Git-Integration und Bereitstellungspipelines für maschinelle Lernexperimente und -modelle (Vorschau)

Maschinelles Lernen und Modelle in Microsoft Fabric integrieren sich mit Git-Integrations- und Bereitstellungspipelines. Diese Funktionen verfolgen und fördern Experiment- und Modellmetadaten, während Experimentläufe und Modellversionen im Arbeitsbereich gespeichert bleiben und weder versioniert noch beworben werden.

Für einen Überblick über den umfassenderen Release-Prozess siehe Was ist Lebenszyklusverwaltung in Microsoft Fabric?

Von Bedeutung

Dieses Feature befindet sich in der Vorschauphase.

Maschinelle Lernexperimente und Modelle Git-Integration

Machine Learning (ML)-Experimente und -Modelle enthalten sowohl Metadaten als auch Daten. ML-Experimente enthalten runs, während ML-Modelle model versions enthalten. Aus Sicht des Entwicklungsworkflows könnten Notizbücher auf ein ML-Experiment oder Modell Bezug nehmen.

Die Daten werden nicht in Git gespeichert; nur Artefakt-Metadaten werden nachverfolgt. Standardmäßig verwalten Sie ML-Experimente und -Modelle über den Git-Synchronisierungs- und Aktualisierungsprozess, aber experiment runs und model versions werden in Git nicht nachverfolgt oder versioniert. Ihre Daten bleiben im Arbeitsbereich gespeichert. Unterstützte Abhängigkeitsreferenzen könnten über Arbeitsbereiche hinweg binden, wenn Fabric sie mit portablen logischen IDs repräsentiert. Das Bindungsverhalten hängt vom Elementtyp und Referenzformat ab.

Lebenszyklusfluss

  1. Die Git-Integration serialisiert Experiment- und Modellmetadaten, sodass sie synchronisiert und versionsiert werden können.
  2. Die Git-Synchronisation wendet Metadatenänderungen zwischen dem verbundenen Repository und dem Arbeitsbereich an.
  3. Deployment-Pipelines fördern unterstützte Artefakt-Metadaten zwischen Entwicklungs-, Test- und Produktionsarbeitsplätzen.
  4. Experimentläufe und Modellversionen bleiben im Arbeitsbereich gespeichert und sind in keinem der beiden Synchronisationspfade enthalten.

Git-Darstellung

Ein Git-verbundener Arbeitsbereich für maschinelle Lernexperimente und -modelle serialisiert und verfolgt folgende Informationen:

  • Anzeigename.
  • Version: Das Feld version gibt die Dateiformatversion des Quellcodeverwaltungssystems an. Es ist nicht die Version eines ML-Modells.
  • Logische Identifizierung. Der Wert logicalId ist eine automatisch generierte arbeitsbereichsübergreifende Kennung, die Fabric verwendet, um ein Element mit seiner Darstellung in der Quellcodeverwaltung zu verknüpfen. Weitere Informationen finden Sie unter Logical ID in Fabric.
  • Abhängigkeiten. Unterstützte Abhängigkeitsreferenzen könnten sich über Git-verknüpfte Arbeitsbereiche hinweg binden lassen. Die Bindung hängt vom Elementtyp und dem Referenzformat ab. Referenzen, die workspace-spezifische IDs behalten, benötigen möglicherweise manuelle Updates oder Parametrisierung.

Von Bedeutung

In der aktuellen Benutzeroberfläche werden in Git nur Metadaten zu Experimenten des maschinellen Lernens und zu Modellartefakten nachverfolgt. Experimentläufe und Modellversionen (die Ausführungsausgabe und Modelldaten) werden nicht in Git gespeichert oder versioniert. ihre Daten verbleiben im Arbeitsbereichsspeicher.

Git-Integrationsfunktionen

Die folgenden Funktionen stehen zur Verfügung:

  • Serialisieren Sie Metadaten zu ML-Experimenten und Modellartefakten in eine in Git versionierte JSON-Repräsentation.
  • Unterstützen Sie mehrere Arbeitsbereiche, die mit derselben Git-Verzweigung verknüpft sind, sodass nachverfolgte Metadaten über Arbeitsbereiche hinweg synchronisiert werden können. Jeder Arbeitsbereich kann sich jeweils nur mit einem Zweig verbinden.
  • Zulassen, dass Updates direkt oder über Pullanforderungen angewendet werden, um Änderungen zwischen vorgelagerten und nachgelagerten Arbeitsbereichen/Verzweigungen zu verwalten.
  • Verfolgen Sie die Umbenennungen von Experimenten und Modellen in Git, um die Identität über Arbeitsbereiche hinweg zu erhalten.
  • Für experiment runs oder model versions werden keine Aktionen ausgeführt; ihre Daten bleiben im Speicher des Arbeitsbereichs erhalten und werden von Git weder gespeichert noch überschrieben.

Experimente und Modelle für maschinelles Lernen in Bereitstellungspipelinen

Microsoft Fabric-Deployment-Pipelines unterstützen maschinelles Lernen (ML) Experimente und Modelle. Sie helfen dabei, Entwicklungs-, Test- und Produktionsumgebungen zu segmentieren. Für Hinweise siehe Best Practices für das Lebenszyklusmanagement.

Von Bedeutung

Deployment-Pipelines setzen derzeit nur unterstützte Metadaten für maschinelle Lernexperimente und -modelle bereit. Experimentdurchläufe und Modellversionen sind keine Nutzdaten von Bereitstellungspipelines. Die Metadaten-Bereitstellung synchronisiert oder überschreibt ihre Daten nicht.

Integrationsfunktionen für ML-Experimente und Bereitstellungspipelines für Modelle:

  • Unterstützung für die Bereitstellung von ML-Experimenten und Modellen in Entwicklungs-, Test- und Produktionsarbeitsbereichen.
  • Deployments synchronisieren nur unterstützte Artefakt-Metadaten. experiment runs und model versions sind nicht zwischen Arbeitsbereichen synchronisiert.
  • Umbenennungen von Experimenten und Modellen werden über Arbeitsbereiche hinweg weitergegeben, wenn sie in einer Bereitstellungspipeline enthalten sind.
  • Unterstützte Abhängigkeitsreferenzen zwischen Notebooks, Experimenten und Modellen könnten bei der Pipelinebereitstellung arbeitsbereichsübergreifend verknüpft werden. Die Bindung hängt vom Elementtyp und dem Referenzformat ab.

Verwandte Inhalte

  • Zuletzt aktualisiert um