Microsoft Fabric Ontology

En résumé : dans Microsoft Fabric IQ, l'élément Ontology (Fabric Ontology) permet de représenter les concepts métier, leurs propriétés, leurs relations, ainsi que certaines règles et métriques, puis de relier cette représentation aux données de la plateforme Fabric. Mais une ontologie ne garantit ni la qualité des données ni la fiabilité des réponses. L'enjeu n'est donc pas de créer une ontologie, mais de démontrer sa valeur.

Introduction

Les plateformes de données ont longtemps cherché à rendre les données accessibles et exploitables, en s’appuyant sur des mécanismes d’ingestion, de stockage, de transformation, de modélisation et de restitution à travers des indicateurs et des tableaux de bord. Pourtant, une difficulté persiste : deux équipes peuvent utiliser un même terme avec des significations différentes, ou disposer de données techniquement reliées sans partager une compréhension commune de leur sens métier. Cette difficulté devient particulièrement importante avec l’émergence des assistants en langage naturel, qui doivent interpréter le contexte d’une question pour fournir une réponse pertinente.

Dans Microsoft Fabric IQ, l’élément Ontology, vise à répondre à cet enjeu en permettant de représenter les concepts métier, leurs propriétés, leurs relations, ainsi que certaines règles et métriques, puis de relier cette représentation aux données de la plateforme Fabric. L’objectif est de créer une couche de contexte métier partagée, susceptible de faciliter la compréhension des données par les utilisateurs et de soutenir les expériences analytiques et certains cas d’usage liés à l’intelligence artificielle.

Qu’est-ce que Microsoft Fabric Ontology ?

Microsoft Fabric Ontology est un élément de Fabric IQ qui permet de formaliser les concepts importants d’une organisation. Par exemple client, produit, actif, commande ou emplacement et d’expliciter leurs propriétés, leurs relations et le contexte métier associé. Des liaisons de données associent ensuite ces définitions aux données sources.

L’objectif est que les utilisateurs et les expériences compatibles puissent s’appuyer sur une représentation métier cohérente, plutôt que de devoir interpréter uniquement des tables, des colonnes et des relations techniques. Microsoft présente cette ontologie comme une couche de contexte destinée à soutenir les expériences analytiques et les usages IA compatibles.

Une ontologie peut notamment décrire :

• Types d’entités : les catégories de choses métier, par exemple Site, Catégorie de coût ou Ligne de dépense.
• Propriétés : les attributs d’une entité, comme le nom du site, la date, le montant ou le statut.
• Relations : les liens explicites entre concepts, par exemple une Ligne de dépense est rattachée à un Site et à une Catégorie.
• Clés et liaisons aux données : les règles permettant de faire correspondre le concept métier aux lignes et colonnes physiques.
• Métadonnées et logique métier prises en charge : descriptions, synonymes, métriques, règles, espaces de noms et héritage, selon les capacités disponibles.

Ontologie, données et modèle sémantique : quelles différences ?

Élément	Rôle	Exemple
Données	Décrire les faits stockés dans les sources.	Une commande de 250 € enregistrée le 12 octobre.
Modèle sémantique	Organiser les données pour l’analyse : tables, relations et mesures.	Calculer le total des ventes par mois.
Ontologie	Formaliser les concepts métier et leurs relations pour fournir un contexte partagé.	Définir ce qu’est une commande, un client et leur relation.

Microsoft permet de générer une ontologie à partir d’un modèle sémantique compatible. Cette génération réutilise certaines structures existantes ; elle ne signifie pas que l’ontologie remplace le modèle sémantique. Les deux éléments ont des rôles distincts et les changements effectués dans l’ontologie ne modifient pas automatiquement le modèle source.

Où se situe-t-elle dans une architecture data ?

Dans une architecture Microsoft Fabric, l’ontologie se positionne au-dessus des couches de données Bronze, Silver et Gold, en complément des modèles sémantiques. Elle constitue une couche de contexte métier qui décrit les concepts, les propriétés et les relations entre les données afin de faciliter leur interprétation et leur exploitation par les applications analytiques et les expériences d’IA compatibles.

Elle ne remplace ni les contrôles de qualité des données Silver ni la cohérence du modèle Gold. Elle peut rendre les définitions métier et leurs incohérences plus visibles, mais ne corrige pas à elle seule les problèmes de qualité des données. Sa pertinence dépend également de la compatibilité des sources et des fonctionnalités utilisées.

Quelle valeur ajoutée pour un projet Data ?

Vocabulaire métier partagé

Une définition validée peut être réutilisée au lieu d’être recopiée dans chaque rapport, prompt ou application.

Contexte plus solide pour l’IA

Les concepts et relations explicités peuvent aider un agent compatible à interpréter les questions métier.

Cohérence entre domaines

Une ontologie peut clarifier les différences de périmètre entre Finance, Opérations, Ventes ou RH, au lieu de masquer les désaccords.

Découverte des relations

Les relations peuvent aider à explorer des dépendances ou des parcours lorsque le scénario le permet.

Réutilisation de l’existant

Une ontologie bien gouvernée peut devenir un actif partagé entre plusieurs usages.

Ce que l’ontologie n’apporte pas à elle seule

• Elle ne remplace pas un catalogue de données, la traçabilité, les contrôles de qualité ou la gestion des accès.
• Elle ne nettoie pas les données et ne réconcilie pas automatiquement les identifiants entre systèmes.
• Elle ne remplace pas systématiquement un modèle sémantique Power BI, une couche métrique ou un modèle dimensionnel.
• Elle ne garantit pas le raisonnement correct d’un agent IA, ni une jointure multi-source automatique.
• Elle n’est pas équivalente à une plateforme opérationnelle complète capable de modifier les systèmes sources et d’orchestrer des actions métier.

Comment fonctionne Fabric Ontology ?

Étape 1 — Définir les concepts Identifier les entités métier à représenter, leurs propriétés, les clés qui les identifient et les relations attendues.

Étape 2 — Lier les données Associer les concepts aux tables, colonnes, lignes ou mesures provenant des sources prises en charge.

Étape 3 — Enrichir et valider Vérifier les clés, les relations et les liaisons ; ajouter ou ajuster les métadonnées, descriptions, règles et métriques disponibles.

Étape 4 — Exploiter le contexte Utiliser l’ontologie avec l’expérience intégrée ou avec un consommateur explicitement pris en charge, par exemple un agent ou un tableau de bord temps réel selon les capacités disponibles.

Étape 5 — Tester et maintenir Vérifier les résultats, les autorisations, les changements des sources et la cohérence des définitions.

L’ontologie définit le sens métier et les liaisons. Le moteur sous-jacent reste responsable de l’exécution des requêtes sur les données. La présence d’une ontologie ne garantit pas à elle seule qu’une question pourra être exécutée sur toutes les sources ni qu’une réponse sera correcte.

Prérequis et permissions

• Un espace de travail Fabric associé à une capacité activée par Microsoft Fabric.
• Les paramètres de tenant nécessaires pour activer l’élément Ontology (préversion) et, si un agent IA est utilisé, les paramètres requis pour Copilot/Azure OpenAI.
• Les permissions nécessaires sur les modèles sémantiques et les données. La génération à partir d’un modèle sémantique requiert les autorisations Read et Build.
• Des clés d’entités fiables et des relations cohérentes dans les sources.

Quel est le coût de Microsoft Fabric Ontology ?

Microsoft Fabric Ontology est actuellement en préversion. Son utilisation entraîne une consommation de capacité Fabric, qui dépend des opérations réalisées et des fonctionnalités activées.

Les principaux éléments susceptibles d’influencer les coûts sont :

• Modélisation de l’ontologie : la création et la modification des entités, des propriétés, des relations et des liaisons avec les données.
• Exploration et requêtes : l’utilisation du graphe et l’exécution de requêtes sur les données associées.
• Fonctionnalités d’intelligence artificielle : les opérations de raisonnement et les requêtes utilisant l’IA, dont la consommation varie selon la complexité des demandes.
• Stockage : les données et les éléments associés, notamment le cache du graphe, peuvent entraîner des frais supplémentaires.

La consommation est comptabilisée dans la capacité Fabric et peut être suivie à l’aide de l’application Microsoft Fabric Capacity Metrics.

Le coût final dépend donc de la capacité utilisée, du volume d’opérations, de la fréquence d’utilisation et des fonctionnalités activées. Il est recommandé de suivre la consommation pendant une phase pilote avant d’estimer les coûts d’une mise en production.

Limites et points de vigilance

• Préversion : les fonctions et les restrictions peuvent évoluer ; vérifier les problèmes connus avant de concevoir une solution de production.
• Compatibilité des sources : toutes les sources, modes de modèles ou types de données ne sont pas nécessairement pris en charge.
• Actualisation : les modifications de mesures ou descriptions dans le modèle sémantique ne sont pas nécessairement répercutées automatiquement ; la documentation prévoit des opérations d’actualisation dans certains cas.
• Qualité des données : une ontologie ne corrige pas les doublons, les clés manquantes ou les définitions métier contradictoires.
• Exactitude IA : un contexte plus structuré ne garantit pas que chaque question soit interprétée ou calculée correctement.
• Sécurité : l’accès à l’ontologie et l’accès aux données sous-jacentes doivent être examinés séparément.

Mise en œuvre pas à pas : créer une ontologie dans Microsoft Fabric

Pour illustrer la mise en œuvre d’une ontologie, nous prenons l'exemple d'une entreprise qui vend des produits sur plusieurs sites.

L'entreprise souhaite répondre à des questions telles que :

• Quels produits sont vendus sur chaque site ?
• Quel est le montant de chaque vente ?
• À quel produit correspond une vente donnée ?
• Sur quel site la vente a-t-elle été réalisée ?

Pour représenter ces informations, nous allons créer une ontologie appelée Ontologie_Ventes.

Elle contiendra trois concepts métier :

• Site : représente un point de vente.
• Produit : représente un article commercialisé.
• Vente : représente une transaction réalisée sur un site pour un produit.

Nous allons utiliser un Lakehouse comme source de données, puis relier les tables à l'ontologie.

1. Préparer les données

Pour cette démonstration, nous disposons déjà d’un Lakehouse nommé LKH_Ventes_Demo dans Microsoft Fabric. Il contient trois tables : Sites, Produits et Ventes.

Ces tables constituent les sources de données qui seront utilisées pour créer l’ontologie.

Table Sites : cette table décrit les différents sites de vente.

Site_ID	Nom_Site	Ville
S01	Site Paris	Paris
S02	Site Lyon	Lyon
S03	Site Lille	Lille

Table Produits : cette table contient les produits commercialisés, leur catégorie et leur prix unitaire.

Produit_ID	Nom_Produit	Categorie	Prix_Unitaire
P01	Ordinateur	Informatique	800
P02	Écran	Informatique	250
P03	Bureau	Mobilier	300

Table Ventes : cette table enregistre les transactions réalisées, avec la date de vente, le site concerné, le produit vendu, la quantité et le montant total.

Vente_ID	Date_Vente	Site_ID	Produit_ID	Quantite	Montant_EUR
V001	2026-10-01	S01	P01	2	1600
V002	2026-10-02	S01	P02	3	750
V003	2026-10-03	S02	P03	1	300
V004	2026-10-04	S03	P01	1	800
V005	2026-10-05	S02	P02	2	500

Ces trois tables permettent de représenter les principaux concepts métier du scénario : les sites, les produits et les ventes. Les colonnes Site_ID et Produit_ID assurent les correspondances entre les ventes et les entités associées.

Nous utiliserons ces données existantes pour créer l’ontologie dans Microsoft Fabric, définir les propriétés des entités et établir les relations entre elles, sans recréer les tables ni recharger les données.

2. Définir les concepts métier et leurs relations

Avant de créer l’ontologie dans Microsoft Fabric, il est nécessaire d’identifier les concepts métier à représenter et de comprendre leurs relations.

Dans notre scénario, les relations sont les suivantes :

• Un site peut être associé à plusieurs ventes.
• Un produit peut apparaître dans plusieurs ventes.
• Chaque vente est associée à un seul site et à un seul produit dans ce scénario.

Les identifiants permettent d'établir les correspondances entre les tables :

Concept métier	Table source	Clé d’identification
Site	Sites	Site_ID
Produit	Produits	Produit_ID
Vente	Ventes	Vente_ID

Dans la table Ventes, les colonnes Site_ID et Produit_ID permettent respectivement de retrouver le site concerné et le produit vendu.

Principe à retenir : les tables stockent les données, tandis que l’ontologie représente leur signification métier et formalise les relations entre les concepts.

3. Créer l'ontologie dans Microsoft Fabric

• Dans le workspace Fabric, cliquez sur + Nouvel élément.
• Recherchez et sélectionnez Ontology (preview).
• Nommez l’ontologie Ontologie_Ventes, puis cliquez sur Créer.

L’éditeur s’ouvre et permet de définir les concepts métier.

Créer l’entité Site :

• Cliquez sur Add entity type.
• Nommez l’entité Site.
• Validez la création.

Cette entité représente les points de vente.

Associer l’entité aux données :

• Sélectionnez l’entité Site et ouvrez Bind data.

• Sélectionnez la table Sites du Lakehouse LKH_Ventes_Demo.

• Associez les propriétés aux colonnes correspondantes.
• Définissez Site_ID comme clé, puis enregistrez.

Créer l’entité Produit :

Créez une entité Produit, puis associez-la à la table Produits.

Définissez Produit_ID comme clé et enregistrez la liaison.

Créer l’entité Vente :

Créez une entité Vente, puis associez-la à la table Ventes.

Définissez Vente_ID comme clé et enregistrez la liaison.

À ce stade, les trois entités sont créées et associées à leurs tables sources.

Définir les relations entre les entités :

Relier Vente à Site :

• Dans l’éditeur, créez une relation entre Vente et Site.
• Nommez-la effectueeSur.

• Configurez la correspondance entre Ventes.Site_ID et la clé Sites.Site_ID.
• Enregistrez la relation.

Relier Vente à Produit :

• Créez une relation entre Vente et Produit.
• Nommez-la concerne.

• Configurez la correspondance entre Ventes.Produit_ID et la clé Produits.Produit_ID.
• Enregistrez la relation.

À ce stade, notre canevas doit représenter trois types d'entités :

• Site
• Produit
• Vente

Et deux relations :

• Vente est effectuée sur un Site.
• Vente concerne un Produit.

On obtient ainsi :

• Une vente est associée à un site.
• Une vente concerne un produit.
• Un site et un produit peuvent être associés à plusieurs ventes.

À la fin, l'ontologie doit décrire les concepts métier et leur association avec les données du Lakehouse.

Dans cet exemple, trois tables de ventes sont utilisées pour construire une ontologie dans Microsoft Fabric. Les concepts Site, Produit et Vente sont créés puis associés aux données du Lakehouse au moyen de liaisons de données. Des relations explicites sont ensuite définies entre les entités pour représenter les liens métier. Cette mise en œuvre illustre le rôle de l'ontologie : ajouter une couche de contexte métier aux données existantes, sans se substituer aux traitements de préparation ni aux modèles analytiques.

4. Exploiter l’ontologie avec un agent dans Microsoft Fabric

Une fois l’ontologie créée, il reste à l’exploiter à travers un service compatible, comme un agent de données (Data Agent) dans Microsoft Fabric. L’objectif est de faciliter l’interrogation des données métier en langage naturel. Les utilisateurs peuvent ainsi poser des questions sur les ventes, les produits ou les sites sans avoir à connaître la structure technique des tables.

L’ontologie apporte la connaissance métier tandis que l’agent fournit l’interface conversationnelle pour exploiter cette connaissance et les données associées.

Créer un agent :

• Dans le workspace Fabric, cliquez sur + Nouvel élément.
• Recherchez Data agent et sélectionnez cet élément s’il est disponible.

• Nommez l’agent Agent_Ventes, puis créez-le.

Configurer la source de données :

• Ouvrez l’agent et ajoutez Ontology comme source de données.

• Sélectionnez l’ontologie Ontologie_Ventes et configurez l’agent pour qu’il s’appuie sur les concepts et relations définis.

• Vérifiez que les concepts Site, Produit et Vente, ainsi que leurs relations, sont accessibles à l’agent.
• Enregistrez la configuration.

Ajouter des instructions métier :

Dans cette partie, vous pouvez par exemple définir les règles métier suivantes pour aider l’agent à interpréter les données :

Tu es un assistant chargé d’analyser les ventes d’une entreprise à partir des tables Sites, Produits et Ventes.

• Sites décrit les sites de vente.
• Produits décrit les produits commercialisés, leur catégorie et leur prix unitaire.
• Ventes contient les transactions réalisées.
• Chaque vente est identifiée par Vente_ID.
• Site_ID permet d'associer une vente à un site.
• Produit_ID permet d'associer une vente à un produit.
• Montant_EUR représente le montant total de la vente en euros.

Ces instructions aident l’agent à interpréter les données, mais ne remplacent pas la configuration des sources ni celle des relations entre les tables.

Tester l’agent :

Une fois les sources configurées, ouvrez le panneau de conversation de l’agent et testez par exemple les questions suivantes :

• Quel est le montant total des ventes ?
• Quel est le montant total des ventes pour chaque site ?
• Quel produit a été vendu en plus grande quantité ?

Cette démonstration illustre comment structurer les données autour de concepts métier avec une ontologie, puis les exploiter à travers un agent conversationnel. L’intérêt est de faciliter l’accès aux données et leur compréhension par les utilisateurs.

Conclusion

Le scénario des ventes, des produits et des sites illustre la promesse de Microsoft Fabric Ontology : passer d’une vision technique des données à une représentation structurée du métier. En formalisant les concepts, leurs propriétés et leurs relations, l’ontologie peut faciliter la compréhension des données et enrichir leur exploitation par des services compatibles, notamment les agents conversationnels.

Mais une ontologie ne garantit ni la qualité des données ni la fiabilité des réponses. Sa valeur dépend de la pertinence du modèle métier, de la cohérence des données et de sa capacité à être réellement exploitée par les services consommateurs.

L’enjeu n’est donc pas de créer une ontologie, mais de démontrer sa valeur. En comparant les résultats obtenus, en vérifiant la pertinence des réponses et en mesurant les coûts, chaque organisation peut déterminer si cette couche sémantique apporte un bénéfice concret à son architecture de données.