Git-integrasjon og distribusjonspipelines for maskinlæringseksperimenter og modeller (forhåndsvisning)

Maskinlæringseksperimenter og modeller i Microsoft Fabric integreres med Git-integrasjon og distribusjonspipelines. Disse funksjonene sporer og fremmer metadata for eksperimenter og modeller, mens eksperimentkjøringer og modellversjoner forblir i arbeidsområdets lagring og ikke er versjonsbasert eller promotert.

For en oversikt over den bredere utgivelsesprosessen, se Hva er livssyklusstyring i Microsoft Fabric?

Maskinlæringseksperimenter og -modeller Git-integrasjon

Eksperimenter og modeller for maskinlæring (ML) inneholder både metadata og data. ML-eksperimenter inneholder runs, mens ML-modeller inneholder model versions. Fra et utviklingsarbeidsflytperspektiv kan notatbøker referere til et ML-eksperiment eller en modell.

Data lagres ikke i Git; kun artefaktmetadata spores. Som standard administrerer ML-eksperimenter og modeller gjennom Git-synkroniserings- og oppdateringsprosessen, men experiment runsmodel versions de blir ikke sporet eller versjonert i Git. Deres data forblir i arbeidsområdets lagring. Støttede avhengighetsreferanser kan bindes på tvers av arbeidsområder når Fabric representerer dem med portable logiske ID-er. Bindingsoppførsel avhenger av elementtype og referanseformat.

Livssyklus

1. Git-integrasjon serialiserer eksperiment- og modellmetadata slik at det kan synkroniseres og versjoneres.
2. Git-synkronisering anvender metadataendringer mellom det tilkoblede repositoriet og arbeidsområdet.
3. Distribusjonspipelines fremmer støttet artefaktmetadata mellom utviklings-, test- og produksjonsarbeidsområder.
4. Eksperimentkjøringer og modellversjoner forblir i arbeidsområdets lagring og er ikke inkludert i noen av synkroniseringsveiene.

Git-representasjon

Et Git-tilkoblet arbeidsområde for maskinlæringseksperimenter og modeller serialiserer og sporer følgende informasjon:

• Visningsnavn.
• Versjon. Feltet version identifiserer versjonen med kildekontrollsystem-filformat. Det er ikke versjonen av en ML-modell.
• Logisk identifikasjon. Verdien logicalId er en automatisk generert tverrarbeidsområde-identifikator som Fabric bruker for å knytte et element til dets kildekontroll-representasjon. For mer informasjon, se Logical ID in Fabric.
• Avhengigheter. Støttede avhengighetsreferanser kan binde på tvers av Git-tilkoblede arbeidsområder. Binding avhenger av elementtype og referanseformat. Referanser som beholder arbeidsområdespesifikke ID-er kan kreve manuelle oppdateringer eller parameterisering.

Muligheter for Git-integrasjon

Følgende funksjoner er tilgjengelige:

• Serialiser ML-eksperiment og modeller artefaktmetadata til en Git-sporet JSON-representasjon.
• Støtt flere arbeidsområder som er koblet til samme Git-gren, slik at sporede metadata kan synkroniseres på tvers av arbeidsområder. Hvert arbeidsområde kan kun kobles til én gren om gangen.
• Tillat at oppdateringer brukes direkte eller kontrolleres via pull-forespørsler for å administrere endringer mellom oppstrøms og nedstrøms arbeidsområder/grener.
• Spor nye navn på eksperimenter og modeller i Git for å bevare identitet på tvers av arbeidsområder.
• Ingen handlinger utføres på experiment runs eller model versions. Dataene deres beholdes i arbeidsområdelagring og lagres eller overskrives ikke av Git.

Maskinlæringseksperimenter og -modeller i utrullingssamlebånd

Microsoft Fabric-distribusjonspipelines støtter maskinlæringseksperimenter og modeller. De hjelper deg med å segmentere utviklings-, test- og produksjonsmiljøer. For veiledning, se beste praksis for livssyklusstyring.

Integreringsfunksjoner for distribusjonssamlebånd for ML-eksperimenter og -modeller:

• Støtte for distribusjon av ML-eksperimenter og -modeller på tvers av arbeidsområder for utvikling, testing og produksjon.
• Distribusjoner synkroniserer kun støttet artefaktmetadata. experiment runs model versions og er ikke synkronisert mellom arbeidsområder.
• Navn på eksperimenter og modeller overføres på tvers av arbeidsområder når de inkluderes i et utrullingssamlebånd.
• Støttede avhengighetsreferanser mellom notatbøker, eksperimenter og modeller kan bindes på tvers av arbeidsområder under pipeline-distribusjoner. Binding avhenger av elementtype og referanseformat.

Relatert innhold

• Hva er livssyklusadministrasjon i Microsoft Fabric?
• Opplæring: Livssyklusadministrasjon i Fabric
• Innføring i Git-integrasjon
• Innføring i utrullingssamlebånd