Compartir a través de

Experimentos de Aprendizaje automático y modelos de canalizaciones de integración e implementación de Git (versión preliminar)

Los experimentos y modelos de Machine Learning se integran con las funcionalidades de administración del ciclo de vida de Microsoft Fabric, lo que proporciona una colaboración estandarizada entre todos los miembros del equipo de desarrollo durante toda la vida del producto. La administración del ciclo de vida facilita un proceso eficaz de versiones y versiones del producto mediante la entrega continua de características y correcciones de errores en varios entornos. Para más información, consulte ¿Qué es la administración del ciclo de vida en Microsoft Fabric?.

Importante

Esta característica se encuentra en versión preliminar.

Integración de Git con experimentos y modelos de Machine Learning

Los experimentos y modelos de Machine Learning (ML) contienen metadatos y datos. Los experimentos de ML contienen runs mientras que los modelos de ML contienen model versions. Desde la perspectiva de un flujo de trabajo de desarrollo, los cuadernos pueden hacer referencia a un experimento de APRENDIZAJE automático o a un modelo de APRENDIZAJE automático.

Como principio, los datos no se almacenan en Git; solo se realiza un seguimiento de los metadatos del artefacto. De forma predeterminada, los experimentos y modelos de ML se administran a través del proceso de sincronización y actualización de Git, pero experiment runs y model versions no se realiza un seguimiento ni se versionan en Git y sus datos se conservan en el almacenamiento del área de trabajo. El linaje entre cuadernos, experimentos y modelos se hereda del área de trabajo conectada a Git.

Representación de Git

La siguiente información se serializa y realiza un seguimiento en un área de trabajo conectada de Git para los modelos y experimentos de aprendizaje automático:

  • Nombre para mostrar.
  • versión.
  • Guid lógico. El guid lógico con seguimiento es un identificador entre áreas de trabajo generado automáticamente que representa un elemento y su representación de control de código fuente.
  • Dependencias. El linaje entre cuadernos, experimentos y modelos se conserva en áreas de trabajo conectadas a Git, manteniendo una rastreabilidad clara entre los artefactos relacionados.

Importante

Solo se realiza un seguimiento de los metadatos del experimento de aprendizaje automático y del artefacto del modelo en Git en la experiencia actual. Las ejecuciones de experimentos y las versiones del modelo (las salidas de ejecución y los datos del modelo) no se almacenan ni se versionan en Git; sus datos permanecen en el almacenamiento del área de trabajo.

Funcionalidades de integración de Git

Están disponibles las siguientes funcionalidades:

  • Serialice los metadatos del experimento de ML y del artefacto del modelo en una representación JSON de seguimiento de Git.
  • Admita varias áreas de trabajo vinculadas a la misma rama de Git, lo que permite que los metadatos de seguimiento se sincronicen entre áreas de trabajo.
  • Permitir que las actualizaciones se apliquen directamente o se controlen a través de solicitudes de incorporación de cambios para administrar los cambios entre áreas de trabajo o ramas ascendentes y descendentes.
  • Realice un seguimiento de los cambios de nombres de experimentos y modelos en Git para conservar la identidad entre áreas de trabajo.
  • No se realiza ninguna acción en experiment runs o model versions; sus datos se conservan en el almacenamiento del área de trabajo y Git no los almacena ni sobrescribe.

Experimentos y modelos de Aprendizaje automático en canalizaciones de implementación

Los experimentos y modelos de Aprendizaje automático (ML) se admiten en canalizaciones de implementación de administración del ciclo de vida de Microsoft Fabric. Habilita los procedimientos recomendados de segmentación del entorno.

Importante

Solo se realiza un seguimiento de los artefactos del modelo y del experimento de aprendizaje automático en las canalizaciones de implementación de la experiencia actual. Las ejecuciones de experimentos y las versiones del modelo no se realizan en el seguimiento ni las versiones de las canalizaciones; sus datos permanecen en el almacenamiento del área de trabajo.

Funcionalidades de integración de canalizaciones de implementación de experimentos y modelos de ML:

  • Compatibilidad con la implementación de experimentos y modelos de ML en áreas de trabajo de desarrollo, pruebas y producción.
  • Las implementaciones solo sincronizan los metadatos del artefacto; experiment runs y model versions (sus datos) se conservan y no se sobrescriben.
  • Los cambios de nombre de experimentos y modelos se propagan entre áreas de trabajo cuando se incluyen en una canalización de implementación.
  • El linaje entre cuadernos, experimentos y modelos se mantiene entre áreas de trabajo durante las implementaciones de canalización, lo que conserva la rastreabilidad entre artefactos relacionados.

Contenido relacionado

  • Last updated on