Datenherkunft für Modelle und Experimente

In Projekten mit moderner Business Intelligence (BI) kann es eine Herausforderung sein, den Datenfluss von der Datenquelle bis zum Ziel zu verstehen. Die Herausforderung ist sogar größer, wenn Sie erweiterte Analyseprojekte erstellen, die mehrere Datenquellen, Elemente und Abhängigkeiten umfassen.

Fragen wie „Was passiert, wenn ich diese Daten ändere?“ oder „Warum ist dieser Bericht nicht auf dem neuesten Stand?“ sind nicht immer einfach zu beantworten. Solche Fragen erfordern möglicherweise ein Expertenteam oder eine umfassende Untersuchung, um sie zu verstehen. Die Microsoft Fabric-Linienansicht hilft Ihnen, diese Fragen zu beantworten.

Linien und maschinelles Lernen

Es gibt mehrere Gründe, warum lineage in Ihrem Machine Learning-Workflow wichtig ist:

• Reproduzierbarkeit: Das Wissen über die Linien eines Modells erleichtert das Reproduzieren des Modells und seiner Ergebnisse. Wenn eine andere Person das Modell replizieren möchte, können sie dieselben Schritte ausführen, die Sie zum Erstellen verwendet haben, und dieselben Daten und Parameter verwenden.
• Transparenz: Das Verständnis der Linien eines Modells trägt dazu bei, seine Transparenz zu erhöhen. Projektbeteiligte, z. B. Regulierungsbehörden oder Benutzer, können verstehen, wie das Modell erstellt wurde und wie es funktioniert. Dieser Faktor kann wichtig sein, um Fairness, Rechenschaftspflicht und ethische Überlegungen zu gewährleisten.
• Debuggen: Wenn ein Modell nicht wie erwartet ausgeführt wird, kann das Wissen über seine Linie helfen, die Quelle des Problems zu identifizieren. Durch die Untersuchung der Schulungsdaten, Parameter und Entscheidungen, die während des Schulungsvorgangs getroffen wurden, können Benutzer möglicherweise Probleme identifizieren, die sich auf die Leistung des Modells auswirken.
• Verbesserung: Das Wissen über die Linien eines Modells kann auch dazu beitragen, es zu verbessern. Wenn Sie wissen, wie das Modell erstellt und trainiert wurde, können Benutzer möglicherweise Änderungen an den Schulungsdaten, Parametern oder Prozessen vornehmen, die die Genauigkeit des Modells oder andere Leistungsmetriken verbessern können.

Datentypen für Data Science-Elemente

Microsoft Fabric integriert Machine Learning-Modelle und Experimente in eine einheitliche Plattform. Im Rahmen dieses Ansatzes können Benutzer die Beziehung zwischen Fabric Data Science-Elementen und anderen Fabric-Elementen durchsuchen.

Modelle für maschinelles Lernen

In Fabric können Benutzer Machine Learning-Modelle erstellen und verwalten. Ein Machine Learning-Modellelement stellt eine versionsierte Liste von Modellen dar, mit der Benutzer die verschiedenen Iterationen des Modells durchsuchen können.

In der Linienansicht können Benutzer die Beziehung zwischen einem Machine Learning-Modell und anderen Fabric-Elementen durchsuchen, um die folgenden Fragen zu beantworten:

• Was ist die Beziehung zwischen Machine Learning-Modellen und Experimenten in meinem Arbeitsbereich?
• Welche Machine Learning-Modelle sind in meinem Arbeitsbereich vorhanden?
• Wie kann ich die Linie zurückverfolgen, um zu sehen, welche Seehauselemente mit diesem Modell verbunden waren?

Experimente für maschinelles Lernen

Ein Experiment zum maschinellen Lernen ist die zentrale Einheit zur Organisation und Kontrolle aller dazugehörigen Abläufe des maschinellen Lernens.

In der Linienansicht können Benutzer die Beziehung zwischen einem Machine Learning-Experiment und anderen Fabric-Elementen durchsuchen, um die folgenden Fragen zu beantworten:

• Was ist die Beziehung zwischen Machine Learning-Experimenten und Codeelementen in meinem Arbeitsbereich? Was ist beispielsweise die Beziehung zwischen Notizbüchern und Spark Job Definitions?
• Welche Maschinellen Lernexperimente gibt es in meinem Arbeitsbereich?
• Wie kann ich die Linie zurückverfolgen, um zu sehen, welche Seehauselemente mit diesem Experiment verbunden waren?

Herkunftsansicht erkunden

Jeder Fabric-Arbeitsbereich verfügt über eine integrierte Linienansicht. Um auf diese Ansicht zuzugreifen, benötigen Sie eine Arbeitsbereichsrolle (Administrator, Mitglied, Mitwirkender oder Viewer). Benutzer mit der Rolle "Viewer" können die Abstammung von Elementen sehen, aber keine Datenquellen. Weitere Informationen zu Berechtigungen in Fabric finden Sie unter Data Science-Rollen und -Berechtigungen.

So greifen Sie auf die Linienansicht zu:

1. Wählen Sie Ihren Fabric-Arbeitsbereich aus, und navigieren Sie dann zur Arbeitsbereichsliste.

   

2. Wechseln Sie von der Arbeitsbereichslistenansicht zur Arbeitsbereichslinienansicht .

   

3. Sie können auch zur Linienansicht für ein bestimmtes Element navigieren, indem Sie das Kontextmenü öffnen und auswählen, dass der Arbeitsbereich oder die Elementposition angezeigt werden soll.

   

Verwandte Inhalte

• Erfahren Sie mehr über Machine Learning-Modelle: Machine Learning-Modelle
• Erfahren Sie mehr über Machine Learning-Experimente: Maschinelle Lernexperimente