Partager via

Expériences et modèles d’intégration et de déploiement De Machine Learning (préversion)

Les expériences et modèlesMachine Learning s’intègrent aux fonctionnalités de gestion du cycle de vie dans Microsoft Fabric, fournissant une collaboration standardisée entre tous les membres de l’équipe de développement tout au long de la vie du produit. La gestion du cycle de vie facilite un processus efficace de version et de mise en production de produits en fournissant en continu des fonctionnalités et des correctifs de bogues dans plusieurs environnements. Pour plus d’informations, consultez Qu’est-ce que la gestion du cycle de vie dans Microsoft Fabric ?.

Important

Cette fonctionnalité est en version préliminaire.

Expériences et modèles Machine Learning intégration Git

Les expériences et modèles Machine Learning (ML) contiennent à la fois des métadonnées et des données. Les expériences ML contiennent tandis que les modèles ML contiennent runsmodel versions. Du point de vue du flux de travail de développement, les notebooks peuvent référencer une expérience ML ou un modèle ML.

En principe, les données ne sont pas stockées dans Git : seules les métadonnées d’artefact sont suivies. Par défaut, les expériences et modèles ML sont gérés via le processus de synchronisation/mise à jour Git, mais experiment runsmodel versions ils ne sont pas suivis ou versionnés dans Git et leurs données sont conservées dans le stockage de l’espace de travail. La traçabilité entre les notebooks, les expériences et les modèles est héritée de l’espace de travail connecté à Git.

Représentation Git

Les informations suivantes sont sérialisées et suivies dans un espace de travail connecté Git pour l’expérience et les modèles Machine Learning :

  • Nom d'affichage.
  • version.
  • Guid logique. Le guid logique suivi est un identificateur inter-espaces de travail généré automatiquement représentant un élément et sa représentation du contrôle de code source.
  • Dépendances. La traçabilité entre les notebooks, les expériences et les modèles est conservée dans les espaces de travail connectés à Git, en conservant une traçabilité claire entre les artefacts associés.

Important

Seules les métadonnées d’expérience machine learning et d’artefact de modèle sont suivies dans Git dans l’expérience actuelle. Les exécutions d’expériences et les versions de modèle (les sorties d’exécution et les données de modèle) ne sont pas stockées ou versionées dans Git ; leurs données restent dans le stockage de l’espace de travail.

Fonctionnalités d’intégration Git

Les fonctionnalités suivantes sont disponibles :

  • Sérialisez les métadonnées d’expérience ML et d’artefact de modèle dans une représentation JSON suivie par Git.
  • Prendre en charge plusieurs espaces de travail liés à la même branche Git, ce qui permet de synchroniser les métadonnées suivies entre les espaces de travail.
  • Autorisez l’application des mises à jour directement ou contrôlées via des demandes d’extraction pour gérer les modifications entre les espaces de travail/branches en amont et en aval.
  • Suivez les renommages d’expériences et de modèles dans Git pour conserver l’identité entre les espaces de travail.
  • Aucune action n’est effectuée sur experiment runs ou model versions; leurs données sont conservées dans le stockage de l’espace de travail et ne sont pas stockées ou remplacées par Git.

Expériences et modèles Machine Learning dans les pipelines de déploiement

Les expériences et modèles Machine Learning (ML) sont pris en charge dans les pipelines de déploiement de gestion du cycle de vie de Microsoft Fabric. Il active les meilleures pratiques de segmentation de l’environnement.

Important

Seuls les artefacts d’expérience et de modèle machine learning sont suivis dans les pipelines de déploiement dans l’expérience actuelle. Les exécutions d’expériences et les versions de modèle ne sont pas suivies ou versionnée par des pipelines ; leurs données restent dans le stockage de l’espace de travail.

Fonctionnalités d’intégration des pipelines de déploiement et des expériences ML :

  • Prise en charge du déploiement d’expériences et de modèles ML dans des espaces de travail de développement, de test et de production.
  • Les déploiements synchronisent uniquement les métadonnées d’artefact ; experiment runs et model versions (leurs données) sont conservées et ne sont pas remplacées.
  • Les renommages d’expériences et de modèles sont propagés entre les espaces de travail lorsqu’ils sont inclus dans un pipeline de déploiement.
  • La traçabilité entre les notebooks, les expériences et les modèles est conservée entre les espaces de travail pendant les déploiements de pipelines, en préservant la traçabilité entre les artefacts associés.

Contenu connexe

  • Last updated on