Partilhar via

Execute pipelines de Azure Machine Learning em Azure Data Factory e Synapse Analytics

APLICA-SE A: Azure Data Factory Azure Synapse Analytics

Gorjeta

Data Factory em Microsoft Fabric é a próxima geração de Azure Data Factory, com uma arquitetura mais simples, IA incorporada e novas funcionalidades. Se és novo na integração de dados, começa pelo Fabric Data Factory. As cargas de trabalho existentes do ADF podem atualizar para o Fabric para aceder a novas capacidades em ciência de dados, análise em tempo real e relatórios.

Execute os seus pipelines de Azure Machine Learning como um passo nos seus pipelines Azure Data Factory e Synapse Analytics. A atividade Machine Learning Execute Pipeline permite cenários de previsão em lote, como identificar possíveis incumprimentos de empréstimos, determinar sentimento e analisar padrões de comportamento dos clientes.

O vídeo abaixo apresenta uma introdução de seis minutos e uma demonstração desta funcionalidade.

Crie uma atividade de pipeline de execução de Machine Learning com UI

Para utilizar uma atividade Machine Learning Execute Pipeline num pipeline, complete os seguintes passos:

  1. Procure por Machine Learning no painel de Atividades do pipeline e arraste uma atividade Machine Learning Executar Pipeline para o canvas do pipeline.

  2. Selecione a nova atividade Machine Learning Executar Pipeline na tela se ainda não estiver selecionada, e o seu separador Settings, para editar os seus detalhes.

    Mostra a interface para uma atividade Machine Learning Executar Pipeline.

  3. Selecione um serviço existente ou crie um novo serviço ligado ao Azure Machine Learning, e forneça detalhes do pipeline e do experimento, bem como quaisquer parâmetros do pipeline ou atribuições de caminhos de dados necessários para o pipeline.

Sintaxe

{
    "name": "Machine Learning Execute Pipeline",
    "type": "AzureMLExecutePipeline",
    "linkedServiceName": {
        "referenceName": "AzureMLService",
        "type": "LinkedServiceReference"
    },
    "typeProperties": {
        "mlPipelineId": "machine learning pipeline ID",
        "experimentName": "experimentName",
        "mlPipelineParameters": {
            "mlParameterName": "mlParameterValue"
        }
    }
}

Propriedades do tipo

Propriedade Descrição Valores permitidos Necessário
nome Nome da atividade no processo de desenvolvimento Cadeia (de carateres) Sim
tipo O tipo de atividade é 'AzureMLExecutePipeline' Cadeia (de carateres) Sim
nome do serviço ligado Serviço Vinculado a Azure Machine Learning Referência de serviço vinculado Sim
mlPipelineId ID do Azure Machine Learning pipeline publicado String (ou expressão com resultType de String) Sim
nome da experiência Nome da experiência do histórico de execução do pipeline de Machine Learning String (ou expressão com resultType de String) Não
Parâmetros do mlPipeline Os pares chave-valor que devem ser passados para o endpoint publicado do pipeline do Azure Machine Learning. As chaves devem corresponder aos nomes dos parâmetros do pipeline definidos no pipeline de Machine Learning publicado Objeto com pares de valores de chave (ou Expressão com objeto resultType) Não
mlParentRunId O ID de execução do pipeline pai do Azure Machine Learning String (ou expressão com resultType de String) Não
dataPathAssignments Dicionário usado para alterar datapaths no Azure Machine Learning. Permite a comutação de caminhos de dados Objeto com pares de valores de chave Não
continuarOnStepFailure Deve continuar a execução de outros passos no pipeline de Machine Learning se um passo falhar? boolean Não

Nota

Para que o utilizador possa preencher os itens suspensos no nome e ID do pipeline de Machine Learning, precisa ter permissão para listar pipelines de Machine Learning. A interface do usuário chama APIs do AzureMLService diretamente usando as credenciais do usuário conectado. O tempo de descoberta dos itens do menu suspenso seria muito maior ao usar Endpoints Privados.

Conteúdos relacionados

Consulte os seguintes artigos que explicam como transformar dados de outras maneiras:

  • Last updated on