Nota
O acesso a esta página requer autorização. Pode tentar iniciar sessão ou alterar os diretórios.
O acesso a esta página requer autorização. Pode tentar alterar os diretórios.
APLICA-SE A:
Azure CLI ml extension v1Python SDK azureml v1
Importante
Este artigo fornece informações sobre como usar o SDK do Azure Machine Learning v1. O SDK v1 foi preterido a partir de 31 de março de 2025. O apoio terminará em 30 de junho de 2026. Você pode instalar e usar o SDK v1 até essa data. Seus fluxos de trabalho existentes usando o SDK v1 continuarão a operar após a data de fim do suporte. No entanto, eles podem estar expostos a riscos de segurança ou alterações disruptivas no caso de alterações arquitetônicas no produto.
Recomendamos a transição para o SDK v2 antes de 30 de junho de 2026. Para obter mais informações sobre o SDK v2, consulte O que é a CLI do Azure Machine Learning e o SDK do Python v2? e a referência do SDK v2.
Importante
Alguns dos comandos da CLI do Azure neste artigo usam a extensão , ou v1, para o azure-cli-mlAzure Machine Learning. O suporte para CLI v1 terminou em 30 de setembro de 2025. A Microsoft deixará de fornecer suporte técnico ou atualizações para este serviço. Seus fluxos de trabalho existentes usando a CLI v1 continuarão a operar após a data de fim do suporte. No entanto, eles podem estar expostos a riscos de segurança ou alterações disruptivas no caso de alterações arquitetônicas no produto.
Recomendamos que você faça a transição para a mlextensão , ou v2, o mais rápido possível. Para obter mais informações sobre a extensão v2, consulte Extensão CLI do Azure Machine Learning e Python SDK v2.
Um pipeline do Azure Machine Learning é um fluxo de trabalho que automatiza uma tarefa completa de aprendizado de máquina. Ele padroniza as melhores práticas, apoia a colaboração em equipe e melhora a eficiência.
Por que os pipelines do Azure Machine Learning são necessários?
- Padroniza operações de aprendizado de máquina (MLOps) e suporta colaboração de equipe escalável
- Melhora a eficiência do treinamento e reduz os custos
Um pipeline divide uma tarefa de aprendizado de máquina em etapas. Cada etapa é um componente gerenciável que pode ser desenvolvido e automatizado separadamente. O Azure Machine Learning gerencia dependências entre etapas. Esta abordagem modular:
- Padroniza MLOps e suporta colaboração em equipe
- Melhora a eficiência do treinamento e reduz os custos
- Padroniza operações de aprendizado de máquina (MLOps) e suporta colaboração de equipe escalável
- Melhora a eficiência do treinamento e reduz os custos
Padronize a prática de MLOps e ofereça suporte à colaboração escalável da equipe
O MLOps automatiza a criação e a implantação de modelos. Os pipelines simplificam esse processo mapeando cada etapa para uma tarefa específica, para que as equipes possam trabalhar de forma independente.
Por exemplo, um projeto pode incluir coleta de dados, preparação, treinamento, avaliação e implantação. Engenheiros de dados, cientistas e engenheiros de ML são donos de suas etapas. As etapas são melhor criadas como componentes e, em seguida, integradas em um único fluxo de trabalho. Os pipelines podem ser versionados, automatizados e padronizados pelas práticas de DevOps.
Eficiência da formação e redução de custos
Os gasodutos também melhoram a eficiência e reduzem os custos. Eles reutilizam saídas de etapas inalteradas e permitem que você execute cada etapa no melhor recurso de computação para a tarefa.
Introdução às práticas recomendadas
Você pode construir um pipeline de várias maneiras, dependendo do seu ponto de partida.
Se você é novo em pipelines, comece dividindo o código existente em etapas, parametrizando entradas e encapsulando tudo em um pipeline.
Para dimensionar, use modelos de pipeline para problemas comuns. As equipes bifurcam um modelo, trabalham em etapas atribuídas e atualizam apenas sua parte conforme necessário.
Com pipelines e componentes reutilizáveis, as equipes podem criar rapidamente novos fluxos de trabalho clonando ou combinando peças existentes.
Você pode criar pipelines usando a CLI,Python SDK ou Designer UI.
Qual tecnologia de pipeline do Azure devo usar?
O Azure fornece vários tipos de pipelines para finalidades diferentes:
| Cenário | Persona primária | Oferta do Azure | Oferta OSS | Tubo canónico | Pontos fortes |
|---|---|---|---|---|---|
| Orquestração de modelos (Machine learning) | Cientista de dados | Azure Machine Learning Pipelines | Oleodutos Kubeflow | Dados -> Modelo | Distribuição, cache, code-first, reutilização |
| Orquestração de dados (preparação de dados) | Engenheiro de dados | Pipelines do Azure Data Factory | Fluxo de ar Apache | Dados -> Dados | Movimento fortemente tipado, atividades centradas em dados |
| Orquestração de código e aplicativo (CI/CD) | Desenvolvedor de aplicativos / Ops | Azure Pipelines | Jenkins • | Código + Modelo -> App/Service | Suporte de atividade mais aberto e flexível, filas de aprovação, fases com seleção |
Próximos passos
Os pipelines do Azure Machine Learning agregam valor desde o início do desenvolvimento.
- Definir os pipelines com a CLI v2 do Azure Machine Learning
- Definir os pipelines com o SDK v2 do Azure Machine Learning
- Definir os pipelines com o Estruturador
- Experimente o exemplo de pipeline da CLI v2
- Experimente o exemplo de pipeline do Python SDK v2
- Saiba mais sobre expressões SDK e CLI v2 que podem ser usadas em um pipeline.