Пакет SDK Для Python SuperAnnotate интегрируется с Azure Databricks, чтобы обеспечить платформу инфраструктуры данных СИ, которая помогает отладить, отладить, отладить, управлять и версией высококачественных обучающих данных с помощью исчерпывающего управления данными Azure Databricks, распределенных вычислений и возможностей машинного обучения.
Соединитель SuperAnnotate упрощает этот процесс, преобразовав данные заметок в кадры данных Apache Spark, что позволяет командам машинного обучения перемещать фокус с обработки данных на обучение моделей машинного обучения. Эта совместная работа включает возможность настроить активные рабочие процессы обучения, где прогнозы с низкой достоверностью автоматически направляются на платформу SuperAnnotate.
Требования
Прежде чем интегрироваться с SuperAnnotate, необходимо иметь следующее:
хранилище Databricks SQL в рабочей области Azure Databricks;
В качестве рекомендации по обеспечению безопасности при проверке подлинности с помощью автоматизированных средств, систем, сценариев и приложений Databricks рекомендуется использовать личные маркеры доступа, принадлежащие субъектам-службам, а не пользователям рабочей области. Сведения о создании маркеров для субъектов-служб см. в разделе "Управление маркерами" для субъекта-службы.
Подключение к SuperAnnotate с помощью Partner Connect
Примечание
Partner Connect поддерживает только хранилища SQL для SuperAnnotate.
Чтобы подключить рабочую область Azure Databricks к SuperAnnotate с помощью Partner Connect, сделайте следующее:
На боковой панели щелкните значок Marketplace.
В интеграциях Partner Connectвыберите Показать все.
Щелкните плитку партнерского решения.
Проверьте предоставленные сведения и нажмите кнопку "Далее".
Вы будете перенаправлены в SuperAnnotate, где вы можете зарегистрироваться или войти в систему, если у вас уже есть учетная запись.
После выполнения этих действий организация будет создана для вас вместе со своей первой командой с именем "Моя команда". Ваша организация также автоматически будет иметь интеграцию с Databricks, используя значения, указанные на шаге 3, и она будет добавлена в команду по умолчанию.
Управление приемом и подготовкой данных, обучением моделей и развертыванием, а также мониторингом решений машинного обучения с помощью Python, Машинное обучение Azure и MLflow.