Stellen Sie sich vor, wir haben drei Maßnahmen:

1. Verkaufsbetrag
2. Verkaufsbetragsbudget
3. Verkaufsbetrag im Vorjahr

Wenn wir uns eine Tabelle mit diesen Zahlen ansehen, sehen wir Folgendes (vorausgesetzt, wir haben aktuelle Daten bis Ende Juli 2025):

Obwohl die Ergebnisse korrekt sind, benötigen meine Benutzer möglicherweise zwei verschiedene Ansichten:

1. Sehen Sie sich nur die Ergebnisse gemäß den vorhandenen Daten an
2. Einschließlich der Budgetdaten und der PY-Daten

Ich habe mehrere Möglichkeiten, es zu tun:

1. Erstellen Sie separate Visuals mit unterschiedlichen Filtern.
2. Erstellen Sie zwei Seiten für die beiden Ansichten, wiederum unter Verwendung unterschiedlicher Filter.
3. Weisen Sie meine Benutzer an, den Kalender-Slicer zu verwenden, um die Daten nach Bedarf zu filtern.

Aber ich möchte meine Berichte so benutzerfreundlich wie möglich gestalten, ohne etwas zu duplizieren.

Daher möchte ich einen Slicer hinzufügen, damit Benutzer wählen können, ob sie zukünftige Daten einbeziehen oder nur aktuelle Daten sehen möchten.

Erstellen Sie die Datumsfiltertabelle

Die Tabelle „Mein Datum“ enthält Indexspalten für verschiedene Zeiträume: Tage, Wochen, Monate, Quartale und Jahre.

• Die Zeile mit der aktuellen Periode enthält eine 0
• Zeilen für vergangene Zeiträume enthalten damaging Zahlen
• Zeilen für Terminperioden enthalten constructive Zahlen

Sehen wir uns die Zeilen für ein kleines Beispiel an, das in SQL mithilfe der DayIndex-Spalte realisiert wurde:

Mit dieser Spalte habe ich eine Tabelle mit einer zusätzlichen Spalte erstellt, die als Slicer dient.

Ich habe alle Zeilen mit einem Index bis 0 genommen und sie als „Nur aktuelle Daten“ markiert.

Dann habe ich alle Zeilen aus der Datumstabelle angehängt (UNION) und sie als „Zukünftige Daten enthalten“ markiert.

Ich habe es mit SQL gemacht, aber Sie können es in Energy Question oder einer anderen Sprache Ihrer Wahl machen.

Jetzt habe ich diese Tabelle in Energy BI importiert

Erweitern Sie das Datenmodell

Nachdem ich diese Tabelle zu Energy BI hinzugefügt habe, habe ich eine neue Beziehung zwischen der neuen Tabelle und der Datumstabelle erstellt:

Die Kreuzfilterrichtung muss auf eingestellt sein Beide da die Spalte DateKey in der Datumsfiltertabelle nicht eindeutig ist:

Daher wäre die Filterrichtung „Datum -> Nur Datumsfilter“, was nicht funktioniert.

Ich möchte die Datumstabelle nach der Datumsfiltertabelle filtern. Daher muss ich die Filterrichtung auf „Beide“ stellen.

Ergebnis

Als nächstes habe ich dem Bericht einen Slicer hinzugefügt:

Nach all der Vorbereitung ermöglicht der Slicer die Auswahl der Daten nach Bedarf:

Mit diesem Slicer können Benutzer unabhängig von der Auswahl im Kalender-Slicer auswählen, welche Daten sie sehen möchten.

Vollständige Perioden auswählen

Das obige Beispiel ist praktisch, wenn die Auswahl auf Tagesebene erfolgen muss.

Dies ist insbesondere beim Vergleich der aktuellen Daten mit dem Funds oder dem Geschäftsjahr nützlich.

Stellen Sie sich vor, am 5^Th oder 6^Th Tag des Monats. Sie haben nur wenige Verkaufstage, vergleichen diese aber mit dem Funds des gesamten Monats. Dies kann irreführend sein.

Aber was passiert, wenn der Filter auf ganze Zeiträume, wie Monate oder Jahre, eingestellt werden muss?

Hier eine modifizierte Abfrage zum Festlegen der DateFilter-Spalte basierend auf ganzen Jahren:

Jetzt wird das gesamte Jahr angezeigt, wobei nur die aktuellen Daten angezeigt werden sollen:

Sie können die Datumsfiltertabelle auf die gleiche Weise ändern, um nach Monaten oder anderen Zeiträumen zu filtern.

Dies kann sehr einfach erfolgen, indem die Zeilen in der Datumstabelle nach dem aktuellen Datum gefiltert werden.

Abschluss

Dieser Ansatz ist einfach zu implementieren und für Berichtskonsumenten einfach zu verwenden.

Es vermeidet das Schreiben von DAX-Code und verlässt sich vollständig auf die Informationen in der Datumstabelle.

Der Trick besteht darin, das Datenmodell so zu erweitern, dass es die Anforderungen mit dem geringsten Aufwand unterstützt.

Wenn Sie nicht wie ich über die Indexspalten verfügen, können Sie einen anderen Ansatz zum Generieren der Datumsfiltertabelle verwenden. Verwenden Sie beispielsweise eine Funktion, um das aktuelle Datum abzurufen, z. B. GETDATE() in T-SQL oder Now() in anderen Sprachen.

Ich fand die Indexspalten sehr nützlich, nicht nur in diesem Fall, sondern auch in vielen anderen Situationen, in denen der Kunde verlangt, dass ich die Daten nach Datumsangaben relativ zum aktuellen Datum filtere.

Dies erleichtert das Leben, wenn das „aktuelle Datum“ nicht der heutige Tag ist, sondern einer bestimmten Logik folgen muss – beispielsweise dem vorherigen Wochentag.

OK, Sie können dem Bericht relative Filter hinzufügen. In vielen Fällen reichen sie aus.

In anderen Fällen bieten mir die Indexspalten mehr Flexibilität.

Referenzen

Wie in meinen vorherigen Artikeln verwende ich den Contoso-Beispieldatensatz. Sie können den ContosoRetailDW-Datensatz kostenlos von Microsoft herunterladen Hier.

Die Contoso-Daten können wie beschrieben unter der MIT-Lizenz frei verwendet werden in diesem Dokument. Ich habe den Datensatz geändert, um die Daten auf aktuelle Daten zu verschieben.

Die Artwork und Weise, wie wir Daten suchen und uns beziehen, ändert sich. Anstatt Ergebnisse zurückzugeben, die „gemütlich“ und „Nook“ enthalten, können Sie nach „gemütlichen Lesen -Nacken“ suchen und Bilder eines weichen Stuhls an einem Kamin sehen. Dieser Ansatz konzentriert sich auf die semantische Suche oder Suche nach der Bedeutung, anstatt sich auf starre Key phrase-basierte Suchvorgänge zu verlassen. Dies ist ein kritischer Anzug, da unstrukturierte Daten (Bilder, Textual content, Movies) explodiert sind, und herkömmliche Datenbanken sind für die Nachfrage der KI immer unpraktisch.

Genau hier kommt das Weaviate herein und trennt sich als führend in der Kategorie der Vektordatenbanken. Mit seinen einzigartigen Funktionen und Funktionen verändert das WeaViate die Artwork und Weise, wie Unternehmen KI-basierte Erkenntnisse und Daten konsumieren. In diesem Artikel werden wir untersuchen, warum WeaViate durch Code-Beispiele und reale Anwendungen ein Spielveränderer ist.

Was ist Weaviate?

WeaViate ist eine Open-Supply-Vektor-Datenbank, die speziell für die Speicherung und Behandlung von hochdimensionalen Daten wie Textual content, Bildern oder Movies entwickelt wurde, die als Vektoren dargestellt werden. Mit Weaviate können Unternehmen semantische Suche durchführen, Empfehlungsmotoren erstellen und KI -Modelle problemlos erstellen.

Anstatt sich auf eine herkömmliche Datenbank zu verlassen, in der genaue Daten basierend auf Spalten in jeder Zeile abgerufen werden, konzentriert sich das Weaviate auf intelligente Datenabnahme. Es verwendet maschinell lernbasierte Vektor-Einbettungen, um Beziehungen zwischen Datenpunkten basierend auf ihrer Semantik zu finden, anstatt nach genauen Datenübereinstimmungen zu suchen.

Weaviate bietet eine einfache Möglichkeit, Anwendungen zu erstellen, in denen KI -Modelle ausgeführt werden, die eine schnelle und effiziente Verarbeitung sehr großer Datenmengen zum Erstellen von Modellen erfordern. Speicher und Abrufen von Vektor -Einbettungen in Weaviate machen es zur idealen Funktion für Unternehmen, die an unstrukturierten Daten beteiligt sind.

Kernprinzipien und Architektur des Gewebes

Im Kern, Waviate basiert auf Prinzipien der Arbeit mit hochdimensionalen Daten und der Verwendung effizienter und skalierbarer Vektorsuche. Schauen wir uns die Bausteine und Prinzipien hinter seiner Architektur an:

• AI-nativ und modular: Weaviate wurde von Anfang an in die Architektur in die Architektur integriert und bietet ihm erstklassige Unterstützung für die Erzeugung von Einbettungen (Vektoren) unterschiedlicher Datentypen außerhalb des Field. Die Modularität des Designs ermöglicht viele Möglichkeiten, um sicherzustellen, dass Sie können, wenn Sie auf dem Weaviate oder auf benutzerdefinierten Funktionen oder Verbindungen/Aufrufen an externe Systeme aufbauen möchten.
• Verteiltes System: Die Datenbank ist so konzipiert, dass sie horizontal wachsen können. Das Weaviate ist verteilt und führendlos, was bedeutet, dass es keine einzigen Versagenspunkte gibt. Redundanz für hohe Verfügbarkeit über Knoten bedeutet, dass bei einem Fehler die Daten repliziert und aus einer Reihe von verbundenen Knoten hergestellt werden. Es ist schließlich konsistent und macht es sowohl für Cloud-native als auch für andere Umgebungen geeignet.
• Grafikbasiert: Das Weaviate-Modell ist ein graphbasiertes Datenmodell. Die Objekte (Vektoren) sind durch ihre Beziehung verbunden, wodurch es einfach ist, Daten mit komplexen Beziehungen zu speichern und abzufragen, was für Anwendungen wie Empfehlungssysteme von großer Bedeutung ist.
• Vektorspeicherung: Weaviate wurde entwickelt, um Ihre Daten als Vektoren (numerische Darstellungen von Objekten) zu speichern. Dies ist ultimate für AI-fähige Suchanfragen, Empfehlungsmotoren und alle anderen Anwendungsfälle im Zusammenhang mit künstlicher Intelligenz/maschinellem Lernen.

Erste Schritte mit Weaviate: Ein praktischer Leitfaden

Es spielt keine Rolle, ob Sie eine semantische Suchmaschine, einen Chatbot oder a bauen Empfehlungssystem. Dieser QuickStart zeigt Ihnen, wie Sie eine Verbindung zu Weben, vektorisierten Inhalten herstellen und intelligente Suchfunktionen bereitstellen und letztendlich kontextbezogene Antworten durch die Generierung von Antworten durch REMAINAL-AUGENTED-Technology (LAG) mit OpenAI -Modellen.

Voraussetzungen

Stellen Sie die neueste Model von sicher von Python ist installiert. Wenn nicht, installieren Sie den folgenden Befehl mit dem folgenden Befehl:

sudo apt replace

sudo apt set up python3 python3-pip -y

Erstellen und aktivieren Sie eine virtuelle Umgebung:

python3 -m venv weaviate-env

Supply weaviate-env/bin/activate

Mit dem obigen Code wird Ihre Shell -Eingabeaufforderung nun mit Ihrer neuen Umwelt, dh, vorangestellt, dh. weaviate-env Angeben, dass Ihre Umgebung aktiv ist.

Schritt 1: Weaviate einsetzen

Es gibt additionally zwei Möglichkeiten, das Weaviate bereitzustellen:

Choice 1: Verwenden Sie Weaviate Cloud -Dienst

Eine Möglichkeit, Weaviate bereitzustellen, ist die Verwendung des Cloud -Dienstes:

1. Zuerst gehen Sie zu https://console.weaviate.cloud/.
2. Melden Sie sich dann an und erstellen Sie einen Cluster, indem Sie OpenAI -Module auswählen.

Beachten Sie auch Ihre Weaviate_url (ähnlich https://xyz.weaviate.community) Und Weaviate_api_key.

Choice 2: Laufen Sie lokal mit Docker Compose aus

Erstellen a Docker-compose.yml:

model: '3.4'

companies:

  weaviate:

    picture: semitechnologies/weaviate:newest

    ports:

      - "8080:8080"

    setting:

      QUERY_DEFAULTS_LIMIT: 25

      AUTHENTICATION_ANONYMOUS_ACCESS_ENABLED: 'true'

      PERSISTENCE_DATA_PATH: './knowledge'

      DEFAULT_VECTORIZER_MODULE: 'text2vec-openai'

      ENABLE_MODULES: 'text2vec-openai,generative-openai'

      OPENAI_APIKEY: 'your-openai-key-here'

Konfigurieren Sie Weaviate Container mit OpenAI -Modulen und anonymen Zugriff.

Starten Sie es mit dem folgenden Befehl:

docker-compose up -d

Dadurch wird der Weaviate -Server im abgetrennten Modus gestartet (läuft im Hintergrund).

Schritt 2: Installieren Sie Python -Abhängigkeiten

Um alle für das Programm erforderlichen Abhängigkeiten zu installieren, führen Sie den folgenden Befehl in der Befehlszeile Ihres Betriebssystems aus:

pip set up weaviate-client openai

Dies installiert den Weaviate Python Shopper und die OpenAI -Bibliothek.

Schritt 3: Umgebungsvariablen festlegen

export WEAVIATE_URL="https://<your-instance>.weaviate.community"
export WEAVIATE_API_KEY="<your-weaviate-key>"
export OPENAI_API_KEY="<your-openai-key>"

Für lokale Bereitstellungen, Weaviate_api_key wird nicht benötigt (kein Auth).

Schritt 4: Stellen Sie eine Verbindung zum Weaviate her

import os

import weaviate

from weaviate.lessons.init import Auth

consumer = weaviate.connect_to_weaviate_cloud(

    cluster_url=os.getenv("WEAVIATE_URL"),

    auth_credentials=Auth.api_key(os.getenv("WEAVIATE_API_KEY")),

    headers={"X-OpenAI-Api-Key": os.getenv("OPENAI_API_KEY")}

)

assert consumer.is_ready(), " Weaviate not prepared"

print(" Related to Weaviate")

Der vorherige Code verbindet Ihre Weaviate Cloud -Instanz mithilfe von Anmeldeinformationen und bestätigt, dass der Server auf und erreichbar ist.

Verwenden Sie für lokale Fälle:

consumer = weaviate.Shopper("http://localhost:8080")

Dies stellt eine Verbindung zu einer lokalen Einsatzinstanz her.

Schritt 5: Definieren Sie das Schema mit Einbettung und generativer Unterstützung

schema = {

  "lessons": (

    {

      "class": "Query",

      "description": "QA dataset",

      "properties": (

        {"identify": "query", "dataType": ("textual content")},

        {"identify": "reply", "dataType": ("textual content")},

        {"identify": "class", "dataType": ("string")}

      ),

      "vectorizer": "text2vec-openai",

      "generative": {"module": "generative-openai"}

    }

  )

}

Definiert ein Schema genannt Frage mit Eigenschaften und OpenAI-basierten Vektor- und Generativmodulen.

consumer.schema.delete_all()  # Clear earlier schema (if any)

consumer.schema.create(schema)

print(" Schema outlined")

Ausgabe:

Die vorhergehenden Aussagen laden das Schema zum Weben und bestätigen Sie den Erfolg.

Schritt 6: Beispieldaten in Stapel einfügen

knowledge = (

  {"query":"Solely mammal in Proboscidea order?","reply":"Elephant","class":"ANIMALS"},

  {"query":"Organ that shops glycogen?","reply":"Liver","class":"SCIENCE"}

)

Erstellt einen kleinen QA -Datensatz:

with consumer.batch as batch:

    batch.batch_size = 20

    for obj in knowledge:

        batch.add_data_object(obj, "Query")

Fügt Daten für die Effizienz in den Stapelmodus ein:

print(f"Listed {len(knowledge)} gadgets")

Ausgabe:

Bestätigt, wie viele Elemente indiziert wurden.

Schritt 7: Semantische Suche mit NearText

res = (

  consumer.question.get("Query", ("query", "reply", "_additional {certainty}"))

    .with_near_text({"ideas": ("largest elephant"), "certainty": 0.7})

    .with_limit(2)

    .do()

)

Führen semantische Suche mit Textvektoren für Konzepte wie „größter Elefant“ aus. Rücksende Ergebnisse nur mit Sicherheit von ≥ 0,7 und max. 2 Ergebnissen.

print(" Semantic search outcomes:")

for merchandise in res("knowledge")("Get")("Query"):

    q, a, c = merchandise("query"), merchandise("reply"), merchandise("_additional")("certainty")

    print(f"- Q: {q} → A: {a} (certainty {c:.2f})")

Ausgabe:

Zeigt die Ergebnisse mit Gewissheit an.

Schritt 8: REMAINAL-AUGMENTED-Technology (LAG)

rag = (

  consumer.question.get("Query", ("query", "reply"))

    .with_near_text({"ideas": ("animal that weighs a ton")})

    .with_limit(1)

    .with_generate(single_result=True)

    .do()

)

Sucht semantisch und bittet das Weaviate, eine Antwort mit OpenAI (über generieren) zu generieren.

generated = rag("knowledge")("Get")("Query")(0)("generate")("singleResult")

print(" RAG reply:", generated)

Ausgabe:

Druckt die generierte Antwort basierend auf der nächsten Übereinstimmung in Ihrem Weaaviate DB.

Schlüsselmerkmale von WeaViate

Weaviate verfügt über viele Besonderheiten, die ihm einen flexiblen und starken Vorteil für die meisten vektorbasierten Datenmanagementaufgaben verleihen.

• Vektorsuche: Weaviate kann Daten speichern und abfragen als Vektor -Einbettungen, sodass sie semantische Suche durchführen können. Es verbessert die Genauigkeit, da ähnliche Datenpunkte basierend auf der Bedeutung gefunden werden, anstatt einfach die Schlüsselwörter zu entsprechen.
• Hybridsuche: Durch die Zusammenführung der Vektorsuche und die traditionelle keyword-basierte Suche bietet Weaviate relevantere und kontextbezogene Ergebnisse und bietet gleichzeitig eine größere Flexibilität für unterschiedliche Anwendungsfälle.
• Skalierbare Infrastruktur: Weaviate kann mit Einzelknoten- und Distributed Deployment-Modellen arbeiten. Es kann horizontal skalieren, um sehr große Datensätze zu unterstützen und sicherzustellen, dass die Leistung nicht beeinträchtigt wird.
• AI-native Architektur: Weaviate wurde so konzipiert, dass sie mit maschinellem Lernmodellen aus dem Tor arbeiten und die direkte Technology von Einbettungen unterstützt, ohne eine zusätzliche Plattform oder ein externes Instrument durchzuhalten.
• Open-Supply: Weaviate ist eine offene Quelle und ermöglicht ein Maß an Anpassung, Integration und sogar Benutzerbeitrag bei der Fortsetzung seiner Entwicklung.
• Erweiterbarkeit: Weaviate unterstützt die Erweiterbarkeit durch Module und Plugins, mit denen Benutzer aus einer Vielzahl von Modellen für maschinelles Lernen und externen Datenquellen integriert werden können.

Waviate gegen Konkurrenten

In der folgenden Tabelle werden die wichtigsten Differenzierer zwischen Weaviate und einigen seiner Konkurrenten im Vektor -Datenbankraum hervorgehoben.

Wie in der vorherigen Tabelle gezeigt, ist Weaviate die einzige Vektor-Datenbank, die eine Hybridsuche liefert, die sowohl Vektorsuche als auch Key phrase-basierte Suche durchführt. Somit sind weitere Suchoptionen verfügbar. Das Weaviate ist auch Open-Supply, im Gegensatz zu Pinecone, das proprietär ist. Die Open-Supply-Vorteile und transparenten Bibliotheken in Weaviate bieten Anpassungsoptionen, die dem Benutzer zugute kommen.

Besonders die Integration von Weaviate von maschinelles Lernen Für Einbettungen in der Datenbank unterscheidet sich die Lösung erheblich von denen ihrer Konkurrenten.

Abschluss

WeaViate ist eine vektorbasierte leitende Datenbank mit einer revolutionären Architektur, die AI-nativ ist und mit höherdimensionalen Daten umzugehen und gleichzeitig maschinelle Lernmodelle einzubeziehen. Die hybriden Daten und Suchfunktionen des Weaviate und deren Open-Supply-Natur bieten eine robuste Lösung für AI-fähige Anwendungen in jeder denkbaren Branche. Die Skalierbarkeit und hohe Leistung von Weaviate machen es intestine positioniert, als führende Lösung für unstrukturierte Daten fortzusetzen. Von Empfehlungsmotoren und Chatbots bis hin zu semantischen Suchmaschinen schaltet das Weaviate das volle Potenzial seiner fortschrittlichen Funktionen frei, um Entwicklern dabei zu helfen, ihre KI -Anwendungen zu verbessern. Die Nachfrage nach AI -Lösungen soll nur wachsen. Daher wird die Bedeutung von Weaviate im Bereich der Vektordatenbanken zunehmend related und die Zukunft des Feldes durch seine Fähigkeit, mit komplexen Datensätzen zu arbeiten, grundlegend beeinflussen.

Häufig gestellte Fragen

SAN FRANCISCO – 2. Juni 2025 – Dice, der führende Anbieter der Semantic Layer -Technologie für moderne Datenstacks, gab heute den Begin von D3 bekannt, der First Agentic Analytics -Plattform der Branche auf einer universellen semantischen Schicht. D3 ermöglicht Datenteams, die Produktivität zu skalieren, und ermöglicht es Unternehmensnutzern, Daten unabhängig zu erforschen – mit Governance, Konsistenz und Vertrauen, die integriert sind.

Wenn die Datenanforderungen in Organisationen in Verstänzen intensiviert sind, führt D3 ein neues Paradigma ein: KI-Datenkollegen, die Analytics-Aufgaben im gesamten Unternehmen automatisieren und verbessern. Mit natürlicher Sprachabfrage, dem regierten semantischen Kontext und der vollen Erklärung ermöglicht D3 die nächste Era von Datenproduktivität und demokratisierten Erkenntnissen.

„Wir haben D3 gebaut, um das zu tun, was traditionell BI nicht konnte: die Produktivität von Wirkstoffen mit der Präzision der Semantik zu kombinieren“, sagte Artyom Keydunov, CEO und Mitbegründer von Würfel. „D3 ist nicht nur ein intelligenteres BI -Device – es ist eine Neudefinition der Analytics -Erfahrung. Dadurch können Unternehmen Erkenntnisse und Datenarbeiten skalieren, ohne Vertrauen oder Kontrolle zu beeinträchtigen.“

Im Gegensatz zu den BI-Werkzeugen vor dem AI-TO-Werkzeugen, die auf neuen KI-Funktionen oder BI-Instruments ohne semantische Schicht verblieben sind, um den Daten einen tiefen Kontext zu bieten, ist D3 von Anfang an semantisch und semantisch geerdet. Die Plattform umfasst eine Reihe intelligenter Agenten, um Datenanalysten und Dateningenieure Workflows zu erweitern.

• AI-Datenanalyst-bietet Selbstbedienung, natürliche Sprachanalyse und generiert vertrauenswürdige semantische SQL-Abfragen, Visualisierungen und interaktive Daten-Apps in Sekunden.

• AI -Dateningenieur – Automatisiert die Entwicklung der semantischen Modell aus Cloud -Datenquellen, optimiert kontinuierlich Definitionen und Entfernen von Engpässen.

Unabhängig davon, ob Sie ein Dateningenieur sind, der die Erstellung der semantischen Modells automatisiert, oder ein Enterprise -Analyst, der nach einer einfachen Sprache abfragt, dient D3 sowohl Datenverwalter als auch Datenverbraucher:

• Für Datenteams: Skalierungsmodellwartung, automatisieren Sie die YAML -Era und delegieren Sie sie mit Aufsicht.

• Für Geschäftsanwender: Erhalten Sie sofortige Antworten, verfeinern Sie Berichte unterhaltsam und interagieren Sie mit Agenten direkt in Ihren Instruments.

D3 ist heute über Dice Cloud erhältlich. Um mehr darüber zu erfahren, wie D3 die Analytik mit agentischer Intelligenz verändert, besuchen Sie: https://gocube.co/cube-D3.