Freigeben über

Ausführen von Azure Machine Learning-Pipelines in Azure Data Factory und Synapse Analytics

  • Artikel

GILT FÜR: Azure Data Factory Azure Synapse Analytics

Tipp

Testen Sie Data Factory in Microsoft Fabric, eine All-in-One-Analyselösung für Unternehmen. Microsoft Fabric deckt alle Aufgaben ab, von der Datenverschiebung bis hin zu Data Science, Echtzeitanalysen, Business Intelligence und Berichterstellung. Erfahren Sie, wie Sie kostenlos eine neue Testversion starten!

Führen Sie Ihre Azure Machine Learning-Pipelines als Schritt in Ihren Azure Data Factory- und Synapse Analytics-Pipelines aus. Die Machine Learning-Pipelineausführungsaktivität ermöglicht Batchvorhersageszenarien wie etwa die Ermittlung möglicher Kreditausfälle, die Ermittlung der Stimmung oder die Analyse von Kundenverhaltensmustern.

Das folgende Video enthält eine sechsminütige Einführung und Demonstration dieses Features.

Erstellen einer Execute Pipeline-Aktivität für maschinelles Lernen über die Benutzeroberfläche

Damit eine Execute Pipeline-Aktivität für maschinelles Lernen in einer Pipeline verwendet werden kann, sind die folgenden Schritte erforderlich:

  1. Suchen Sie im Bereich für Pipelineaktivitäten nach maschinelles Lernen, und ziehen Sie eine Execute Pipeline-Aktivität für maschinelles Lernen in die Pipeline-Canvas.

  2. Wählen Sie auf der Canvas die Execute Pipeline-Aktivität für maschinelles Lernen aus, sofern sie noch nicht ausgewählt ist, und wählen Sie anschließend die Registerkarte Einstellungen aus, um die Details zu bearbeiten.

    Zeigt die Benutzeroberfläche für eine Machine Learning Execute Pipeline-Aktivität an.

  3. Wählen Sie einen vorhandenen verknüpften Azure Machine Learning-Dienst aus, oder erstellen Sie einen neuen. Geben Sie dann Details zur Pipeline und zum Experiment sowie sämtliche Pipelineparameter oder Datenpfadzuweisungen an, die für die Pipeline benötigt werden.

Syntax

{
    "name": "Machine Learning Execute Pipeline",
    "type": "AzureMLExecutePipeline",
    "linkedServiceName": {
        "referenceName": "AzureMLService",
        "type": "LinkedServiceReference"
    },
    "typeProperties": {
        "mlPipelineId": "machine learning pipeline ID",
        "experimentName": "experimentName",
        "mlPipelineParameters": {
            "mlParameterName": "mlParameterValue"
        }
    }
}

Typeigenschaften

Eigenschaft BESCHREIBUNG Zulässige Werte Erforderlich
name Name der Aktivität in der Pipeline String Ja
type Die Art der Aktivität lautet „AzureMLExecutePipeline“. String Ja
linkedServiceName Mit Azure Machine Learning verknüpfter Dienst Verweis auf den verknüpften Dienst Ja
mlPipelineId ID der veröffentlichten Azure Machine Learning-Pipeline Zeichenfolge (oder ein Ausdruck mit resultType der Zeichenfolge) Ja
experimentName Name des Ausführungsverlaufexperiments der Machine Learning-Pipelineausführung Zeichenfolge (oder ein Ausdruck mit resultType der Zeichenfolge) Nein
mlPipelineParameters Schlüssel-Wert-Paare, die an den veröffentlichten Azure Machine Learning-Pipeline-Endpunkt übergeben werden sollen. Die Schlüssel müssen den Namen von Pipelineparametern entsprechen, die in der veröffentlichten Machine Learning-Pipeline definiert sind. Objekt mit Schlüssel-Wert-Paaren (oder Ausdruck mit resultType-Objekt) Nein
mlParentRunId ID der übergeordneten Azure Machine Learning-Pipelineausführung Zeichenfolge (oder ein Ausdruck mit resultType der Zeichenfolge) Nein
dataPathAssignments Wörterbuch, das zum Ändern von Datenpfaden in Azure Machine Learning verwendet wird. Ermöglicht das Wechseln von Datenpfaden. Objekt mit Schlüssel-Wert-Paaren Nein
continueOnStepFailure Gibt an, ob die Ausführung weiterer Schritte in der Machine Learning-Pipelineausführung fortgesetzt werden soll, wenn ein Schritt nicht erfolgreich war. boolean Nein

Hinweis

Zum Auffüllen der Dropdownelemente im Namen und der ID der Machine Learning-Pipeline muss der Benutzer berechtigt sein, ML-Pipelines aufzulisten. Die Benutzeroberfläche ruft AzureMLService-APIs mithilfe der Anmeldeinformationen des angemeldeten Benutzers direkt auf. Die Ermittlungszeit für die Dropdownelemente wäre bei Verwendung von privaten Endpunkten viel länger.

Zugehöriger Inhalt

In den folgenden Artikeln erfahren Sie, wie Daten auf andere Weisen transformiert werden: