Compartilhar via

Experimentos de machine learning e modelos de pipelines de integração e implantação do Git (versão prévia)

Os experimentos e modelos do Machine Learning integram-se aos recursos de gerenciamento do ciclo de vida no Microsoft Fabric, fornecendo uma colaboração padronizada entre todos os membros da equipe de desenvolvimento ao longo da vida útil do produto. O gerenciamento do ciclo de vida facilita um processo eficaz de versão e lançamento do produto, fornecendo continuamente recursos e correções de bugs em vários ambientes. Para saber mais, confira o que é o gerenciamento do ciclo de vida no Microsoft Fabric?.

Importante

Esse recurso está na versão prévia.

Experimentos de machine learning e modelos de integração do Git

Experimentos e modelos de ML (machine learning) contêm metadados e dados. Os experimentos de ML contêm runs enquanto os modelos de ML contêm model versions. Do ponto de vista do fluxo de trabalho de desenvolvimento, os Notebooks podem referenciar um experimento de ML ou um modelo de ML.

Como princípio, os dados não são armazenados no Git — somente metadados de artefato são rastreados. Por padrão, os experimentos e modelos de ML são gerenciados por meio do processo de sincronização/atualização do Git, mas experiment runsmodel versions não são rastreados ou com versão no Git e seus dados são preservados no armazenamento do workspace. A linhagem entre notebooks, experimentos e modelos é herdada do workspace conectado ao Git.

Representação do Git

As seguintes informações são serializadas e rastreadas em um workspace conectado ao Git para experimentos e modelos de machine learning:

  • Nome de exibição.
  • versão.
  • Guid lógico. O guid lógico rastreado é um identificador de espaço de trabalho cruzado gerado automaticamente que representa um item e sua representação de controle do código-fonte.
  • Dependências. A linhagem entre notebooks, experimentos e modelos é preservada em workspaces conectados ao Git, mantendo uma clara rastreabilidade entre artefatos relacionados.

Importante

Somente os metadados do experimento de machine learning e do artefato de modelo são acompanhados no Git na experiência atual. Execuções de experimento e versões de modelo (as saídas de execução e os dados do modelo) não são armazenadas ou atualizadas no Git; seus dados permanecem no armazenamento do workspace.

Recursos de integração do Git

Os seguintes recursos estão disponíveis:

  • Serialize metadados de artefato de modelo e experimento de ML em uma representação JSON controlada pelo Git.
  • Dê suporte a vários workspaces vinculados ao mesmo branch do Git, permitindo que os metadados rastreados sejam sincronizados entre workspaces.
  • Permitir que as atualizações sejam aplicadas diretamente ou controladas por meio de solicitações de pull para gerenciar alterações entre workspaces/branches upstream e downstream.
  • Acompanhe as renomeações de experimentos e modelos no Git para preservar a identidade entre workspaces.
  • Nenhuma ação é executada experiment runs ou model versions; seus dados são preservados no armazenamento do workspace e não são armazenados ou substituídos pelo Git.

Experimentos e modelos de machine learning em pipelines de implantação

Há suporte para experimentos e modelos de ML (machine learning) em pipelines de implantação de ciclo de vida do Microsoft Fabric. Ele habilita as práticas recomendadas de segmentação de ambiente.

Importante

Somente os artefatos de modelo e experimento de machine learning são acompanhados em pipelines de implantação na experiência atual. Execuções de experimento e versões de modelo não são controladas ou controladas por pipelines; seus dados permanecem no armazenamento do workspace.

Recursos de integração de pipelines de implantação de modelos e experimentos de ML:

  • Suporte para implantação de experimentos e modelos de ML em workspaces de desenvolvimento, teste e produção.
  • Implantações sincronizam apenas metadados de artefato; experiment runs e model versions (seus dados) são preservados e não são substituídos.
  • As renomeações de experimentos e modelos são propagadas entre workspaces quando incluídas em um pipeline de implantação.
  • A linhagem entre notebooks, experimentos e modelos é mantida entre workspaces durante implantações de pipeline, preservando a rastreabilidade entre artefatos relacionados.

Conteúdo relacionado

  • Last updated on