Dragoș-Ștefan Popescu 
Andreea-Roxana Cotfas 
Denisa-Vasilica Măgurean 
Remus-Octavian Cîmpean Modelele semantice au rolul de a face datele mai ușor de consumat prin Business Intelligence (BI). În Microsoft Fabric, ele devin baza pentru o utilizare mai largă a datelor, inclusiv de către sisteme automate. Articolul analizează cum modelele semantice, Semantic Link, Fabric IQ și Data Agents formează o arhitectură guvernată și reutilizabilă. Folosind un limbaj de business bine definit și componenta de artificial intelligence, se obține operaționalizarea unui raționament consecvent. Scopul articolului este de a clarifica ce este posibil astăzi, ce se află în evoluție și de ce semantica devine critică pentru BI și AI.
Accesul la date nu mai este principala problemă, însă interpretarea lor consecventă este [1]. Chiar și în sisteme centralizate, aceeași metrică poate avea definiții diferite între echipe, ducând la inconsistență în raportare și analiză. Această problemă devine importantă în contextul actual al inteligenței artificiale. Modelele lingvistice și agenții pot genera răspunsuri plauzibile, dar fără un context semantic clar, aceste răspunsuri pot fi incorecte în raport cu logica de business ([1], [2]). Astfel, limitarea principală nu mai este tehnică, ci semantică: lipsa unui limbaj comun și a logicii reutilizabile.
Modelul semantic introduce un strat de abstractizare între structura datelor și consumatori. Acesta definește explicit entitățile, relațiile și regulile utilizate în interpretarea datelor ([3]).
Principalele funcții ale modelului semantic includ:
Definirea metricilor și a formulelor asociate;
Modelarea relațiilor între entități;
Controlul modului de agregare și filtrare;
Separarea dintre stratul de stocare și cel semantic permite decuplarea optimizărilor tehnice de interpretarea datelor.
În Microsoft Fabric, modelul semantic nu mai este utilizat exclusiv pentru raportare, ci devine un punct de integrare între analiză, procesare și sisteme automate.
Semantic Link permite utilizarea modelului semantic în procese tehnice, cum ar fi analizele realizate în Python sau în motoare de procesare distribuită. Logica este preluată direct din modelul semantic, fără a fi reimplementată în cod. Astfel, se reduc diferențele între rezultate și necesitatea menținerii mai multor versiuni ale aceleiași definiții ([4]).
Fabric IQ extinde modelul semantic prin adăugarea unui nivel în care sunt definite explicit entitățile de domeniu și relațiile dintre acestea, astfel încât datele să poată fi interpretate în mod coerent în context. ([5]).
Data Agents permit interacțiunea cu datele în limbaj natural, utilizând definițiile existente în modelul semantic. Prin interpretarea cerințelor utilizatorului, agenții identifică datele relevante și generează interogări pe baza modelului semantic ([6]).
Arhitectura rezultată poate fi descrisă ca o separare în trei straturi , prezentate în Figura 1:
Stratul de date - responsabil pentru stocare și procesare;
Stratul semantic - responsabil pentru definirea logicii;
Figura 1 - Arhitectura și semantica în Microsoft Fabric
BI și Generative AI operează pe paradigme diferite. BI produce rezultate deterministe, în timp ce IA generează rezultate probabilistice. Integrarea acestora necesită alinierea logicii ([8]). Modelul semantic și substratul de ontologie oferă asta prin definirea explicită a conceptelor și a regulilor ([9]).
Figura 2 - Fundația comună pentru BI și IA
În acest context, semantica funcționează ca un strat de ancorare pentru IA:
Limitează spațiul de interpretare;
Oferă context explicit;
Rolul modelelor semantice poate fi înțeles analizând modul în care sunt gestionate datele în soluțiile moderne de management al flotelor. Pe măsură ce acestea evoluează, organizațiile gestionează volume tot mai mari de date provenite din vehicule conectate, sisteme telematice, senzori IoT și aplicații operaționale ([13]). Aceste date provin din sisteme diferite și adesea slab integrate - platforme de telematică, sisteme de mentenanță, aplicații ERP sau interfețe digitale din vehicul ([10]) - care, deși sunt centralizate într-un Lakehouse sau Warehouse, rămân fragmentate la nivel logic și semantic ([11]).
Datele sunt consumate simultan de echipe de BI, analytics, aplicații digitale precum portaluri dedicate flotelor sau dashboarduri incar și echipe care dezvoltă soluții de IA și advanced insights ([12]). În acest context, provocarea principală nu mai este colectarea sau stocarea datelor, ci armonizarea și interpretarea unitară a informațiilor provenite din sisteme diferite, astfel încât aceleași concepte de business să fie înțelese și utilizate consecvent în întregul ecosistem ([11], [13]).
În practică, multe organizații din domeniul managementului flotelor se confruntă cu inconsistențe între rapoartele BI, aplicațiile digitale și analizele avansate, chiar și atunci când datele sunt stocate central într-o platformă modernă ([13]). Aceleași concepte de business, precum utilizarea flotei, starea vehiculului, alertele de mentenanță sau indicatorii de performanță operațională sunt definite și calculate diferit în rapoarte BI, portalurile dedicate flotelor și interfețele afișate în vehicul ([11], [12]). Această fragmentare conduce la mesaje contradictorii pentru utilizatori, decizii dificil de explicat și un efort crescut de mentenanță a logicii de business.
Problema nu este lipsa datelor sau a tehnologiilor, ci absența unui strat semantic unic care să asigure utilizarea consecventă a definițiilor de business între BI, analytics, IA și sisteme incar ([11]). În absența acestuia, fiecare aplicație interpretează datele diferit, afectând atât calitatea analizelor, cât și experiența utilizatorilor ([12]). Acest articol își propune să demonstreze că modelele semantice din Microsoft Fabric pot rezolva această problemă, acționând ca un single source of truth care transformă datele de flotă în concepte de business guvernate și reutilizabile, livrate coerent către rapoarte BI, aplicații operaționale și sisteme incar din ecosistemele moderne de management al flotelor ([10]).
Abordarea prezentată în acest studiu de caz are la bază o premisă fundamentală: pentru a putea fi utilizate coerent în analize, aplicații și sisteme inteligente, datele de flotă trebuie să fie însoțite de un strat explicit și comun de semnificație.
În practică, acest lucru presupune definirea unui model semantic central în Microsoft Fabric, construit cu datele de flotă existente (tabele precum Vehicles, Customers, Freight), care să devină punctul unic de referință pentru interpretarea indicatorilor cheie, indiferent dacă aceștia sunt consumați de rapoarte, aplicații sau agenți IA.
La bază se află ideea conform căreia conceptele de business ar trebui să existe independent de instrumentele care le consumă. În loc să fie recreate în fiecare raport, portal sau bază de date, aceste concepte sunt definite o singură dată și sunt expuse utilizării sub formă de definiții semantice reutilizabile. Acest lucru permite diferiților consumatori ai datelor de flotă să se bazeze pe aceeași interpretare, chiar și atunci când situațiile sau interfețele evoluează ([14]).
Astfel, modelul semantic ajunge să fie mai mult decât o simplă colecție de KPI-uri (precum Revenue per km, Total Fuel Consumed, Total Maintenance Cost), dobândind abilitatea de a acoperi întreaga structură a domeniului de fleet management în sine. În acest context, Semantic Link permite utilizarea directă a modelului semantic în procese tehnice, precum notebookuri sau fluxuri de analiză, unde definițiile existente sunt reutilizate fără a fi reimplementate. Astfel, se asigură aplicarea consecventă a aceleiași logici atât în analizele de date, cât și în componentele IA.
Este important de subliniat că această abordare nu presupune existența unui singur model semantic monolitic pentru întreaga flotă. În funcție de nevoile organizației, datele pot fi segmentate în mai multe modele semantice distincte, fiecare abordând un subdomeniu specific. De exemplu, un model semantic poate acoperi indicatorii de eficiență energetică pentru vehicule electrice, un alt model poate fi dedicat flotei de vehicule termice, iar un al treilea poate expune exclusiv date relevante pentru mentenanță și operațiuni. Toate aceste modele pot coexista în Microsoft Fabric, fiecare cu propriile KPI‑uri și definiții, și pot fi ulterior conectate și contextualizate prin același strat semantic superior și aceeași ontologie de domeniu.
Figura 3 - Accesarea metricilor din modelul semantic direct în notebook
Revenind la ideea principală, pentru a extinde semantica dincolo de metrici și relații tabulare, modelul semantic este utilizat ca punct de plecare pentru definirea unei ontologii cu entități și relații în Fabric IQ, acestea reprezentând un model structural al domeniului. De menționat că ontologia nu oferă automat explicații de business în limbaj natural, ci definește structura și relațiile pe baza cărora aceste explicații pot fi ulterior construite. În practică, aceste entități și relații sunt legate de elementele concrete din modelul semantic (tabele, coloane, măsuri), pentru a putea fi utilizate efectiv în interogări și procesele ulterioare.
Această strategie este susținută de lucrări științifice și exemple din industrie privind managementul flotelor bazat pe ontologii, unde modele de date facilitează legarea datelor operaționale brute de concepte și interpretări la nivel de business ([11], [15]).
O dată ce înțelesurile sunt definite explicit, rolul inteligenței artificiale se schimbă fundamental. Astfel, sistemele IA pot opera în interiorul acelorași limite semantice ca și analiștii umani, reducând riscul de halucinație. Insighturile sunt generate pe baza definițiilor și relațiilor aprobate, ceea ce conduce la un nivel semnificativ mai ridicat de explicabilitate și încredere ([5], [16]).
Concret, acest lucru înseamnă configurarea unui Data Agent în Fabric, antrenat exclusiv pe modelul semantic definit anterior și ontologia asociată (Vehicle, Trip, Efficiency Metrics), capabil să răspundă la întrebări precum "Care sunt vehiculele cu eficiență sub medie în ultimele 7 zile, raportat la tipul de traseu?" sau "Există deviații semnificative de consum pentru vehicule electrice față de comportamentul istoric?". Răspunsurile generate se bazează pe aceste definiții și relații și pot include explicații privind factorii care au condus la rezultate, facilitând atât înțelegerea, cât și validarea decizională.
Acest aspect este deosebit de important în scenariile de management al flotelor, unde informațiile generate de IA influențează activ deciziile operaționale. Cercetările în domeniul inteligenței artificiale explicabile aplicate mobilității și mentenanței flotelor arată în mod consistent că transparența și alinierea cu cunoștințele de domeniu sunt esențiale pentru adoptarea soluțiilor de către utilizatori ([16]).
Figura 4 - Ontologie exemplificată prin 4 entități și relațiile dintre ele
Pe măsură ce ecosistemele de flotă cresc în complexitate, insighturile trebuie din ce în ce mai frecvent corelate între ele, evaluate în raport cu politici sau praguri operaționale și transpuse în acțiuni într-un mod coordonat ([17]).
Acest lucru poate presupune combinarea insighturilor generate de mai mulți agenți sau reguli, de exemplu pentru prioritizarea alertelor de mentenanță sau corelarea performanței operaționale cu obiective de sustenabilitate.
Deși acest scenariu introduce doar o formă elementară de analiză bazată pe agenți, el indică în mod clar o evoluție mai amplă, în care mai multe componente inteligente operează împreună pe baza unei fundații semantice comune.
O astfel de orchestrare implică procese complexe, precum corelarea mai multor surse, generarea răspunsurilor în mai multe etape sau aplicarea unor reguli extinse este posibilă doar atunci când toți agenții se bazează pe aceeași înțelegere a datelor de flotă, a conceptelor și a regulilor de business ([5], [17]). Layerul semantic rămâne punctul comun de referință, asigurând că fiecare agent operează pe baza acelorași definiții. Această fundație semantică este de regulă îmbogățită progresiv, iar extinderea conduce natural către integrarea capabilităților platformelor de dezvoltare IA, precum Foundry. Aceasta permite definirea și orchestrarea fluxurilor de agenți, gestionarea contextului și controlul execuției într-un mod structurat.
Acest studiu de caz demonstrează că un strat semantic bine definit este elementul esențial care permite trecerea de la date brute la decizii susținute de IA. Prin utilizarea Microsoft Fabric ca fundație semantică, insighturile generate devin disponibile, explicabile, guvernate și reutilizabile în întregul ecosistem de management al flotelor ([5], [14]).
Componentele arhitecturii nu sunt la același nivel de maturitate. Modelele semantice sunt utilizate pe scară largă, în timp ce componente precum Fabric IQ și Data Agents sunt în dezvoltare.
Principalele provocări sunt:
Definirea și guvernanța semanticii;
Controlul modificărilor în model;
Alinierea între echipe tehnice și de business;
Este important de menționat că aceste componente nu sunt la același nivel de maturitate și au și limitări. Semantic Link depinde de calitatea modelului semantic și nu elimină necesitatea definirii corecte a metricilor. Fabric IQ se află încă în stadiu de Preview și necesită configurare și rafinare manuală pentru a reflecta corect structura domeniului. Data Agents, deși evoluează rapid către scenarii de producție, depind de aceste definiții și pot produce rezultate ambigue în lipsa unei semantici bine definite.
Implementarea eficientă a acestei arhitecturi depinde nu doar de tehnologie, ci și de modul în care sunt definite, validate și versionate conceptele de business.
În Microsoft Fabric, semantica nu mai este limitată la un rol de prezentare, ci devine mecanismul prin care logica de business este aplicată consecvent în raportare, analiză și sisteme automate. Integrarea modelelor semantice cu Semantic Link, Fabric IQ și Data Agents, permite utilizarea directă a definițiilor în raportare, analiză și sisteme automate, reducând necesitatea reimplementării și riscul de inconsistență semantică.
[1] Socha B. (2025). Why data quality is key to AI success in 2026, Disponibil online la https://www.strategy.com/software/blog/why-data-quality-is-key-to-ai-success-in-2026.
[2] Gartner, Inc. (2026). Gartner Says Lack of Semantics Causes Inaccurate Artificial Intelligence Agents and Wasted Spending., Disponibil online la https://www.gartner.com/en/newsroom/press-releases/2026-05-11-gartner-says-lack-of-semantics-causes-inaccurate-artificial-intelligence-agents-and-wasted-spending.
[3] Microsoft (2025). Semantic models in the Power BI service. Disponibil online la https://learn.microsoft.com/en-us/power-bi/connect-data/service-datasets-understand.
[4] Microsoft (2026). What is semantic link? Disponibil online la https://learn.microsoft.com/en-us/fabric/data-science/semantic-link-overview.
[5] Microsoft (2026). What is Fabric IQ?, Disponibil online la https://learn.microsoft.com/en-us/fabric/iq/overview.
[6] Microsoft (2026). Fabric data agent concepts, Disponibil online la https://learn.microsoft.com/en-us/fabric/data-science/concept-data-agent.
[7] ML4Devs. Building a Semantic Layer: From Data Models to Business Metrics, Disponibil online la https://www.ml4devs.com/what-is/semantic-layer-data-model/.
[8] Thamma, S. R. (2025). Semantic Layers: The Bridge That Connects Enterprise Data to AI-Driven Insight, Disponibil online la https://medium.com/@t.sankar85/semantic-layers-the-bridge-that-connects-enterprise-data-to-ai-driven-insight-99a0ccd9add8.
[9] Sadhukhan, A. (2026). Why Data Platforms Must Become Intelligence Platforms for AI Agents to Work, Disponibil online la https://techcommunity.microsoft.com/blog/azuredevcommunityblog/why-data-platforms-must-become-intelligence-platforms-for-ai-agents-to-work/4505653.
[10] Microsoft Learn; Connected fleet data analytics reference architecture, Disponibil online la
https://learn.microsoft.com/en-us/fabric/real-time-intelligence/architectures/connected-fleet
[11] Vanden Hautte, S. et al. (2020); A dynamic dashboarding application for fleet monitoring using semantic web of things technologies; Sensors, 20(4), 1152, Disponibil online la https://doi.org/10.3390/s20041152
[12] AI Integrated Intelligent Fleet Ecosystems; Predictive Maintenance, Semantic Intelligence, and Autonomous Logistics Transformation; Journal of Applied Science and Technology,Disponibil online la https://oscarpubhouse.com/index.php/sdlajast/article/view/92/84
[13] MarketsandMarkets (2026); Fleet Management Market Report 2025-2030, Disponibil online la https://www.marketsandmarkets.com/Market-Reports/fleet-management-systems-market-1020.html
[14] Microsoft (2026). Power BI semantic models in Microsoft Fabric, Disponibil online la https://learn.microsoft.com/en-us/fabric/data-warehouse/semantic-models
[15] Singh, N. et al. (2023). Ontology Driven Data for Fleet Management; Northrop Grumman, Disponibil online la https://zenodo.org/records/8436896
[16] Tormos, B. et al. (2025) - Explainable AI Using On Board Diagnostics Data for Urban Buses Maintenance Management; Information, 16(2), Disponibil la https://www.mdpi.com/2078-2489/16/2/74
[17] Microsoft (2026). AI agent orchestration patterns, Disponibil la https://learn.microsoft.com/en-us/azure/architecture/ai-ml/guide/ai-agent-design-pattern
de Silvan Stan
de Ovidiu Mățan
