique/fabric-cost-analysis-fca Fabric Cost Analysis (FCA) est une solution open-source permettant d'obtenir des analyses détaillées et exploitables sur les coûts liés à Microsoft Fabric, incluant la surveillance des quotas Azure et l'optimisation des investissements. --- ## Fabric Extensibility Toolkit URL: https://www.pharedata.fr/lexique/fabric-extensibility-toolkit Le Fabric Extensibility Toolkit permet de développer et publier des applications personnalisées (workloads) dans Microsoft Fabric, étendant les capacités de la plateforme et intégrant des artefacts, agents et fonctionnalités métier. --- ## Fabric IQ URL: https://www.pharedata.fr/lexique/fabric-iq Fabric IQ unifie les données structurées de l’entreprise via une ontologie métier, permettant aux agents IA d’accéder à une vision globale et sémantique des relations entre collaborateurs, absences et départements. --- ## Fabric Plan URL: https://www.pharedata.fr/lexique/fabric-plan Fabric Plan est une capacité de planification collaborative dans Microsoft Fabric, permettant de créer, saisir et ventiler des objectifs, budgets et prévisions, d'ajouter des scénarios et de persister les données directement sur la plateforme. --- ## Fabric Policies URL: https://www.pharedata.fr/lexique/fabric-policies Les Fabric Policies sont des règles de gouvernance basées sur Microsoft Purview, permettant de restreindre la création d'objets Fabric par type, utilisateur ou workspace. Elles offrent un contrôle granulaire sur les droits de création, mais ne sont pas encore disponibles publiquement. --- ## Fabric Toolbox URL: https://www.pharedata.fr/lexique/fabric-toolbox Fabric Toolbox est un dépôt GitHub regroupant des outils et solutions open source pour Microsoft Fabric, dont FCA. Il facilite la surveillance, l'analyse et l'optimisation des coûts dans l'écosystème Fabric. --- ## Fine-tuning URL: https://www.pharedata.fr/lexique/fine-tuning Le fine tuning est le processus d'adaptation d'un modèle de langage à un jeu de données ou à un cas d'usage spécifique, afin d'améliorer sa pertinence et ses performances pour des tâches précises. --- ## Foundry IQ URL: https://www.pharedata.fr/lexique/foundry-iq Foundry IQ exploite les données non structurées (documents, notes, politiques internes) indexées via Azure E Search, fournissant aux agents IA une connaissance contextualisée et qualitative du contexte d’entreprise. --- ## GitHub Copilot Agent URL: https://www.pharedata.fr/lexique/github-copilot-agent GitHub Copilot Agent est un agent IA capable d'analyser le contexte d'un projet, de planifier des tâches, de générer des fichiers multiples et d'automatiser des pull requests pour faciliter le développement. --- ## GnuPG URL: https://www.pharedata.fr/lexique/gnupg GNUPG est une implémentation open source de la norme Open PGP. Elle permet de générer, gérer et utiliser des clés de chiffrement pour sécuriser les fichiers et les communications, compatible avec Microsoft Fabric via Python. --- ## Hyper file URL: https://www.pharedata.fr/lexique/hyper-file Un hyper file est un format propriétaire de Tableau pour stocker des données compressées. Lors de la migration vers Power BI, il est converti en CSV pour être réintégré dans le modèle cible. --- ## Incremental Clustering URL: https://www.pharedata.fr/lexique/incremental-clustering Incremental Clustering optimise les performances du Lakehouse en réorganisant uniquement les fichiers modifiés, accélérant les requêtes sans réécrire l’ensemble de la table, particulièrement sur les formats Delta Parquet. --- ## Index vectoriel URL: https://www.pharedata.fr/lexique/index-vectoriel Un index vectoriel est un mécanisme d'optimisation dans une base de données qui accélère la recherche de similarité entre vecteurs stockés, essentiel pour des requêtes efficaces sur de grands volumes. --- ## KQL (Kusto Query Language) URL: https://www.pharedata.fr/lexique/kql-kusto-query-language KQL est un langage de requête utilisé pour interroger des bases de données en temps réel dans Fabric. Il permet d’analyser des événements, des flux IoT ou des données opérationnelles avec une grande rapidité. --- ## Lakehouse URL: https://www.pharedata.fr/lexique/lakehouse Synonymes: lake house, maison du lac Un lakehouse est une architecture qui combine la flexibilité et le faible coût d'un data lake avec les capacités analytiques d'un entrepôt de données. Dans Microsoft Fabric, un Lakehouse stocke ses données au format Delta Lake dans OneLake et expose automatiquement un point de terminaison SQL permettant leur interrogation. --- ## LLM (Large Language Model) URL: https://www.pharedata.fr/lexique/llm-large-language-model Un LLM est un modèle de langage capable de comprendre et générer du texte en langage naturel. SmallChat permet d'utiliser différents LLM pour automatiser la création de modèles et rapports Power BI. --- ## Managed Identity URL: https://www.pharedata.fr/lexique/managed-identity La managed identity est une identité gérée par Azure permettant à une application ou un service d'accéder à des ressources Azure de manière sécurisée, sans gérer de secrets. Elle est utilisée dans la solution de web app pour créer des objets Fabric à la place de l'utilisateur. --- ## Materialized Like View (MLV) URL: https://www.pharedata.fr/lexique/materialized-like-view-mlv Synonymes: Materialized Like Views (MLV) Les materialized like views sont des vues persistées dans Fabric, permettant de simplifier les transformations de données, d'intégrer des contraintes de qualité, et de suivre les rejets ou les évolutions des données dans une architecture Lakehouse. --- ## MCP (Model Context Protocol) URL: https://www.pharedata.fr/lexique/mcp-model-context-protocol Synonymes: Serveur MCP, Model Context Protocol MCP est un standard ouvert qui permet à une IA de se connecter facilement à des outils ou données externes. Il agit comme un port universel, simplifiant l'intégration entre IA, bases de données, GitHub et autres services sans interfaces spécifiques. --- ## MCP Server URL: https://www.pharedata.fr/lexique/mcp-server Synonymes: Server MCP, Serveur MCP Le serveur MCP est un composant utilisé par Rayfin pour permettre aux agents de code d'interagir avec le SDK et générer le code backend. Il sert de point central pour la configuration et l'exécution des tâches automatisées dans Fabric Apps. --- ## Memory (mémoire partagée) URL: https://www.pharedata.fr/lexique/memory-memoire-partagee La mémoire partagée dans le Microsoft Agent Framework permet aux agents de stocker et d'accéder à des informations communes, facilitant la collaboration, l'agrégation des résultats et la persistance des données sur le long terme. --- ## Microsoft Foundry URL: https://www.pharedata.fr/lexique/microsoft-foundry Microsoft Foundry est une plateforme Azure dédiée au développement d'agents IA. Elle propose un catalogue de modèles, un framework de création d'agents, des outils d'observabilité, de gouvernance, et la publication dans l'écosystème Microsoft 365. Elle centralise la gestion du cycle de vie des agents. --- ## Microsoft Purview URL: https://www.pharedata.fr/lexique/purview Synonymes: Purview, Azure Purview Microsoft Purview est la plateforme de gouvernance et de conformité des données de Microsoft. Elle fournit des fonctionnalités de catalogue, de lignage, de classification, de protection et de gestion des risques. Microsoft Fabric s'intègre nativement à Purview afin de faciliter la découverte et la gouvernance des données. --- ## Mirroring URL: https://www.pharedata.fr/lexique/mirroring Synonymes: Mirroring OneLake Mirroring réplique une base transactionnelle en quasi temps réel dans Microsoft Fabric via CDC. Il effectue une copie initiale puis synchronise les changements (insert, update, delete) sans pipeline à coder. Certaines colonnes et changements de schéma ne sont pas suivis. --- ## Mirroring Delta/Iceberg URL: https://www.pharedata.fr/lexique/mirroring-delta-iceberg Le mirroring Delta/Iceberg permet d’exposer des données stockées dans Snowflake ou Databricks sans duplication. Les tables sont accessibles dans OneLake et Microsoft Fabric, facilitant la corrélation entre données temps réel et historiques pour l’analyse. --- ## Modèle sémantique URL: https://www.pharedata.fr/lexique/modele-semantique Synonymes: Semantic Model, Jeu de données, Dataset Un modèle sémantique est la couche qui traduit des tables techniques en concepts métier : tables liées, hiérarchies, mesures DAX et règles de sécurité. Anciennement appelé « jeu de données » dans Power BI, c'est lui qui garantit que deux rapports donnent le même chiffre pour la même question. --- ## MQTT URL: https://www.pharedata.fr/lexique/mqtt MQTT est un protocole léger de messagerie utilisé pour streamer les données des capteurs IoT vers Azure IoT Hub, puis vers Microsoft Fabric pour l'ingestion et l'analyse temps réel. --- ## Multi-Geo URL: https://www.pharedata.fr/lexique/multi-geo Multi-Geo est une fonctionnalité qui permet de localiser le compute et le stockage d'une capacité Power BI ou Fabric dans une région Azure différente de la home region du tenant. Les métadonnées et permissions restent dans la région d'origine. --- ## Notebook URL: https://www.pharedata.fr/lexique/notebook Un notebook est un outil utilisé dans Fabric Cost Analysis pour déployer les éléments nécessaires à l'analyse des coûts et des réservations Azure. Il automatise l'installation et la configuration dans l'espace de travail FCA. --- ## Notebook d’installation URL: https://www.pharedata.fr/lexique/notebook-d-installation Un notebook d’installation est un fichier scripté, généralement en Python ou Spark, utilisé pour automatiser le déploiement de solutions ou d’artefacts dans un workspace Microsoft Fabric. --- ## Notebook de déploiement URL: https://www.pharedata.fr/lexique/notebook-de-deploiement Un notebook de déploiement est un script interactif qui automatise l'installation et la configuration de Fabric Cost Analysis, incluant l'intégration des quotas Azure dans l'espace de travail FCA. --- ## OAuth 2.0 URL: https://www.pharedata.fr/lexique/oauth2 Synonymes: OAUTH 2, OAUTH2 / SPN authentication L'authentification OAUTH2 ou SPN (Service Principal Name) est utilisée pour sécuriser la connexion automatique permettant à FCA de récupérer les quotas Azure, nécessitant un compte avec droits contributeur. --- ## OneLake URL: https://www.pharedata.fr/lexique/onelake Synonymes: One Lake OneLake est le lac de données unifié de Microsoft Fabric. Chaque locataire dispose d'une seule couche de stockage logique, organisée en espaces de travail et utilisant les formats ouverts Delta et Parquet. Les différents moteurs Fabric y accèdent directement, limitant les copies et duplications inutiles de données. --- ## Ontologie métier URL: https://www.pharedata.fr/lexique/ontologie-metier L’ontologie métier est une structure qui encode les relations entre entités métier (collaborateurs, absences, départements, managers) dans Fabric IQ, permettant à l’agent IA de comprendre et de raisonner sur les données RH. --- ## OpenTelemetry URL: https://www.pharedata.fr/lexique/opentelemetry OpenTelemetry est un framework open source permettant de collecter, tracer et analyser la télémétrie des applications. Il s'intègre nativement au Microsoft Agent Framework pour monitorer les agents IA et leurs interactions. --- ## Operation Agent URL: https://www.pharedata.fr/lexique/operation-agent Un operation agent dans Fabric IQ est un agent qui surveille les données selon des règles définies et interagit avec l'utilisateur via des alertes ou actions, actuellement en public preview. --- ## Pattern d’orchestration URL: https://www.pharedata.fr/lexique/pattern-d-orchestration Synonymes: Pattern d'orchestration multi-agents Un pattern d'orchestration multi-agents définit la manière dont plusieurs agents IA collaborent dans un workflow. Le Microsoft Agent Framework propose des patterns séquentiel, concurrent, group chat, handoff et matic, adaptés à différents cas d'usage. --- ## Pattern Magentic URL: https://www.pharedata.fr/lexique/pattern-magentic Le pattern magtic désigne une orchestration multi-agent où le plan de résolution n’est pas défini à l’avance. L’agent manager construit dynamiquement une stratégie en fonction des objectifs et des retours des agents, adaptée aux problèmes ouverts et complexes. --- ## PBIP (Power BI Project Format) URL: https://www.pharedata.fr/lexique/pbip-power-bi-project-format Synonymes: PBIP PBIP est un format de projet Power BI qui sépare les fichiers de rapport et de modèle sémantique. Il facilite la gestion, la version et l’automatisation des rapports et modèles dans Power BI Desktop. --- ## PGP (Pretty Good Privacy) URL: https://www.pharedata.fr/lexique/pgp-pretty-good-privacy PGP est un protocole de chiffrement hybride combinant chiffrement symétrique et asymétrique. Il permet de sécuriser les échanges de fichiers en générant une clé de session pour chiffrer les données, puis en chiffrant cette clé avec la clé publique du destinataire. --- ## Planning Sheet URL: https://www.pharedata.fr/lexique/planning-sheet Synonymes: Planning Sheets Planning Sheet est un composant de Fabric Plan qui permet la saisie et la modification de données directement dans Power BI. Il offre une matrice interactive, gestion automatique des totaux et ventilation, ainsi que la création et la comparaison de scénarios budgétaires. --- ## Plotly Template URL: https://www.pharedata.fr/lexique/plotly-template Synonymes: Plotly Template RTI Les Plotly templates dans RTI sont des librairies de visuels avancés (jauges, charts) installables dans Eventhouse. Elles permettent d’afficher des dashboards riches et personnalisés, avec une flexibilité supérieure aux visuels standards de RTI. --- ## Prep Data for AI URL: https://www.pharedata.fr/lexique/prep-data-for-ai Prep Data for AI est une fonctionnalité du Semantic Model permettant d’ajouter instructions, descriptions et synonymes pour contextualiser les réponses des Data Agents, rendant le modèle exploitable par les LLM. --- ## python-gnupg URL: https://www.pharedata.fr/lexique/python-gnupg python-gnupg est une librairie Python qui permet d'utiliser GNU PG pour chiffrer, déchiffrer, signer et vérifier des fichiers. Elle s'intègre dans l'environnement Spark de Microsoft Fabric pour automatiser les opérations de sécurité sur les données. --- ## Raccourci OneLake URL: https://www.pharedata.fr/lexique/raccourci-onelake Synonymes: shortcut, OneLake shortcut Un raccourci OneLake est un pointeur vers des données stockées ailleurs — autre espace de travail Fabric, ADLS Gen2, Amazon S3, Google Cloud Storage — exposé comme s'il s'agissait d'une table ou d'un dossier local. Aucune donnée n'est copiée ni déplacée. --- ## Recherche vectorielle URL: https://www.pharedata.fr/lexique/recherche-vectorielle La recherche vectorielle consiste à transformer des textes ou images en vecteurs numériques via un modèle IA, puis à comparer ces vecteurs pour trouver des éléments similaires dans une base de données. --- ## Row Level Security (RLS) URL: https://www.pharedata.fr/lexique/row-level-security-rls Synonymes: RLS (Row Level Security), RLS, Object Level Security, OLS Le Row Level Security (RLS) permet de restreindre l’accès aux lignes de données selon le profil de l’utilisateur. Un Data Agent applique le RLS pour garantir que chaque utilisateur ne voit que les données autorisées. --- ## Runbook Python URL: https://www.pharedata.fr/lexique/runbook-python Un runbook Python est un script automatisé exécuté via Azure Automation, permettant de réaliser des tâches telles que la création d’objets dans Microsoft Fabric, en s’appuyant sur une managed identity pour l’authentification. --- ## Scaffolding URL: https://www.pharedata.fr/lexique/scaffolding Le scaffolding est le processus automatisé de génération de la structure de dossiers, fichiers et configurations nécessaires pour démarrer une application. Avec Rayfin, le scaffolding prépare l'environnement backend, facilitant le développement sans intervention manuelle. --- ## SDK Rayfin URL: https://www.pharedata.fr/lexique/sdk-rayfin Le SDK Rayfin est un ensemble d'outils et de conventions conçu pour faciliter l'intégration des agents et garantir que les applications respectent les contraintes d'entreprise dans Microsoft Fabric. --- ## Semantic Link Labs URL: https://www.pharedata.fr/lexique/semantic-link-labs Semantic Link Labs est une bibliothèque utilisée pour automatiser l'assessment des objets à migrer dans une capacité Power BI ou Fabric. Elle fournit des scripts et rapports à code couleur pour identifier les difficultés de migration. --- ## Shortcut URL: https://www.pharedata.fr/lexique/shortcut Shortcut dans Microsoft Fabric est un pointeur vers une donnée externe (S3, Data Lake, Dataverse) permettant un accès direct sans copie. Il évite la duplication et le coût de stockage, mais chaque lecture traverse le réseau et aucune transformation n’est possible par défaut. --- ## Skill (dans l'IA) URL: https://www.pharedata.fr/lexique/skill-dans-l-ia Synonymes: Skill agentique Un skill est un mode d'emploi propre à l'entreprise, indiquant à l'IA comment accomplir une tâche précise avec les bonnes pratiques et outils, accélérant le démarrage et évitant les erreurs d'architecture. --- ## SmallChat URL: https://www.pharedata.fr/lexique/smallchat SmallChat est une application open source qui permet de créer des expériences conversationnelles autour des données Power BI via MCP et LLM. Elle propose une interface simplifiée pour les utilisateurs métiers. --- ## Smoothing URL: https://www.pharedata.fr/lexique/smoothing Synonymes: lissage, bursting Le smoothing est le mécanisme de lissage de la consommation de capacité dans Microsoft Fabric. Au lieu d'imputer immédiatement le coût d'une opération, Fabric répartit cette consommation sur une période donnée afin de réduire les pics d'utilisation. Les opérations interactives sont lissées sur quelques minutes, tandis que les opérations en arrière-plan le sont sur des périodes plus longues. --- ## Spec-driven URL: https://www.pharedata.fr/lexique/spec-driven Spec-driven est une méthode où le plan de migration ou de développement est défini en amont, chaque agent IA ayant des tâches précises à réaliser, permettant un suivi structuré et une meilleure gestion des étapes du projet. --- ## Speckit URL: https://www.pharedata.fr/lexique/speckit Speckit est un framework open source qui structure la démarche agentique. Il organise la production de code, documentation et assets selon un plan défini, facilitant la standardisation et l'automatisation sur des plateformes data comme Microsoft Fabric. --- ## SPN (Service Principal Name) URL: https://www.pharedata.fr/lexique/spn-service-principal-name SPN désigne un compte de service utilisé pour l'authentification automatisée sur Azure. FCA accepte l'authentification SPN pour la connexion à Azure lors de l'analyse des quotas. --- ## Surge Protection URL: https://www.pharedata.fr/lexique/surge-protection La Surge Protection est un mécanisme de Microsoft Fabric qui permet de limiter la surconsommation des capacités en posant des seuils, afin d’éviter qu’un Workspace ne perturbe l’ensemble de la capacité. --- ## Thread (dans Agent Framework) URL: https://www.pharedata.fr/lexique/thread-dans-agent-framework Le thread dans le Microsoft Agent Framework représente la mémoire court ou long terme d'un agent, permettant de stocker et persister les informations nécessaires à la continuité des workflows multi-agents, même sur plusieurs jours. --- ## Throttling URL: https://www.pharedata.fr/lexique/throttling Synonymes: limitation, bridage Le throttling est le mécanisme de protection des capacités Fabric. Lorsqu'une capacité dépasse durablement ses ressources, Fabric applique progressivement des restrictions : ralentissement de certaines opérations, augmentation de la latence, refus d'opérations interactives puis, dans les cas extrêmes, rejet d'opérations en arrière-plan, jusqu'au retour à un niveau de consommation acceptable. --- ## Time Travel URL: https://www.pharedata.fr/lexique/time-travel Time Travel est une fonctionnalité du Lakehouse qui versionne chaque modification des tables Delta, permettant d’interroger ou restaurer une version antérieure pour audit, débug ou analyse. --- ## TMDL URL: https://www.pharedata.fr/lexique/tmdl TMDL est un format utilisé pour décrire les modèles sémantiques dans Power BI. Lors de la migration, le code Python généré crée des fichiers TMDL pour structurer les données et les relations dans le rapport cible. --- ## Tool (dans Agent Framework) URL: https://www.pharedata.fr/lexique/tool-dans-agent-framework Un tool dans le Microsoft Agent Framework désigne une ressource externe (API, base de données, serveur MCP, fonction locale) que l'agent peut appeler pour enrichir ses capacités et accéder à des connaissances ou des services. --- ## Tool Calling URL: https://www.pharedata.fr/lexique/tool-calling Le tool calling désigne la capacité d'un agent IA à utiliser des outils externes, comme des API ou des protocoles (MCP, HTTP), pour enrichir ses réponses ou exécuter des actions. Cela permet à l'agent d'accéder à des données ou d'agir sur des systèmes tiers. --- ## Tool MCP URL: https://www.pharedata.fr/lexique/tool-mcp Un Tool MCP est une ressource ou un service externe (API, base de données, serveur) que l'on peut adosser à un agent IA dans le Microsoft Agent Framework pour enrichir ses capacités et accéder à des données ou fonctions spécifiques. --- ## Tracing URL: https://www.pharedata.fr/lexique/tracing Le tracing est un mécanisme d'observabilité qui permet de suivre chaque interaction entre un utilisateur et un agent IA. Il enregistre les inputs, outputs, et métadonnées, facilitant l'évaluation, la détection d'erreurs et l'optimisation des performances en production. --- ## UDF TypeScript URL: https://www.pharedata.fr/lexique/udf-typescript Synonymes: Fonctions customisées (UDF TypeScript) UDF TypeScript désigne des fonctions personnalisées écrites en TypeScript, qui pourront être intégrées dans Rayfin pour étendre les capacités du backend sans développer un backend complet. Cette fonctionnalité est annoncée comme prochaine étape. --- ## Update Policy (KQL) URL: https://www.pharedata.fr/lexique/update-policy-kql Synonymes: Update Policy (Eventhouse) Une update policy en KQL est une règle appliquée dans Eventhouse pour transformer et normaliser les données à l’ingestion. Elle permet de mettre à plat les champs JSON, d’effectuer des analyses temps réel, et d’alimenter des tables structurées pour la visualisation. --- ## Vibe coding URL: https://www.pharedata.fr/lexique/vibe-coding Le vibe coding est une méthode de développement où l'utilisateur décrit son intention en langage naturel à une IA, qui génère le code. L'utilisateur pilote, teste et corrige le résultat, passant d'une logique de 'comment coder' à 'quoi obtenir'. --- ## Warehouse Fabric URL: https://www.pharedata.fr/lexique/warehouse-fabric Synonymes: Fabric Warehouse, entrepôt Fabric Le Warehouse de Microsoft Fabric est un entrepôt de données SaaS basé sur le moteur SQL de Fabric. Il prend en charge les transactions et l'analyse en T-SQL tout en stockant les données dans OneLake au format Delta. Cette architecture permet une interopérabilité native avec Spark, les Lakehouses et les modèles sémantiques Power BI sans duplication de données. --- ## Watermark URL: https://www.pharedata.fr/lexique/watermark Le watermark est une colonne utilisée pour identifier les nouvelles données lors d’une copie incrémentale. À chaque exécution, seules les lignes avec un watermark supérieur à la dernière valeur copiée sont transférées, optimisant la capacité et évitant les doublons. --- ## Web App statique URL: https://www.pharedata.fr/lexique/web-app-statique Une web app statique est une application web déployée sur Azure ou localement, qui permet d'automatiser des tâches comme la création d'objets Fabric, en s'appuyant sur une managed identity et des scripts d'automatisation. --- ## Work IQ URL: https://www.pharedata.fr/lexique/work-iq Work IQ est la couche d’intelligence de Microsoft 365 qui analyse les données de travail (emails, réunions, fichiers) pour détecter des patterns, habitudes et signaux faibles, alimentant les agents IA en contexte métier. --- ## Write-back URL: https://www.pharedata.fr/lexique/write-back Right Back désigne la capacité à écrire et persister des données modifiées dans une base SQL, depuis Fabric Plan. Cette fonctionnalité assure que les simulations et ajustements budgétaires sont sauvegardés et réutilisables dans d'autres outils. ---