Notizen auf Deutsch
GeekInData sammelt Notizen aus echter Projektarbeit mit Microsoft Fabric, Databricks, Power Platform, Azure und Microsoft Foundry: was kaputtging, was wir geändert haben und was gehalten hat. Diese Notizen sind auf Deutsch verfügbar.
Fabric Mirroring Lag: Wohin die Minuten gehen
Änderungen lagen nach 18 Sekunden in Delta, waren aber erst nach etwa 2 Minuten am SQL analytics endpoint sichtbar. Was du zusagen kannst.
Fabric Data Agents: Was eine Baseline mit 20 Fragen zeigt
Ein Fabric Data Agent, 20 Fragen, keine Anweisungen: 19 richtig. Der Fehler war eine Annahme ohne Rückfrage. Token CU ist eine wahrscheinliche Untergrenze.
Fabric Engines mit 1B Zeilen: nach Abfrageform wählen
7 Abfragen auf 1B Zeilen in Spark, Warehouse, Direct Lake und Eventhouse. Warehouse und Spark scheiterten nie, Direct Lake gewann warm, zahlte kalt.
Fabric Branch Workspaces: Bereit für Git im Team?
Branch Workspaces, selektives Branching und Compare and Commit sind in Fabric GA. Was ich getestet habe, was Preview ist und wo ein Merge Edits verliert.
Foundry Hosted Agents brauchen trotzdem eine Front Door
Hosted Agents verlagern die Laufzeit deines Agents in Foundry, nicht deine Front Door. Wann sich der Wechsel lohnt und was dein Backend behalten muss.
Agent Evals: Kann ein Score ein Release blockieren?
Mach aus echten Agent-Gesprächen ein versioniertes Evaluation Set in Foundry, koppel Releases an eine Pass Rate und fang Regressionen vor den Nutzern ab.
Fabric IQ: Ist dein semantisches Modell bereit?
Fabric IQ stellt dein semantic model hinter Copilot Chat. Measures formen, das AI data schema eingrenzen, mit Anweisungen steuern und vorab prüfen.
Databricks Bundles: Was ändert sich pro Target?
Ein Bundle, drei Targets. Was sich pro Umgebung ändern sollte, warum Modi keine Leiter sind und wie du Deploy- und Run-Identität für Prod trennst.
Fabric oder Databricks? So entscheide ich
Kein Feature-Krieg. Fünf Fragen vor der Wahl zwischen Fabric, Databricks oder beidem, wo jede Wahl ein Jahr später wehtut und wann beides ehrlich ist.
Foundry + private Suche: Ist "Name or service not known" ein DNS- oder Auth-Problem?
Foundry listet bei privatem Azure AI Search MCP keine Tools und meldet "Name or service not known"? Prüfe erst DNS und VNet, dann 403 und RBAC.
Fabric CI/CD: Die ganze Leiter mergen oder nur Fertiges per Cherry-Pick?
In einer Fabric-Leiter mit mehreren Devs nur den Tip mergen, wenn alles fertig ist. Sonst Squash Commits per Cherry-Pick auf einen Temp-Branch, PR, Deploy.
Foundry Agent Web-Apps: Cosmos oder Azure SQL für den Backend-Zustand, und wann?
Trenne App-eigenen Zustand von den Speichern der Foundry-Plattform. Cosmos für Chat-Zustand als Dokument, Azure SQL für relationale App-Daten.
Agent-Apps: Kann ein öffentlicher POC zum privaten MVP werden?
Wie du Agent-Webapps vom öffentlichen POC zum privaten MVP bringst, ohne so zu tun, als wären Env-Dateien ein Netzwerkdesign.
Umgebungsisolation: Wie trennst du Dev, Staging und Prod mit Azure CLI und Subscriptions?
Redundante Env-Vorlagen zusammenlegen und Subscriptions und Ressourcengruppen in Azure CLI als echte Isolationsgrenze nutzen, gegen Config-Drift.
Workspace-Benennung: Ist einmal umbenennen billiger, als Präfixe für immer zu übersetzen?
Uneinheitliche Präfixe in Workspace-Namen sind eine laufende Steuer. Einmal umbenennen mit stabilen Katalognamen schlägt ewige Übersetzungsschichten.
Agent-Shells: Wie schaltest du Agent-Funktionen per Feature Toggle über Umgebungen hinweg?
Ersetze hartcodierte Agent-Kataloge durch Feature Flags plus Overlay-Zeilen pro Agent für Scope, Starter, Exportpräfixe und Zugriffslisten.
CI-Gates: Was sicherst du in Azure DevSecOps Pipelines wirklich ab?
Native CI-Linter und Sprachtests als Gates, damit Regressionen bei Locales und Texten schon den Build scheitern lassen und nicht erst das Release.
Data Agent Readiness: Sind Genie (und Fabric Agents) wirklich ein Modellierungsproblem?
Was bei Benennung, Modellierung und Katalogbeschreibungen stimmen muss, bevor Tools wie Genie vertrauenswürdige Antworten liefern.
Typisierung in Bronze: Ist es eine gute Idee, alles als Strings zu laden?
Veröffentlichte Spalten in Bronze (oder der frühesten stabilen Schicht) typisieren und rituelles CAST in Silver und Gold verbieten.
Agentenzugriff: Wie grenzt man die Berechtigungen eines Agents sicher ein?
Agent-Webapps brauchen getrennte Ebenen für Anmeldung, Agent-Zugriff und Wissensberechtigungen. Entra App-Rollen auf der API setzen sie durch.
Canvas Apps: Wann wächst du im Plattformmaßstab aus Power Apps heraus?
Canvas Apps im großen Maßstab wartbar halten: weniger Mega-Screens, weniger gesprächiger Datenzugriff, mehr Arbeit auf der Seite von Dataverse.
Semantische Migration: Wie bindest du Berichte neu, wenn das Modell ins Lakehouse wechselt?
Warum Lakehouse-Migrationen an NULL gegen Null, Float-Drift und Rebase-Einstellungen scheitern, und wie du Parität als Vertrag behandelst.
Import-UX: Sollen unsichere KI-Zeilen ausgewählt oder abgewählt starten?
KI-Import nach Default-Deny: Unsichere und unvollständige Zeilen bleiben abgewählt, Gültigkeit folgt dem Schema, Zähler zeigen gewählt und gültig.
MLV + SCD2: Ist SCD2 in Bronze das richtige Muster vor Silver MLVs?
Warum die Attributhistorie einer Dimension als SCD2 in Materialized Lake Views liegen sollte, bevor jemand Stichtagsberichte baut.
MLV-Datenqualität: Warum gibt es keine nativen Eindeutigkeitsprüfungen pro Spalte?
Bring Migrations-Checklisten auf Tabellen pro Spalte und typbewusste Aggregate, damit MLV-Umstellungen semantische Drift früh finden.
Fabric CI/CD: Wie begrenzt du den Blast Radius über Dev-Workspaces hinweg?
Warum Fabric-Deployment-Tools unveränderte Notebooks neu veröffentlichen und wie du für stabile Identitäten und einen kleineren Blast Radius planst.
NEE Fallback: Warum weichen Ergebnisse mit und ohne Native Execution Engine ab?
Miss, wohin die Zeit im MLV DAG wirklich geht, und behebe nur die Fallbacks der Native Execution Engine, bei denen sich das lohnt.
Direct Lake: Muss ein semantic model noch aktualisiert werden?
Notebook, Pipeline oder geplanter Refresh für die Semantik im Lakehouse, und wann Direct Lake bei schweren Fakten den SQL endpoint schlägt.
Lakehouse-Design: Ein Lakehouse mit Schemas oder viele Lakehouses?
Wie du zwischen mehreren Fabric Lakehouses und einem Lakehouse mit Schemas für Bronze, Silver und Gold wählst, samt Folgen für CI/CD und Benennung.
Enterprise Agents: Wie sichern große Unternehmen KI-Agenten und Wissenszugriff?
Ordnerbasierter Wissenszugriff für Enterprise Agents: Chat, Bibliothek, Downloads und Zitatdateien teilen sich ein einziges Berechtigungsmodell.
Fabric Monitor: Refresh-Fehler systematisch überwachen
Warum verstreute Fabric Monitoring-Skripte zu einer einzigen Skill- und Runbook-Schnittstelle für Menschen und Coding Agents werden sollten.
Materialized Lake Views: Können MLVs Silver- und Gold-Tabellen ersetzen?
Viele Warehouse Views als Programm in Phasen auf MLVs umstellen: Lakehouses mit Schemas, Layouts für Shortcuts und POC-Gates vor der Massenumstellung.
Spark Ingest: Wie lädst du große Tabellen ohne Driver OOM?
Paralleler Ingest in Batches von Seiten für große Quelltabellen, damit komplette Neuladungen ohne Driver OOM durchlaufen.
Agent-Piloten: Erst Use Cases ranken, dann die Topologie wählen?
Starte ein Agent-Programm im Unternehmen mit gerankten Use Cases (Orchestrator, Einzel-Agent oder Tools), nicht mit einer Liste von Modell-Endpunkten.
Nachvollziehbarkeit von Agents: Wie schaust du für ein Audit in eine KI-Interaktion hinein?
Aktivitätszeitleisten müssen Foundry Traces, MCP-Wissenssuchen und die Tool-Zähler der UI abgleichen, sonst vertrauen Prüfer dem Produkt nie.
Microsoft Foundry: Wie speicherst du Agent-Sessions außerhalb der Chat-Shell?
Wo der Gesprächszustand liegen sollte, wenn eine Browser-Shell einen Plattform-Agent umhüllt, und warum Neuladen und Beenden eine Architekturfrage sind.
Microsoft Foundry: Reicht Deploy as Web App, oder brauchst du einen Backend-Proxy?
Ein Muster für Container in App Service mit VNet-Integration, OBO ohne Secrets, Managed Identity und privatem Egress zu Foundry, Search und Storage.
Große Fakten: Warum driftet ein grüner Refresh trotzdem?
Refresh-Drift bei großen Faktentabellen als Bruch inkrementeller Verträge zwischen Notebooks, Watermarks und semantischen Konsumenten diagnostizieren.
Sichere KI-Shells: Sollte der Browser direkt mit Foundry sprechen oder nur über einen Proxy?
Vergleiche Optionen zur Härtung von Proxys zwischen Browser und API vor Agent-Backends, inklusive Laufzeitabweichungen und Fehlerbildern bei Front Door.
Fabric PII: Was würdest du beim Laden sensibler Daten tun?
Ein wiederverwendbarer Notebook-Vertrag macht Freitext-Exporte aus Fabric sicher, ohne legitime Adressen und Codes zu löschen.
Einmal in Gold pivotieren: Wie ersetzt du breite Import-Pivots für Direct Lake?
Ersetze OUTER APPLY Pivots im Import-Modus durch einen vorab pivotierten Gold-Fakt, der in PySpark für Direct Lake gebaut wird.
OneLake Shortcuts: Sollten Shortcuts nur in Bronze bleiben?
Bronze sollte ein Vertrag aus OneLake Shortcuts und schlanken Views sein, keine zweite physische Kopie von Gold und Silver aus der Quelle.
Gold + Direct Lake: Direct Lake oder Import für große Faktentabellen?
Warum eine Quelltabelle mit hohem Volumen als dokumentierte Faktentabelle in Gold gehört, mit gemeinsamem Key-Matching und Direct Lake.
Semantische Beziehungen: Warum brechen Modellbeziehungen nach Pipeline-Läufen?
Wie int64 gegen string bei Role-Playing-Dimensionen Beziehungen still bricht und wie du Gold SQL mit TMDL in Einklang bringst.
Warehouse Views: Solltest du schwere Views für Direct Lake materialisieren?
Ein Performance-Playbook in Stufen: Waisen löschen, günstig umschreiben, dann die zwei oder drei Konsolidierungen materialisieren, die alles tragen.
Variable Library: Wie schaltest du aktive Wertesätze von Dev auf Prod um?
Eine Fabric Variable Library in Git mit Value Sets pro Stage, damit Notebooks und Pipelines zum Umbinden keine Workspace-IDs mehr hart kodieren.
Direct Lake on OneLake: Lohnt sich der Aufwand?
Fehler wie „literal URL required“ als Service-Regression behandeln, mit Validatoren, Promotion-Playbooks und Supportfällen, nicht als Dogma.
Fakten neu modellieren: gemeinsame Dimensionen oder getrennte Fakten für sauberere Modelle?
Warum Many-to-Many zwischen zwei Dimensionen eine ausdrückliche Bridge oder ein neues Faktenmodell braucht, bevor Berichtsseiten vertrauenswürdig sind.
Fabric Lineage: Wie geht es weiter, wenn die Pipeline-Lineage nicht mehr nachvollziehbar ist?
Warum ein kleiner Lineage Explorer besser ist als verstreute Pipeline-Dokus: Engineers sehen Abhängigkeiten, bevor sie sie kaputt machen.
Semantischer Gold-Vertrag: Kannst du wählen, welche Spalten das Modell für Direct Lake erreichen?
Gold-Tabellen werden erst zu Plattform-Assets, wenn fehlende Schlüssel, Beschriftungen und Beziehungen im semantischen Modell explizit sind.
Airflow in Fabric: Lässt sich Apache Airflow mit Fabric nutzen?
Fabric bleibt die Ausführungsebene, Airflow die Orchestrierung. Schlanke Tasks, Erfolg erst im Endzustand und was bricht, wenn ein Tool beides macht.
Pose Estimation: MediaPipe oder YOLOPose für Echtzeit-Posenklassifikation?
Echtzeit-Pose ist ein Systemproblem aus Erfassung, Inferenz und Rendering. Latenz budgetieren, Backpressure planen und das passende Modell wählen.
Azure Custom Vision: Wie trainierst und betreibst du Bildklassifikation in einer Azure Function?
Eine Web-App zur Bildklassifikation auf Azure: einfache UI, betreibbares Backend und Custom Vision Iterationen ohne die typische Demo-Falle.
Databricks Genie: Kann es mein Deck bauen und meine App bereitstellen?
Was Databricks Genie Code bei Foliensätzen und App-Deploys ändert, wenn der Assistent schon im Lakehouse-Kontext mit Governance arbeitet.