Exécuter des pipelines Azure Machine Learning dans Azure Data Factory et Synapse Analytics
S’APPLIQUE À :
Azure Data Factory Azure Synapse Analytics
Conseil
Essayez Data Factory dans Microsoft Fabric, une solution d’analyse tout-en-un pour les entreprises. Microsoft Fabric couvre tous les aspects, du déplacement des données à la science des données, en passant par l’analyse en temps réel, l’aide à la décision et la création de rapports. Découvrez comment démarrer un nouvel essai gratuitement !
Exécutez des pipelines Azure Machine Learning en tant qu’étape de procédure dans des pipelines Azure Data Factory et Synapse Analytics. L’activité d’exécution de pipeline Machine Learning permet des scénarios de prédiction par lot tels que l’identification des possibles non-remboursements de prêt, la détermination des sentiments et l’analyse des comportements des clients.
La vidéo ci-dessous, d’une durée de six minutes, comporte une présentation et une démonstration de cette fonctionnalité.
Créer une activité Execute Pipeline de Machine Learning avec IU
Pour utiliser une activité Execute Pipeline de Machine Learning dans un pipeline, effectuez les étapes suivantes :
Recherchez Machine Learning dans le volet Activités du pipeline, puis faites glisser une activité Execute Pipeline de Machine Learning vers le canevas du pipeline.
Sélectionnez la nouvelle activité Execute Pipeline de Machine Learning sur le canevas si elle ne l’est pas déjà, et son onglet Paramètres pour en modifier les détails.
Sélectionnez un service lié Azure Machine Learning existant ou créez-en un, et fournissez les détails du pipeline et de l’expérience, ainsi que les paramètres de pipeline ou les affectations de chemin d’accès aux données requises pour le pipeline.
Syntaxe
{
"name": "Machine Learning Execute Pipeline",
"type": "AzureMLExecutePipeline",
"linkedServiceName": {
"referenceName": "AzureMLService",
"type": "LinkedServiceReference"
},
"typeProperties": {
"mlPipelineId": "machine learning pipeline ID",
"experimentName": "experimentName",
"mlPipelineParameters": {
"mlParameterName": "mlParameterValue"
}
}
}
Propriétés type
| Propriété | Description | Valeurs autorisées | Obligatoire |
|---|---|---|---|
| name | Nom de l’activité dans le pipeline | String | Oui |
| type | Le type d’activité est « AzureMLExecutePipeline ». | String | Oui |
| linkedServiceName | Service lié à Azure Machine Learning | référence de service lié | Oui |
| mlPipelineId | ID du pipeline Azure Machine Learning publié | Chaîne (ou expression avec resultType de chaîne) | Oui |
| experimentName | Nom de l’expérience de l’historique des exécutions pour l’exécution du pipeline Machine Learning | Chaîne (ou expression avec resultType de chaîne) | Non |
| mlPipelineParameters | Paires clé/valeur à passer au point de terminaison du pipeline Azure Machine Learning publié. Les clés doivent correspondre aux noms des paramètres de pipeline définis dans le pipeline Machine Learning publié. | Objet avec des paires clé/valeur (ou expression avec l’objet resultType) | Non |
| mlParentRunId | ID d’exécution du pipeline Azure Machine Learning parent | Chaîne (ou expression avec resultType de chaîne) | Non |
| dataPathAssignments | Dictionnaire utilisé pour modifier les chemins de données dans Azure Machine Learning. Permet la commutation des chemins de données | Objet avec paires clé/valeur | Non |
| continueOnStepFailure | Indique s’il faut poursuivre l’exécution des autres étapes lors de l’exécution du pipeline Machine Learning en cas d’échec d’une étape. | boolean | Non |
Notes
Pour pouvoir remplir les éléments déroulants du nom et de l’ID du pipeline Machine Learning, l’utilisateur doit avoir l’autorisation de lister les pipelines ML. L’interface utilisateur appelle directement les API AzureMLService à l’aide des informations d’identification de l’utilisateur connecté.
Contenu connexe
Consultez les articles suivants qui expliquent comment transformer des données par d’autres moyens :