Planifier des travaux d’importation de données (préversion)

S’APPLIQUE À :Extension Azure CLI v2 (actuelle)Kit de développement logiciel (SDK) Python azure-ai-ml v2 (version actuelle)

Dans cet article, vous allez apprendre à planifier par programme des importations de données et à effectuer cette tâche à l’aide de l’interface utilisateur de planification. Vous pouvez créer une planification basée sur la durée calendaire. Les planifications basées sur le temps peuvent être utilisées pour prendre en charge des tâches de routine, telles que l’importation régulière des données pour les maintenir à jour. Après avoir appris à créer des planifications, vous allez découvrir comment les récupérer, les mettre à jour et les désactiver via l’interface CLI, le kit SDK et l’interface utilisateur studio.

Prérequis

• Pour utiliser Azure Machine Learning, vous devez disposer d’un abonnement Azure. Si vous n’avez pas d’abonnement Azure, créez un compte gratuit avant de commencer. Essayez la version gratuite ou payante d’Azure Machine Learning dès aujourd’hui.

Azure CLI

• Installez Azure CLI et l’extension ml. Suivez les étapes d’installation décrites dans Installer, configurer et utiliser l’interface CLI (v2).

• Créez un espace de travail Azure Machine Learning si vous n’en avez pas déjà un. Pour la création d’un espace de travail, consultez Installer, configurer et utiliser l’interface CLI (v2).

Kit de développement logiciel (SDK) Python

• Créez un espace de travail Azure Machine Learning si vous n’en avez pas déjà un.
• Le Kit de développement logiciel (SDK) Azure Machine Learning v2 pour Python.

Studio

• Un espace de travail Azure Machine Learning. Consultez Créer des ressources d’espace de travail.
• Compréhension des pipelines Azure Machine Learning. Consultez la Présentation des pipelines Machine Learning et les articles expliquant comment créer un travail de pipeline à l’aide de l’interface CLI v2 ou du kit SDK v2.

Planifier une importation de données

Pour importer des données de façon périodique, vous devez créer une planification. Une opération Schedule associe une action d’importation de données et un déclencheur. Le déclencheur peut être cron celui qui utilise l’expression cron pour décrire l’attente entre les exécutions ou recurrence qui spécifient à l’aide de quelle fréquence déclencher le travail. Dans chaque cas, vous devez d’abord définir une définition d’importation de données. À cette fin, une importation de données existante ou une importation de données définie inline peut être utilisée. Consultez l’article Créer une importation de données dans l’interface CLI, le SDK et l’interface utilisateur.

Créer une planification

Créer une planification basée sur le temps avec le modèle de périodicité

Azure CLI

S’APPLIQUE À :Extension Azure ML CLI v2 (actuelle)

YAML : Planifier une importation de données avec un modèle de périodicité

$schema: https://azuremlschemas.azureedge.net/latest/schedule.schema.json
name: simple_recurrence_import_schedule
display_name: Simple recurrence import schedule
description: a simple hourly recurrence import schedule

trigger:
  type: recurrence
  frequency: day #can be minute, hour, day, week, month
  interval: 1 #every day
  schedule:
    hours: [4,5,10,11,12]
    minutes: [0,30]
  start_time: "2022-07-10T10:00:00" # optional - default will be schedule creation time
  time_zone: "Pacific Standard Time" # optional - default will be UTC

import_data: ./my-snowflake-import-data.yaml

YAML : Planifier une définition d’importation de données inline avec un modèle de périodicité sur le magasin de données managé

$schema: https://azuremlschemas.azureedge.net/latest/schedule.schema.json
name: inline_recurrence_import_schedule
display_name: Inline recurrence import schedule
description: an inline hourly recurrence import schedule

trigger:
  type: recurrence
  frequency: day #can be minute, hour, day, week, month
  interval: 1 #every day
  schedule:
    hours: [4,5,10,11,12]
    minutes: [0,30]
  start_time: "2022-07-10T10:00:00" # optional - default will be schedule creation time
  time_zone: "Pacific Standard Time" # optional - default will be UTC

import_data:
  type: mltable
  name: my_snowflake_ds
  path: azureml://datastores/workspacemanagedstore
  source:
    type: database
    query: select * from TPCH_SF1.REGION
    connection: azureml:my_snowflake_connection

trigger contient les propriétés suivantes :

• (Obligatoire)type spécifie le type de planification, à savoir recurrence ou cron. Consultez la section suivante pour plus d’informations.

Ensuite, exécutez cette commande dans l’interface de ligne de commande (CLI) :

> az ml schedule create -f <file-name>.yml

Kit de développement logiciel (SDK) Python

S’APPLIQUE À : Kit de développement logiciel (SDK) Python azure-ai-mlv2 (préversion)

from azure.ai.ml.data_transfer import Database
from azure.ai.ml.constants import TimeZone
from azure.ai.ml.entities import (
    ImportDataSchedule,
    RecurrenceTrigger,
    RecurrencePattern,
)
from datetime import datetime

source = Database(connection="azureml:my_sf_connection", query="select * from my_table")

path = "azureml://datastores/workspaceblobstore/paths/snowflake/schedule/${{name}}"


my_data = DataImport(
    type="mltable", source=source, path=path, name="my_schedule_sfds_test"
)

schedule_name = "my_simple_sdk_create_schedule_recurrence"

schedule_start_time = datetime.utcnow()

recurrence_trigger = RecurrenceTrigger(
    frequency="day",
    interval=1,
    schedule=RecurrencePattern(hours=1, minutes=[0, 1]),
    start_time=schedule_start_time,
    time_zone=TimeZone.UTC,
)

import_schedule = ImportDataSchedule(
    name=schedule_name, trigger=recurrence_trigger, import_data=my_data
)

ml_client.schedules.begin_create_or_update(import_schedule).result()

RecurrenceTrigger contient les propriétés suivantes :

• (Obligatoire) Pour offrir une meilleure expérience de codage, nous utilisons RecurrenceTrigger pour la planification de périodicité.

Studio

Quand votre importation de données offre des performances et des sorties satisfaisantes, vous pouvez configurer une planification pour déclencher automatiquement cette importation.

1. Accédez à Azure Machine Learning Studio

2. Sous Ressources dans le volet de navigation gauche, sélectionnez Données. Sous l’onglet Importation de données, sélectionnez la ressource de données importées à laquelle vous souhaitez attacher une planification. La page Historique des travaux d’importation doit s’afficher, comme illustré dans la capture d’écran suivante :

   

3. Sur la page Historique des travaux d’importation, sélectionnez le dernier lien Nom du travail d’importation pour ouvrir la page des détails du travail de pipelines, comme illustré dans la capture d’écran suivante :

   

4. Sur la page des détails du travail de pipeline d’une importation de données, sélectionnez Planifier ->Créer une planification pour ouvrir l’Assistant de création d’une planification, comme illustré dans la capture d’écran suivante :

   

5. Les paramètres de base de l’Assistant de création d’une planification présentent les propriétés illustrées dans la capture d’écran suivante :

   

• Nom : identificateur unique de la planification au sein de l’espace de travail.

• Description : description de la planification.

• Déclencheur : modèle de périodicité de la planification, qui comprend les propriétés suivantes.

  • Fuseau horaire : le calcul de l’heure du déclencheur est basé par défaut sur ce fuseau horaire : (UTC) temps universel coordonné.
  • Périodicité ou Expression Cron : sélectionnez la périodicité pour spécifier le modèle périodique. Sous Périodicité, vous pouvez spécifier la fréquence de la périodicité : minutes, heures, jours, semaines ou mois.
  • Début : la planification devient active à cette date. Par défaut, il s’agit de la date de création de cette planification.
  • Fin : la planification devient inactive après cette date. La valeur est NONE (Aucune) par défaut, ce qui signifie que la planification reste active jusqu’à ce que vous la désactiviez manuellement.
  • Étiquettes : étiquettes de planification sélectionnées.

  Après avoir configuré les paramètres de base, vous pouvez sélectionner Vérifier + Créer. La planification envoie alors automatiquement l’importation de données en fonction du modèle de périodicité que vous avez spécifié. Vous pouvez également sélectionner Suivant et parcourir l’Assistant pour sélectionner ou mettre à jour les paramètres d’importation de données.

Notes

Ces propriétés s’appliquent à l’interface CLI et au SDK :

• (Obligatoire)frequency spécifie une unité de temps qui décrit la fréquence à laquelle la planification se déclenche. Peut avoir la valeur minute, hour, day, week ou month.

• (Obligatoire)interval spécifie le déclenchement de la planification en fonction de sa fréquence, c’est-à-dire le temps d’attente basé sur les unités de temps avant le nouveau déclenchement de la planification.

• (Facultatif) schedule définit le modèle de périodicité, contenant hours, minuteset weekdays.

  • Quand frequency correspond à day, un modèle peut spécifier hours et minutes.
  • Quand frequency correspond à week et à month, un modèle peut spécifier hours, minutes et weekdays.
  • hours doit être un entier ou une liste, dont la valeur est comprise entre 0 et 23.
  • minutes doit être un entier ou une liste, dont la valeur est comprise entre 0 et 59.
  • weekdays est une chaîne ou une liste allant de monday à sunday.
  • Si schedule est omis, les travaux se déclenchent en fonction de la logique de start_time, frequency et interval.

• (Facultatif) start_time décrit la date et l’heure de début avec un fuseau horaire. Si start_time est omis, start_time correspond à l’heure de création du travail. Dans le cas d’une heure de début située dans le passé, le premier travail est exécuté à la prochaine heure d’exécution calculée.

• (Facultatif) end_time décrit la date et l’heure de fin avec un fuseau horaire. Si end_time est omis, la planification continue à déclencher des travaux jusqu’à ce qu’elle soit désactivée manuellement.

• (Facultatif) time_zone spécifie le fuseau horaire de la périodicité. Si cette propriété est omise, le fuseau horaire par défaut est UTC. Pour en savoir plus sur les valeurs de fuseau horaire, consultez l’annexe pour les valeurs de fuseau horaire.

Créer une planification basée sur le temps avec l’expression cron

Azure CLI

YAML : planifier l’importation de données avec une expression

S’APPLIQUE À :Extension Azure ML CLI v2 (actuelle)

YAML : Planifier l’importation de données avec une expression cron (préversion)

$schema: https://azuremlschemas.azureedge.net/latest/schedule.schema.json
name: simple_cron_import_schedule
display_name: Simple cron import schedule
description: a simple hourly cron import schedule

trigger:
  type: cron
  expression: "0 * * * *"
  start_time: "2022-07-10T10:00:00" # optional - default will be schedule creation time
  time_zone: "Pacific Standard Time" # optional - default will be UTC

import_data: ./my-snowflake-import-data.yaml

YAML : Planifier la définition d’importation de données inline avec une expression cron (préversion)

$schema: https://azuremlschemas.azureedge.net/latest/schedule.schema.json
name: inline_cron_import_schedule
display_name: Inline cron import schedule
description: an inline hourly cron import schedule

trigger:
  type: cron
  expression: "0 * * * *"
  start_time: "2022-07-10T10:00:00" # optional - default will be schedule creation time
  time_zone: "Pacific Standard Time" # optional - default will be UTC

import_data:
  type: mltable
  name: my_snowflake_ds
  path: azureml://datastores/workspaceblobstore/paths/snowflake/${{name}}
  source:
    type: database
    query: select * from TPCH_SF1.REGION
    connection: azureml:my_snowflake_connection

La trigger section définit les détails de la planification et contient les propriétés suivantes :

• (Obligatoire)type spécifie que le type de planification est cron.

> az ml schedule create -f <file-name>.yml

Voici la suite de la liste :

Kit de développement logiciel (SDK) Python

S’APPLIQUE À : Kit de développement logiciel (SDK) Python azure-ai-mlv2 (préversion)

from azure.ai.ml.data_transfer import Database
from azure.ai.ml.constants import TimeZone
from azure.ai.ml.entities import CronTrigger, ImportDataSchedule

source = Database(connection="azureml:my_sf_connection", query="select * from my_table")

path = "azureml://datastores/workspaceblobstore/paths/snowflake/schedule/${{name}}"


my_data = DataImport(
    type="mltable", source=source, path=path, name="my_schedule_sfds_test"
)

schedule_name = "my_simple_sdk_create_schedule_cron"

cron_trigger = CronTrigger(
    expression="15 10 * * 1",
    start_time=datetime.utcnow(),
    end_time="2023-12-03T18:40:00",
)
import_schedule = ImportDataSchedule(
    name=schedule_name, trigger=cron_trigger, import_data=my_data
)
ml_client.schedules.begin_create_or_update(import_schedule).result()

La CronTrigger section définit les détails de la planification et contient les propriétés suivantes :

• (Obligatoire) Pour offrir une meilleure expérience de codage, nous utilisons CronTrigger pour la planification de périodicité.

Voici la suite de la liste :

Studio

Quand votre importation de données offre des performances et des sorties satisfaisantes, vous pouvez configurer une planification pour déclencher automatiquement cette importation.

1. Accédez à Azure Machine Learning Studio

2. Sous Ressources dans le volet de navigation gauche, sélectionnez Données. Sous l’onglet Importation de données, sélectionnez la ressource de données importées à laquelle vous souhaitez attacher une planification. La page Historique des travaux d’importation doit s’afficher, comme illustré dans la capture d’écran suivante :

   

3. Sur la page Historique des travaux d’importation, sélectionnez le dernier lien Nom du travail d’importation pour ouvrir la page des détails du travail de pipelines, comme illustré dans la capture d’écran suivante :

   

4. Sur la page des détails du travail de pipeline d’une importation de données, sélectionnez Planifier ->Créer une planification pour ouvrir l’Assistant de création d’une planification, comme illustré dans la capture d’écran suivante :

   

5. Les paramètres de base de l’Assistant de création d’une planification présentent les propriétés illustrées dans la capture d’écran suivante :

   

• Nom : identificateur unique de la planification au sein de l’espace de travail.

• Description : description de la planification.

• Déclencheur : modèle de périodicité de la planification, qui comprend les propriétés suivantes.

  • Fuseau horaire : le calcul de l’heure du déclencheur est basé par défaut sur ce fuseau horaire : (UTC) temps universel coordonné.
  • Périodicité ou Expression Cron : sélectionnez la périodicité pour spécifier le modèle périodique. L’expression Cron permet de spécifier un modèle de périodicité plus flexible et personnalisé.
  • Début : la planification devient active à cette date. Par défaut, il s’agit de la date de création de cette planification.
  • Fin : la planification devient inactive après cette date. La valeur est NONE (Aucune) par défaut, ce qui signifie que la planification reste active jusqu’à ce que vous la désactiviez manuellement.
  • Étiquettes : étiquettes de planification sélectionnées.

  Après avoir configuré les paramètres de base, vous pouvez sélectionner Vérifier + Créer. La planification envoie alors automatiquement l’importation de données en fonction du modèle de périodicité que vous avez spécifié. Vous pouvez également sélectionner Suivant et parcourir l’Assistant pour sélectionner ou mettre à jour les paramètres d’importation de données.

• (Obligatoire)expression utilise une expression crontab standard pour exprimer une planification périodique. Une expression unique est composée de cinq champs délimités par l’espace :

  MINUTES HOURS DAYS MONTHS DAYS-OF-WEEK

  • Caractère générique unique (*), qui couvre toutes les valeurs du champ. La valeur * en jours signifie tous les jours d’un mois (dont le nombre varie en fonction du mois et de l’année).

  • L’exemple expression: "15 16 * * 1" ci-dessus signifie que 16:15 tous les lundis.

  • Le tableau ci-dessous répertorie les valeurs valides pour chaque champ :

    Champ	Plage	Commentaire
    MINUTES	0-59	-
    HOURS	0-23	-
    DAYS	-	Non pris en charge. La valeur est ignorée et considérée comme égale à *.
    MONTHS	-	Non pris en charge. La valeur est ignorée et considérée comme égale à *.
    DAYS-OF-WEEK	0-6	Zéro (0) signifie dimanche. Les noms des jours ont également été acceptés.

  • Pour en savoir plus sur les expressions crontab, consultez le wiki Crontab Expression sur GitHub.

  Important

  DAYS et MONTH ne sont pas pris en charge. Si vous transmettez l’une de ces valeurs, elle est ignorée et considérée comme égale à *.

• (Facultatif) start_time spécifie la date et l’heure de début avec le fuseau horaire de la planification. Par exemple, start_time: "2022-05-10T10:15:00-04:00" signifie que la planification débute à 10h15 le 10/05/2022 dans le fuseau horaire UTC-4. Si la propriété start_time est omise, la valeur de start_time correspond à l’heure de création de la planification. Dans le cas d’une heure de début située dans le passé, le premier travail est exécuté à la prochaine heure d’exécution calculée.

• (Facultatif) end_time décrit la date et l’heure de fin avec un fuseau horaire. Si end_time est omis, la planification continue à déclencher des travaux jusqu’à ce qu’elle soit désactivée manuellement.

• (Facultatif) time_zone spécifie le fuseau horaire de l’expression. Si cette propriété est omise, le fuseau horaire par défaut est UTC. Consultez l’annexe pour les valeurs de fuseau horaire.

Limites :

• La planification Azure Machine Learning v2 ne prend actuellement pas en charge les déclencheurs basés sur les événements.
• Utilisez le SDK/CLI Azure Machine Learning v2 pour spécifier un modèle de périodicité complexe qui contient plusieurs horodatages de déclencheur. L’interface utilisateur affiche uniquement le modèle complexe et ne prend pas en charge la modification.
• Si vous définissez la périodicité sur le 31e jour de chaque mois, la planification ne déclenche aucun travail les mois qui comptent moins de 31 jours.

Répertorier les planifications dans un espace de travail

Azure CLI

S’APPLIQUE À :Extension Azure ML CLI v2 (actuelle)

az ml schedule list

Kit de développement logiciel (SDK) Python

S’APPLIQUE À : Kit de développement logiciel (SDK) Python azure-ai-mlv2 (préversion)

schedules = ml_client.schedules.list()
[s.name for s in schedules]

Studio

Dans le portail Studio, sous l’extension Travaux, sélectionnez l’onglet Toutes les planifications. Cet onglet affiche toutes vos planifications de travail créées par le kit de développement logiciel (SDK)/l’interface CLI/l’interface utilisateur dans une seule liste. La liste des planifications fournit une vue d’ensemble de toutes les planifications de cet espace de travail, comme illustré dans la capture d’écran suivante :

Vérifier les détails de la planification

Azure CLI

S’APPLIQUE À :Extension Azure ML CLI v2 (actuelle)

az ml schedule show -n simple_cron_data_import_schedule

Kit de développement logiciel (SDK) Python

S’APPLIQUE À : Kit de développement logiciel (SDK) Python azure-ai-mlv2 (préversion)

created_schedule = ml_client.schedules.get(name=schedule_name)
[created_schedule.name]

Studio

Vous pouvez sélectionner le nom d’une planification pour afficher la page des détails correspondante. La page des détails de la planification contient les onglets suivants, comme illustré dans la capture d’écran ci-dessous :

• Vue d’ensemble : informations de base de la planification spécifiée.

  

• Définition du travail : définit le travail que la planification spécifiée déclenche, comme illustré dans la capture d’écran suivante :

  

Créer une planification

Azure CLI

S’APPLIQUE À :Extension Azure ML CLI v2 (actuelle)

az ml schedule update -n simple_cron_data_import_schedule  --set description="new description" --no-wait

Notes

Pour mettre à jour plus d’éléments que les étiquettes et la description, il est recommandé d’utiliser la commande az ml schedule create --file update_schedule.yml.

Kit de développement logiciel (SDK) Python

S’APPLIQUE À : Kit de développement logiciel (SDK) Python azure-ai-mlv2 (préversion)

job_schedule = ml_client.schedules.begin_create_or_update(
    schedule=job_schedule
).result()
print(job_schedule)

Studio

Mettre à jour une définition d’importation de données d’une planification existante

Pour modifier la fréquence d’importation ou créer une association pour le travail d’importation de données, vous pouvez mettre à jour la définition d’importation d’une planification existante.

Notes

Pour mettre à jour une planification existante, l’association de la planification avec l’ancienne définition d’importation est supprimée. Une planification ne peut avoir qu’une seule définition de travail d’importation. Toutefois, plusieurs planifications peuvent appeler une définition d’importation de données.

1. Accédez à Azure Machine Learning Studio

2. Sous Ressources dans le volet de navigation gauche, sélectionnez Données. Sous l’onglet Importation de données, sélectionnez la ressource de données importées à laquelle vous souhaitez attacher une planification. La page Historique des travaux d’importation s’affiche alors, comme illustré dans la capture d’écran suivante :

   

3. Sur la page Historique des travaux d’importation, sélectionnez le dernier lien Nom du travail d’importation pour ouvrir la page des détails du travail de pipelines, comme illustré dans la capture d’écran suivante :

   

4. Sur la page des détails du travail de pipeline d’une importation de données, sélectionnez Planifier ->Mise à jour du calendrier existant pour ouvrir l’Assistant de sélection d’une planification, comme illustré dans la capture d’écran suivante :

   

5. Sélectionnez une planification existante dans la liste, comme illustré dans la capture d’écran suivante :

   

   Important

   Veillez à sélectionner la planification appropriée à mettre à jour. Une fois la mise à jour terminée, la planification déclenche différentes importations de données.

6. Vous pouvez également modifier la source, interroger et modifier le chemin de destination pour les futures importations de données déclenchées par la planification.

7. Sélectionnez Vérifier + mettre à jour pour terminer le processus de mise à jour. La mise à jour terminée envoie une notification.

8. Vous pouvez afficher la nouvelle définition d’importation de données dans la page des détails de la planification une fois la mise à jour terminée.

Mettre à jour dans la page des détails de la planification

Dans la page des détails de la planification, vous pouvez sélectionner Mettre à jour les paramètres pour mettre à jour les paramètres de base et les paramètres avancés, notamment les paramètres d’entrée/de sortie du travail et d’exécution de la planification, comme illustré dans la capture d’écran suivante :

Désactiver une planification

Azure CLI

S’APPLIQUE À :Extension Azure ML CLI v2 (actuelle)

az ml schedule disable -n simple_cron_data_import_schedule --no-wait

Kit de développement logiciel (SDK) Python

job_schedule = ml_client.schedules.begin_disable(name=schedule_name).result()
job_schedule.is_enabled

Studio

Vous pouvez désactiver la planification actuelle dans la page des détails de la planification. Vous pouvez également désactiver des planifications dans l’onglet Toutes les planifications.

Activer une planification

Azure CLI

S’APPLIQUE À :Extension Azure ML CLI v2 (actuelle)

az ml schedule enable -n simple_cron_data_import_schedule --no-wait

Kit de développement logiciel (SDK) Python

S’APPLIQUE À : Kit de développement logiciel (SDK) Python azure-ai-mlv2 (préversion)

# Update trigger expression
job_schedule.trigger.expression = "10 10 * * 1"
job_schedule = ml_client.schedules.begin_create_or_update(
    schedule=job_schedule
).result()
print(job_schedule)

Studio

Dans la page des détails de la planification, vous pouvez activer la planification actuelle. Vous pouvez également activer des planifications dans l’onglet Toutes les planifications.

Supprimer une planification

Important

Une planification doit être désactivée avant d’être supprimée. La suppression est une action irréversible. Une fois qu’une planification est supprimée, vous ne pouvez plus y accéder ni la récupérer.

Azure CLI

S’APPLIQUE À :Extension Azure ML CLI v2 (actuelle)

az ml schedule delete -n simple_cron_data_import_schedule

Kit de développement logiciel (SDK) Python

S’APPLIQUE À : Kit de développement logiciel (SDK) Python azure-ai-mlv2 (préversion)

# Only disabled schedules can be deleted
ml_client.schedules.begin_disable(name=schedule_name).result()
ml_client.schedules.begin_delete(name=schedule_name).result()

Studio

Vous pouvez supprimer une planification sur la page des détails de la planification ou dans l’onglet Toutes les planifications.

Prise en charge RBAC (contrôle d’accès en fonction du rôle)

Les planifications sont généralement utilisées en mode production. Pour éviter les problèmes, les administrateurs d’espace de travail peuvent restreindre les autorisations de création et de gestion des planifications au sein d’un espace de travail.

Il existe actuellement trois règles d’action liées aux planifications que vous pouvez configurer dans le portail Azure. Pour plus d’informations, consultez l’article Gérer l’accès à un espace de travail Azure Machine Learning.

Action	Description	Règle
Lire	Obtenir et répertorier les planifications dans l’espace de travail Machine Learning	Microsoft.MachineLearningServices/workspaces/schedules/read
Write	Créer, mettre à jour, désactiver et activer des planifications dans l’espace de travail Machine Learning	Microsoft.MachineLearningServices/workspaces/schedules/write
DELETE	Supprimer une planification dans l’espace de travail Machine Learning	Microsoft.MachineLearningServices/workspaces/schedules/delete

Étapes suivantes

• En savoir plus sur le schéma YAML de planification d’importation de données CLI (v2).
• Découvrez comment gérer les ressources de données importées.