Köra Azure Machine Learning pipelines i Azure Data Factory och Synapse Analytics

GÄLLER FÖR: Azure Data Factory Azure Synapse Analytics

Tips

Data Factory i Microsoft Fabric är nästa generations Azure Data Factory, med en enklare arkitektur, inbyggd AI och nya funktioner. Om dataintegrering är nytt för dig börjar du med Fabric Data Factory. Befintliga ADF-arbetsbelastningar kan uppgraderas till Fabric för att få åtkomst till nya funktioner inom datavetenskap, realtidsanalys och rapportering.

Kör dina Azure Machine Learning pipelines som ett steg i dina Azure Data Factory- och Synapse Analytics-pipelines. Aktiviteten Machine Learning Execute Pipeline möjliggör scenarier för batchprediktion som att identifiera möjliga betalningsinställelser, fastställa sentiment och analysera kundbeteendemönster.

Videon nedan ger en sex minuter lång introduktion och demonstration av den här funktionen.

Skapa en maskininlärningspipelinekörning med användargränssnitt

Utför följande steg om du vill använda en Machine Learning köra pipelineaktivitet i en pipeline:

  1. Sök efter Machine Learning i aktivitetsfältet Pipeline och dra en Machine Learning Köra pipeline-aktivitet till arbetsytan för pipeline.

  2. Välj den nya aktiviteten Machine Learning Kör Pipeline på arbetsytan om den inte redan är markerad och Inställningar-fliken för att redigera detaljerna.

    Visar användargränssnittet för en Machine Learning kör pipeline-aktivitet.

  3. Välj en befintlig eller skapa en ny Azure Machine Learning länkad tjänst och ange information om pipelinen och experimentet samt eventuella pipelineparametrar eller datasökvägstilldelningar som krävs för pipelinen.

Syntax

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

Typegenskaper

Egenskap beskrivning Tillåtna värden Obligatoriskt
namn Namnet på aktiviteten i pipelinen String Ja
typ Typ av aktivitet är "AzureMLExecutePipeline" String Ja
länkadTjänstNamn Länkad tjänst till Azure Machine Learning Referens för länkad tjänst Ja
mlPipelineId ID för den publicerade Azure Machine Learning pipelinen Sträng (eller uttryck med "resultType" av sträng) Ja
experimentName Kör namn på historiken av experimentet för körningen av Machine Learning-pipelinen Sträng (eller uttryck med "resultType" av sträng) Nej
mlPipelineParameters Nyckel-värdepar som ska skickas till den publicerade Azure Machine Learning pipeline-slutpunkten. Nycklar måste matcha namnen på pipeline-parametrar som definierats i den publicerade maskininlärnings-pipelinen Objekt med nyckelvärdepar (eller uttryck med resultType-objekt) Nej
mlParentRunId Körnings-ID för överordnad Azure Machine Learning-pipeline Sträng (eller uttryck med "resultType" av sträng) Nej
dataPathAssignments Ordlista som används för att ändra datavägar i Azure Machine Learning. Aktiverar växling av datasökvägar Objekt med nyckelvärdepar Nej
continueOnStepFailure Huruvida man ska fortsätta exekveringen av andra steg i en Machine Learning-pipeline om ett steg misslyckas boolean Nej

Kommentar

För att fylla i listruteobjekten i Machine Learning pipelinenamn och ID måste användaren ha behörighet att lista ML-pipelines. Användargränssnittet anropar AzureMLService-API:er direkt med den inloggade användarens autentiseringsuppgifter. Upptäckningstiden för objekt i listrutan skulle vara mycket längre när du använder privata slutpunkter.

Relaterat innehåll

Se följande artiklar som förklarar hur du transformerar data på andra sätt:

  • Last updated on