Partager via

Exécuter des pipelines Azure Machine Learning dans Azure Data Factory et Synapse Analytics

S'APPLIQUE À : Azure Data Factory Azure Synapse Analytics

Conseil

Data Factory dans Microsoft Fabric est la prochaine génération de Azure Data Factory, avec une architecture plus simple, une IA intégrée et de nouvelles fonctionnalités. Si vous débutez avec l'intégration des données, commencez par Fabric Data Factory. Les charges de travail ADF existantes peuvent être mises à niveau vers Fabric pour accéder à de nouvelles fonctionnalités dans la science des données, l’analytique en temps réel et la création de rapports.

Exécutez vos pipelines Azure Machine Learning en tant qu’étape dans vos pipelines Azure Data Factory et Synapse Analytics. L’activité d’exécution de pipeline Machine Learning permet d’identifier les scénarios de prédiction par lots tels que l’identification des éventuels prêts par défaut, la détermination des sentiments et l’analyse des modèles de comportement des clients.

La vidéo ci-dessous, d’une durée de six minutes, comporte une présentation et une démonstration de cette fonctionnalité.

Créer une activité d’exécution de pipeline Machine Learning avec l’interface utilisateur

Pour utiliser une activité Execute Pipeline de Machine Learning dans un pipeline, effectuez les étapes suivantes :

  1. Recherchez Machine Learning dans le volet Activités du pipeline, puis faites glisser une activité `Exécuter le pipeline` de Machine Learning vers le canevas du pipeline.

  2. Sélectionnez la nouvelle activité Exécuter le pipeline de Machine Learning sur le canevas si elle n’est pas déjà sélectionnée, ainsi que son onglet Paramètres, pour modifier ses détails.

    Affiche l'interface utilisateur d'une activité d'exécution de pipeline de Machine Learning.

  3. Sélectionnez un service lié Azure Machine Learning existant ou créez-en un, et fournissez des détails sur le pipeline et l’expérience, ainsi que les paramètres de pipeline ou les affectations de chemins de données requis 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 de type

Propriété Description Valeurs autorisées Obligatoire
nom 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 de Azure Machine Learning publié Chaîne (ou expression avec resultType de chaîne) Oui
experimentNom 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 de 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 des paires clé/valeur Non
continueOnStepFailure Continuer l’exécution d’autres étapes dans le pipeline Machine Learning en cas d’échec d’une étape booléen Non

Note

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. Le temps de découverte des éléments déroulants serait beaucoup plus long lors de l’utilisation de points de terminaison privés.

Contenu connexe

Consultez les articles suivants qui expliquent comment transformer des données par d’autres moyens :

  • Last updated on