Planifier des travaux de pipeline Machine Learning

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

Dans cet article, vous allez découvrir comment planifier programmatiquement l’exécution d’un pipeline sur Azure, puis comment 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 les tâches de routine, telles que les modèles de réentraînement ou effectuer des prédictions par lots régulièrement 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.

Conseil

Si vous devez planifier des travaux à l’aide d’un orchestrateur externe, comme Azure Data Factory ou Microsoft Fabric, envisagez de déployer vos travaux de pipeline sous un point de terminaison de lot. Découvrir comment déployer des travaux sous un point de terminaison de lotet comment consommer des points de terminaison de lot à partir de Microsoft Fabric.

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.

Interface utilisateur 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 un travail de pipeline

Pour exécuter une tâche de pipeline de manière récurrente, vous allez créer une planification. Un Schedule associe un travail 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 un travail de pipeline, il peut s’agir de travaux de pipeline existants ou d’un travail de pipeline défini en ligne, reportez-vous à Créer un travail de pipeline dans l’interface CLI et créer un travail de pipeline dans le KIT de développement logiciel (SDK).

Vous pouvez planifier un travail de pipeline yaml en local ou un travail de pipeline existant dans l’espace de travail.

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)

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

create_job: ./simple-pipeline-job.yml
# create_job: azureml:simple-pipeline-job

trigger contient les propriétés suivantes :

• (Obligatoire)type spécifie que le type de planification est recurrence. Il peut également être cron, voir les détails dans la section suivante.

La liste continue ci-dessous.

Kit de développement logiciel (SDK) Python

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

schedule_name = "simple_sdk_create_schedule_recurrence"

schedule_start_time = datetime.utcnow()
recurrence_trigger = RecurrenceTrigger(
    frequency="day",
    interval=1,
    schedule=RecurrencePattern(hours=10, minutes=[0, 1]),
    start_time=schedule_start_time,
    time_zone=TimeZone.UTC,
)

job_schedule = JobSchedule(
    name=schedule_name, trigger=recurrence_trigger, create_job=pipeline_job
)

RecurrenceTrigger contient les propriétés suivantes :

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

La liste continue ci-dessous.

Interface utilisateur studio

Notes

Les planifications Azure Machine Learning (v2) prennent uniquement en charge le travail de pipeline actuellement.

Les fonctions d’interface utilisateur sont destinées uniquement aux planifications Azure Machine Learning (v2). Cela signifie que les planifications v1 créées et basées sur des pipelines publiés ou des points de terminaison de pipeline ne sont pas prises en charge dans l’interface utilisateur. Elles ne sont PAS répertoriées ni accessibles dans l’interface utilisateur. Toutefois, vous pouvez créer des planifications v2 pour vos travaux de pipeline v1 à l’aide du kit SDK/de l’interface CLI v2 ou de l’interface utilisateur.

Quand votre travail de pipeline offre des performances et des sorties satisfaisantes, vous pouvez configurer une planification pour déclencher automatiquement ce travail à une fréquence régulière.

1. Dans la page des détails du travail de pipeline, sélectionnez Planifier –>Créer une planification pour ouvrir l’Assistant Création de planification.

   

2. Les paramètres de base de l’Assistant Création de planification contiennent les propriétés suivantes.

   

   • Nom : identificateur unique de la planification au sein de l’espace de travail.
   • Description : description de la planification.
   • Déclencheur : spécifie le modèle de périodicité de la planification, notamment les propriétés suivantes.
     • Fuseau horaire : le fuseau horaire utilisé par défaut pour calculer l’heure du déclencheur est UTC (Temps universel coordonné).
     • Périodicité ou Expression Cron : sélectionnez la périodicité pour spécifier le modèle périodique. Sous Périodicité, vous pouvez définir la fréquence sur chaque minute, chaque heure, quotidienne, hebdomadaire et mensuelle.
     • Début : spécifie la date à partir de laquelle la planification devient active. Il s’agit par défaut de la date à laquelle vous créez cette planification.
     • Fin : spécifie la date après laquelle la planification devient inactive. La valeur est NONE par défaut, ce qui signifie que la planification reste active jusqu’à ce que vous la désactiviez manuellement.
     • Étiquettes : étiquettes de la planification.

   Après avoir configuré les paramètres de base, vous pouvez directement sélectionner Vérifier + Créer. La planification envoie automatiquement les travaux en fonction du modèle de périodicité que vous avez spécifié.

Notes

Les propriétés suivantes qui doivent être spécifiées s’appliquent à l’interface CLI et au kit SDK.

• (Obligatoire)frequency spécifie une unité de temps qui décrit la fréquence à laquelle la planification se déclenche. Peut être minute, hour, day, week, 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 estday, le schéma peut spécifier hours et minutes.
  • Quand frequency estweek et month, le schéma peut spécifierhours, minutes et weekdays.
  • hours doit être un entier ou une liste, de 0 à 23.
  • minutes doit être un entier ou une liste, de 0 à 59.
  • weekdays peut être une chaîne ou une liste de mondayà sunday.
  • Si schedule elle est omise, la ou les tâches seront déclenchées en fonction de la logique de start_time, frequency et interval.

• (Facultatif) start_time décrit la date et l’heure de début avec le fuseau horaire. S’il start_time est omis, start_time sera égal à l’heure créée par le travail. Si l’heure de début est dans le passé, la première charge de travail est exécutée au moment d’exécution calculé suivant.

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

• (Facultatif) time_zone spécifie le fuseau horaire de la périodicité. S’il est omis, 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

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

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

# create_job: azureml:simple-pipeline-job
create_job: ./simple-pipeline-job.yml

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

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

La liste continue ci-dessous.

Kit de développement logiciel (SDK) Python

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

schedule_name = "simple_sdk_create_schedule_cron"

schedule_start_time = datetime.utcnow()
cron_trigger = CronTrigger(
    expression="15 10 * * *",
    start_time=schedule_start_time,  # start time
    time_zone="Eastern Standard Time",  # time zone of expression
)

job_schedule = JobSchedule(
    name=schedule_name, trigger=cron_trigger, create_job=pipeline_job
)

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.

La liste continue ci-dessous.

Interface utilisateur studio

Quand votre travail de pipeline offre des performances et des sorties satisfaisantes, vous pouvez configurer une planification pour déclencher automatiquement ce travail à une fréquence régulière.

1. Dans la page des détails du travail de pipeline, sélectionnez Planifier –>Créer une planification pour ouvrir l’Assistant Création de planification.

2. Les paramètres de base de l’Assistant Création de planification contiennent les propriétés suivantes.

   • Nom : identificateur unique de la planification au sein de l’espace de travail.
   • Description : description de la planification.
   • Déclencheur : spécifie le modèle de périodicité de la planification, notamment les propriétés suivantes.
     • Fuseau horaire : le fuseau horaire utilisé par défaut pour calculer l’heure du déclencheur est UTC (Temps universel coordonné).
     • Périodicité ou Expression Cron : sélectionnez l’expression Cron pour spécifier le modèle périodique. L’expression Cron permet de spécifier un modèle de périodicité plus flexible et personnalisé.
     • Début : spécifie la date à partir de laquelle la planification devient active. Il s’agit par défaut de la date à laquelle vous créez cette planification.
     • Fin : spécifie la date après laquelle la planification devient inactive. La valeur est NONE par défaut, ce qui signifie que la planification reste active jusqu’à ce que vous la désactiviez manuellement.
     • Étiquettes : étiquettes de la planification.

   Après avoir configuré les paramètres de base, vous pouvez directement sélectionner Vérifier + Créer. La planification envoie automatiquement les travaux en fonction du modèle de périodicité que vous avez spécifié.

• (Obligatoire)expression utilise l’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. Ainsi, un * en jours signifie tous les jours d’un mois (qui varie avec le mois et 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 traitée comme *.
    MONTHS	-	Non pris en charge. La valeur est ignorée et traitée comme *.
    DAYS-OF-WEEK	0-6	Zéro (0) signifie dimanche. Les noms des jours ont également été acceptés.

  • Pour en savoir plus sur l’utilisation de l’expression crontab, consultez le wiki de l’expression Crontab sur GitHub .

  Important

  DAYS et MONTH ne sont pas pris en charge. Si vous transmettez une valeur, elle sera ignorée et traitée comme *.

• (Facultatif) start_time spécifie la date et l’heure de début avec le fuseau horaire de la planification. start_time: "2022-05-10T10:15:00-04:00" signifie que la planification commence à partir de 10:15:00 le 2022-05-10 dans le fuseau horaire UTC-4. Si start_time elle est omise, elle start_time est égale à la planification de l’heure de création. Si l’heure de début est dans le passé, la première charge de travail est exécutée au moment d’exécution calculé suivant.

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

• (Facultatif) time_zone spécifie le fuseau horaire de l’expression. S’il est omis, par défaut, est UTC. Consultez l’annexe pour les valeurs de fuseau horaire.

Limites :

• La planification Azure Machine Learning v2 ne prend pas en charge le déclencheur basé sur les événements actuellement.
• Vous pouvez spécifier un modèle de périodicité complexe contenant plusieurs horodatages (timestamps) de déclencheur à l’aide du kit SDK/de l’interface CLI Azure Machine Learning v2. L’interface utilisateur affiche en revanche uniquement le modèle complexe, sans prendre 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.

Modifier les paramètres du runtime lors de la définition de la planification

Lorsque vous définissez une planification à l’aide d’un travail existant, vous pouvez modifier les paramètres d’exécution du travail. À l’aide de cette approche, vous pouvez définir des planifications multiples à l’aide du même travail avec différentes entrées.

Azure CLI

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

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

create_job: 
  type: pipeline
  job: ./simple-pipeline-job.yml
  # job: azureml:simple-pipeline-job
  # runtime settings
  settings:
    #default_compute: azureml:cpu-cluster
    continue_on_step_failure: true
  inputs:
    hello_string_top_level_input: ${{name}} 
  tags: 
    schedule: cron_with_settings_schedule

Kit de développement logiciel (SDK) Python

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

# set run time settings
pipeline_job = pipeline_with_components_from_yaml(
    training_input=Input(type="uri_folder", path=parent_dir + "/data/"),
    test_input=Input(type="uri_folder", path=parent_dir + "/data/"),
    training_max_epochs=20,
    training_learning_rate=1.8,
    learning_rate_schedule="time-based",
)

# set pipeline level compute
pipeline_job.settings.default_compute = "cpu-cluster"

Interface utilisateur studio

1. Parfois, vous pouvez souhaiter que les travaux déclenchés par des planifications présentent des configurations différentes par rapport aux travaux de test. Dans Paramètres avancés de l’Assistant Création de planification, vous pouvez modifier les entrées/sorties du travail, ainsi que les paramètres d’heure d’exécution, en fonction du travail actuel.

   Dans la sous-étape entrées et sorties de travail, vous pouvez modifier les entrées et les sorties pour les futurs travaux déclenchés par des planifications. Vous pouvez souhaiter que les travaux soient déclenchés par des planifications exécutées avec des valeurs de paramètres dynamiques. Vous pouvez actuellement utiliser l’expression MACRO suivante pour le chemin d’entrée et de sortie du travail.

   Expression	Description
   ${{name}}	Nom du travail
   ${{creation_context.trigger_time}}	Heure de déclenchement du travail

   

   Dans les Paramètres d’exécution du travail de sous-étape, vous pouvez modifier les paramètres de calcul et d’autres paramètres d’exécution pour les travaux déclenchés par la planification.

   

2. Sélectionnez Vérifier + créer pour passer en revue les paramètres de planification que vous avez configurés.

   

3. Sélectionnez Vérifier + créer pour terminer la création. Une notification est envoyée une fois la création terminée.

Les propriétés suivantes peuvent être modifiées lors de la définition de la planification :

Propriété	Description
paramètres	Dictionnaire des paramètres à utiliser lors de l’exécution du travail de pipeline.
inputs	Dictionnaire des entrées à utiliser lors de l’exécution du travail de pipeline.
outputs	Dictionnaire des entrées à utiliser lors de l’exécution du travail de pipeline.
experiment_name	Nom de l’expérience du travail déclenché.

Notes

Les utilisateurs de l’interface utilisateur studio peuvent uniquement modifier les paramètres d’entrée, de sortie et d’exécution quand ils créent une planification. experiment_name peut être modifié uniquement à l’aide de l’interface CLI ou du kit SDK.

Expressions prises en charge dans la planification

Lorsque vous définissez la planification, nous prenons en charge l’expression suivante qui sera résolue en valeur réelle pendant l’exécution du travail.

Expression	Description	Propriétés prises en charge
${{creation_context.trigger_time}}	Heure à laquelle la planification est déclenchée.	Entrées de type chaîne du travail de pipeline
${{name}}	Nom de la tâche.	outputs.path du travail de pipeline

Gérer la planification

Créer une planification

Azure CLI

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

Après avoir créé la planification yaml, vous pouvez utiliser la commande suivante pour créer une planification via l’interface CLI.

# This action will create related resources for a schedule. It will take dozens of seconds to complete.
az ml schedule create --file cron-schedule.yml --no-wait

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)

Interface utilisateur studio

Consultez Créer une planification basée sur le temps avec le modèle de périodicité ou Créer une planification basée sur le temps avec l’expression Cron.

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]

Interface utilisateur studio

Dans le portail studio, sous l’extension Travaux, sélectionnez l’onglet Toutes les planifications, où vous pouvez trouver l’ensemble des planifications de travail créées à l’aide du kit SDK/de l’interface CLI/de l’interface utilisateur dans une liste unique. Dans la liste des planifications, vous pouvez avoir une vue d’ensemble de toutes les planifications de cet espace de travail.

Vérifier les détails de la planification

Azure CLI

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

az ml schedule show -n simple_cron_job_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]

Interface utilisateur studio

Vous pouvez sélectionner un nom de planification pour afficher la page des détails de la planification. La page des détails de la planification contient les onglets suivants :

• Vue d’ensemble : informations de base sur cette planification.

  

• Définition du travail : définit le travail déclenché par cette planification.

  

• Historique des travaux : liste de tous les travaux déclenchés par cette planification.

Créer une planification

Azure CLI

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

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

Notes

Si vous souhaitez mettre à jour plus d’éléments que les étiquettes et la description, il est recommandé d’utiliser 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)

Interface utilisateur studio

Mettre à jour un pipeline de nouvelle version vers une planification existante

Une fois que vous avez configuré une planification pour réeffectuer régulièrement l’apprentissage ou une inférence par lots en production, vous pouvez poursuivre l’ajustement ou l’optimisation du modèle.

Quand vous disposez d’un travail de pipeline de nouvelle version avec des performances optimisées, vous pouvez mettre à jour le pipeline de nouvelle version vers une planification existante.

1. Dans la page des détails du travail de pipeline de nouvelle version, sélectionnez Planification –>Mise à jour du calendrier existant.

   

2. Sélectionnez une planification existante dans la table.

   

Important

Assurez-vous de sélectionner la planification appropriée que vous souhaitez mettre à jour. Une fois la mise à jour terminée, la planification déclenche différents travaux.

3. Vous pouvez également modifier les entrées/sorties de travail et les paramètres d’heure d’exécution pour les travaux futurs déclenchés par la planification.

4. Sélectionnez Vérifier + mettre à jour pour terminer le processus de mise à jour. Une notification est envoyée une fois la mise à jour terminée.

5. Une fois la mise à jour terminée, dans la page des détails de la planification, vous pouvez afficher la nouvelle définition du travail.

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.

Désactiver une planification

Azure CLI

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

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

Kit de développement logiciel (SDK) Python

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

Interface utilisateur studio

Dans la page des détails de la planification, vous pouvez désactiver la planification actuelle. Vous pouvez également désactiver les planifications à partir de 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_job_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)

Interface utilisateur studio

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

Interroger des travaux déclenchés à partir d’une planification

Tous les noms d’affichage des travaux déclenchés par la planification auront le nom d’affichage comme <schedule_name-YYYYMMDThhmmssZ>. Par exemple, si une planification portant un nom de planification nommée est créée avec une exécution planifiée toutes les 12 heures à compter du 6 janvier 2021, les noms d’affichage des travaux créés seront les suivants :

• named-schedule-20210101T060000Z
• named-schedule-20210101T180000Z
• named-schedule-20210102T060000Z
• nommé-schedule-20210102T180000Z, et ainsi de suite

Vous pouvez également appliquer une requête JMESPath Azure CLI pour interroger les travaux déclenchés par un nom de planification.

# query triggered jobs from schedule, please replace the simple_cron_job_schedule to your schedule name
az ml job list --query "[?contains(display_name,'simple_cron_schedule')]"

Notes

Pour trouver plus facilement l’ensemble des travaux déclenchés par une planification, consultez l’historique des travaux sur la page des détails de la planification à l’aide de l’interface utilisateur studio.

---

Supprimer une planification

Important

Une planification doit être désactivée pour 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_job_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()

Interface utilisateur 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 étant généralement utilisées en production, les administrateurs de l’espace de travail peuvent souhaiter restreindre l’accès à la création et à la gestion des planifications au sein d’un espace de travail afin de réduire l’impact en cas d’utilisation incorrecte.

Il existe actuellement trois règles d’action liées aux planifications que vous pouvez configurer dans le portail Azure. Vous pouvez découvrir plus d’informations sur la procédure pour 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

Considérations relatives aux coûts

• Les planifications sont facturées en fonction du nombre de planifications. Chaque planification crée un hôte d’application logique Azure Machine Learning pour le compte de l’utilisateur (HOBO).
• Le coût des applications logiques reviendra à l’abonnement Azure de l’utilisateur, et vous constaterez que les coûts des ressources HOBO sont facturés à l’aide du même compteur que celui émis par le fournisseur de ressources d’origine. Les coûts sont affichés sous la ressource hôte (l’espace de travail).

Forum aux questions

• Pourquoi mes planifications créées à l’aide du SDK ne sont-elles pas répertoriées dans l’interface utilisateur ?

  L’interface utilisateur des planifications est destinée aux planifications v2. Par conséquent, vos planifications v1 ne sont ni répertoriées ni accessibles via l’interface utilisateur.

  Toutefois, les planifications v2 prennent également en charge les travaux de pipeline v1. Il n’est pas nécessaire de publier le pipeline d’abord. Vous pouvez configurer directement des planifications pour un travail de pipeline.

• Pourquoi mes planifications ne déclenchent-elles aucun travail à l’heure que j’ai définie auparavant ?

  • Par défaut, les planifications utilisent le fuseau horaire UTC pour calculer l’heure du déclencheur. Vous pouvez spécifier le fuseau horaire dans l’Assistant Création ou mettre à jour le fuseau horaire dans la page des détails de la planification.
  • 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.
  • Si vous utilisez des expressions Cron, MONTH n’est pas pris en charge. Si vous transmettez une valeur, celle-ci est ignorée et traitée comme *. Il s'agit d'une limitation connue.

• Les planifications basées sur les événements sont-elles prises en charge ?

  • Non, la planification v2 ne prend pas en charge les planifications basées sur les événements.

Étapes suivantes

• En savoir plus sur le schéma YAML de planification CLI (v2).
• Découvrez comment créer un travail de pipeline dans CLI v2.
• Découvrez comment créer un travail de pipeline dans le Kit de développement logiciel (SDK) v2.
• En savoir plus sur la syntaxe YAML principale de l’interface CLI (v2).
• En savoir plus sur les pipelines
• En savoir plus sur les composants.