Entraîner et évaluer des modèles avec Microsoft Fabric
Une fois que vous avez ingéré, exploré et prétraité vos données, vous pouvez les utiliser pour entraîner un modèle. L’entraînement d’un modèle est un processus itératif, vous devez pouvoir suivre votre travail.
Microsoft Fabric s’intègre à MLflow pour suivre et journaliser facilement votre travail, ce qui vous permet de l’examiner à tout moment afin de décider de la meilleure approche pour entraîner le modèle final. Lorsque vous suivez votre travail, vos résultats sont facilement reproductibles.
Tous les travaux que vous souhaitez suivre peuvent être suivis en tant qu’expériences.
Comprendre les expériences
Chaque fois que vous entraînez un modèle dans un notebook que vous voulez suivre, vous créez une expérience dans Microsoft Fabric.
Une expérience peut comporter plusieurs exécutions. Chaque exécution représente une tâche que vous avez exécutée dans un notebook, comme l’entraînement d’un modèle Machine Learning.
Par exemple, pour entraîner un modèle Machine Learning pour la prévision des ventes, vous pouvez essayer différents jeux de données d’entraînement avec le même algorithme. Chaque fois que vous entraînez un modèle avec un jeu de données différent, vous créez une nouvelle exécution d’expérience. Ensuite, vous pouvez comparer les exécutions d’expérience pour déterminer le modèle le plus performant.
Commencer à suivre des métriques
Pour comparer des exécutions d’expérience, vous pouvez suivre les paramètres, les métriques et les artefacts pour chaque exécution.
L’ensemble des paramètres, métriques et artefacts que vous suivez dans une exécution d’expérience sont affichés dans la vue d’ensemble des expériences. Vous pouvez afficher des exécutions d’expérience individuellement sous l’onglet Détails de l’exécution, ou comparer des exécutions avec la Liste d’exécution :
En suivant votre travail avec MLflow, vous pouvez comparer les itérations d’entraînement du modèle et déterminer la configuration qui a donné lieu au modèle le plus adapté à votre cas d’usage.
Comprendre les modèles
Après avoir entraîné un modèle, vous souhaitez l’utiliser pour le scoring. Avec le scoring, vous utilisez le modèle sur de nouvelles données pour générer des prédictions ou des aperçus. Lorsque vous entraînez et suivez un modèle avec MLflow, les artefacts sont stockés dans l’exécution de l’expérience pour représenter votre modèle et ses métadonnées. Vous pouvez enregistrer ces artefacts dans Microsoft Fabric en tant que modèle.
En enregistrant vos artefacts de modèle comme modèle inscrit dans Microsoft Fabric, vous pouvez facilement gérer vos modèles. Chaque fois que vous entraînez un nouveau modèle et que vous l’enregistrez sous le même nom, vous ajoutez une nouvelle version au modèle.
Utiliser un modèle pour générer des aperçus
Pour utiliser un modèle pour générer des prédictions, vous pouvez utiliser la fonction PREDICT dans Microsoft Fabric. La fonction PREDICT est conçue pour s’intégrer facilement aux modèles MLflow et vous permet d’utiliser le modèle pour générer des prédictions par lots.
Par exemple, chaque semaine, vous recevez des données de ventes de plusieurs magasins. Sur une base d’historique de données, vous avez formé un modèle qui peut prédire les ventes pour la semaine suivante, en fonction des ventes des dernières semaines. Vous avez suivi le modèle avec MLflow et l’avez enregistré dans Microsoft Fabric. Chaque fois que les nouvelles données de ventes hebdomadaires arrivent, vous utilisez la fonction PREDICT pour permettre au modèle de générer les prévisions pour la semaine suivante. Les données de ventes prévues sont stockées sous forme de table dans un lakehouse, qui est visible dans un rapport Power BI que les utilisateurs professionnels peuvent consulter.