Compartir vía

Ejecución de canalizaciones de Azure Machine Learning en Azure Data Factory y Synapse Analytics

SE APLICA A: Azure Data Factory Azure Synapse Analytics

Sugerencia

Data Factory en Microsoft Fabric es la próxima generación de Azure Data Factory, con una arquitectura más sencilla, inteligencia artificial integrada y nuevas características. Si no está familiarizado con la integración de datos, comience con Fabric Data Factory. Las cargas de trabajo de ADF existentes pueden actualizarse a Fabric para acceder a nuevas funcionalidades en ciencia de datos, análisis en tiempo real e informes.

Ejecute las canalizaciones de Azure Machine Learning como paso en las canalizaciones de Azure Data Factory y Synapse Analytics. La actividad de ejecución de la canalización de aprendizaje automático permite escenarios de predicción por lotes, como identificar posibles incumplimientos de préstamo, determinar el sentimiento y analizar los patrones de comportamiento del cliente.

En el vídeo siguiente se muestra una introducción de seis minutos y una demostración de esta característica.

Creación de una actividad de ejecución de pipeline de Machine Learning con UI

Para usar una actividad de ejecución de canalización de Machine Learning en una canalización, complete los pasos siguientes:

  1. 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.

  2. 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.

    Muestra la interfaz de usuario para una actividad de ejecución de pipeline de aprendizaje automático.

  3. Seleccione un existente o cree un nuevo Azure Machine Learning servicio vinculado y proporcione detalles de la canalización y el experimento, así como los parámetros de canalización o las asignaciones de ruta de acceso de datos necesarias 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
nombre Nombre de la actividad en la canalización Cadena Sí
tipo El tipo de actividad es "AzureMLExecutePipeline" Cadena Sí
nombreDelServicioVinculado Servicio vinculado a Azure Machine Learning Referencia al servicio vinculado Sí
mlPipelineId Identificador de la canalización de Azure Machine Learning publicada Cadena (o expresión cuyo tipo de resultado sea cadena) Sí
nombreDelExperimento Nombre de experimento del historial de ejecuciones de la canalización de Machine Learning Cadena (o expresión cuyo tipo de resultado sea 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 un objeto de tipo resultado) No
mlParentRunId El identificador principal de la ejecución de la canalización de Azure Machine Learning Cadena (o expresión cuyo tipo de resultado sea cadena) No
dataPathAssignments Diccionario usado para cambiar rutas de datos en Azure Machine Learning. Habilita el cambio de rutas de acceso a datos. Objeto con pares clave-valor No
continueOnStepFailure Si se debe continuar la ejecución de otros pasos en 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 e identificador de la canalización de Machine Learning, el usuario debe tener permiso para listar 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:

  • Last updated on