Memantau dan menganalisis pekerjaan di studio

Anda dapat menggunakan studio Azure Machine Learning untuk memantau, mengatur, dan melacak pekerjaan Anda untuk pelatihan dan eksperimen. Riwayat pekerjaan ML Anda adalah bagian penting dari proses pengembangan ML yang dapat dijelaskan dan diulang.

Artikel ini memperlihatkan cara melakukan tugas berikut:

• Menambahkan nama tampilan pekerjaan.
• Membuat tampilan kustom.
• Menambahkan deskripsi pekerjaan.
• Menandai dan menemukan pekerjaan.
• Menjalankan pencarian atas riwayat pekerjaan Anda.
• Membatalkan atau menggagalkan pekerjaan.
• Memantau status pekerjaan melalui pemberitahuan email.
• Memantau sumber daya pekerjaan Anda (pratinjau)

Tip

• Jika Anda mencari informasi tentang penggunaan Azure Machine Learning SDK v1 atau CLI v1, lihat Cara melacak, memantau, dan menganalisis pekerjaan (v1).
• Jika Anda mencari informasi tentang pemantauan pelatihan pekerjaan dari CLI atau SDK v2, lihat Melacak eksperimen dengan MLflow dan CLI v2.
• Jika Anda mencari informasi tentang pemantauan Azure Machine Learning service dan layanan Azure terkait, lihat Cara memantau Azure Machine Learning.

Jika Anda mencari informasi tentang model pemantauan yang disebarkan ke titik akhir online, lihat Memantau titik akhir online.

Prasyarat

Anda akan memerlukan item berikut:

• Untuk menggunakan Azure Machine Learning, Anda harus memiliki langganan Azure. Jika Anda tidak memiliki langganan Azure, buat akun gratis sebelum Anda memulai. Coba Azure Machine Learning versi gratis atau berbayar.
• Anda harus memiliki ruang kerja Azure Machine Learning. Ruang kerja dibuat di Pasang, siapkan, dan gunakan CLI (v2).

Nama tampilan pekerjaan

Nama tampilan pekerjaan adalah nama opsional dan kustom yang dapat Anda tentukan untuk pekerjaan Anda. Untuk mengedit nama tampilan pekerjaan:

1. Navigasi ke daftar Pekerjaan.

2. Pilih pekerjaan yang akan diedit.

   

3. Pilih tombol Edit untuk mengedit nama tampilan pekerjaan.

   

Tampilan kustom

Untuk melihat pekerjaan Anda di studio:

1. Arahkan navigasi ke tab Pekerjaan.

2. Pilih Semua eksperimen untuk melihat semua pekerjaan dalam eksperimen atau pilih Semua pekerjaan untuk melihat semua pekerjaan yang dikirimkan di Ruang Kerja.

Di halaman Semua pekerjaan, Anda dapat memfilter daftar pekerjaan menurut tag, eksperimen, target komputasi, dan lainnya untuk mengatur dan menjangkau pekerjaan Anda dengan lebih baik.

1. Buat kustomisasi pada halaman tersebut dengan memilih pekerjaan untuk membandingkan, menambahkan bagan, atau menerapkan filter. Perubahan ini dapat disimpan sebagai Tampilan Kustom sehingga Anda dapat dengan mudah kembali ke pekerjaan Anda. Pengguna dengan izin ruang kerja bisa mengedit, atau menampilkan tampilan kustom. Selain itu, bagikan tampilan kustom dengan anggota tim untuk meningkatkan kolaborasi dengan memilih Bagikan tampilan.

2. Untuk melihat log pekerjaan, pilih pekerjaan tertentu dan di tab Output + log, Anda dapat menemukan diagnostik dan log galat untuk pekerjaan Anda.

   

Deskripsi pekerjaan

Deskripsi pekerjaan dapat ditambahkan ke pekerjaan untuk memberikan lebih banyak konteks dan informasi ke pekerjaan. Anda juga bisa mencari deskripsi ini dari daftar pekerjaan dan menambahkan deskripsi pekerjaan sebagai kolom dalam daftar pekerjaan.

Navigasi ke halaman Detail Pekerjaan untuk pekerjaan Anda dan pilih edit atau ikon pensil untuk menambahkan, mengedit, atau menghapus deskripsi pada pekerjaan Anda. Untuk terus menyimpan perubahan pada daftar pekerjaan, simpan perubahan ke Tampilan Kustom yang sudah ada atau Tampilan Kustom baru. Format Markdown didukung untuk deskripsi pekerjaan, yang memungkinkan gambar disematkan dan penautan dalam seperti yang diperlihatkan di bawah ini.

Menandai dan menemukan pekerjaan

Di Azure Machine Learning, Anda bisa menggunakan properti dan tag untuk membantu menata dan mengkueri pekerjaan Anda jika terdapat informasi penting.

• Mengedit tag

  Anda dapat menambahkan, mengedit, atau menghapus tag pekerjaan dari studio. Arahkan navigasi ke halaman Detail Pekerjaan untuk pekerjaan Anda dan pilih edit atau ikon pensil untuk menambahkan, mengedit, atau menghapus tag pada pekerjaan Anda. Anda juga dapat mencari dan memfilter tag ini dari halaman daftar pekerjaan.

  

• Properti dan tag kueri

  Anda bisa mengkueri pekerjaan dalam eksperimen untuk menghasilkan daftar pekerjaan yang cocok dengan properti dan tag tertentu.

  Untuk mencari pekerjaan tertentu, arahkan navigasi ke daftar Semua pekerjaan. Dari sana Anda memiliki dua opsi:

  1. Gunakan tombol Tambahkan filter dan pilih filter pada tag untuk memfilter pekerjaan berdasarkan tag yang ditetapkan untuk pekerjaan tersebut.
     
     ATAU

  2. Gunakan bilah pencarian untuk menemukan pekerjaan dengan cepat dengan mencari metadata pekerjaan seperti status pekerjaan, deskripsi, nama eksperimen, dan nama pengirim.

Membatalkan atau menggagalkan pekerjaan

Jika Anda melihat kesalahan atau jika pekerjaan Anda terlalu lama untuk diselesaikan, Anda dapat membatalkan pekerjaan tersebut.

Untuk membatalkan pekerjaan di studio, gunakan langkah-langkah berikut:

1. Buka alur eksekusi di bagian Pekerjaan atau Alur.

2. Pilih nomor pekerjaan alur yang ingin Anda batalkan.

3. Di bilah alat, pilih Batal.

Memantau status pekerjaan melalui pemberitahuan email

1. Di portal Microsoft Azure, di bilah navigasi kiri, pilih tab Monitor.

2. Pada Pengaturan diagnostik, pilih + Tambahkan pengaturan diagnostik.

   

3. Di Pengaturan Diagnostik,

   1. di bawah Detail kategori, pilih AmlRunStatusChangedEvent.
   2. Di Detail tujuan, pilih Kirim ke ruang kerja Log Analytics dan tentukan Langganan serta Ruang kerja Log Analytics.

   Catatan

   Ruang Kerja Azure Log Analytics adalah jenis Sumber Daya Azure yang berbeda dari Ruang Kerja Azure Machine Learning service. Jika tidak ada opsi dalam daftar itu, Anda dapat membuat Ruang Kerja Log Analytics.

   

4. Di tab Log, tambahkan Aturan pemberitahuan baru.

   

5. Lihat cara membuat dan mengelola peringatan log menggunakan Azure Monitor.

Langkah berikutnya

• Untuk mempelajari cara mencatat metrik untuk eksperimen Anda, lihat Mencatat metrik selama pelatihan pekerjaan.
• Untuk mempelajari cara memantau sumber daya dan log dari Azure Machine Learning, lihat Memantau Azure Machine Learning.