Partilhar via

Experimentos e modelos de aprendizado de máquina Pipelines de integração e implantação do Git (Visualização)

Os experimentos e modelosde aprendizado de máquina 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 versionamento e lançamento de produtos, fornecendo continuamente recursos e correções de bugs em vários ambientes. Para saber mais, consulte O que é o gerenciamento do ciclo de vida no Microsoft Fabric?.

Importante

Este recurso está em pré-visualização.

Experimentos e modelos de aprendizado de máquina Integração Git

Experimentos e modelos de aprendizado de máquina (ML) 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 fazer referência a um experimento de ML ou a um modelo de ML.

Como princípio, os dados não são armazenados no Git — apenas metadados de artefatos 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 versionados no Git e seus dados são preservados no armazenamento do espaço de trabalho. A linhagem entre notebooks, experimentos e modelos é herdada do espaço de trabalho conectado ao Git.

Representação Git

As informações a seguir são serializadas e rastreadas em um espaço de trabalho conectado ao Git para experimentos e modelos de aprendizado de máquina:

  • Nome para 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 espaços de trabalho conectados ao Git, mantendo uma rastreabilidade clara entre artefatos relacionados.

Importante

Apenas metadados de experimento de aprendizado de máquina e artefato de modelo são rastreados no Git na experiência atual. Execuções de experimento e versões de modelo (as saídas de execução e dados do modelo) não são armazenadas ou versionadas no Git; seus dados permanecem no armazenamento do espaço de trabalho.

Recursos de integração do Git

Os seguintes recursos estão disponíveis:

  • Serialize metadados de experimento de ML e de artefato de modelo em uma representação JSON controlada pelo Git.
  • Ofereça suporte a vários espaços de trabalho vinculados à mesma ramificação do Git, permitindo que metadados rastreados sejam sincronizados entre espaços de trabalho.
  • Permita que as atualizações sejam aplicadas diretamente ou controladas por meio de solicitações pull para gerenciar alterações entre espaços de trabalho/ramificações upstream e downstream.
  • Acompanhe as renomeações de experimentos e modelos no Git para preservar a identidade nos espaços de trabalho.
  • Nenhuma ação é executada ou experiment runsmodel versionsseus dados são preservados no armazenamento do espaço de trabalho e não são armazenados ou substituídos pelo Git.

Experimentos e modelos de aprendizado de máquina em pipelines de implantação

Há suporte para experimentos e modelos de aprendizado de máquina (ML) nos pipelines de implantação do gerenciamento do ciclo de vida do Microsoft Fabric. Ele permite práticas recomendadas de segmentação de ambiente.

Importante

Somente experimento de aprendizado de máquina e artefatos de modelo são rastreados em pipelines de implantação na experiência atual. As execuções de experimentos e as versões de modelo não são rastreadas ou versionadas por pipelines; seus dados permanecem no armazenamento do espaço de trabalho.

Experimentos e modelos de ML recursos de integração de pipelines de implantação:

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

Conteúdo relacionado

  • Last updated on