Notitie
Voor toegang tot deze pagina is autorisatie vereist. U kunt proberen u aan te melden of de directory te wijzigen.
Voor toegang tot deze pagina is autorisatie vereist. U kunt proberen de mappen te wijzigen.
De Machine Learning-experimenten en -modellen kunnen worden geïntegreerd met de mogelijkheden voor levenscyclusbeheer in Microsoft Fabric en bieden een gestandaardiseerde samenwerking tussen alle leden van het ontwikkelteam gedurende het hele leven van het product. Levenscyclusbeheer vereenvoudigt een effectief productversie- en releaseproces door voortdurend functies en bugfixes in meerdere omgevingen te leveren. Zie Wat is levenscyclusbeheer in Microsoft Fabric? voor meer informatie.
Belangrijk
Deze functie is beschikbaar als preview-versie.
Machine learning-experimenten en modellen git-integratie
Machine learning-experimenten en -modellen bevatten zowel metagegevens als gegevens. ML-experimenten bevatten runs terwijl ML-modellen .model versions
Notebooks kunnen vanuit het perspectief van een ontwikkelingswerkstroom verwijzen naar een ML-experiment of een ML-model.
Als principe worden gegevens niet opgeslagen in Git. Alleen metagegevens van artefacten worden bijgehouden. ML-experimenten en -modellen worden standaard beheerd via het Git-synchronisatie-/updateproces, maar experiment runsmodel versions worden niet bijgehouden of geversied in Git en hun gegevens blijven behouden in werkruimteopslag. Herkomst tussen notebooks, experimenten en modellen wordt overgenomen van de met Git verbonden werkruimte.
Git-weergave
De volgende informatie wordt geserialiseerd en bijgehouden in een met Git verbonden werkruimte voor machine learning-experiment en -modellen:
- Weergavenaam.
- versie.
- Logische guid. De bijgehouden logische GUID is een automatisch gegenereerde id voor meerdere werkruimten die een item en de bijbehorende bronbeheerweergave vertegenwoordigen.
- Afhankelijkheden. Herkomst tussen notebooks, experimenten en modellen blijft behouden in werkruimten die zijn verbonden met Git, met behoud van duidelijke tracering tussen gerelateerde artefacten.
Belangrijk
In de huidige ervaring worden alleen metagegevens van machine learning-experimenten en modelartefacten bijgehouden in Git. Experimentuitvoeringen en modelversies (de uitvoer van uitvoeringen en modelgegevens) worden niet opgeslagen of geversied in Git; hun gegevens blijven in werkruimteopslag.
Git-integratiemogelijkheden
De volgende mogelijkheden zijn beschikbaar:
- Serialiseer ML-experiment en modelartefactmetagegevens in een Git-bijgehouden JSON-weergave.
- Ondersteuning voor meerdere werkruimten die zijn gekoppeld aan dezelfde Git-vertakking, waardoor bijgehouden metagegevens kunnen worden gesynchroniseerd tussen werkruimten.
- Toestaan dat updates rechtstreeks worden toegepast of beheerd via pull-aanvragen om wijzigingen tussen upstream- en downstreamwerkruimten/vertakkingen te beheren.
- Volg de naam van experimenten en modellen in Git om de identiteit in werkruimten te behouden.
- Er worden geen acties uitgevoerd op
experiment runsofmodel versions; hun gegevens blijven behouden in de werkruimteopslag en worden niet opgeslagen of overschreven door Git.
Machine learning-experimenten en -modellen in implementatiepijplijnen
Machine learning-experimenten en -modellen worden ondersteund in implementatiepijplijnen voor levenscyclusbeheer van Microsoft Fabric. Hiermee worden best practices voor omgevingssegmentatie mogelijk.
Belangrijk
Alleen machine learning-experimenten en modelartefacten worden bijgehouden in implementatiepijplijnen in de huidige ervaring. Experimentuitvoeringen en modelversies worden niet bijgehouden of versiebeheer uitgevoerd door pijplijnen; hun gegevens blijven in werkruimteopslag.
Integratiemogelijkheden voor ML-experimenten en -modellen voor implementatiepijplijnen:
- Ondersteuning voor het implementeren van ML-experimenten en -modellen in ontwikkel-, test- en productiewerkruimten.
- Implementaties synchroniseren alleen metagegevens van artefacten;
experiment runsenmodel versions(hun gegevens) blijven behouden en worden niet overschreven. - Namen van experimenten en modellen worden doorgegeven in werkruimten wanneer ze zijn opgenomen in een implementatiepijplijn.
- Herkomst tussen notebooks, experimenten en modellen wordt bijgehouden in werkruimten tijdens pijplijnimplementaties, met behoud van traceerbaarheid tussen gerelateerde artefacten.