Git-integration og implementeringspipelines for maskinlæringseksperimenter og modeller (forhåndsvisning)

Maskinlæringseksperimenter og modeller i Microsoft Fabric integreres med Git-integrations- og implementeringspipelines. Disse funktioner sporer og fremmer eksperiment- og modelmetadata, mens eksperimentkørsler og modelversioner forbliver i arbejdsområdets lagring og ikke er versionerede eller promoverede.

For et overblik over den bredere udgivelsesproces, se Hvad er livscyklusstyring 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. Set fra et udviklingsworkflow-perspektiv kan notesbøger referere til et ML-eksperiment eller en model.

Data gemmes ikke i Git; kun artefaktmetadata spores. Som standard skal ML-eksperimenter og modeller håndteres gennem Git-synkroniserings- og opdateringsprocessen, men experiment runsmodel versions de bliver ikke sporet eller versioneret i Git. Deres data forbliver i arbejdsområdets lagring. Understøttede afhængighedsreferencer kan binde på tværs af arbejdsområder, når Fabric repræsenterer dem med bærbare logiske ID'er. Bindingsadfærden afhænger af elementtypen og referenceformatet.

Livscyklusflow

  1. Git-integration serialiserer metadata for eksperimenter og modeller, så de kan synkroniseres og versionseres.
  2. Git-synkronisering anvender metadataændringer mellem det tilsluttede repository og arbejdsområdet.
  3. Implementeringspipelines fremmer understøttede artefaktmetadata mellem udviklings-, test- og produktionsarbejdsområder.
  4. Eksperimenter og modelversioner forbliver i arbejdsområdets lagring og er ikke inkluderet i nogen af synkroniseringsstierne.

Git-repræsentation

Et Git-forbundet arbejdsområde til maskinlæringseksperimenter og modeller serialiserer og sporer følgende information:

  • Vist navn.
  • Version. Feltet version identificerer versionsversionen af versionsstyringssystemets filformat. Det er ikke versionen af en ML-model.
  • Logisk ID. Værdien logicalId er en automatisk genereret tværarbejdsområde-identifikator, som Fabric bruger til at tilknytte et element til dets kildekontrol-repræsentation. For mere information, se Logical ID in Fabric.
  • Afhængigheder. Understøttede afhængighedsreferencer kan binde på tværs af Git-tilknyttede arbejdsområder. Binding afhænger af elementtypen og referenceformatet. Referencer, der bevarer arbejdsområde-specifikke ID'er, kan kræve manuelle opdateringer eller parameterisering.

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. Hvert arbejdsområde kan kun forbinde til én gren ad gangen.
  • 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

Microsoft Fabric-implementeringspipelines understøtter maskinlæringseksperimenter og modeller. De hjælper dig med at segmentere udviklings-, test- og produktionsmiljøer. For vejledning, se bedste praksis for livscyklusstyring.

Vigtigt

Implementeringspipelines implementerer i øjeblikket kun understøttede metadata til maskinlæringseksperimenter og modeller. Eksperimenter og modelversioner er ikke deploy-pipeline-payloads. Metadata-udrulning synkroniserer eller overskriver ikke deres data.

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 understøttede artefaktmetadata. experiment runs model versions og er ikke synkroniserede mellem arbejdsområder.
  • Omdøbninger af eksperimenter og modeller overføres på tværs af arbejdsområder, når de inkluderes i en udrulningspipeline.
  • Understøttede afhængighedsreferencer mellem notebooks, eksperimenter og modeller kan binde på tværs af arbejdsområder under pipeline-udrulninger. Binding afhænger af elementtypen og referenceformatet.

Relateret indhold

  • Last updated on