Avstamming for modeller og eksperimenter

I moderne forretningsanalyseprosjekter (BI) kan det være en utfordring å forstå dataflyten fra datakilden til målet. Utfordringen er enda større hvis du bygger avanserte analytiske prosjekter som strekker seg over flere datakilder, elementer og avhengigheter.

Spørsmål som «Hva skjer hvis jeg endrer disse dataene?» eller «Hvorfor er ikke denne rapporten oppdatert?» kan være vanskelig å svare på. Slike spørsmål kan kreve et team av eksperter eller dyp etterforskning for å forstå. Microsoft Fabric-avstammingsvisningen hjelper deg med å svare på disse spørsmålene.

Avstamming og maskinlæring

Det finnes flere grunner til at avstamming er viktig i arbeidsflyten for maskinlæring:

• Reproduserbarhet: Når du kjenner til avstammingen til en modell, blir det enklere å reprodusere modellen og resultatene. Hvis noen andre ønsker å replikere modellen, kan de følge de samme trinnene som du brukte til å opprette den, og bruke de samme dataene og parameterne.
• Gjennomsiktighet: Å forstå avstammingen til en modell bidrar til å øke gjennomsiktigheten. Interessenter, for eksempel regulatorer eller brukere, kan forstå hvordan modellen ble opprettet, og hvordan den fungerer. Denne faktoren kan være viktig for å sikre rettferdighet, ansvarlighet og etiske hensyn.
• Feilsøking: Hvis en modell ikke fungerer som forventet, kan det å vite avstammingen bidra til å identifisere kilden til problemet. Ved å undersøke opplæringsdataene, parameterne og beslutningene som ble tatt under opplæringsprosessen, kan det hende at brukerne kan identifisere problemer som påvirker modellens ytelse.
• Forbedring: Å vite avstammingen av en modell kan også bidra til å forbedre den. Ved å forstå hvordan modellen ble opprettet og opplært, kan brukere kanskje gjøre endringer i opplæringsdataene, parameterne eller prosessen som kan forbedre modellens nøyaktighet eller andre ytelsesmåledata.

Datavitenskapselementtyper

Microsoft Fabric integrerer maskinlæringsmodeller og eksperimenter i en enhetlig plattform. Som en del av denne tilnærmingen kan brukere bla gjennom forholdet mellom Fabric Data Science-elementer og andre Fabric-elementer.

Maskinlæringsmodeller

I Fabric kan brukere opprette og administrere maskinlæringsmodeller. Et maskinlæringsmodellelement representerer en versjonsliste over modeller, som gjør det mulig for brukere å bla gjennom de ulike gjentakelsene av modellen.

I avstammingsvisningen kan brukere bla gjennom relasjonen mellom en maskinlæringsmodell og andre stoffelementer for å svare på følgende spørsmål:

• Hva er forholdet mellom maskinlæringsmodeller og eksperimenter i arbeidsområdet?
• Hvilke maskinlæringsmodeller finnes i arbeidsområdet mitt?
• Hvordan kan jeg spore tilbake avstammingen for å se hvilke Lakehouse-gjenstander som var relatert til denne modellen?

Maskinlæringseksperimenter

Et maskinlæringseksperiment er den primære enheten for organisering og kontroll for alle relaterte maskinlæringskjøringer.

I avstammingsvisningen kan brukere bla gjennom relasjonen mellom et maskinlæringseksperiment og andre stoffelementer for å svare på følgende spørsmål:

• Hva er relasjonen mellom maskinlæringseksperimenter og kodeelementer i arbeidsområdet? Hva er for eksempel relasjonen mellom notatblokker og Spark Job Definitions?
• Hvilke maskinlæringseksperimenter finnes i arbeidsområdet mitt?
• Hvordan kan jeg spore tilbake avstammingen for å se hvilke Lakehouse-gjenstander som var relatert til dette eksperimentet?

Utforsk avstammingsvisning

Hvert Fabric-arbeidsområde har en innebygd avstammingsvisning. Hvis du vil ha tilgang til denne visningen, må du minst ha bidragsyterrollen i arbeidsområdet. Hvis du vil ha mer informasjon om tillatelser i Fabric, kan du se Roller og tillatelser for datavitenskap.

Slik får du tilgang til avstammingsvisningen:

1. Velg Fabric-arbeidsområdet, og gå deretter til arbeidsområdelisten.

   

2. Bytt fra visning av arbeidsområdeliste til arbeidsområdets avstammingsvisning.

   

3. Du kan også gå til Avstammingsvisning for et bestemt element ved å åpne hurtigmenyen.

   

Relatert innhold

• Lær om maskinlæringsmodeller: Maskinlæringsmodeller
• Lær om maskinlæringseksperimenter: Maskinlæringseksperimenter