Freigeben über

Ausführen von Azure Machine Learning Pipelines in Azure Data Factory und Synapse Analytics

Gilt für: Azure Data Factory Azure Synapse Analytics

Tipp

Data Factory in Microsoft Fabric ist die nächste Generation von Azure Data Factory mit einer einfacheren Architektur, integrierter KI und neuen Features. Wenn Sie mit der Datenintegration noch nicht vertraut sind, beginnen Sie mit Fabric Data Factory. Vorhandene ADF-Workloads können auf Fabric aktualisiert werden, um auf neue Funktionen in der Datenwissenschaft, Echtzeitanalysen und Berichterstellung zuzugreifen.

Führen Sie Ihre Azure Machine Learning Pipelines als Schritt in Ihren Azure Data Factory- und Synapse Analytics-Pipelines aus. Die Machine Learning Ausführungspipelineaktivität ermöglicht Batchvorhersageszenarien, z. B. das Identifizieren möglicher Kreditausfälle, die Bestimmung der Stimmung und die Analyse von Kundenverhaltensmustern.

Das folgende Video enthält eine sechsminütige Einführung und Demonstration dieses Features.

Erstellen Sie eine Aktivität zum Ausführen einer Machine Learning-Pipeline mit Benutzeroberfläche.

Führen Sie die folgenden Schritte aus, um eine Machine-Learning-Pipeline-Ausführungsaktivität in einer Pipeline zu verwenden:

  1. Suchen Sie im Bereich für Pipelineaktivitäten nach maschinelles Lernen, und ziehen Sie eine Execute Pipeline-Aktivität für maschinelles Lernen in die Pipeline-Canvas.

  2. Wählen Sie auf der Canvas die Execute Pipeline-Aktivität für maschinelles Lernen aus, sofern sie noch nicht ausgewählt ist, und wählen Sie anschließend die Registerkarte Einstellungen aus, um die Details zu bearbeiten.

    Zeigt die Benutzeroberfläche für eine Ausführungs-Pipeline-Aktivität im Bereich maschinelles Lernen.

  3. Wählen Sie einen vorhandenen oder erstellen Sie einen neuen Azure Machine Learning verknüpften Dienst, und geben Sie Details der Pipeline und des Experiments sowie alle Pipelineparameter oder Datenpfadzuordnungen an, die für die Pipeline erforderlich sind.

Syntax

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

Typeigenschaften

Eigenschaft BESCHREIBUNG Zulässige Werte Erforderlich
Name Name der Aktivität in der Pipeline String Ja
Typ Die Art der Aktivität lautet „AzureMLExecutePipeline“. String Ja
verknüpfterDienstname Verknüpfter Dienst mit Azure Machine Learning Verweis auf den verknüpften Dienst Ja
mlPipelineId ID der veröffentlichten Azure Machine Learning Pipeline Zeichenfolge (oder ein Ausdruck mit resultType der Zeichenfolge) Ja
ExperimentName Name des Ausführungsverlaufexperiments der Machine Learning-Pipelineausführung Zeichenfolge (oder ein Ausdruck mit resultType der Zeichenfolge) Nein
mlPipelineParameters Schlüssel, Wertpaare, die an den veröffentlichten Azure Machine Learning Pipelineendpunkt übergeben werden sollen. Schlüssel müssen den Namen der pipelineparameter entsprechen, die in der veröffentlichten Machine Learning Pipeline definiert sind. Objekt mit Schlüssel-Wert-Paaren (oder Ausdruck mit resultType-Objekt) Nein
mlParentRunId Die übergeordnete Azure Machine Learning Pipeline-Ausführungs-ID Zeichenfolge (oder ein Ausdruck mit resultType der Zeichenfolge) Nein
Datenpfadzuteilungen Wörterbuch, das zum Ändern von Datenpfaden in Azure Machine Learning verwendet wird. Ermöglicht das Wechseln von Datenpfaden. Objekt mit Schlüssel-Wert-Paaren Nein
continueOnStepFailure Gibt an, ob die Ausführung anderer Schritte in der Machine Learning Pipeline fortgesetzt werden soll, wenn ein Schritt fehlschlägt. boolean Nein

Hinweis

Um die Dropdownelemente in Machine Learning Pipelinenamen und -ID aufzufüllen, muss der Benutzer über die Berechtigung zum Auflisten von ML-Pipelines verfügen. Die Benutzeroberfläche ruft AzureMLService-APIs mithilfe der Anmeldeinformationen des angemeldeten Benutzers direkt auf. Die Ermittlungszeit für die Dropdownelemente wäre bei Verwendung von privaten Endpunkten viel länger.

Zugehöriger Inhalt

In den folgenden Artikeln erfahren Sie, wie Daten auf andere Weisen transformiert werden:

  • Last updated on