ms-ai-architect/skills/ms-ai-engineering/references/data-engineering/dataverse-ai-integration.md

Dataverse and AI Integration

Last updated: 2026-02 Status: GA Category: Data Engineering for AI Type: reference Source: https://learn.microsoft.com/fabric/data-factory/connector-dataverse-overview

---

Innhold

• Introduksjon
• Dataverse Connectors in Data Factory
• Entity Relationship Mapping to Delta Tables
• Real-Time Dataverse Data Sync
• Power Platform Data Integration
• RLS Propagation from Dataverse to Fabric
• Referanser
• For arkitekten

Introduksjon

Microsoft Dataverse er den sentrale dataplattformen for Power Platform og Dynamics 365, og inneholder forretningskritisk data fra CRM, ERP, og egendefinerte applikasjoner. Integrering av Dataverse-data med AI-losninger via Microsoft Fabric og Data Factory gjor det mulig a utnytte forretningsdata for prediktiv analyse, maskinlaring og intelligent automatisering uten komplekse ETL-pipelines.

For norsk offentlig sektor er Dataverse ofte kjernen i saksbehandlingssystemer, innbyggertjenester og Power Apps-baserte fagsystemer. Evnen til a koble disse dataene til AI-modeller -- for eksempel for prediktiv vedlikeholdsplanlegging, chatbot-trening, eller automatisert dokumentklassifisering -- representerer en viktig mulighetsdimensjon som krever god arkitekturforstaaelse.

Denne referansen dekker alle integrasjonsmonstre mellom Dataverse og AI-okosystemet, fra den direkte "Link to Fabric"-funksjonen til Data Factory-konnektorer, sanntidssynkronisering, og sikkerhetspropagering.

---

Dataverse Connectors in Data Factory

Dataverse Connector i Fabric Data Factory

Fabric Data Factory tilbyr en dedikert Dataverse-konnektor med flere integrasjonsmonstre:

Kapabilitet	Gateway	Autentisering
Dataflow Gen2 (kilde)	Ingen, On-prem, VNet	Org-konto, Service Principal, Workspace Identity
Pipeline Copy Activity (kilde/dest)	Ingen, On-prem, VNet	Org-konto, Service Principal, Workspace Identity
Copy Job (kilde/dest)	Ingen, On-prem, VNet	Org-konto, Service Principal, Workspace Identity

Copy Job modus

Modus	Beskrivelse	Bruksomraade
Full load	Komplett kopi av alle rader	Forste gangs lasting
Append	Legg til nye rader	Inkrementell lasting
Upsert	Sett inn eller oppdater basert pa nokkel	Synkronisering

Pipeline-eksempel: Dataverse til Lakehouse

{
    "name": "DataverseToLakehouse",
    "properties": {
        "activities": [
            {
                "name": "CopyDataverseAccounts",
                "type": "Copy",
                "inputs": [{
                    "type": "DataverseEntity",
                    "entity": "account",
                    "filter": "modifiedon ge 2024-01-01"
                }],
                "outputs": [{
                    "type": "LakehouseTable",
                    "table": "bronze.crm_accounts"
                }],
                "typeProperties": {
                    "source": {
                        "type": "DataverseSource",
                        "query": "?$select=name,revenue,industry&$filter=statecode eq 0"
                    },
                    "sink": {
                        "type": "LakehouseSink",
                        "writeBehavior": "Upsert",
                        "upsertKeyColumns": ["accountid"]
                    }
                }
            }
        ]
    }
}

---

Entity Relationship Mapping to Delta Tables

Dataverse-tabeller til Medallion Architecture

Dataverse bruker en relasjonell modell med entiteter, relasjoner og lookups. Ved overforig til Lakehouse bor dette mappes til Delta-tabeller i en medallion-arkitektur:

Dataverse                          Lakehouse
┌──────────────────┐              ┌──────────────────────┐
│ account          │  ────────>   │ bronze.crm_accounts  │
│ contact          │  ────────>   │ bronze.crm_contacts  │
│ opportunity      │  ────────>   │ bronze.crm_opps      │
│ incident (case)  │  ────────>   │ bronze.crm_cases     │
└──────────────────┘              └──────────┬───────────┘
                                             │
                                   Silver Layer (denormalisert)
                                             │
                                  ┌──────────▼───────────┐
                                  │ silver.customer_360   │
                                  │ (account + contact +  │
                                  │  opportunity joined)  │
                                  └──────────┬───────────┘
                                             │
                                   Gold Layer (AI-klar)
                                             │
                                  ┌──────────▼───────────┐
                                  │ gold.churn_features   │
                                  │ gold.revenue_predict  │
                                  └──────────────────────┘

Handtering av Dataverse-spesifikke datatyper

Dataverse-type	Delta Lake-mapping	Merknad
Lookup	String (GUID)	Maa joines for visningsnavn
OptionSet	Integer + String label	Lagre baade verdi og label
Money	Decimal(38,4)	Inkluder valutareferanse
DateTime	Timestamp	Vurder tidssone (UTC vs lokal)
Customer	String (polymorf)	Kan peke til account eller contact
PartyList	Array of GUIDs	Flatten til separate rader

PySpark for entity-mapping

from pyspark.sql.functions import col, when, lit

# Les Dataverse-data fra bronze
accounts = spark.read.format("delta").table("bronze.crm_accounts")
contacts = spark.read.format("delta").table("bronze.crm_contacts")
opportunities = spark.read.format("delta").table("bronze.crm_opps")

# Denormalisering: Customer 360 view
customer_360 = (
    accounts
    .join(
        contacts,
        accounts["accountid"] == contacts["parentcustomerid"],
        "left"
    )
    .join(
        opportunities
        .groupBy("parentaccountid")
        .agg(
            F.sum("estimatedvalue").alias("total_pipeline"),
            F.count("*").alias("opp_count"),
            F.max("estimatedclosedate").alias("latest_opp_date")
        ),
        accounts["accountid"] == col("parentaccountid"),
        "left"
    )
    .select(
        accounts["accountid"],
        accounts["name"].alias("company_name"),
        accounts["revenue"].alias("annual_revenue"),
        accounts["industrycode"],
        col("total_pipeline"),
        col("opp_count"),
        col("latest_opp_date")
    )
)

# Skriv til silver layer
customer_360.write.format("delta").mode("overwrite").saveAsTable("silver.customer_360")

---

Real-Time Dataverse Data Sync

Link to Microsoft Fabric (Direct Link)

Den mest effektive metoden for Dataverse-Fabric-integrasjon er den innebygde "Link to Microsoft Fabric"-funksjonen:

Power Apps ──> "Analyze > Link to Microsoft Fabric"
                     │
                     ▼
              ┌──────────────────────────────┐
              │  Fabric Workspace            │
              │  ├── Lakehouse               │
              │  │   ├── Shortcut: accounts  │
              │  │   ├── Shortcut: contacts  │
              │  │   └── Shortcut: cases     │
              │  ├── SQL Analytics Endpoint   │
              │  └── Default Semantic Model   │
              └──────────────────────────────┘

Egenskaper:

Egenskap	Verdi
Kopieringsmetode	OneLake shortcuts (ingen dataduplisering)
Format	Delta Parquet
Synkroniserings-latens	Opptil 60 minutter
Tabellvalg	Alle tabeller med Track Changes, eller manuelt valg
Autentisering	Org-konto, Service Principal, Workspace Identity
Read/Write	Kun lesetilgang (shortcuts er read-only)

Dataverse Shortcuts via Fabric

Alternativt kan du opprette shortcuts direkte fra Fabric:

1. Apen Lakehouse i Fabric
2. Velg "New Table Shortcut" > "Dataverse"
3. Oppgi environment-URL
4. Bla gjennom og velg tabeller

# Etter at shortcut er opprettet, les direkte i Notebook
df = spark.read.format("delta").table("accounts")
display(df.limit(10))

Synkroniseringsmekanisme

Fabric Spark compute handterer synkronisering:

• Initial load: Full kopi av valgte tabeller
• Inkrementell oppdatering: Poller hvert 2. minutt for endringer
• Endringssporing: Basert pa Dataverse Track Changes-funksjonen
• Sletting: Fjerner rader nar kildedata slettes

---

Power Platform Data Integration

Arkitektur for AI-drevet Power Platform

┌──────────────────────────────────────────────────────────────────┐
│                    Power Platform                                 │
│  ┌──────────┐  ┌──────────────┐  ┌────────────────────────────┐ │
│  │ Power    │  │ Power        │  │ Copilot Studio             │ │
│  │ Apps     │  │ Automate     │  │ (AI chatbot)               │ │
│  └────┬─────┘  └──────┬───────┘  └──────────┬─────────────────┘ │
│       │               │                      │                    │
│       └───────────────┼──────────────────────┘                    │
│                       │                                           │
│              ┌────────▼────────┐                                  │
│              │   Dataverse     │                                  │
│              └────────┬────────┘                                  │
└───────────────────────┼──────────────────────────────────────────┘
                        │  Link to Fabric
               ┌────────▼────────────────────────────┐
               │        Microsoft Fabric              │
               │  ┌──────────┐  ┌──────────────────┐ │
               │  │ Lakehouse│  │ ML Models         │ │
               │  │ (Delta)  │  │ (Spark/AzureML)   │ │
               │  └──────────┘  └──────────────────┘ │
               │                       │              │
               │              ┌────────▼────────┐    │
               │              │ Predictions     │    │
               │              │ (write back)    │    │
               │              └────────┬────────┘    │
               └───────────────────────┼─────────────┘
                                       │
                         Virtual Tables / Dataverse API
                                       │
               ┌───────────────────────▼─────────────┐
               │  Power Apps: vis AI-prediksjoner     │
               │  Power Automate: trigger pa insights │
               └─────────────────────────────────────┘

AI Builder-integrasjon

AI Builder-modeller lagrer resultater direkte i Dataverse:

AI Builder-modell	Dataverse-lagring	Fabric-bruk
Prediction	Prediction-kolonne pa entitet	Feature for ML
Document Processing	Extracted fields	Treningsdata
Object Detection	Detection results	Analyse
Text Classification	Category labels	NLP-pipeline

Skrive AI-resultater tilbake til Dataverse

# Via Dataverse Web API fra Fabric Notebook
import requests

def write_prediction_to_dataverse(env_url, access_token, entity, record_id, prediction):
    """Skriv AI-prediksjon tilbake til Dataverse-entitet."""
    url = f"{env_url}/api/data/v9.2/{entity}({record_id})"
    headers = {
        "Authorization": f"Bearer {access_token}",
        "Content-Type": "application/json",
        "OData-MaxVersion": "4.0"
    }
    payload = {
        "cr_churn_prediction": prediction["score"],
        "cr_prediction_date": prediction["timestamp"],
        "cr_risk_category": prediction["category"]
    }
    response = requests.patch(url, json=payload, headers=headers)
    return response.status_code

---

RLS Propagation from Dataverse to Fabric

Sikkerhetsmodell

Dataverse har et avansert sikkerhetssystem med Business Units, Security Roles, og Row-Level Security (RLS). Ved integrasjon med Fabric maa dette haandteres eksplisitt.

Dataverse-sikkerhet	Fabric-ekvivalent	Automatisk propagering
Business Units	Workspace-tilgang	Nei -- manuell mapping
Security Roles	OneLake Security	Nei -- manuell mapping
Row-Level Security	RLS i SQL Endpoint / Semantic Model	Delvis
Field-Level Security	Column-level security	Nei
Team-based access	Workspace roles	Nei

Implementere RLS i Fabric

-- SQL Analytics Endpoint: Definer RLS
CREATE FUNCTION dbo.fn_security_predicate(@business_unit_id AS NVARCHAR(50))
RETURNS TABLE
WITH SCHEMABINDING
AS
RETURN SELECT 1 AS result
WHERE @business_unit_id = SESSION_CONTEXT(N'business_unit_id');

-- Opprett sikkerhetspolicy
CREATE SECURITY POLICY crm_security
ADD FILTER PREDICATE dbo.fn_security_predicate(business_unit_id)
ON silver.customer_360
WITH (STATE = ON);

Power BI Semantic Model RLS

// DAX-filter for RLS i Power BI
[BusinessUnitId] = USERPRINCIPALNAME()
// Eller via lookup-tabell:
CONTAINS(
    FILTER(SecurityMapping, SecurityMapping[UserEmail] = USERPRINCIPALNAME()),
    SecurityMapping[BusinessUnitId], [BusinessUnitId]
)

Anbefalinger for sikkerhetspropagering

1. Dokumenter mapping: Opprett eksplisitt mapping mellom Dataverse Security Roles og Fabric Workspace Roles
2. Automatiser med Power Automate: Synkroniser rolletilordninger ved endringer
3. Minimer direkte datatilgang: Bruk Semantic Models med RLS som primaertilgang
4. Auditing: Aktiver Microsoft Purview for sporbarhet

---

Referanser

• Link your Dataverse environment to Microsoft Fabric -- Offisiell guide for Dataverse-Fabric-kobling
• Dataverse connector overview (Fabric Data Factory) -- Konnektorkapabiliteter
• Create a Dataverse shortcut -- Shortcut-oppretting fra Fabric
• Fabric Link for Dataverse FAQ -- Vanlige sporsmal og begrensninger
• Link to Microsoft Fabric -- Administrasjon av Fabric-kobling
• Predictive data analysis using Dataverse, Fabric, and Azure AI services -- Referansearkitektur
• Automation-centric data analytics with Fabric -- Power Automate + Fabric

---

For arkitekten

• Bruk denne referansen naar brukeren har Dynamics 365, Power Apps, eller Power Platform-data som skal brukes i AI-losninger, eller naar de trenger a skrive AI-prediksjoner tilbake til forretningsapplikasjoner.
• Anbefal Link to Fabric som forstevalg for enkel integrasjon -- ingen ETL, ingen ekstra infrastruktur, data forblir i Dataverse med shortcuts.
• Vaar oppmerksom pa latens: Link to Fabric har opptil 60 minutters forsinkelse. For sanntidsbehov, bruk Dataverse Web API eller Power Automate-triggers i stedet.
• For sikkerhet: Dataverse RLS propageres IKKE automatisk til Fabric. Dette maa alltid adresseres eksplisitt i arkitekturforslaget, spesielt for offentlig sektor med strenge tilgangskrav.
• Anbefal medallion architecture for Dataverse-data: Bronze (raa shortcut), Silver (denormalisert Customer 360), Gold (ML-features) for a unnga at AI-modeller trener pa denormaliserte Dataverse-strukturer.