Ejecución de canalizaciones de Azure Machine Learning en Azure Data Factory y Synapse Analytics
SE APLICA A: 
Azure Data Factory Azure Synapse Analytics
Sugerencia
Pruebe Data Factory en Microsoft Fabric, una solución de análisis todo en uno para empresas. Microsoft Fabric abarca todo, desde el movimiento de datos hasta la ciencia de datos, el análisis en tiempo real, la inteligencia empresarial y los informes. ¡Obtenga más información sobre cómo iniciar una nueva evaluación gratuita!
Ejecute canalizaciones de Azure Machine Learning como paso en las canalizaciones de Azure Data Factory y Synapse Analytics. La actividad de ejecución de canalización de Machine Learning posibilita escenarios de predicción por lotes, como la identificación de posibles impagos de préstamos, la determinación de opiniones y el análisis de los patrones de comportamiento de los clientes.
En el vídeo siguiente se muestra una introducción de seis minutos y una demostración de esta característica.
Creación de una actividad de ejecución de canalización de Machine Learning con la interfaz de usuario
Para usar una actividad de ejecución de canalización de Machine Learning en una canalización, complete los pasos siguientes:
Busque Machine Learning en el panel Actividades de canalización y arrastre una actividad de ejecución de canalización de Machine Learning al lienzo de la canalización.
Seleccione la nueva actividad de ejecución de canalización de Machine Learning en el lienzo si aún no está seleccionada y la pestaña Configuración para editar los detalles.
Seleccione una opción existente o cree un nuevo servicio vinculado de Azure Machine Learning y proporcione los detalles de la canalización y el experimento, así como los parámetros de canalización o asignaciones de ruta de acceso de datos necesarios para la canalización.
Sintaxis
{
"name": "Machine Learning Execute Pipeline",
"type": "AzureMLExecutePipeline",
"linkedServiceName": {
"referenceName": "AzureMLService",
"type": "LinkedServiceReference"
},
"typeProperties": {
"mlPipelineId": "machine learning pipeline ID",
"experimentName": "experimentName",
"mlPipelineParameters": {
"mlParameterName": "mlParameterValue"
}
}
}
Propiedades de tipo
| Propiedad | Descripción | Valores permitidos | Obligatorio |
|---|---|---|---|
| name | Nombre de la actividad en la canalización | String | Sí |
| type | El tipo de actividad es "AzureMLExecutePipeline" | String | Sí |
| linkedServiceName | Servicio vinculado a Azure Machine Learning | Referencia al servicio vinculado | Sí |
| mlPipelineId | Identificador de la canalización de Azure Machine Learning publicada | Cadena (o expresión con un valor resultType de cadena) | Sí |
| experimentName | Nombre de experimento del historial de ejecuciones de la canalización de Machine Learning | Cadena (o expresión con un valor resultType de cadena) | No |
| mlPipelineParameters | Pares clave-valor que se pasan al punto de conexión de la canalización de Azure Machine Learning publicada. Las claves deben coincidir con los nombres de los parámetros de la canalización definidos en la canalización de Machine Learning publicada. | Objeto con pares clave-valor (o expresión con objeto resultType) | No |
| mlParentRunId | El identificador principal de la ejecución de la canalización de Azure Machine Learning | Cadena (o expresión con un valor resultType de cadena) | No |
| dataPathAssignments | Diccionario que se usa para cambiar rutas de acceso de datos en Azure Machine Learning. Habilita el cambio de rutas de acceso a datos. | Objeto con pares clave-valor | No |
| continueOnStepFailure | Puede decidir si se continúa la ejecución del resto de pasos de la ejecución de la canalización de Machine Learning si se produce un error en un paso. | boolean | No |
Nota
Para rellenar los elementos desplegables del nombre y el identificador de la canalización de Machine Learning, el usuario debe tener permiso para enumerar las canalizaciones de ML. La interfaz de usuario llama a las API de AzureMLService directamente con las credenciales del usuario que ha iniciado sesión. El tiempo de detección de los elementos desplegables sería mucho más largo al usar puntos de conexión privados.
Contenido relacionado
Vea los siguientes artículos, en los que se explica cómo transformar datos de otras maneras: