Treinar e pontuar modelos com o Microsoft Fabric
Depois de ingerir, explorar e pré-processar seus dados, você pode usá-los para treinar um modelo. Treinar um modelo é um processo iterativo, e você quer ser capaz de acompanhar seu trabalho.
O Microsoft Fabric integra-se ao MLflow para rastrear e registrar facilmente seu trabalho, permitindo que você revise seu trabalho a qualquer momento para decidir qual é a melhor abordagem para treinar o modelo final. Quando você acompanha seu trabalho, seus resultados são facilmente reproduzíveis.
Qualquer trabalho que você queira acompanhar, pode ser rastreado como experimentos.
Compreender as experiências
Sempre que você treina um modelo em um bloco de anotações que deseja acompanhar, cria um experimento no Microsoft Fabric.
Um experimento pode consistir em várias execuções. Cada execução representa uma tarefa executada em um bloco de anotações, como treinar um modelo de aprendizado de máquina.
Por exemplo, para treinar um modelo de aprendizado de máquina para previsão de vendas, você pode tentar diferentes conjuntos de dados de treinamento com o mesmo algoritmo. Cada vez que você treina um modelo com um conjunto de dados diferente, você cria uma nova execução de experimento. Em seguida, você pode comparar as execuções do experimento para determinar o modelo com melhor desempenho.
Comece a acompanhar as métricas
Para comparar execuções de experimento, você pode controlar parâmetros, métricas e artefatos para cada execução.
Todos os parâmetros, métricas e artefatos que você acompanha em uma execução de experimento são mostrados na visão geral dos experimentos. Você pode exibir execuções experimentais individualmente na guia Detalhes da execução ou comparar entre execuções com a lista Executar:
Ao acompanhar seu trabalho com o MLflow, você pode comparar iterações de treinamento de modelo e decidir qual configuração resultou no melhor modelo para seu caso de uso.
Compreender os modelos
Depois de treinar um modelo, você deseja usá-lo para pontuação. Com a pontuação, você usa o modelo em novos dados para gerar previsões ou insights. Quando você treina e rastreia um modelo com MLflow, os artefatos são armazenados na execução do experimento para representar seu modelo e seus metadados. Você pode salvar esses artefatos no Microsoft Fabric como um modelo.
Ao salvar seus artefatos de modelo como um modelo registrado no Microsoft Fabric, você pode gerenciar facilmente seus modelos. Sempre que você treina um novo modelo e o salva com o mesmo nome, você adiciona uma nova versão ao modelo.
Use um modelo para gerar insights
Para usar um modelo para gerar previsões, você pode usar a função PREDICT no Microsoft Fabric. A função PREDICT foi criada para se integrar facilmente com modelos MLflow e permite que você use o modelo para gerar previsões em lote.
Por exemplo, toda semana você recebe dados de vendas de várias lojas. Com base nos dados históricos, você treinou um modelo que pode prever as vendas para a próxima semana, com base nas vendas das últimas semanas. Você rastreou o modelo com MLflow e o salvou no Microsoft Fabric. Sempre que os novos dados de vendas semanais chegam, você usa a função PREDICT para permitir que o modelo gere a previsão para a próxima semana. Os dados de vendas previstos são armazenados como uma tabela em uma casa de lago, que é visualizada em um relatório do Power BI para os usuários corporativos consumirem.