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. Le défi est encore plus grand si vous avez créé des projets analytiques avancés couvrant 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 ? ». Pour trouver les réponses, il faut parfois demander l’aide d’experts ou faire des recherches approfondies. La vue Traçabilité de la structure vous aide à répondre à ces questions.
Important
Microsoft Fabric est en préversion.
Traçabilité et Machine Learning
Il existe plusieurs raisons pour lesquelles la traçabilité est importante dans votre flux de travail Machine Learning :
- Reproductibilité : la connaissance de 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 utilisées pour le créer et utiliser les mêmes données et paramètres.
- Transparence : la compréhension de la traçabilité d’un modèle permet d’augmenter sa transparence. Cela signifie que les parties prenantes, telles que les régulateurs ou les utilisateurs, peuvent comprendre comment le modèle a été créé et comment il fonctionne. Cela peut être important pour garantir l’équité, la responsabilité et les considérations éthiques.
- Débogage : si un modèle ne fonctionne pas comme prévu, connaître sa traçabilité peut aider à identifier la source du problème. En examinant les données d’entraînement, les paramètres et les décisions prises pendant le processus d’entraînement, il peut être possible 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, il peut être possible d’apporter des modifications aux données d’entraînement, aux paramètres ou au processus qui peuvent améliorer la précision du modèle ou d’autres métriques de performances.
Types d’éléments de science des données
Dans Fabric, les modèles et les expériences Machine Learning sont intégrés à une plateforme unifiée. Dans ce cadre, les utilisateurs peuvent parcourir la relation entre les éléments de 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 de modèles avec version, ce qui permet à l’utilisateur de parcourir les différentes itérations du modèle.
Dans la vue 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 au sein de 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 machine learning
Une expérience machine learning est l’unité principale de organization et de contrôle pour toutes les exécutions de Machine Learning associées.
Dans la vue traçabilité, les utilisateurs peuvent parcourir la relation entre une expérience Machine Learning et d’autres éléments Fabric pour répondre aux questions suivantes :
- Quelle est la relation entre les expériences machine learning et les éléments de code (par exemple, les notebooks et les définitions de travail Spark) au sein de mon espace de travail ?
- Quelles expériences machine learning existent dans mon espace de travail ?
- Comment puis-je retracer la traçabilité pour voir quels éléments Lakehouse ont été liés à cette expérience ?
Explorer la vue de traçabilité
Chaque espace de travail Fabric dispose automatiquement d’une vue de traçabilité intégrée. 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, vous pouvez consulter la documentation sur les autorisations pour les modèles et les expériences.
Pour accéder à la vue traçabilité :
Sélectionnez votre espace de travail Fabric, puis accédez à la liste de l’espace de travail.
Basculez de l’affichage Liste de l’espace de travail vers la vue Traçabilité de l’espace de travail.
Vous pouvez également accéder à la vue Traçabilité pour un élément spécifique en ouvrant les actions associées.
Étapes suivantes
- En savoir plus sur les modèles Machine Learning : Modèles Machine Learning
- En savoir plus sur les expériences machine learning : expériences machine learning