Pipeline di integrazione e distribuzione di Git per esperimenti e modelli di machine learning (anteprima)

Gli esperimenti e i modelli di machine learning in Microsoft Fabric si integrano con le pipeline di integrazione e distribuzione di Git. Queste capacità tracciano e promuovono i metadati degli esperimenti e dei modelli, mentre le esecuzioni di esperimenti e le versioni dei modelli rimangono nello spazio di lavoro e non vengono versionate o promosse.

Per una panoramica del processo di rilascio più ampio, vedi Cos'è la gestione del ciclo di vita in Microsoft Fabric?

Integrazione con Git per esperimenti e modelli di machine learning

Gli esperimenti e i modelli di Machine Learning contengono sia metadati che dati. Gli esperimenti ML contengono runs, mentre i modelli ML contengono model versions. Dal punto di vista del flusso di lavoro di sviluppo, i notebook potrebbero fare riferimento a un esperimento o modello di ML.

I dati non vengono memorizzati in Git; vengono tracciati solo i metadati degli artefatti. Di default, gestisci esperimenti e modelli ML tramite il processo di sincronizzazione e aggiornamento Git, ma experiment runsmodel versions non sono tracciati o versionati in Git. I loro dati rimangono nell'archiviazione dello spazio di lavoro. I riferimenti di dipendenza supportati potrebbero essere associati tra aree di lavoro diverse quando Fabric li rappresenta con ID logici portabili. Il comportamento del binding dipende dal tipo di elemento e dal formato di riferimento.

Flusso del ciclo di vita

1. L'integrazione git serializza i metadati degli esperimenti e dei modelli in modo che possano essere sincronizzati e versionati.
2. La sincronizzazione git applica modifiche ai metadati tra il repository connesso e lo spazio di lavoro.
3. Le pipeline di distribuzione trasferiscono i metadati degli artefatti supportati tra le aree di lavoro di sviluppo, test e produzione.
4. Le esecuzioni di esperimenti e le versioni dei modelli rimangono nello spazio di lavoro e non sono incluse in nessuno dei due percorsi di sincronizzazione.

Rappresentazione di Git

Uno spazio di lavoro connesso a Git per esperimenti e modelli di machine learning serializza e traccia le seguenti informazioni:

• Nome visualizzato.
• versione. Il campo version identifica la versione del formato di file del sistema di controllo del codice sorgente. Non è la versione di un modello ML.
• ID logico. Il valore logicalId è un identificatore generato automaticamente tra aree di lavoro che Fabric utilizza per associare un elemento alla relativa rappresentazione nel controllo del codice sorgente. Per maggiori informazioni, vedi Logical ID in Fabric.
• Dipendenze. I riferimenti di dipendenza supportati potrebbero collegarsi tra aree di lavoro connesse a Git. La rilegatura dipende dal tipo di oggetto e dal formato di riferimento. I riferimenti che mantengono ID specifici per lo spazio di lavoro potrebbero richiedere aggiornamenti manuali o parametrizzazione.

Funzionalità di integrazione Git

Sono disponibili le seguenti funzionalità:

• Serializzare i metadati dell'esperimento ML e dell'artefatto del modello in una rappresentazione JSON tracciata in Git.
• Supportare più aree di lavoro collegate allo stesso ramo Git, consentendo la sincronizzazione dei metadati rilevati tra aree di lavoro. Ogni spazio di lavoro può collegarsi a un solo ramo alla volta.
• Consentire l'applicazione diretta o controllata degli aggiornamenti tramite richieste pull per gestire le modifiche tra aree di lavoro/rami upstream e downstream.
• Tenere traccia delle ridenominazione di esperimenti e modelli in Git per mantenere l'identità tra aree di lavoro.
• Non vengono eseguite azioni su experiment runs o model versions. I dati vengono mantenuti nell'archiviazione dell'area di lavoro e non vengono archiviati o sovrascritti da Git.

Esperimenti e modelli di Machine Learning nelle pipeline di distribuzione

Le pipeline di distribuzione Microsoft Fabric supportano esperimenti e modelli di machine learning (ML). Ti aiutano a segmentare gli ambienti di sviluppo, test e produzione. Per indicazioni, consulta le migliori pratiche per la gestione del ciclo di vita.

Funzionalità di integrazione delle pipeline di distribuzione di ML per esperimenti e modelli:

• Supporto per la distribuzione di esperimenti e modelli di Machine Learning tra aree di lavoro di sviluppo, test e produzione.
• Le implementazioni sincronizzano solo i metadati di artefatti supportati. experiment runs e model versions non sono sincronizzati tra gli spazi di lavoro.
• Le ridenominazioni di esperimenti e modelli si propagano tra le aree di lavoro quando sono incluse in una pipeline di distribuzione.
• I riferimenti di dipendenza supportati tra notebook, esperimenti e modelli potrebbero creare collegamenti tra aree di lavoro diverse durante la distribuzione delle pipeline. La rilegatura dipende dal tipo di oggetto e dal formato di riferimento.

Contenuti correlati

• Che cos'è la gestione del ciclo di vita in Microsoft Fabric?
• Tutorial: Gestione del ciclo di vita in Fabric
• Introduzione all'integrazione di Git
• Introduzione alle pipeline di distribuzione