Traçabilité des modèles et des expériences

Dans les projets Business Intelligence (BI) modernes, il peut être difficile d’avoir une bonne compréhension du flux de données entre la source de données et la destination. La tâche est encore plus ardue si vous générez des projets d'analyse avancés qui s'étendent sur plusieurs sources de données, éléments et dépendances.

Il peut être difficile de répondre à des questions telles que « Que se passe-t-il si je modifie ces données ? » ou « Pourquoi ce rapport n’est pas à jour ? ». Ces questions peuvent nécessiter l'intervention d'une équipe d'experts ou un examen approfondi. La vue Traçabilité des données de Microsoft Fabric vous aide à répondre à ces questions.

Traçabilité et machine learning

Il existe plusieurs raisons pour lesquelles la traçabilité est importante dans votre flux de travail Machine Learning :

• Reproductibilité : connaître la traçabilité d’un modèle facilite la reproduction du modèle et de ses résultats. Si quelqu'un d'autre souhaite répliquer le modèle, il peut suivre les mêmes étapes que celles que vous avez suivies pour le créer et utiliser les mêmes données et paramètres.
• Transparence : la compréhension de la traçabilité d’un modèle permet d’améliorer sa transparence. Les parties prenantes, telles que les régulateurs ou les utilisateurs, peuvent comprendre comment le modèle a été créé et comment il fonctionne. Ce facteur peut être important pour garantir l'impartialité, la responsabilité et les considérations éthiques.
• Débogage : si un modèle ne fonctionne pas comme prévu, le fait de connaître sa traçabilité peut aider à identifier la source du problème. En examinant les données d'entraînement, les paramètres et les décisions prises au cours du processus d'entraînement, les utilisateurs peuvent être en mesure d'identifier les problèmes qui affectent les performances du modèle.
• Amélioration : connaître la traçabilité d’un modèle peut également aider à l’améliorer. En comprenant comment le modèle a été créé et entraîné, les utilisateurs peuvent être en mesure d'apporter des modifications aux données d'entraînement, aux paramètres ou au processus afin d'améliorer la précision du modèle ou d'autres indicateurs de performance.

Types d’éléments de science des données

Microsoft Fabric intègre des modèles et des expériences Machine Learning dans une plateforme unifiée. Dans le cadre de cette approche, les utilisateurs peuvent parcourir la relation entre les éléments Science des données Fabric et d'autres éléments Fabric.

Modèles Machine Learning

Dans Fabric, les utilisateurs peuvent créer et gérer des modèles Machine Learning. Un élément de modèle Machine Learning représente une liste versionnée de modèles, qui permet aux utilisateurs de parcourir les différentes itérations du modèle.

Dans l’affichage de traçabilité, les utilisateurs peuvent parcourir la relation entre un modèle Machine Learning et d’autres éléments Fabric pour répondre aux questions suivantes :

• Quelle est la relation entre les modèles Machine Learning et les expériences dans mon espace de travail ?
• Quels modèles Machine Learning existent dans mon espace de travail ?
• Comment puis-je retracer la traçabilité pour voir quels éléments Lakehouse étaient liés à ce modèle ?

Expériences d'apprentissage automatique

Une expérience machine learning est l'unité principale d'organisation et de contrôle pour tous les cycles d'apprentissage automatique connexes.

Dans la vue de traçabilité, les utilisateurs peuvent parcourir la relation entre une expérience de Machine Learning et d’autres éléments Fabric pour répondre aux questions suivantes :

• Quelle est la relation entre les expériences de machine learning et les éléments de code dans mon espace de travail ? Par exemple, quelle est la relation entre les notebooks et les définitions de travaux Spark ?
• Quels modèles Machine Learning existent dans mon espace de travail ?
• Comment puis-je retracer la traçabilité pour voir quels éléments Lakehouse étaient liés à cette expérience ?

Explorer la vue de traçabilité

Chaque espace de travail Fabric dispose d'une vue de traçabilité prédéfinie. Pour accéder à cette vue, vous devez avoir au moins le rôle Contributeur dans l’espace de travail. Pour en savoir plus sur les autorisations dans Fabric, consultez Rôles et autorisations de science des données.

Pour accéder à la vue de traçabilité :

1. Sélectionnez votre espace de travail Fabric, puis accédez à la liste de l’espace de travail.

   

2. Passez de l’affichage Liste de l’espace de travail à l’affichage Traçabilité de l’espace de travail.

   

3. Vous pouvez également accéder à la vue Traçabilité pour un élément spécifique en ouvrant le menu local.

   

Contenu connexe

• En savoir plus sur les modèles Machine Learning : modèles Machine Learning
• En savoir plus sur les expériences machine learning  : Expériences machine learning