Potoki integracji i wdrożeń Git dla eksperymentów i modeli uczenia maszynowego (podgląd)

Eksperymenty i modele uczenia maszynowego w Microsoft Fabric integrują się z pipeline'ami integracji i wdrożeń Git. Te funkcje śledzą i promują metadane eksperymentów i modeli, podczas gdy przeprowadzane eksperymenty i wersje modeli pozostają w pamięci roboczej i nie są wersjonowane ani promowane.

Aby zobaczyć szerszy przegląd procesu wydawnictwa, zobacz: Czym jest zarządzanie cyklem życia w Microsoft Fabric?

Ważne

Ta funkcja jest dostępna w wersji zapoznawczej.

Eksperymenty i modele uczenia maszynowego — integracja z usługą Git

Eksperymenty i modele uczenia maszynowego (ML) zawierają zarówno metadane, jak i dane. Eksperymenty ML zawierają runs, natomiast modele ML zawierają model versions. Z perspektywy procesu programistycznego notatniki mogą odnosić się do eksperymentu ML lub modelu.

Dane nie są przechowywane w Gicie; śledzone są tylko metadane artefaktów. Domyślnie zarządza eksperymentami i modelami ML poprzez proces synchronizacji i aktualizacji w Gicie, ale experiment runsmodel versions nie są śledzone ani wersjonowane w Gicie. Ich dane pozostają w pamięci roboczej. Wspierane odwołania do zależności mogą wiązać się między przestrzeniami roboczymi, gdy Fabric reprezentuje je za pomocą przenośnych identyfikatorów logicznych. Zachowanie wiązania zależy od typu przedmiotu i formatu odniesienia.

Przebieg cyklu życia

  1. Integracja z Gitem serializuje metadane eksperymentów i modeli, dzięki czemu można je synchronizować i wersjonować.
  2. Synchronizacja z użyciem systemu Git wprowadza zmiany metadanych między połączonym repozytorium a przestrzenią roboczą.
  3. Potoki wdrożeniowe przenoszą obsługiwane metadane artefaktów między deweloperskimi, testowymi i produkcyjnymi przestrzeniami roboczymi.
  4. Przeprowadzenia eksperymentów i wersje modeli pozostają w pamięci roboczej i nie są uwzględnione w żadnej ze ścieżek synchronizacji.

Reprezentacja usługi Git

Przestrzeń robocza połączona z Gitem do eksperymentów i modeli uczenia maszynowego serializuje i śledzi następujące informacje:

  • nazwa do wyświetlenia.
  • wersja. Pole version identyfikuje wersję formatu pliku systemu kontroli wersji. To nie jest wersja modelu ML.
  • Logiczna identyfikacja. Wartość logicalId jest automatycznie generowanym identyfikatorem między obszarami roboczymi, którego Fabric używa do powiązania elementu z jego odpowiednikiem w systemie kontroli źródła. Więcej informacji można znaleźć w artykule Logical ID in Fabric.
  • Zależności. Obsługiwane referencje zależności mogą być powiązane między obszarami roboczymi połączonymi z Gitem. Powiązanie zależy od typu elementu i formatu odwołania. Referencje zachowujące identyfikatory specyficzne dla przestrzeni roboczej mogą wymagać ręcznych aktualizacji lub parametryzacji.

Ważne

Obecnie w systemie Git śledzone są tylko metadane eksperymentów uczenia maszynowego i artefaktów modeli. Uruchomienia eksperymentów i wersje modelu (dane wyjściowe uruchomień i dane modelu) nie są przechowywane ani wersjonowane w systemie Git; ich dane pozostają w magazynie danych obszaru roboczego.

Możliwości integracji z usługą Git

Dostępne są następujące możliwości:

  • Serializowanie metadanych eksperymentu uczenia maszynowego i artefaktu modelu do reprezentacji JSON śledzonej przez usługę Git.
  • Obsługa wielu obszarów roboczych połączonych z tą samą gałęzią Usługi Git, co umożliwia synchronizowanie śledzonych metadanych między obszarami roboczymi. Każdy obszar roboczy może być połączony tylko z jedną gałęzią naraz.
  • Zezwalaj na bezpośrednie stosowanie aktualizacji lub zarządzanie nimi za pomocą pull requestów, aby kontrolować zmiany między obszarami roboczymi/gałęziami upstream i downstream.
  • Śledzenie zmian nazw eksperymentów i modeli w usłudze Git w celu zachowania tożsamości między obszarami roboczymi.
  • Nie są wykonywane żadne działania na experiment runs ani na model versions; ich dane są zachowywane w magazynie danych obszaru roboczego i nie są przechowywane ani nadpisywane przez Git.

Eksperymenty i modele uczenia maszynowego w potokach wdrażania

Potoki wdrożeniowe Microsoft Fabric wspierają eksperymenty i modele uczenia maszynowego (ML). Pomagają segmentować środowiska rozwojowe, testowe i produkcyjne. Wskazówki znajdziesz w najlepszych praktykach zarządzania cyklem życia.

Ważne

Obecnie pipeline'y wdrożeniowe wdrażają tylko wspierane metadane dla eksperymentów i modeli uczenia maszynowego. Uruchomienia eksperymentów i wersje modeli nie są ładunkami pipeline wdrożeniowymi. Wdrożenie metadanych nie synchronizuje ani nie nadpisuje ich danych.

Możliwości integracji eksperymentów uczenia maszynowego i potoków wdrażania modeli:

  • Obsługa wdrażania eksperymentów i modeli uczenia maszynowego w obszarach roboczych programowania, testowania i produkcji.
  • Wdrożenia synchronizują się tylko z obsługiwanymi metadanymi artefaktów. experiment runs i model versions nie są synchronizowane między przestrzeniami roboczymi.
  • Zmiany nazw eksperymentów i modeli są propagowane między obszarami roboczymi, jeśli są uwzględniane w potoku wdrażania.
  • Obsługiwane odwołania do zależności między notesami, eksperymentami i modelami mogą być powiązane między obszarami roboczymi podczas wdrażania potoków. Powiązanie zależy od typu elementu i formatu odwołania.

Treści powiązane

  • Last updated on