Herkunft 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 noch größer, wenn Sie erweiterte Analyseprojekte erstellt haben, 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. Sie benötigen möglicherweise ein Team von Experten oder eine umfassende Untersuchung, um das zu verstehen. Die Fabric-Herkunftsansicht hilft Ihnen bei der Beantwortung dieser Fragen.

Wichtig

Microsoft Fabric befindet sich in der Vorschauphase.

Herkunft und maschinelles Lernen

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

  • Reproduzierbarkeit: Wenn Sie die Herkunft eines Modells kennen, ist es einfacher, das Modell und seine Ergebnisse zu reproduzieren. Wenn ein anderer Benutzer das Modell replizieren möchte, kann er die gleichen Schritte ausführen, die zum Erstellen des Modells verwendet wurden, und dieselben Daten und Parameter verwenden.
  • Transparenz: Das Verständnis der Herkunft eines Modells trägt dazu bei, seine Transparenz zu erhöhen. Dies bedeutet, dass Beteiligte, z. B. Regulierungsbehörden oder Benutzer, verstehen können, wie das Modell erstellt wurde und wie es funktioniert. Dies kann wichtig sein, um Fairness, Rechenschaftspflicht und ethische Überlegungen sicherzustellen.
  • Debuggen: Wenn ein Modell nicht wie erwartet funktioniert, kann die Kenntnis seiner Herkunft helfen, die Ursache des Problems zu identifizieren. Durch die Untersuchung der Trainingsdaten, Parameter und Entscheidungen, die während des Trainingsprozesses getroffen wurden, kann es möglich sein, Probleme zu identifizieren, die sich auf die Leistung des Modells auswirken.
  • Verbesserung: Die Kenntnis der Herkunft eines Modells kann auch dazu beitragen, es zu verbessern. Wenn Sie verstehen, wie das Modell erstellt und trainiert wurde, kann es möglich sein, Änderungen an den Trainingsdaten, Parametern oder Prozessen vorzunehmen, die die Genauigkeit des Modells oder andere Leistungsmetriken verbessern können.

Data Science-Elementtypen

In Fabric werden Machine Learning-Modelle und -Experimente in eine einheitliche Plattform integriert. Dabei können Benutzer die Beziehung zwischen Fabric-Data Science-Elementen und anderen Fabric-Elementen durchsuchen.

GIF mit der Ansicht

Machine Learning-Modelle

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

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

  • Welche Beziehung besteht zwischen Machine Learning-Modellen und Experimenten in meinem Arbeitsbereich?
  • Welche Machine Learning-Modelle sind in meinem Arbeitsbereich vorhanden?
  • Wie kann ich die Herkunft zurückverfolgen, um zu sehen, welche Lakehouse-Elemente im Zusammenhang mit diesem Modell standen?

Machine Learning-Experimente

Ein Machine Learning-Experiment ist die primäre Einheit der organization und Steuerung für alle zugehörigen Machine Learning-Ausführungen.

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

  • Welche Beziehung besteht zwischen Machine Learning-Experimenten und Codeelementen (z. B. Notebooks und Spark-Auftragsdefinitionen) in meinem Arbeitsbereich?
  • Welche Machine Learning-Experimente sind in meinem Arbeitsbereich vorhanden?
  • Wie kann ich die Herkunft zurückverfolgen, um zu sehen, welche Lakehouse-Elemente im Zusammenhang mit diesem Experiment standen?

Erkunden der Herkunftsansicht

Jeder Fabric-Arbeitsbereich verfügt automatisch über eine integrierte Herkunftsansicht. Um auf diese Ansicht zugreifen zu können, müssen Sie mindestens über die Rolle Mitwirkender im Arbeitsbereich verfügen. Weitere Informationen zu Berechtigungen in Fabric finden Sie in der Dokumentation zu Berechtigungen für Modelle und Experimente.

So greifen Sie auf die Herkunftsansicht zu:

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

    Abbildung der Arbeitsbereichslistenansicht in Fabric.

  2. Wechseln Sie von der Ansicht Liste des Arbeitsbereichs zur Ansicht " Arbeitsbereichsherkunft ".

    Abbildung der Ansicht der Arbeitsbereichsherkunft in Fabric.

  3. Sie können auch zur Ansicht "Herkunft" für ein bestimmtes Element navigieren, indem Sie die zugehörigen Aktionen öffnen.

    Abbildung der Arbeitsbereichsherkunftsansicht in Fabric für ein bestimmtes Element.

Nächste Schritte