Integración con Git y canalizaciones de despliegue para experimentos y modelos de aprendizaje automático (versión preliminar)

Los experimentos y modelos de aprendizaje automático en Microsoft Fabric se integran con las canalizaciones de integración y despliegue de Git. Estas capacidades rastrean y promueven los metadatos de experimentos y modelos, mientras que las ejecuciones de experimentos y versiones del modelo permanecen almacenadas en el espacio de trabajo y no se versionan ni promocionan.

Para una visión general del proceso de lanzamiento, consulta ¿Qué es la gestión del ciclo de vida en Microsoft Fabric?

Importante

Esta característica se encuentra en versión preliminar.

Integración de Git con experimentos y modelos de Machine Learning

Los experimentos y modelos de Machine Learning (ML) contienen metadatos y datos. Los experimentos de ML contienen runs, mientras que los modelos de ML contienen model versions. Desde la perspectiva del flujo de trabajo de desarrollo, los cuadernos pueden hacer referencia a un experimento o modelo de ML.

Los datos no se almacenan en Git; solo se rastrean los metadatos de artefactos. De forma predeterminada, gestiona los experimentos y modelos de ML mediante el proceso de sincronización y actualización de Git, pero experiment runs y model versions no se registran ni se versionan en Git. Sus datos permanecen almacenados en el espacio de trabajo. Las referencias de dependencias soportadas pueden vincularse entre espacios de trabajo cuando Fabric las representa con IDs lógicos portátiles. El comportamiento de la vinculación depende del tipo de elemento y del formato de referencia.

Flujo del ciclo de vida

  1. La integración git serializa metadatos de experimentos y modelos para que puedan sincronizarse y versionarse.
  2. La sincronización con Git aplica cambios de metadatos entre el repositorio conectado y el espacio de trabajo.
  3. Las canalizaciones de despliegue promueven los metadatos compatibles de los artefactos entre los espacios de trabajo de desarrollo, pruebas y producción.
  4. Las ejecuciones de experimentos y las versiones de modelos permanecen en el almacenamiento del espacio de trabajo y no se incluyen en ninguna de las rutas de sincronización.

Representación de Git

Un espacio de trabajo conectado a Git para experimentos y modelos de aprendizaje automático serializa y rastrea la siguiente información:

  • Nombre para mostrar.
  • Versión. El campo version identifica la versión del formato de archivo del sistema de control de código fuente. No es la versión de un modelo de aprendizaje automático.
  • Identificación lógica. El valor logicalId es un identificador entre áreas de trabajo generado automáticamente que Fabric usa para asociar un elemento con su representación en el control de código fuente. Para más información, véase ID lógico en Fabric.
  • Dependencias. Las referencias de dependencias soportadas pueden vincularse entre espacios de trabajo conectados a Git. La encuadernación depende del tipo de artículo y del formato de referencia. Las referencias que conservan IDs específicos del espacio de trabajo pueden requerir actualizaciones manuales o parametrización.

Importante

En la experiencia actual, en Git solo se rastrean los metadatos de los experimentos de aprendizaje automático y de los artefactos de modelo. Las ejecuciones de experimentos y las versiones del modelo (las salidas de ejecución y los datos del modelo) no se almacenan ni se versionan en Git; sus datos permanecen en el almacenamiento del área de trabajo.

Funcionalidades de integración de Git

Están disponibles las siguientes funcionalidades:

  • Serializar los metadatos del experimento de aprendizaje automático y del artefacto de modelo como una representación JSON versionada en Git.
  • Admita varias áreas de trabajo vinculadas a la misma rama de Git, lo que permite que los metadatos de seguimiento se sincronicen entre áreas de trabajo. Cada espacio de trabajo solo puede conectarse a una sucursal a la vez.
  • Permitir que las actualizaciones se apliquen directamente o se controlen a través de solicitudes de incorporación de cambios para administrar los cambios entre áreas de trabajo o ramas ascendentes y descendentes.
  • Realice un seguimiento de los cambios de nombres de experimentos y modelos en Git para conservar la identidad entre áreas de trabajo.
  • No se realiza ninguna acción en experiment runs o model versions; sus datos se conservan en el almacenamiento del área de trabajo y Git no los almacena ni sobrescribe.

Experimentos y modelos de Aprendizaje automático en canalizaciones de implementación

Las canalizaciones de despliegue de Microsoft Fabric soportan experimentos y modelos de aprendizaje automático (ML). Te ayudan a segmentar entornos de desarrollo, pruebas y producción. Para orientación, consulte las mejores prácticas para la gestión del ciclo de vida.

Importante

Actualmente, las pipelines de despliegue solo despliegan metadatos compatibles para experimentos y modelos de aprendizaje automático. Las ejecuciones de experimentos y las versiones de modelos no son cargas de la canalización de implementación. El despliegue de metadatos no sincroniza ni sobrescribe sus datos.

Capacidades de integración de flujos de implementación de experimentos y modelos de ML:

  • Compatibilidad con la implementación de experimentos y modelos de ML en áreas de trabajo de desarrollo, pruebas y producción.
  • Los despliegues sincronizan solo los metadatos de artefactos compatibles. experiment runs y model versions no están sincronizados entre espacios de trabajo.
  • Los cambios de nombre de experimentos y modelos se propagan entre áreas de trabajo cuando están incluidos en una canalización de implementación.
  • Las referencias de dependencias soportadas entre cuadernos, experimentos y modelos pueden enlazarse entre espacios de trabajo durante despliegues de pipeline. La encuadernación depende del tipo de artículo y del formato de referencia.

Contenido relacionado

  • Se actualizó por última vez el