Condividi tramite

Eseguire le pipeline di Azure Machine Learning in Azure Data Factory e Synapse Analytics

APPLICABILE A: Azure Data Factory Azure Synapse Analytics

Suggerimento

Data Factory in Microsoft Fabric è la nuova generazione di Azure Data Factory, con un'architettura più semplice, un'intelligenza artificiale predefinita e nuove funzionalità. Se non si ha familiarità con l'integrazione dei dati, iniziare con Fabric Data Factory. I carichi di lavoro di Azure Data Factory esistenti possono eseguire l'aggiornamento a Fabric per accedere a nuove funzionalità tra data science, analisi in tempo reale e creazione di report.

Esegui le pipeline di Azure Machine Learning come passaggio nei pipeline di Azure Data Factory e Synapse Analytics. L'attività Esegui pipeline di Machine Learning consente scenari di predizione batch, ad esempio l'identificazione di possibili inadempienze sui prestiti, la determinazione del sentiment e l'analisi dei modelli di comportamento dei clienti.

Il video seguente della durata di sei minuti include un'introduzione e una dimostrazione di questa funzionalità.

Creare un'attività di esecuzione della pipeline di Machine Learning con l'interfaccia utente

Per usare un'attività di esecuzione della pipeline di Machine Learning in una pipeline, completare la procedura seguente:

  1. Cerca Machine Learning nel riquadro delle attività della pipeline e trascina un'attività di esecuzione della pipeline di Machine Learning nell'area di lavoro della pipeline.

  2. Selezionare la nuova attività di esecuzione della pipeline di Machine Learning nell'area di disegno, se non è già selezionata, e aprire la relativa scheda Settings per modificarne i dettagli.

    Mostra l'interfaccia utente per un'attività di esecuzione della pipeline di apprendimento automatico.

  3. Selezionare un nuovo servizio collegato Azure Machine Learning esistente o crearne uno nuovo e specificare i dettagli della pipeline e dell'esperimento e tutti i parametri della pipeline o le assegnazioni di percorso dati necessari per la pipeline.

Sintassi

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

Proprietà del tipo

Proprietà Descrizione Valori consentiti Obbligatoria
nome Nome dell'attività nella pipeline String Sì
tipo Il tipo di attività è 'AzureMLExecutePipeline' String Sì
nomeServizioCollegato Servizio collegato a Azure Machine Learning Riferimento del servizio collegato Sì
mlPipelineId ID della pipeline di Azure Machine Learning pubblicata Stringa (o un'espressione con l'elemento resultType della stringa) Sì
experimentName Nome dell'esperimento della cronologia di esecuzione della pipeline di Machine Learning Stringa (o un'espressione con l'elemento resultType della stringa) No
mlPipelineParameters Coppie chiave-valore da passare all'endpoint della pipeline di Azure Machine Learning pubblicato. Le chiavi devono corrispondere ai nomi dei parametri della pipeline definiti nella pipeline di Machine Learning pubblicata Oggetto con coppie chiave-valore (o Expression con oggetto resultType) No
mlParentRunId ID di esecuzione della pipeline principale Azure Machine Learning Stringa (o un'espressione con l'elemento resultType della stringa) No
dataPathAssignments Dizionario usato per modificare i percorsi dati in Azure Machine Learning. Abilita la commutazione dei percorsi di dati Oggetto con coppie chiave-valore No
continueOnStepFailure Indica se continuare l'esecuzione di altri passaggi nella pipeline Machine Learning in caso di errore di un passaggio boolean No

Nota

Per popolare gli elementi dell'elenco a discesa nel nome e ID della pipeline di Machine Learning, l'utente deve avere l'autorizzazione di elencare le pipeline di Machine Learning. L'interfaccia utente chiama le API di AzureMLService direttamente usando le credenziali dell'utente connesso. Il tempo di individuazione per gli elementi a discesa sarebbe molto più lungo quando si usano endpoint privati.

Contenuto correlato

Vedere gli articoli seguenti, che illustrano altre modalità di trasformazione dei dati:

  • Last updated on