Hinweis
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, sich anzumelden oder das Verzeichnis zu wechseln.
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, das Verzeichnis zu wechseln.
Die Machine Learning-Experimente und -Modelle sind in die Lebenszyklusverwaltungsfunktionen in Microsoft Fabric integriert und bieten eine standardisierte Zusammenarbeit zwischen allen Entwicklungsteams während der gesamten Lebensdauer des Produkts. Die Lebenszyklusverwaltung erleichtert einen effektiven Prozess der Produktversionsverwaltung und -veröffentlichung durch kontinuierliche Bereitstellung von Features und Fehlerbehebungen in mehreren Umgebungen. Weitere Informationen finden Sie unter Was ist die Lebenszyklusverwaltung in Microsoft Fabric?.
Von Bedeutung
Dieses Feature befindet sich in der Vorschauphase.
Maschinelle Lernexperimente und Modelle Git-Integration
Machine Learning (ML)-Experimente und -Modelle enthalten sowohl Metadaten als auch Daten. ML-Experimente enthalten runs , während ML-Modelle enthalten model versionssind. Aus Entwicklungsworkflowperspektive verweisen Notizbücher möglicherweise auf ein ML-Experiment oder ein ML-Modell.
Grundsätzlich werden Daten nicht in Git gespeichert – nur Artefaktmetadaten werden nachverfolgt. Standardmäßig werden ML-Experimente und -Modelle über den Git-Synchronisierungs-/Updateprozess verwaltet, experiment runs aber model versions nicht nachverfolgt oder in Git versioniert und ihre Daten werden im Arbeitsbereichspeicher beibehalten. Die Linie zwischen Notizbüchern, Experimenten und Modellen wird vom mit Git verbundenen Arbeitsbereich geerbt.
Git-Darstellung
Die folgenden Informationen werden serialisiert und in einem mit Git verbundenen Arbeitsbereich für Machine Learning Experiment und Modelle nachverfolgt:
- Anzeigename.
- Version:
- Logische GUID. Die nachverfolgte logische GUID ist ein automatisch generierter Arbeitsbereichsbezeichner, der ein Element und seine Darstellung der Quellcodeverwaltung darstellt.
- Abhängigkeiten. Die Linie zwischen Notizbüchern, Experimenten und Modellen wird in git-verbundenen Arbeitsbereichen beibehalten, aufrechterhalten eine klare Rückverfolgbarkeit zwischen verwandten Artefakten.
Von Bedeutung
Nur machine learning experiment and model artifact metadata is tracked in Git in the current experience. Experimentläufe und Modellversionen (die Ausführungsausgabe und Modelldaten) werden nicht in Git gespeichert oder versioniert. ihre Daten verbleiben im Arbeitsbereichsspeicher.
Git-Integrationsfunktionen
Die folgenden Funktionen stehen zur Verfügung:
- Serialisieren Sie ML-Experiment- und Modellartefaktemetadaten in eine Git-nachverfolgte JSON-Darstellung.
- Unterstützen Sie mehrere Arbeitsbereiche, die mit derselben Git-Verzweigung verknüpft sind, sodass nachverfolgte Metadaten über Arbeitsbereiche hinweg synchronisiert werden können.
- Zulassen, dass Updates direkt oder über Pullanforderungen angewendet werden, um Änderungen zwischen vorgelagerten und nachgelagerten Arbeitsbereichen/Verzweigungen zu verwalten.
- Verfolgen Sie die Umbenennungen von Experimenten und Modellen in Git, um die Identität über Arbeitsbereiche hinweg zu erhalten.
- Es werden keine Aktionen ausgeführt
experiment runsodermodel versions; ihre Daten bleiben im Arbeitsbereichspeicher erhalten und werden nicht von Git gespeichert oder überschrieben.
Experimente und Modelle für maschinelles Lernen in Bereitstellungspipelinen
Machine Learning(ML)-Experimente und -Modelle werden in Microsoft Fabric-Lifecycle-Verwaltungsbereitstellungspipelines unterstützt. Es ermöglicht bewährte Methoden für die Segmentierung von Umgebungen.
Von Bedeutung
Nur machine learning experiment and model artifacts are tracked in deployment pipelines in the current experience. Experimentläufe und Modellversionen werden nicht von Pipelines nachverfolgt oder versionsiert. ihre Daten verbleiben im Arbeitsbereichsspeicher.
ML-Experimente und Modelle der Integrationspipeline für Bereitstellungspipelines:
- Unterstützung für die Bereitstellung von ML-Experimenten und Modellen in Entwicklungs-, Test- und Produktionsarbeitsbereichen.
- Bereitstellungen synchronisieren nur Artefaktmetadaten;
experiment runsundmodel versions(ihre Daten) bleiben erhalten und werden nicht überschrieben. - Umbenennen von Experimenten und Modellen werden in Arbeitsbereichen verteilt, wenn sie in einer Bereitstellungspipeline enthalten sind.
- Die Linie zwischen Notizbüchern, Experimenten und Modellen wird während der Pipelinebereitstellungen über Arbeitsbereiche hinweg verwaltet, wodurch die Rückverfolgbarkeit zwischen verwandten Artefakten erhalten bleibt.