Pipelines d’intégration et de déploiement Git pour expériences et modèles d’apprentissage automatique (aperçu)

Les expériences et modèles d’apprentissage automatique dans Microsoft Fabric s’intègrent aux pipelines d’intégration et de déploiement de Git. Ces capacités suivent et favorisent les métadonnées d’expérimentation et de modèles, tandis que les exécutions d’expériences et les versions du modèle restent en stockage de l’espace de travail et ne sont ni versionnées ni promues.

Pour un aperçu du processus de publication dans son ensemble, consultez Qu’est-ce que la gestion du cycle de vie dans Microsoft Fabric ?

Intégration Git pour les expériences et les modèles d’apprentissage automatique

Les expériences et modèles Machine Learning (ML) contiennent à la fois des métadonnées et des données. Les expériences ML contiennent runs, tandis que les modèles ML contiennent model versions. Du point de vue du processus de développement, notebooks peuvent désigner une expérience de ML ou un modèle ML.

Les données ne sont pas stockées dans Git ; seules les métadonnées d’artefacts sont suivies. Par défaut, gérez les expériences et les modèles ML à l’aide du processus de synchronisation et de mise à jour de Git, mais experiment runs et model versions ne sont pas suivis ni versionnés dans Git. Leurs données restent conservées dans le stockage de l’espace de travail. Les références de dépendances prises en charge peuvent se lier entre espaces de travail lorsque Fabric les représente avec des identifiants logiques portables. Le comportement de liaison dépend du type d’élément et du format de référence.

Flux du cycle de vie

1. L’intégration git sérialise les métadonnées des expériences et des modèles afin de pouvoir être synchronisées et versionnées.
2. La synchronisation git applique des modifications de métadonnées entre le dépôt connecté et l’espace de travail.
3. Les pipelines de déploiement font passer les métadonnées prises en charge des artefacts de l’espace de travail de développement vers ceux de test et de production.
4. Les exécutions d’expériences et les versions de modèles restent dans le stockage de l’espace de travail et ne sont incluses dans aucun des deux chemins de synchronisation.

Représentation de Git

Un espace de travail connecté à Git pour les expériences et modèles d’apprentissage automatique sérialise et suit les informations suivantes :

• Nom d'affichage.
• version. Le champ version indique la version du format de fichier du système de gestion de versions. Ce n’est pas la version d’un modèle ML.
• ID logique. La valeur logicalId est un identifiant entre espaces de travail généré automatiquement que Fabric utilise pour associer un élément à sa représentation dans le contrôle de code source. Pour plus d’informations, voir Logical ID dans Fabric.
• Dépendances. Les références de dépendances prises en charge peuvent se lier entre les espaces de travail connectés à Git. La reliure dépend du type d’article et du format de référence. Les références qui conservent des identifiants spécifiques à chaque espace de travail peuvent nécessiter des mises à jour manuelles ou des paramétrisations.

Fonctionnalités d’intégration Git

Les fonctionnalités suivantes sont disponibles :

• Sérialisez les métadonnées des expériences ML et des artefacts de modèle dans une représentation JSON versionnée avec Git.
• Prendre en charge plusieurs espaces de travail liés à la même branche Git, ce qui permet de synchroniser les métadonnées suivies entre les espaces de travail. Chaque espace de travail ne peut se connecter qu’à une seule branche à la fois.
• Autoriser l’application directe des mises à jour ou leur contrôle via des pull requests afin de gérer les modifications entre les espaces de travail et les branches en amont et en aval.
• Suivez les changements de nom des expériences et des modèles dans Git pour préserver leur identité entre les espaces de travail.
• Aucune action n’est effectuée sur experiment runs ou model versions; leurs données sont conservées dans le stockage de l’espace de travail et ne sont pas stockées ou remplacées par Git.

Expériences et modèles Machine Learning dans les pipelines de déploiement

Les pipelines de déploiement Microsoft Fabric prennent en charge les expériences et modèles d’apprentissage automatique (ML). Ils vous aident à segmenter les environnements de développement, de test et de production. Pour des conseils, consultez les meilleures pratiques en matière de gestion du cycle de vie.

Fonctionnalités d’intégration des expériences ML et des pipelines de déploiement de modèles :

• Prise en charge du déploiement d’expériences et de modèles ML dans des espaces de travail de développement, de test et de production.
• Les déploiements synchronisent uniquement les métadonnées d’artefacts prises en charge. experiment runs et model versions ne sont pas synchronisés entre les espaces de travail.
• Les renommages des expériences et des modèles sont répercutés dans tous les espaces de travail lorsque ces éléments sont inclus dans un pipeline de déploiement.
• Les références de dépendance prises en charge entre notebooks, expériences et modèles peuvent être liées d’un espace de travail à l’autre lors des déploiements de pipeline. La reliure dépend du type d’article et du format de référence.

Contenu connexe

• Qu’est-ce que la gestion du cycle de vie dans Microsoft Fabric ?
• Tutoriel : Gestion du cycle de vie dans Fabric
• Présentation de l’intégration Git
• Présentation des pipelines de déploiement