Afstamning til modeller og eksperimenter

  • Artikel

I moderne BI-projekter (Business Intelligence) kan det være en udfordring for mange kunder at forstå flowet af data fra datakilden til destinationen. Udfordringen er endnu større, hvis du har bygget avancerede analyseprojekter, der strækker sig over flere datakilder, elementer og afhængigheder. Spørgsmål som "Hvad sker der, hvis jeg ændrer disse data?" eller "Hvorfor er denne rapport ikke opdateret?" kan være svære at besvare. De kan kræve et team af eksperter eller grundig undersøgelse for at forstå. Stofafstamningsvisningen hjælper dig med at besvare disse spørgsmål.

Vigtigt

Microsoft Fabric findes i øjeblikket i PRØVEVERSION. Disse oplysninger er relateret til et foreløbig produkt, der kan blive ændret væsentligt, før det udgives. Microsoft giver ingen garantier, udtrykt eller stiltiende, med hensyn til de oplysninger, der er angivet her.

Afstamning og maskinel indlæring

Der er flere grunde til, at afstamning er vigtig i din maskinel indlæringsarbejdsproces:

  • Reproducerbarhed: Kendskab til afstamningen af en model gør det nemmere at genskabe modellen og dens resultater. Hvis en anden vil replikere modellen, kan vedkommende følge de samme trin, som blev brugt til at oprette den, og bruge de samme data og parametre.
  • Gennemsigtighed: Forståelse af afstamningen af en model hjælper med at øge gennemsigtigheden. Det betyder, at interessenter, f.eks. regulatorer eller brugere, kan forstå, hvordan modellen blev oprettet, og hvordan den fungerer. Dette kan være vigtigt for at sikre retfærdighed, ansvarlighed og etiske overvejelser.
  • Fejlfinding: Hvis en model ikke fungerer som forventet, kan kendskab til dens afstamning hjælpe med at identificere kilden til problemet. Ved at undersøge de oplæringsdata, parametre og beslutninger, der blev truffet under oplæringsprocessen, kan det være muligt at identificere problemer, der påvirker modellens ydeevne.
  • Forbedring: Kendskab til afstamningen af en model kan også hjælpe med at forbedre den. Ved at forstå, hvordan modellen blev oprettet og oplært, kan det være muligt at foretage ændringer af oplæringsdata, -parametre eller -processer, der kan forbedre modellens nøjagtighed eller andre målepunkter for ydeevnen.

Elementtyper for datavidenskab

I Fabric er modeller til maskinel indlæring og eksperimenter integreret i en samlet platform. Som en del af dette kan brugerne gennemse relationen mellem Fabric Data Science-elementer og andre Fabric-elementer.

Gif, der viser afstamningsvisning for modeller og eksperimenter.

Modeller til maskinel indlæring

I Fabric kan brugerne oprette og administrere modeller til maskinel indlæring. Et element i en model til maskinel indlæring repræsenterer en versionsstyringsliste over modeller, så brugeren kan gennemse de forskellige gentagelser af modellen.

I afstamningsvisningen kan brugerne gennemse relationen mellem en model til maskinel indlæring og andre Fabric-elementer for at besvare følgende spørgsmål:

  • Hvad er relationen mellem modeller til maskinel indlæring og eksperimenter i mit arbejdsområde?
  • Hvilke modeller til maskinel indlæring findes i mit arbejdsområde?
  • Hvordan kan jeg spore afstamningen for at se, hvilke Lakehouse-elementer der var relateret til denne model?

Eksperimenter med maskinel indlæring

Et maskinlæringseksperiment er den primære enhed for organisation og kontrol for alle relaterede kørsler af maskinel indlæring.

I afstamningsvisningen kan brugerne gennemse relationen mellem et maskinlæringseksperiment og andre Fabric-elementer for at besvare følgende spørgsmål:

  • Hvad er relationen mellem eksperimenter med maskinel indlæring og kodeelementer (f.eks. notesbøger og Spark-jobdefinitioner) i mit arbejdsområde?
  • Hvilke eksperimenter med maskinel indlæring findes i mit arbejdsområde?
  • Hvordan kan jeg spore afstamningen for at se, hvilke Lakehouse-elementer der var relateret til dette eksperiment?

Udforsk afstamningsvisningen

Alle Fabric-arbejdsområder har automatisk en indbygget afstamningsvisning. Hvis du vil have adgang til denne visning, skal du som minimum have rollen Bidragyder i arbejdsområdet. Hvis du vil vide mere om tilladelser i Fabric, kan du se dokumentationen om tilladelser til modeller og eksperimenter.

Sådan får du adgang til afstamningsvisningen:

  1. Vælg dit Fabric-arbejdsområde, og naviger derefter til listen over arbejdsområder.

    Billede, der viser listevisningen for arbejdsområdet i Fabric.

  2. Skift fra listevisningen for arbejdsområdet til afstamningsvisningen for arbejdsområdet.

    Billede, der viser afstamningsvisningen for arbejdsområdet i Fabric.

  3. Du kan også navigere til afstamningsvisning for et bestemt element ved at åbne de relaterede handlinger.

    Billede, der viser afstamningsvisningen for arbejdsområdet i Fabric for et bestemt element.

Næste trin