Pochodzenie modeli i eksperymentów

W nowoczesnych projektach analizy biznesowej (BI) zrozumienie przepływu danych ze źródła danych do jego miejsca docelowego może stanowić wyzwanie. Wyzwanie jest jeszcze większe, jeśli utworzono zaawansowane projekty analityczne obejmujące wiele źródeł danych, elementów i zależności. Pytania takie jak "Co się stanie, jeśli zmienię te dane?" lub "Dlaczego ten raport nie jest aktualny?" może być trudny do udzielenia odpowiedzi. Mogą wymagać od zespołu ekspertów lub głębokiego zbadania, aby zrozumieć. Widok Pochodzenie sieci szkieletowej ułatwia udzielenie odpowiedzi na te pytania.

Ważne

Usługa Microsoft Fabric jest dostępna w wersji zapoznawczej.

Pochodzenie danych i uczenie maszynowe

Istnieje kilka powodów, dla których pochodzenie danych jest ważne w przepływie pracy uczenia maszynowego:

• Powtarzalność: Znajomość pochodzenia modelu ułatwia odtworzenie modelu i jego wyników. Jeśli ktoś inny chce replikować model, może wykonać te same kroki, które zostały użyte do jego utworzenia, i użyć tych samych danych i parametrów.
• Przejrzystość: Zrozumienie pochodzenia modelu pomaga zwiększyć przejrzystość. Oznacza to, że osoby biorące udział w projekcie, takie jak organy regulacyjne lub użytkownicy, mogą zrozumieć, jak model został utworzony i jak działa. Może to być ważne dla zapewnienia sprawiedliwości, odpowiedzialności i zagadnień etycznych.
• Debugowanie: jeśli model nie działa zgodnie z oczekiwaniami, znajomość pochodzenia może pomóc w zidentyfikowaniu źródła problemu. Sprawdzając dane treningowe, parametry i decyzje, które zostały podjęte podczas procesu trenowania, może być możliwe zidentyfikowanie problemów wpływających na wydajność modelu.
• Poprawa: znajomość pochodzenia modelu może również pomóc w jego ulepszaniu. Zrozumienie sposobu tworzenia i trenowania modelu może być możliwe wprowadzenie zmian w danych treningowych, parametrach lub procesie, które mogą poprawić dokładność modelu lub inne metryki wydajności.

Typy elementów nauki o danych

W sieci szkieletowej modele uczenia maszynowego i eksperymenty są zintegrowane z ujednoliconą platformą. W ramach tej funkcji użytkownicy mogą przeglądać relacje między elementami Nauka o danych sieci szkieletowej i innymi elementami sieci szkieletowej.

Modele uczenia maszynowego

W sieci szkieletowej użytkownicy mogą tworzyć modele uczenia maszynowego i zarządzać nimi. Element modelu uczenia maszynowego reprezentuje wersję listy modeli, umożliwiając użytkownikowi przeglądanie różnych iteracji modelu.

W widoku pochodzenia użytkownicy mogą przeglądać relacje między modelem uczenia maszynowego a innymi elementami sieci szkieletowej, aby odpowiedzieć na następujące pytania:

• Jaka jest relacja między modelami uczenia maszynowego a eksperymentami w moim obszarze roboczym?
• Które modele uczenia maszynowego istnieją w moim obszarze roboczym?
• Jak mogę prześledzić pochodzenie danych, aby sprawdzić, które elementy usługi Lakehouse były powiązane z tym modelem?

Eksperymenty uczenia maszynowego

Eksperyment uczenia maszynowego jest podstawową jednostką organizacji i kontroli dla wszystkich powiązanych przebiegów uczenia maszynowego.

W widoku pochodzenia użytkownicy mogą przeglądać relacje między eksperymentem uczenia maszynowego a innymi elementami sieci szkieletowej, aby odpowiedzieć na następujące pytania:

• Jaka jest relacja między eksperymentami uczenia maszynowego a elementami kodu (np. notesami i definicjami zadań platformy Spark) w moim obszarze roboczym?
• Które eksperymenty uczenia maszynowego istnieją w moim obszarze roboczym?
• Jak mogę prześledzić pochodzenie danych, aby sprawdzić, które elementy usługi Lakehouse były związane z tym eksperymentem?

Eksplorowanie widoku pochodzenia

Każdy obszar roboczy usługi Fabric automatycznie ma wbudowany widok pochodzenia. Aby uzyskać dostęp do tego widoku, musisz mieć co najmniej rolę Współautor w obszarze roboczym. Aby dowiedzieć się więcej na temat uprawnień w usłudze Fabric, zapoznaj się z dokumentacją dotyczącą uprawnień do modeli i eksperymentów.

Aby uzyskać dostęp do widoku pochodzenia:

1. Wybierz obszar roboczy Sieć szkieletowa, a następnie przejdź do listy obszarów roboczych.

   

2. Przełącz się z widoku Lista obszarów roboczych do widoku Pochodzenie obszaru roboczego.

   

3. Możesz również przejść do widoku Pochodzenia dla określonego elementu, otwierając powiązane akcje.

   

Następne kroki

• Dowiedz się więcej o modelach uczenia maszynowego: modele uczenia maszynowego
• Dowiedz się więcej o eksperymentach uczenia maszynowego: eksperymenty uczenia maszynowego