Microsoft Fabric入門 ――レイクハウスで実現するAI時代の統合データ基盤 [単行本]

Microsoft Fabric入門 ――レイクハウスで実現するAI時代の統合データ基盤 の 商品概要

• 目次

  ■第1部　生成AIを活用したデータ加工と分析
  第1章　Microsoft Fabricの概要
  1.1 Microsoft Fabricとは
  　［COLUMN］Azure Synapse AnalyticsからFabricへの移行
  1.2 ワークロード
  　1.2.1 Data Factory
  　1.2.2 Data Engineering
  　1.2.3 Data Science
  　1.2.4 Data Warehouse
  　1.2.5 Real-Time Intelligence
  　1.2.6 Databases
  　1.2.7 Power BI
  　1.2.8 Fabric IQ
  1.3 ガバナンス
  1.4 OneLake
  1.5 Copilotによるサポート
  1.6 開発に関わるコンポーネント
  1.7 ワークスペース、アイテム、Fabric容量の関係
  1.8 まとめ
  
  第2章　Microsoft FabricとMicrosoft 365サービスの環境セットアップ
  2.1 前提条件
  2.2 ハンズオンを含む章と必要なライセンスの関係
  2.3 Microsoft Fabric試用版の有効化
  　2.3.1 Microsoft Fabric試用版開始ページへアクセス
  　2.3.2 Microsoft Fabric Freeアカウント作成
  　2.3.3 Microsoft Fabric 試用版を開始
  　［COLUMN］試用版で付与される容量と利用できない機能について
  2.4 Microsoft Fabric有償版（Fabric容量）のセットアップ
  2.5 Fabricワークスペースの作成と設定
  2.6 Microsoft 365 Business Standard試用版の有効化
  2.7 Microsoft Teamsでチームを作成
  2.8 まとめ
  
  第3章　生成AIを活用したデータ加工と分析
  3.1 Microsoft Fabric におけるCopilotとデータエージェントの概要
  3.2 ハンズオン：生成AIを活用したデータ加工と分析
  　3.2.1 ハンズオンの概要
  　3.2.2 前提条件
  　3.2.3 ハンズオンで使用する資材
  　3.2.4 データ取り込み
  　3.2.5 データ加工と集計
  　3.2.6 レポートの作成と共有
  　3.2.7 データエージェントの作成と活用
  　［COLUMN］さらなるデータエージェントの活用方法
  3.3 まとめ
  
  ■第2部　Microsoft Fabricの導入と運用
  第4章　Microsoft Fabricによるデータの価値昇華
  4.1 データの価値昇華を支援するデータ分析基盤
  4.2 データの価値昇華を実現するMicrosoft Fabricのワークロード
  4.3 Microsoft Fabricでの「データ」から「情報」への昇華
  　4.3.1 メダリオンアーキテクチャ
  　［COLUMN］メダリオンアーキテクチャは新しい考え方？
  　4.3.2 非構造化データにおけるメダリオンアーキテクチャ
  　4.3.3 Fabricメダリオンアーキテクチャの実装
  4.4 Microsoft Fabricで「情報」を「知識」としてモデル化して「知恵」につなげる
  　4.4.1 セマンティックレイヤー
  　4.4.2 Fabricのモデル化と分析機能
  4.5 まとめ
  
  第5章　Microsoft Fabricの機能選定とリファレンスアーキテクチャ
  5.1 Microsoft Fabricのデータストアの選定
  　5.1.1 レイクハウスとウェアハウスの特徴と使い分け
  　［COLUMN］レイクハウスのパフォーマンス最適化
  　5.1.2 イベントハウスのOneLake同期
  5.2 Microsoft Fabricのデータ取り込みの選定
  　［COLUMN］Sparkなどのコードはデータ連携では使用しない？
  　5.2.1 Data Factory アイテムの使い分け
  　［COLUMN］差分連携を実現するために
  　5.2.2 ミラーリングの種類
  　［COLUMN］ミラーリングのコスト
  　5.2.3 ミラーリングとショートカット
  　［COLUMN］外部ショートカットの効率化
  5.3 Microsoft Fabricのデータ変換の選定
  　5.3.1 T-SQL/Spark/Python/KQLでのデータ変換の実装
  　［COLUMN］SparkはSQLユーザーには難しい？
  　5.3.2 Spark/Pythonの処理環境
  　5.3.3 フレームワーク（dbt、マテリアライズドレイクビュー）を使用した変換の実装
  　［COLUMN］ビューとマテリアライズドレイクビューの違い
  　5.3.4 KQLでのストリーム変換の実装
  5.4 Fabricのワークフローの選定
  5.5 Fabricのモデル化の選定
  　［COLUMN］ER的な表現と知識体系としてのグラフモデル
  5.6 Fabricのデータ分析・活用の選定
  　5.6.1 可視化・ストーリーテリング
  　5.6.2 予測・異常検出
  　5.6.3 AIエージェント
  　5.6.4 分析情報の展開方法
  5.7 Microsoft Fabricソリューションアーキテクチャパターン
  　5.7.1 データの統合と整備
  　5.7.2 ビジネスインテリジェンス（BI）
  　5.7.3 リアルタイム分析
  　5.7.4 データサイエンス
  　5.7.5 AIエージェントによるデータ活用
  　5.7.6 データメッシュによるドメイン分割とガバナンス
  　5.7.7 データメッシュ型のソリューションの配置例
  5.8 まとめ
  
  第6章　Microsoft Fabricのプラットフォームを管理する
  6.1 基盤管理
  　6.1.1 テナント管理
  　6.1.2 Fabric 容量
  　6.1.3 ワークスペース
  　［COLUMN］すべてをFabric容量で動作させる必要はない
  　6.1.4 データソース接続
  6.2 セキュリティ
  　6.2.1 認証
  　6.2.2 認可
  　6.2.3 ネットワーク制御
  　［COLUMN］プライベートエンドポイントの制限事項に注意
  　6.2.4 データ保護
  　6.2.5 監査
  　6.2.6 コンプライアンス対応
  　［COLUMN］容量リージョンの移行の制約
  6.3 コスト最適化とパフォーマンス効率
  　6.3.1 課金モデル
  　6.3.2 コストの見積もりと最適化
  6.4 信頼性
  　6.4.1 容量超過とスロットリング
  　6.4.2 スロットリングの回避策
  　6.4.3 BCDR
  　［COLUMN］データ以外のBCDR
  　6.4.4 バックアップとリストア
  6.5 オペレーショナル・エクセレンス
  　6.5.1 運用監視
  　6.5.2 Infrastructure as Code
  　6.5.3 CI/CD
  　6.5.4 開発補助ツール
  6.6 データガバナンス
  　6.6.1 データ資産の分類と整理
  　6.6.2 エンドースメントとタグ
  　［COLUMN］エンドースメント利用の前提条件
  　6.6.3 Purview Security and Complianceとの統合
  　6.6.4 データ資産の検出と統制
  　［COLUMN］Purviewデータガバナンスとの連携
  6.7 まとめ
  
  ■第3部　ユースケースと応用
  第7章　全社レベルのデータ活用基盤構築
  7.1 本章の概要と位置づけ
  7.2 ハンズオン：データ活用基盤の構築
  　7.2.1 ハンズオンの概要
  　7.2.2 各レイヤーで使用するMicrosoft Fabric の機能
  　7.2.3 前提条件
  　7.2.4 ハンズオンで使用する資材
  　7.2.5 Bronze層の構築 - 外部からの生データの取り込み
  　7.2.6 Silver 層の構築 - データクレンジング
  　7.2.7 セキュリティ・ガバナンス - Gold 層への提供準備
  7.3 まとめ
  
  第8章　セマンティックモデルとPower BIレポートの実装
  8.1 Power BIとセマンティックモデルの概要
  　8.1.1 Power BIの概要
  　8.1.2 Power BIのライセンス
  　8.1.3 セマンティックモデルの概要
  　8.1.4 Microsoft Fabric における基本アーキテクチャ
  8.2 セマンティックモデルの設計
  　8.2.1 スタースキーマについて
  　8.2.2 データ接続方式について
  　8.2.3 リレーションシップの設定
  　8.2.4 メジャーの定義
  8.3 Power BIレポートの設計
  　8.3.1 ビジュアル
  　8.3.2 フィールドの設定
  　8.3.3 レポートの共有
  　8.3.4 Copilot for Power BI
  8.4 ハンズオン1：セマンティックモデルを作成する
  　8.4.1 ハンズオンの概要
  　8.4.2 Gold 層の構築
  　8.4.3 セマンティックモデルの作成
  　［COLUMN］タイムインテリジェンス関数とは？
  　［COLUMN］DAXクエリービューでメジャーを一括登録する
  8.5 ハンズオン2：Power BIレポートを作成する
  　8.5.1 ハンズオンの概要
  　8.5.2 レポートエディターを開く
  　8.5.3 ビジュアルを作成する
  　8.5.4 レポートを保存して共有する
  8.6 ハンズオン3：Copilot for Power BIを用いたレポート作成
  　8.6.1 ハンズオンの概要
  　［COLUMN］Copilot for Power BIの有効化設定
  　8.6.2 Copilot によるレポートの作成
  　8.6.3 説明ビジュアルの作成
  　8.6.4 レポートの要約と質問
  8.7 参考となるWeb サイト
  8.8 まとめ
  
  第9章　リアルタイム分析のエンドツーエンドソリューション
  9.1 Real-Time Intelligenceの概要
  　9.1.1 Real-Time Intelligenceとは
  　9.1.2 リアルタイム分析の位置づけ
  9.2 アーキテクチャの解説
  　9.2.1 全体像
  　9.2.2 イベントストリーム
  　9.2.3 イベントハウス
  　9.2.4 リアルタイムダッシュボード
  　9.2.5 アクティベーター
  　［COLUMN］Operations Agent：LLMによるリアルタイム運用監視（プレビュー）
  　9.2.6 Real-Time Hub
  9.3 ハンズオン：Real-Time Intelligence
  　9.3.1 ハンズオンの概要
  　9.3.2 前提条件
  　9.3.3 ハンズオンで使用する資材
  　9.3.4 イベントハウスの作成
  　9.3.5 イベントストリームからデータ取り込み
  　9.3.6 KQLデータベースでのデータ変換とクエリの実行
  　9.3.7 リアルタイムダッシュボードの作成と可視化
  　9.3.8 アクティベーターでのアラート設定
  9.4 まとめ
  
  第10章　機械学習モデルの開発と推論
  10.1 Data Scienceの概要
  10.2 Data Scienceの主な機能
  　10.2.1 リソース準備
  　10.2.2 データ準備と前処理
  　［COLUMN］Apache SparkとGPU
  　10.2.3 モデル開発と実験管理
  　［COLUMN］FabricのMLflow Tracking Server互換エンドポイントの外部利用
  　［COLUMN］PySparkにおける機械学習パイプライン定義
  　［COLUMN］SynapseML
  　［COLUMN］FLAML
  　10.2.4 推論
  　［COLUMN］リアルタイム推論の実務とFabricの現状
  10.3 ハンズオン：AutoMLによる機械学習モデルの開発とバッチ推論
  　10.3.1 ハンズオンの概要
  　10.3.2 前提条件
  　10.3.3 ハンズオンで使用する資材
  　10.3.4 環境の作成
  　10.3.5 データの準備
  　10.3.6 AutoMLによるモデル開発
  　10.3.7 バッチ推論の実行
  10.4 まとめ
  
  第11章　AI Readyなデータ整備とエージェントによるデータ活用
  11.1 本章の全体像
  11.2 AI Readyなデータ整備
  　11.2.1 AI におけるデータの重要性
  　11.2.2 Microsoft FabricがAIにもたらす価値
  　11.2.3 AI Ready なデータの考え方
  　11.2.4 AI FunctionsとAzure AI Serviceの活用
  11.3 ハンズオン：非構造化データのエンリッチメント
  　11.3.1 ハンズオンの概要
  　11.3.2 前提条件
  　11.3.3 ハンズオンで使用する資材
  　11.3.4 AI Functionsの活用例
  　［COLUMN］非構造化テキストのベクトル化とAI Search連携（SynapseML/Azure AI活用パターン）
  11.4 エージェントによるデータ活用
  　11.4.1 AI Readyなデータをエージェントへ公開する機能
  　11.4.2 データエージェント設定のベストプラクティス
  　［COLUMN］イベントハウス（KQL）への退避による高速応答化
  11.5 ハンズオン：SCMデータで体験するデータエージェントベストプラクティス検証
  　11.5.1 ハンズオンの概要
  　11.5.2 前提条件
  　11.5.3 ハンズオンで使用する資材
  　11.5.4 段階的にエージェントを作る（L0―L5）
  　11.5.5 評価ノートブックを実行する（fabric-data-agent-sdk）
  　11.5.6 実証評価の結果と考察
  　［COLUMN］評価結果の再現性について
  　11.5.7 期待される傾向
  11.6 まとめ

• 内容紹介

  Microsoft FabricはAI搭載のSaaS型統合データプラットフォームです。レイクハウスを核とする「OneLake」にあらゆるデータを集約し、人だけではなく、AIエージェントにも利用しやすいデータ基盤を構築することができます。本書では、Microsoft Fabricの導入からデータ基盤の構築と管理、AIを使ったデータ操作、さらにはBIやリアルタイム分析、機械学習まで、ハンズオンも織り交ぜながら実践的に解説します。

• 著者について

  立脇 裕太 (タテワキ ユウタ)
  日本マイクロソフト株式会社 クラウドソリューションアーキテクトSoftbank（旧SBT）、Deloitte、DataRobotを経て現職。お客様向けにデータ・機械学習・生成AI・エージェントの活用、MLOps/AIガバナンスの高度化や政府機関向けセキュリティデータ分析などを支援。Microsoft認定のAzure Master Architect。主な著書に『Azure OpenAI ServiceではじめるChatGPT/LLMシステム構築入門』『Azure Machine Learningではじめる機械学習/LLM活用入門』（技術評論社）。第2、3章の執筆と全体統括を担当。LinkedIn：https://www.linkedin.com/in/yuta-tatewaki
  
  永田 祥平 (ナガタ ショウヘイ)
  元 日本マイクロソフト株式会社 クラウドソリューションアーキテクト大学院で分子生物学やバイオインフォマティクスを学んだ後、2020年より日本マイクロソフト株式会社に入社。クラウドソリューションアーキテクト（AI）として、おもにエンタープライズのお客様を対象に、Azureデータ分析・機械学習基盤や生成AIアプリケーションの導入・活用支援を行う。2024年より米国系SaaS企業に移り、プロダクトマネージャーとして日本、韓国、台湾市場に向けた生成AI・エージェント機能の企画開発を行っている。主な著書に『Azure OpenAI ServiceではじめるChatGPT/LLMシステム構築入門』『Azure Machine Learningではじめる機械学習/LLM活用入門』『Azureの知識地図―クラウドの基礎から実装・運用管理まで』（技術評論社）。第1章の執筆を担当。X：@shohei_aioLinkedIn：https://www.linkedin.com/in/shohei-nagata/
  
  伊藤 駿汰 (イトウ シュンタ)
  日本マイクロソフト株式会社 クラウドソリューションアーキテクト／株式会社Omamori 取締役本業でAI/ML開発（とくに自然言語処理方面）と利活用の技術支援、機械学習基盤やMLOps基盤の構築および活用の技術支援を行うクラウドソリューションアーキテクト、副業で自社サービスの開発を担うソフトウェアエンジニアとして活動。第10章の執筆を担当。X：@ep_ito
  
  女部田 啓太 (オナブタ ケイタ)
  元 日本マイクロソフト株式会社 シニアソリューションエンジニアOracle、SAS Instituteを経て、2018年に日本マイクロソフトに入社。Azure Machine Learning、Microsoft Foundry、Microsoft Fabricなどの製品担当エンジニアとしてさまざまなお客様をご支援。2026年より米国系SaaS企業に移りLead Forward Deployed Engineerとして、AIエージェントアプリケーションの設計・実装に従事。第8章の執筆を担当。X：@keita_onabutaLinkedIn：https://www.linkedin.com/in/keita-onabuta
  
  一戸 康平 (イチノヘ コウヘイ)
  日本マイクロソフト株式会社 クラウドソリューションアーキテクト国内メーカー系SIerを経て2018年に日本マイクロソフトに入社。BI/Big Data領域のサポートエンジニアを経験し、2021年からはData＆AI領域のクラウドソリューションアーキテクトとしてデータ分析基盤の導入や生成AI関連サービスの技術支援に従事。第7章の執筆を担当。LinkedIn：https://www.linkedin.com/in/koichino
  
  西原 拓未 (ニシハラ タクミ)
  日本マイクロソフト株式会社 Data Analytics Global Black Belt日本IBMにてDWH・BI開発に従事したあと、Informatica、Elasticsearch、Snowflakeでデータ分析基盤に関する製品のプリセールスに携わる。現在はマイクロソフトの本社組織に所属し、FabricをはじめとするData Analytics製品のビジネスを支援している。第11章の執筆を担当。LinkedIn：https://www.linkedin.com/in/takumi-nishihara-50664486/
  
  栗田 宗平 (クリタ ソウヘイ)
  日本マイクロソフト株式会社 Cloud Solution Architect（Data&Analytics）学生時代は計量経済学を専攻し、修士号を取得。2023年に日本マイクロソフトに入社。第9章の執筆を担当。X：@sohekrtLinkedIn：https://www.linkedin.com/in/sohei-kurita-6a1243226/
  
  永田 亮磨 (ナガタ リョウマ)
  株式会社ジールフェロー／Microsoft MVP（Data Platform）SQL ServerでのDWH・BI開発を経て、Azure Synapse AnalyticsやDatabricks、Power BI、Microsoft Fabricなどを使ったデータ分析基盤の構築に携わる。コミュニティでは、Microsoft MVPとして情報発信や教育活動を積極的に行っている。第4―6章の執筆を担当。X：@ryomaru0825LinkedIn：https://www.linkedin.com/in/ryoma-nagata-0825/

Microsoft Fabric入門 ――レイクハウスで実現するAI時代の統合データ基盤 の商品スペック