Eseguire il training e assegnare punteggi ai modelli con Microsoft Fabric
Dopo aver inserito, esplorato e pre-elaborato i dati, è possibile usarli per eseguire il training di un modello. Il training di un modello è un processo iterativo e si vuole essere in grado di tenere traccia del lavoro.
Microsoft Fabric si integra con MLflow per tenere traccia e registrare facilmente il lavoro, consentendo di esaminarlo in qualsiasi momento per decidere qual è l'approccio migliore per eseguire il training del modello finale. Quando si tiene traccia del lavoro, i risultati sono facilmente riproducibili.
Qualsiasi lavoro di cui si vuole tenere traccia può essere monitorato come esperimento.
Informazioni sugli esperimenti
Ogni volta che si esegue il training di un modello in un notebook che si vuole conservare, si crea un esperimento in Microsoft Fabric.
Un esperimento può essere costituito da più esecuzioni. Ogni esecuzione rappresenta un'attività eseguita in un notebook, ad esempio il training di un modello di Machine Learning.
Ad esempio, per eseguire il training di un modello di Machine Learning per la previsione delle vendite, è possibile provare set di dati di training diversi con lo stesso algoritmo. Ogni volta che si esegue il training di un modello con un set di dati diverso, si crea una nuova esecuzione dell'esperimento. È quindi possibile confrontare le esecuzioni dell'esperimento per determinare il modello con prestazioni migliori.
Iniziare a tracciare le metriche
Per confrontare le esecuzioni dell'esperimento, è possibile tenere traccia di parametri, metriche e artefatti per ogni esecuzione.
Tutti i parametri, le metriche e gli artefatti rilevati in un'esecuzione dell'esperimento sono visualizzati nella panoramica degli esperimenti. È possibile visualizzare le esecuzioni dell'esperimento singolarmente nella scheda Dettagli esecuzione oppure confrontare le esecuzioni con Elenco esecuzioni:
Monitorando il lavoro con MLflow, è possibile confrontare le iterazioni di training del modello e decidere quale configurazione ha generato il modello migliore per il caso d'uso.
Informazioni sui modelli
Dopo aver eseguito il training di un modello, si vuole usarlo per l'assegnazione dei punteggi. Con l'assegnazione dei punteggi si usa il modello sui nuovi dati per generare stime o informazioni dettagliate. Quando si esegue il training e si tiene traccia di un modello con MLflow, gli artefatti vengono archiviati all'interno dell'esecuzione dell'esperimento per rappresentare il modello e i relativi metadati. È possibile salvare questi artefatti in Microsoft Fabric come modello.
Salvando gli artefatti del modello come modello registrato in Microsoft Fabric, è possibile gestire facilmente i modelli. Ogni volta che si esegue il training di un nuovo modello e lo si salva con lo stesso nome, si aggiunge una nuova versione al modello.
Usare un modello per generare informazioni dettagliate
Per usare un modello per generare stime, è possibile usare la funzione PREDICT in Microsoft Fabric. La funzione PREDICT è compilata per integrare facilmente i modelli MLflow e consente di usare il modello per generare stime batch.
Ad esempio, ogni settimana si ricevono dati sulle vendite da diversi negozi. In base ai dati cronologici, è stato eseguito il training di un modello in grado di stimare le vendite per la settimana successiva, considerando le vendite delle ultime settimane. È stato rilevato il modello con MLflow ed è stato salvato in Microsoft Fabric. Ogni volta che arrivano i nuovi dati sulle vendite settimanali, si usa la funzione PREDICT per consentire al modello di generare la previsione per la settimana successiva. I dati di vendita previsti vengono archiviati come tabella in una lakehouse, che viene visualizzata in un report di Power BI per consentirne l'utilizzo da parte degli utenti aziendali.