Git-integratie- en deploymentpipelines voor machine learning-experimenten en modellen (preview)

Machine learning-experimenten en -modellen in Microsoft Fabric integreren met Git-integratie- en deploymentpipelines. Deze mogelijkheden volgen en bevorderen experiment- en modelmetadata, terwijl experimenten en modelversies in werkruimteopslag blijven en niet versiegebonden of gepromoot worden.

Voor een overzicht van het bredere releaseproces, zie Wat is levenscyclusbeheer in Microsoft Fabric?

Belangrijk

Deze functie is beschikbaar als preview-versie.

Machine learning-experimenten en modellen git-integratie

Machine learning-experimenten en -modellen bevatten zowel metagegevens als gegevens. ML-experimenten bevatten runs, terwijl ML-modellen model versions bevatten. Vanuit het perspectief van de ontwikkelworkflow kunnen notebooks verwijzen naar een ML-experiment of model.

Data wordt niet opgeslagen in Git; alleen artefactmetadata wordt gevolgd. Standaard beheer je ML-experimenten en -modellen via het Git-synchronisatie- en updateproces, maar experiment runsmodel versions ze worden niet gevolgd of versiegebonden in Git. Hun gegevens blijven opgeslagen in de werkruimte. Ondersteunde afhankelijkheidsreferenties kunnen binden tussen werkruimtes wanneer Fabric ze vertegenwoordigt met draagbare logische ID's. Het bindingsgedrag hangt af van het itemtype en het referentieformaat.

Levenscyclusverloop

  1. Git-integratie serialiseert metadata van experimenten en modellen zodat deze gesynchroniseerd en versiegebonden kunnen worden.
  2. Git-synchronisatie past metadatawijzigingen toe tussen de verbonden repository en de werkruimte.
  3. Deploymentpijplijnen zetten metadata van ondersteunde artefacten door van ontwikkel- naar test- en productiewerkruimten.
  4. Experimenten en modelversies blijven in de opslag van de werkruimte en zijn niet opgenomen in een van beide synchronisatiepaden.

Git-weergave

Een Git-verbonden werkruimte voor machine learning-experimenten en modellen serialiseert en volgt de volgende informatie:

  • Weergavenaam.
  • versie. Het version veld geeft de versie aan van de bestandsindeling van het bronbeheersysteem. Het is niet de versie van een ML-model.
  • Logische identificatie. De logicalId-waarde is een automatisch gegenereerde id voor meerdere werkruimten die Fabric gebruikt om een item te koppelen aan de weergave ervan in broncodebeheer. Voor meer informatie, zie Logical ID in Fabric.
  • Afhankelijkheden. Ondersteunde afhankelijkheidsverwijzingen kunnen verwijzen naar werkruimten die via Git met elkaar zijn verbonden. Binding hangt af van het itemtype en het referentieformaat. Referenties die werkruimte-specifieke ID's behouden, kunnen handmatige updates of parametrisatie vereisen.

Belangrijk

In de huidige ervaring worden alleen metagegevens van machine learning-experimenten en modelartefacten bijgehouden in Git. Experimentuitvoeringen en modelversies (de uitvoer van uitvoeringen en modelgegevens) worden niet opgeslagen of geversied in Git; hun gegevens blijven in werkruimteopslag.

Git-integratiemogelijkheden

De volgende mogelijkheden zijn beschikbaar:

  • Serialiseer metadata van ML-experimenten en modelartefacten naar een in Git bijgehouden JSON-representatie.
  • Ondersteuning voor meerdere werkruimten die zijn gekoppeld aan dezelfde Git-vertakking, waardoor bijgehouden metagegevens kunnen worden gesynchroniseerd tussen werkruimten. Elke werkruimte kan tegelijk maar met één branch verbinden.
  • Updates direct laten toepassen of wijzigingen tussen upstream- en downstreamwerkruimten en branches beheren via pullrequests.
  • Volg naamswijzigingen van experimenten en modellen in Git om de identiteit in verschillende werkruimten te behouden.
  • Er worden geen acties uitgevoerd op experiment runs of model versions; hun gegevens blijven behouden in de werkruimteopslag en worden niet opgeslagen of overschreven door Git.

Machine learning-experimenten en -modellen in implementatiepijplijnen

Microsoft Fabric-implementatiepijplijnen ondersteunen machine learning (ML) experimenten en modellen. Ze helpen je bij het segmenteren van ontwikkel-, test- en productieomgevingen. Voor richtlijnen, zie best practices voor levenscyclusbeheer.

Belangrijk

Deployment pipelines implementeren momenteel alleen ondersteunde metadata voor machine learning-experimenten en modellen. Experimentuitvoeringen en modelversies zijn geen payloads van implementatiepijplijnen. Metadata-implementatie synchroniseert of overschrijft hun data niet.

Integratiemogelijkheden voor ML-experimenten en -modellen voor implementatiepijplijnen:

  • Ondersteuning voor het implementeren van ML-experimenten en -modellen in ontwikkel-, test- en productiewerkruimten.
  • Implementaties synchroniseren alleen ondersteunde artefactmetadata. experiment runs en model versions zijn niet gesynchroniseerd tussen werkruimten.
  • Naamswijzigingen van experimenten en modellen worden in alle werkruimten doorgevoerd wanneer deze zijn opgenomen in een implementatiepijplijn.
  • Ondersteunde afhankelijkheidsreferenties tussen notebooks, experimenten en modellen kunnen tijdens pipeline-implementaties over werkruimtes heen binden. Binding hangt af van het itemtype en het referentieformaat.

Verwante inhoud

  • Last updated on