Pipelines de integração e implantação do Git para experimentos e modelos de aprendizado de máquina (prévia)

Experimentos e modelos de aprendizado de máquina no Microsoft Fabric se integram com pipelines de integração e implantação do Git. Esses recursos acompanham e promovem metadados de experimentos e modelos, enquanto execuções de experimentos e versões de modelos permanecem no armazenamento do espaço de trabalho e não são versionadas nem promovidas.

Para uma visão geral do processo de lançamento mais amplo, veja O que é gerenciamento do ciclo de vida no Microsoft Fabric?

Importante

Esse recurso está na versão prévia.

Experimentos de machine learning e modelos de integração do Git

Experimentos e modelos de ML (machine learning) contêm metadados e dados. Experimentos de ML contêm runs, enquanto modelos de ML contêm model versions. Do ponto de vista do fluxo de trabalho de desenvolvimento, notebooks podem fazer referência a um experimento ou modelo de ML.

Os dados não são armazenados no Git; apenas os metadados de artefato são rastreados. Por padrão, gerencie experimentos e modelos de ML por meio do processo de sincronização e atualização com o Git, mas experiment runs e model versions não são rastreados nem versionados no Git. Seus dados permanecem armazenados no espaço de trabalho. Referências de dependência suportadas podem ser vinculadas entre espaços de trabalho quando o Fabric as representa com IDs lógicos portáteis. O comportamento de vinculação depende do tipo de item e do formato de referência.

Fluxo do ciclo de vida

  1. A integração com Git serializa metadados de experimentos e modelos para que possam ser sincronizados e versionados.
  2. A sincronização com Git aplica alterações de metadados entre o repositório conectado e o espaço de trabalho.
  3. Os pipelines de implantação promovem os metadados de artefatos com suporte entre os espaços de trabalho de desenvolvimento, teste e produção.
  4. Execuções experimentais e versões de modelos permanecem no armazenamento do workspace e não são incluídas em nenhum dos caminhos de sincronização.

Representação do Git

Um espaço de trabalho conectado ao Git para experimentos e modelos de aprendizado de máquina serializa e acompanha as seguintes informações:

  • Nome de exibição.
  • Versão. O campo version identifica a versão do formato de arquivo do sistema de controle de versão. Não é a versão de um modelo ML.
  • ID lógico. O valor logicalId é um identificador gerado automaticamente entre espaços de trabalho que o Fabric usa para associar um item à sua representação no controle de versão. Para mais informações, veja ID Lógico no Fabric.
  • Dependências. Referências de dependência compatíveis podem se vincular entre espaços de trabalho conectados via Git. A vinculação depende do tipo de item e do formato da referência. Referências que mantêm IDs específicos do espaço de trabalho podem exigir atualizações manuais ou parametrização.

Importante

Somente os metadados do experimento de machine learning e do artefato do modelo são rastreados no Git na experiência atual. Execuções de experimento e versões de modelo (as saídas de execução e os dados do modelo) não são armazenadas ou atualizadas no Git; seus dados permanecem no armazenamento do workspace.

Recursos de integração do Git

Os seguintes recursos estão disponíveis:

  • Serializar metadados de artefatos de modelo e de experimentos de ML em uma representação JSON rastreada pelo Git.
  • Dê suporte a vários workspaces vinculados ao mesmo branch do Git, permitindo que os metadados rastreados sejam sincronizados entre workspaces. Cada espaço de trabalho pode se conectar a apenas uma filial por vez.
  • Permitir que as atualizações sejam aplicadas diretamente ou gerenciadas por meio de pull requests para gerenciar as alterações entre os workspaces/branches upstream e downstream.
  • Rastreie as renomeações de experimentos e modelos no Git para preservar a identidade entre espaços de trabalho.
  • Nenhuma ação é executada em experiment runs ou model versions; seus dados são preservados no armazenamento do espaço de trabalho e não são armazenados nem sobrescritos pelo Git.

Experimentos e modelos de machine learning em pipelines de implantação

Os pipelines de implantação do Microsoft Fabric suportam experimentos e modelos de aprendizado de máquina (ML). Eles ajudam a segmentar ambientes de desenvolvimento, teste e produção. Para orientações, veja as melhores práticas para gestão do ciclo de vida.

Importante

Atualmente, os pipelines de implantação implantam apenas os metadados compatíveis para experimentos e modelos de aprendizado de máquina. Execuções experimentais e versões de modelos não são payloads de pipeline de implantação. A implantação de metadados não sincroniza nem sobrescreve seus dados.

Capacidades de integração de pipelines de implantação de modelos e de experimentos de ML:

  • Suporte para implantação de experimentos e modelos de ML em workspaces de desenvolvimento, teste e produção.
  • As implantações sincronizam apenas metadados de artefatos suportados. experiment runs e model versions não são sincronizados entre os espaços de trabalho.
  • As renomeações de experimentos e modelos são propagadas entre espaços de trabalho quando estes estão incluídos em um pipeline de implantação.
  • Referências de dependência suportadas entre notebooks, experimentos e modelos podem ser vinculadas entre espaços de trabalho durante implantações em pipeline. A vinculação depende do tipo de item e do formato da referência.

Conteúdo relacionado

  • Última atualização em