Pochodzenie modeli i eksperymentów

W nowoczesnych projektach analizy biznesowej (BI) zrozumienie przepływu danych ze źródła danych do miejsca docelowego może być wyzwaniem. Wyzwanie jest jeszcze większe, jeśli tworzysz 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 odpowiedzi. Takie pytania mogą wymagać od zespołu ekspertów lub głębokiego zbadania. Widok pochodzenia usługi Microsoft Fabric pomaga odpowiedzieć na te pytania.

Pochodzenie 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. Uczestnicy projektu, tacy jak organy regulacyjne lub użytkownicy, mogą zrozumieć, jak model został utworzony i jak działa. Ten czynnik może być ważny w celu 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, użytkownicy mogą identyfikować problemy wpływające na wydajność modelu.
• Poprawa: znajomość pochodzenia modelu może również pomóc go ulepszyć. Dzięki zrozumieniu sposobu tworzenia i trenowania modelu użytkownicy mogą wprowadzać zmiany w danych treningowych, parametrach lub procesie, które mogą poprawić dokładność modelu lub inne metryki wydajności.

Typy elementów nauki o danych

Usługa Microsoft Fabric integruje modele uczenia maszynowego i eksperymenty z ujednoliconą platformą. W ramach tego podejścia użytkownicy mogą przeglądać relację 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, która umożliwia użytkownikom 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 i eksperymentami w moim obszarze roboczym?
• Które modele uczenia maszynowego istnieją w moim obszarze roboczym?
• Jak mogę śledzić pochodzenie, aby zobaczyć, które elementy lakehouse były powiązane z tym modelem?

Eksperymenty uczenia maszynowego

Eksperyment uczenia maszynowego to podstawowa jednostka organizacji i kontroli dla wszystkich powiązanych przebiegów uczenia maszynowego.

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

• Jaka jest relacja między eksperymentami uczenia maszynowego a elementami kodu w moim obszarze roboczym? Na przykład jaka jest relacja między notesami i definicjami zadań platformy Spark?
• Które eksperymenty uczenia maszynowego istnieją w moim obszarze roboczym?
• Jak mogę śledzić pochodzenie, aby zobaczyć, które elementy lakehouse były związane z tym eksperymentem?

Eksplorowanie widoku pochodzenia

Każdy obszar roboczy sieci Szkieletowej ma wbudowany widok pochodzenia. Aby uzyskać dostęp do tego widoku, musisz mieć co najmniej rolę Współautor w obszarze roboczym. Aby dowiedzieć się więcej o uprawnieniach w usłudze Fabric, zobacz Role i uprawnienia nauki o danych.

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 menu kontekstowe.

   

Powiązana zawartość

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