Melatih dan menilai model dengan Microsoft Fabric
Saat Anda telah menyerap, menjelajahi, dan memproses data Anda sebelumnya, Anda dapat menggunakan data untuk melatih model. Melatih model adalah proses berulang, dan Anda ingin dapat melacak pekerjaan Anda.
Microsoft Fabric terintegrasi dengan MLflow untuk melacak dan mencatat pekerjaan Anda dengan mudah, memungkinkan Anda meninjau pekerjaan Kapan saja untuk memutuskan pendekatan terbaik adalah melatih model akhir. Ketika Anda melacak pekerjaan Anda, hasil Anda mudah direproduksi.
Pekerjaan apa pun yang ingin Anda lacak, dapat dilacak sebagai eksperimen.
Memahami eksperimen
Setiap kali Anda melatih model di notebook yang ingin Anda lacak, Anda membuat eksperimen di Microsoft Fabric.
Eksperimen dapat terdiri dari beberapa eksekusi. Setiap eksekusi mewakili tugas yang Anda jalankan di notebook, seperti melatih model pembelajaran mesin.
Misalnya, untuk melatih model pembelajaran mesin untuk prakiraan penjualan, Anda dapat mencoba himpunan data pelatihan yang berbeda dengan algoritma yang sama. Setiap kali Anda melatih model dengan himpunan data yang berbeda, Anda membuat eksperimen baru yang dijalankan. Kemudian, Anda dapat membandingkan eksekusi eksperimen untuk menentukan model berkinerja terbaik.
Mulai melacak metrik
Untuk membandingkan eksekusi eksperimen, Anda dapat melacak parameter, metrik, dan artefak untuk setiap proses.
Semua parameter, metrik, dan artefak yang Anda lacak dalam eksekusi eksperimen ditampilkan dalam gambaran umum eksperimen. Anda dapat melihat percobaan satu per satu di tab Detail Jalankan, atau membandingkan antar percobaan dengan Daftar Jalankan:
Dengan melacak pekerjaan Anda dengan MLflow, Anda dapat membandingkan iterasi pelatihan model dan memutuskan konfigurasi mana yang menghasilkan model terbaik untuk kasus penggunaan Anda.
Memahami model
Setelah melatih model, Anda ingin menggunakannya untuk penilaian. Dengan penilaian, Anda menggunakan model pada data baru untuk menghasilkan prediksi atau wawasan. Saat Anda melatih dan melacak model dengan MLflow, artefak disimpan dalam eksperimen yang dijalankan untuk mewakili model Anda dan metadatanya. Anda dapat menyimpan artefak ini di Microsoft Fabric sebagai model.
Dengan menyimpan artefak model Anda sebagai model terdaftar di Microsoft Fabric, Anda dapat dengan mudah mengelola model Anda. Setiap kali Anda melatih model baru dan menyimpannya dengan nama yang sama, Anda menambahkan versi baru ke model.
Menggunakan model untuk menghasilkan wawasan
Untuk menggunakan model untuk menghasilkan prediksi, Anda dapat menggunakan fungsi PREDICT di Microsoft Fabric. Fungsi PREDICT dibangun untuk dengan mudah diintegrasikan dengan model MLflow dan memungkinkan Anda menggunakan model untuk menghasilkan prediksi batch.
Misalnya, setiap minggu Anda menerima data penjualan dari beberapa toko. Berdasarkan data historis, Anda telah melatih model yang dapat memprediksi penjualan untuk minggu depan, berdasarkan penjualan beberapa minggu terakhir. Anda melacak model dengan MLflow dan menyimpannya di Microsoft Fabric. Setiap kali data penjualan mingguan baru masuk, Anda menggunakan fungsi PREDICT untuk membiarkan model menghasilkan perkiraan untuk minggu depan. Data penjualan yang diperkirakan disimpan sebagai tabel di lakehouse, yang divisualisasikan dalam laporan Power BI untuk digunakan pengguna bisnis.