技術評論社サイトのロゴ

エンジニア選書 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

「Microsoft Fabric入門」のカバー画像
著者
立脇裕太（たてわきゆうた），永田祥平（ながたしょうへい），伊藤駿汰（いとうしゅんた），女部田啓太（おなぶたけいた），一戸康平（いちのへこうへい），西原拓未（にしはらたくみ），栗田宗平（くりたそうへい），永田亮磨（ながたりょうま）　著
定価
3,740円（本体3,400円＋税10%）
発売日
2026.10.6
判型
B5変形
頁数
408ページ
ISBN
978-4-297-15877-4 978-4-297-15878-1

サポート情報

概要

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。

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

プロフィール

立脇裕太（たてわきゆうた）

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（ながたしょうへい）

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_aio
LinkedIn：https://www.linkedin.com/in/shohei-nagata/

伊藤駿汰（いとうしゅんた）

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（おなぶたけいた）

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_onabuta
LinkedIn：https://www.linkedin.com/in/keita-onabuta

一戸康平（いちのへこうへい）

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（にしはらたくみ）

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（くりたそうへい）

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：@sohekrt
LinkedIn：https://www.linkedin.com/in/sohei-kurita-6a1243226/

永田亮磨（ながたりょうま）

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：@ryomaru0825
LinkedIn：https://www.linkedin.com/in/ryoma-nagata-0825/