Pipelines de integração e implementação de Git para experiências e modelos de aprendizagem automática (pré-visualização)

Experiências e modelos de aprendizagem automática no Microsoft Fabric integram-se com pipelines de integração e implementação do Git. Estas capacidades acompanham e promovem metadados de experiências e modelos, enquanto as execuções de experimentos e versões dos modelos permanecem armazenadas no espaço de trabalho e não são versionadas ou promovidas.

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

Importante

Este recurso está em pré-visualização.

Experimentos e modelos de aprendizado de máquina Integração Git

Experimentos e modelos de aprendizado de máquina (ML) contêm metadados e dados. Os experimentos de ML contêm runs, enquanto os modelos de ML contêm model versions. Do ponto de vista do fluxo de trabalho de desenvolvimento, os cadernos podem referenciar uma experiência ou modelo de ML.

Os dados não são armazenados no Git; apenas os metadados de artefactos são rastreados. Por defeito, gira experiências e modelos de ML através do processo de sincronização e atualização do Git, mas experiment runs e model versions não são controlados nem versionados no Git. Os 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 ligação depende do tipo de item e do formato de referência.

Fluxo do ciclo de vida

  1. A integração Git serializa metadados de experiências e modelos para que possam ser sincronizados e versionados.
  2. A sincronização Git aplica alterações de metadados entre o repositório ligado e o espaço de trabalho.
  3. Os pipelines de implementação promovem metadados de artefactos suportados entre os espaços de trabalho de desenvolvimento, teste e produção.
  4. As execuções de experiências e as versões dos modelos permanecem no armazenamento do workspace e não estão incluídas em nenhum dos caminhos de sincronização.

Representação do Git

Um espaço de trabalho ligado ao Git para experiências e modelos de aprendizagem automática serializa e acompanha a seguinte informação:

  • Nome para exibição.
  • Versão. O campo version identifica a versão do formato de ficheiro do sistema de controlo de versões. Não é a versão de um modelo ML.
  • ID lógico. O valor logicalId é um identificador entre áreas de trabalho gerado automaticamente que o Fabric utiliza para associar um item à respetiva representação no controlo de versões. Para mais informações, consulte ID Lógico no Fabric.
  • Dependências. Referências de dependência suportadas podem ser vinculadas entre espaços de trabalho ligados ao Git. A encadernação depende do tipo de artigo e do formato de referência. Referências que mantêm IDs específicos do espaço de trabalho podem necessitar de actualizações manuais ou parametrização.

Importante

Apenas os metadados dos experimentos de aprendizagem automática e dos artefactos do modelo são rastreados no Git na experiência atual. Execuções de experimento e versões de modelo (as saídas de execução e dados do modelo) não são armazenadas ou versionadas no Git; seus dados permanecem no armazenamento do espaço de trabalho.

Recursos de integração do Git

Os seguintes recursos estão disponíveis:

  • Serializar os metadados da experiência de ML e do artefacto do modelo numa representação JSON rastreada pelo Git.
  • Ofereça suporte a vários espaços de trabalho vinculados à mesma ramificação do Git, permitindo que metadados rastreados sejam sincronizados entre espaços de trabalho. Cada espaço de trabalho só pode ligar-se a uma ramificação de cada vez.
  • Permita que as atualizações sejam aplicadas diretamente ou controladas por meio de solicitações pull para gerenciar alterações entre espaços de trabalho/ramificações upstream e downstream.
  • Acompanhe as renomeações de experimentos e modelos no Git para preservar a identidade nos espaços de trabalho.
  • Não é executada nenhuma ação em experiment runs ou model versions; os respetivos dados são preservados no armazenamento do espaço de trabalho e não são armazenados nem substituídos pelo Git.

Experiências e modelos de aprendizagem automática em pipelines de implementação

Os pipelines de implementação do Microsoft Fabric suportam experiências e modelos de aprendizagem automática (ML). Ajudam-no a segmentar ambientes de desenvolvimento, teste e produção. Para orientação, consulte as melhores práticas para a gestão do ciclo de vida.

Importante

Os pipelines de implementação atualmente implementam apenas metadados suportados para experiências e modelos de aprendizagem automática. execuções de experiências e versões de modelos não são conteúdos de pipeline de implementação. A implementação de metadados não sincroniza nem sobrescreve os seus dados.

Capacidades de integração de pipelines de implementação de experiências e modelos de ML:

  • Suporte para implantação de experimentos e modelos de ML em espaços de trabalho de desenvolvimento, teste e produção.
  • As implementações sincronizam apenas os metadados de artefactos suportados. experiment runs e model versions não estão sincronizados entre espaços de trabalho.
  • As mudanças de nome de experimentos e modelos são propagadas entre espaços de trabalho quando incluídas num pipeline de implementação.
  • Referências de dependência suportadas entre cadernos, experiências e modelos podem ser vinculadas entre espaços de trabalho durante implementações de pipeline. A encadernação depende do tipo de artigo e do formato de referência.

Conteúdo relacionado

  • Última atualização a