Observação
O acesso a essa página exige autorização. Você pode tentar entrar ou alterar diretórios.
O acesso a essa página exige autorização. Você pode tentar alterar os diretórios.
APLICA-SE A:
Extensão de ML da CLI do Azure v1SDK do Python azureml v1
Importante
Este artigo fornece informações sobre como usar o SDK do Azure Machine Learning v1. O SDK v1 foi preterido a partir de 31 de março de 2025. O suporte para ele terminará em 30 de junho de 2026. Você pode instalar e usar o SDK v1 até essa data. Seus fluxos de trabalho existentes usando o SDK v1 continuarão a operar após a data de fim do suporte. No entanto, eles podem ficar expostos a riscos de segurança ou a alterações interruptivas em caso de mudanças na arquitetura do produto.
Recomendamos que você faça a transição para o SDK v2 antes de 30 de junho de 2026. Para obter mais informações sobre o SDK v2, consulte o que é a CLI do Azure Machine Learning e o SDK do Python v2? e a referência do SDK v2.
Importante
Alguns comandos da CLI do Azure neste artigo usam a extensão azure-cli-ml ou v1 do Azure Machine Learning. O suporte à CLI v1 terminou em 30 de setembro de 2025. A Microsoft não fornecerá mais suporte técnico ou atualizações para esse serviço. Seus fluxos de trabalho existentes usando a CLI v1 continuarão a operar após a data de fim do suporte. No entanto, eles podem ficar expostos a riscos de segurança ou a alterações interruptivas em caso de mudanças na arquitetura do produto.
Recomendamos que você faça a transição para a mlextensão , ou v2, o mais rápido possível. Para obter mais informações sobre a extensão v2, consulte Extensão da CLI do Azure Machine Learning e SDK do Python v2.
Um pipeline do Azure Machine Learning é um fluxo de trabalho que automatiza uma tarefa completa de aprendizado de máquina. Ele padroniza as melhres práticas, dá suporte à colaboração em equipe e melhora a eficiência.
Por que os pipelines do Azure Machine Learning são necessários?
- Padroniza as MLOps (operações de aprendizado de máquina) e dá suporte à colaboração em equipe escalonável
- Melhora a eficiência do treinamento e reduz o custo
Um pipeline divide uma tarefa de aprendizado de máquina em etapas. Cada etapa é um componente gerenciável que pode ser desenvolvido e automatizado separadamente. O Azure Machine Learning gerencia as dependências entre as etapas. Essa abordagem modular:
- Padroniza o MLOps e dá suporte à colaboração em equipe
- Melhora a eficiência do treinamento e reduz o custo
- Padroniza as MLOps (operações de aprendizado de máquina) e dá suporte à colaboração em equipe escalonável
- Melhora a eficiência do treinamento e reduz o custo
Padronizar a prática de MLOps e dar suporte à colaboração em equipe escalonável
O MLOps automatiza a criação e a implantação de modelos. Os pipelines simplificam esse processo mapeando cada etapa para uma tarefa específica, para que as equipes possam trabalhar de forma independente.
Por exemplo, um projeto pode incluir coleta de dados, preparação, treinamento, avaliação e implantação. Engenheiros de dados, cientistas e engenheiros de ML possuem cada um seus passos. As etapas são mais bem criadas como componentes e, em seguida, integradas a um único fluxo de trabalho. Os pipelines podem ser com versão, automatizados e padronizados pelas práticas do DevOps.
Eficiência de treinamento e redução de custos
Os pipelines também melhoram a eficiência e reduzem os custos. Eles reutilizam saídas de etapas inalteradas e permitem executar cada etapa no melhor recurso de computação para a tarefa.
Introdução às melhores práticas
Você pode criar um pipeline de várias maneiras, dependendo do ponto de partida.
Ao começar a trabalhar com pipelines, comece dividindo o código existente em etapas, parametrizando entradas e encapsulando tudo em um pipeline.
Para escalar, use modelos de pipeline para problemas comuns. O Teams bifurca um modelo, trabalha em etapas atribuídas e atualiza apenas sua parte conforme necessário.
Com pipelines e componentes reutilizáveis, as equipes podem criar rapidamente novos fluxos de trabalho clonando ou combinando peças existentes.
Você pode criar pipelines usando a CLI, o SDK do Python ou a interface do usuário do Designer.
Qual tecnologia de pipeline do Azure devo usar?
O Azure fornece vários tipos de pipelines para diferentes finalidades:
| Cenário | Persona primária | Oferta do Azure | Oferta de OSS (software livre) | Pipe canônico | Pontos fortes |
|---|---|---|---|---|---|
| Orquestração de modelo (Aprendizado de máquina) | Cientista de dados | Pipelines do Azure Machine Learning | Pipelines do Kubeflow | Dados -> Modelo | Distribuição, cache, primeiro código, reutilização |
| Orquestração de dados (Preparação de dados) | Engenheiro de dados | Pipelines do Azure Data Factory | Apache Airflow | Dados -> Dados | Movimento com rigidez de tipos, atividades centradas em dados |
| Orquestração de código e aplicativo (CI/CD - integração contínua e entrega contínua) | Desenvolvedor de aplicativos/Operações | Azure Pipelines | Jenkins | Código + Modelo -> Aplicativo/Serviço | Suporte a atividades mais aberto e flexível, filas de aprovação, fases com retenção |
Próximas etapas
Os pipelines do Azure Machine Learning agregam valor desde o início do desenvolvimento.
- Definir pipelines com a CLI do Azure Machine Learning v2
- Definir pipelines com o SDK do Azure Machine Learning v2
- Definir pipelines com o Designer
- Experimentar o exemplo de pipeline da CLI v2
- Experimentar o exemplo de pipeline do SDK do Python v2
- Saiba mais sobre as expressões do SDK e da CLI v2 que podem ser usadas em um pipeline.