Nota
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare ad accedere o modificare le directory.
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare a modificare le directory.
SI APPLICA A:
Estensione ML dell'interfaccia della riga di comando di Azure v1SDK Python azuremlv1
Importante
Questo articolo fornisce informazioni sull'uso di Azure Machine Learning SDK v1. SDK v1 è deprecato a partire dal 31 marzo 2025. Il supporto per questo terminerà il 30 giugno 2026. È possibile installare e usare l'SDK v1 fino a tale data. I flussi di lavoro esistenti che usano SDK v1 continueranno a funzionare dopo la data di fine del supporto. Tuttavia, potrebbero essere esposti a rischi per la sicurezza o a modifiche di rilievo nel caso di cambiamenti dell'architettura del prodotto.
È consigliabile passare all'SDK v2 prima del 30 giugno 2026. Per altre informazioni su SDK v2, vedere Che cos'è l'interfaccia della riga di comando di Azure Machine Learning e Python SDK v2? e il Riferimento SDK v2.
Importante
Alcuni comandi dell'interfaccia della riga di comando di Azure in questo articolo usano l'estensione azure-cli-ml, o v1, per Azure Machine Learning. Il supporto per l'interfaccia della riga di comando v1 è terminato il 30 settembre 2025. Microsoft non fornirà più supporto tecnico o aggiornamenti per questo servizio. I flussi di lavoro esistenti che usano l'interfaccia della riga di comando v1 continueranno a funzionare dopo la data di fine del supporto. Tuttavia, potrebbero essere esposti a rischi per la sicurezza o a modifiche di rilievo nel caso di cambiamenti dell'architettura del prodotto.
È consigliabile passare all'estensione ml, o v2, il prima possibile. Per altre informazioni sull'estensione v2, vedere Estensione dell'interfaccia della riga di comando di Azure Machine Learning e SDK Python v2.
SI APPLICA A:Estensione ML dell'interfaccia della riga di comando di Azure v2 (corrente)SDK Python azure-ai-ml v2 (corrente)
Una pipeline di Azure Machine Learning è un flusso di lavoro che automatizza un'attività di Machine Learning completa. Standardizza le procedure consigliate, supporta la collaborazione in team e migliora l'efficienza.
Perché le pipeline di Azure Machine Learning sono necessarie?
- Standardizza le operazioni di Machine Learning (MLOps) e supporta la collaborazione in team scalabile
- Migliora l'efficienza del training e riduce i costi
Una pipeline suddivide un'attività di Machine Learning in passaggi. Ogni passaggio è un componente gestibile che può essere sviluppato e automatizzato separatamente. Azure Machine Learning gestisce le dipendenze tra i passaggi. Questo approccio modulare:
- Standardizza MLOps e supporta la collaborazione in team
- Migliora l'efficienza del training e riduce i costi
- Standardizza le operazioni di Machine Learning (MLOps) e supporta la collaborazione in team scalabile
- Migliora l'efficienza del training e riduce i costi
Standardizzare la pratica MLOps e supportare la collaborazione tra team scalabili
MLOps automatizza la compilazione e la distribuzione di modelli. Le pipeline semplificano questo processo eseguendo il mapping di ogni passaggio a un'attività specifica, in modo che i team possano lavorare in modo indipendente.
Ad esempio, un progetto può includere raccolta dati, preparazione, training, valutazione e distribuzione. I data engineer, gli scienziati e i tecnici ml sono ognuno dei propri passi. I passaggi sono compilati in modo ottimale come componenti, quindi integrati in un singolo flusso di lavoro. Le pipeline possono essere con controllo delle versioni, automatizzate e standardizzate dalle procedure DevOps.
Efficienza della formazione e riduzione dei costi
Le pipeline migliorano anche l'efficienza e riducono i costi. Riusano gli output da passaggi non modificati e consentono di eseguire ogni passaggio sulla risorsa di calcolo migliore per l'attività.
Procedure consigliate per iniziare
È possibile creare una pipeline in diversi modi, a seconda del punto di partenza.
Se non si ha ancora una volta le pipeline, iniziare suddividendo il codice esistente in passaggi, parametrizzando gli input e eseguendo il wrapping di tutti gli elementi in una pipeline.
Per ridimensionare, usare i modelli di pipeline per problemi comuni. Teams crea un fork di un modello, lavora sui passaggi assegnati e aggiorna solo la parte in base alle esigenze.
Con pipeline e componenti riutilizzabili, i team possono creare rapidamente nuovi flussi di lavoro clonando o combinando parti esistenti.
È possibile compilare pipeline usando l'interfaccia della riga di comando, Python SDK o l'interfaccia utente della finestra di progettazione.
Quale tecnologia della pipeline di Azure è consigliabile usare?
Azure offre diversi tipi di pipeline per scopi diversi:
| Sceneggiatura | Utente tipo principale | Offerta di Azure | Offerta software open source | Pipe canonica | Punti di forza |
|---|---|---|---|---|---|
| Orchestrazione del modello (Machine Learning) | Scienziato dei dati | Pipeline di Azure Machine Learning | Pipeline Kubeflow | Dati - Modello > | Distribuzione, memorizzazione nella cache, code-first, riutilizzo |
| Orchestrazione dei dati (preparazione dei dati) | Ingegnere dei dati | Pipeline di Data Factory di Azure | Apache Airflow | Dati - Dati > | Spostamento fortemente tipizzato, attività incentrate sui dati |
| Orchestrazione codice e app (CI/CD) | Sviluppatori di app/Ops | Azure Pipelines | Jenkins | Codice e modello - App/Servizio > | Supporto delle attività più aperte e flessibili, code di approvazione, fasi con controllo dell'accesso |
Passaggi successivi
Le pipeline di Azure Machine Learning aggiungono valore fin dall'inizio dello sviluppo.
- Definire pipeline con l'interfaccia della riga di comando di Azure Machine Learning v2
- Definire pipeline con Azure Machine Learning SDK v2
- Definire pipeline con la Finestra di progettazione
- Provare l'esempio di pipeline dell'interfaccia della riga di comando v2
- Provare l'esempio di pipeline Python SDK v2
- Informazioni sulle espressioni dell'SDK e dell'interfaccia della riga di comando v2 che possono essere usate in una pipeline.