Del via

Eksperimenter og modeller til maskinel indlæring Git-integrations- og udrulningspipelines (prøveversion)

Eksperimenterne og modellerne til maskinel indlæring integreres med funktionerne til administration af livscyklus i Microsoft Fabric, hvilket giver et standardiseret samarbejde mellem alle medlemmer af udviklingsteamet i hele produktets levetid. Livscyklusstyring letter en effektiv produktversions- og frigivelsesproces ved løbende at levere funktioner og fejlrettelser i flere miljøer. Du kan få mere at vide under Hvad er livscyklusadministration i Microsoft Fabric?.

Vigtigt

Denne funktion er en prøveversion.

Eksperimenter og modeller til maskinel indlæring Git-integration

Eksperimenter og modeller til maskinel indlæring (ML) indeholder både metadata og data. ML-eksperimenter indeholder runs , mens ML-modeller indeholder model versions. Fra et udviklingsarbejdsprocesperspektiv kan notesbøger referere til et ML-eksperiment eller en ML-model.

Som princip gemmes data ikke i Git – det er kun artefaktmetadata, der spores. Som standard administreres ML-eksperimenter og -modeller via Git-synkroniserings-/opdateringsprocessen, men experiment runs spores model versions eller versioneres ikke i Git, og deres data bevares i arbejdsområdets lager. Afstamning mellem notesbøger, eksperimenter og modeller nedarves fra det Git-forbundne arbejdsområde.

Git-repræsentation

Følgende oplysninger serialiseres og spores i et Git-forbundet arbejdsområde til eksperimenter og modeller til maskinel indlæring:

  • Vist navn.
  • Version.
  • Logisk vejledning. Det sporede logiske guid er et automatisk genereret id på tværs af arbejdsområder, der repræsenterer et element og dets kildekontrolelementrepræsentation.
  • Afhængigheder. Afstamning mellem notesbøger, eksperimenter og modeller bevares på tværs af Git-forbundne arbejdsområder, hvilket opretholder klar sporbarhed mellem relaterede artefakter.

Vigtigt

Det er kun metadata for eksperimenter med maskinel indlæring og modelartefakter, der spores i Git i den aktuelle oplevelse. Eksperimentkørsler og modelversioner (kørselsoutput og modeldata) gemmes eller versioneres ikke i Git. Deres data forbliver i arbejdsområdets lager.

Funktioner til Git-integration

Følgende funktioner er tilgængelige:

  • Serialiser ML-eksperiment, og modeller artefaktmetadata til en Git-sporet JSON-repræsentation.
  • Understøt flere arbejdsområder, der er knyttet til den samme Git-forgrening, hvilket gør det muligt at synkronisere sporede metadata på tværs af arbejdsområder.
  • Tillad, at opdateringer anvendes direkte eller styres via pullanmodninger for at administrere ændringer mellem upstream- og downstreamarbejdsområder/grene.
  • Spor omdøbninger af eksperimenter og modeller i Git for at bevare identiteten på tværs af arbejdsområder.
  • Der udføres ingen handlinger på experiment runs eller model versions. Deres data bevares i arbejdsområdets lager og gemmes eller overskrives ikke af Git.

Eksperimenter og modeller til maskinel indlæring i udrulningspipelines

Eksperimenter og modeller til maskinel indlæring (ML) understøttes i Microsoft Fabric Lifecycle Management-udrulningspipelines. Det muliggør bedste praksis for miljøsegmentering.

Vigtigt

Det er kun eksperimenter med maskinel indlæring og modelartefakter, der spores i udrulningspipelines i den aktuelle oplevelse. Eksperimentkørsler og modelversioner spores eller versioneres ikke af pipelines. Deres data forbliver i arbejdsområdets lager.

Funktioner til integration af ML-eksperimenter og -modeller til implementeringspipelines:

  • Understøttelse af udrulning af ML-eksperimenter og -modeller på tværs af udviklings-, test- og produktionsarbejdsområder.
  • Udrulninger synkroniserer kun artefaktmetadata. experiment runs og model versions (deres data) bevares og overskrives ikke.
  • Omdøbninger af eksperimenter og modeller overføres på tværs af arbejdsområder, når de inkluderes i en udrulningspipeline.
  • Afstamning mellem notesbøger, eksperimenter og modeller vedligeholdes på tværs af arbejdsområder under pipelineudrulninger, hvilket bevarer sporbarheden mellem relaterede artefakter.

Relateret indhold

  • Last updated on