Bagikan melalui

Apa itu alur Pembelajaran Mesin Azure?

BERLAKU UNTUK:Ekstensi ml Azure CLI v1Python SDK azureml v1

Penting

Artikel ini memberikan informasi tentang penggunaan Azure Machine Learning SDK v1. SDK v1 tidak digunakan lagi per 31 Maret 2025. Dukungan untuk itu akan berakhir pada 30 Juni 2026. Anda dapat menginstal dan menggunakan SDK v1 hingga tanggal tersebut. Alur kerja Anda yang sudah ada menggunakan SDK v1 akan terus beroperasi setelah tanggal akhir dukungan. Namun, mereka dapat terkena risiko keamanan atau perubahan yang merusak jika terjadi perubahan arsitektur pada produk.

Kami merekomendasikan agar Anda beralih ke SDK v2 sebelum 30 Juni 2026. Untuk informasi selengkapnya tentang SDK v2, lihat Apa itu Azure Machine Learning CLI dan Python SDK v2? dan referensi SDK v2.

Penting

Beberapa perintah CLI Azure dalam artikel ini menggunakan ekstensi azure-cli-ml, atau v1, untuk Azure Machine Learning. Dukungan untuk CLI v1 berakhir pada 30 September 2025. Microsoft tidak akan lagi memberikan dukungan teknis atau pembaruan untuk layanan ini. Alur kerja Anda yang sudah ada menggunakan CLI v1 akan terus beroperasi setelah tanggal akhir dukungan. Namun, mereka dapat terkena risiko keamanan atau perubahan yang merusak jika terjadi perubahan arsitektur pada produk.

Kami menyarankan agar Anda sesegera mungkin beralih ke ekstensi ml, atau v2. Untuk informasi selengkapnya tentang ekstensi v2, lihat Ekstensi Azure Pembelajaran Mesin CLI dan Python SDK v2.

BERLAKU UNTUK:Ekstensi ml Azure CLI v2 (saat ini)Python SDK azure-ai-ml v2 (saat ini)

Alur Azure Machine Learning adalah alur kerja yang mengotomatiskan tugas pembelajaran mesin lengkap. Ini menstandarkan praktik terbaik, mendukung kolaborasi tim, dan meningkatkan efisiensi.

Mengapa alur Azure Machine Learning diperlukan?

Alur memecah tugas pembelajaran mesin menjadi langkah-langkah. Setiap langkah adalah komponen yang dapat dikelola yang dapat dikembangkan dan diotomatisasi secara terpisah. Azure Machine Learning mengelola dependensi antar langkah. Pendekatan modular ini:

Menstandarkan praktik MLOps dan mendukung kolaborasi tim yang dapat diskalakan

MLOps mengotomatiskan pembuatan dan penyebaran model. Alur menyederhanakan proses ini dengan memetakan setiap langkah ke tugas tertentu, sehingga tim dapat bekerja secara independen.

Misalnya, proyek dapat mencakup pengumpulan data, persiapan, pelatihan, evaluasi, dan penyebaran. Teknisi data, ilmuwan, dan insinyur ML masing-masing memiliki langkah mereka sendiri. Langkah-langkah terbaik dibuat sebagai komponen, lalu diintegrasikan ke dalam satu alur kerja. Alur dapat diberi versi, otomatis, dan distandarkan oleh praktik DevOps.

Efisiensi pelatihan dan pengurangan biaya

Alur juga meningkatkan efisiensi dan mengurangi biaya. Mereka menggunakan kembali output dari langkah-langkah yang tidak berubah dan memungkinkan Anda menjalankan setiap langkah pada sumber daya komputasi terbaik untuk tugas tersebut.

Memulai praktik terbaik

Anda dapat membangun alur dengan beberapa cara, tergantung pada titik awal Anda.

Jika Anda baru mengenal alur, mulailah dengan membagi kode yang ada menjadi langkah-langkah, membuat parameter input, dan membungkus semuanya ke dalam alur.

Untuk menskalakan, gunakan templat alur untuk masalah umum. Teams fork templat, mengerjakan langkah-langkah yang ditetapkan, dan memperbarui hanya bagian mereka sesuai kebutuhan.

Dengan alur dan komponen yang dapat digunakan kembali, tim dapat dengan cepat membuat alur kerja baru dengan mengkloning atau menggabungkan potongan yang ada.

Anda dapat membangun alur menggunakan antarmuka pengguna CLI, Python SDK, atau Designer.

Teknologi alur Azure mana yang harus saya gunakan?

Azure menyediakan beberapa jenis alur untuk tujuan yang berbeda:

Skenario Persona utama Penawaran Azure Penawaran OSS Pipa kanonis Kekuatan
Orkestrasi model (Pembelajaran mesin) Saintis data Alur Azure Machine Learning Alur Kubeflow Data -> Model Distribusi, caching, kode-pertama, gunakan kembali
Orkestrasi data (Persiapan data) Teknisi data Alur Azure Data Factory Apache Airflow Data -> Data Gerakan yang perlu diketik, aktivitas yang berpusat pada data
Orkestrasi kode & aplikasi (CI/CD) Pengembang Aplikasi/Ops Alur Azure Jenkins Kode + Model -> Aplikasi/Layanan Dukungan aktivitas yang paling terbuka dan fleksibel, antrean persetujuan, fase dengan gating

Langkah berikutnya

Alur Azure Machine Learning menambahkan nilai dari awal pengembangan.

  • Last updated on