Taken voor het importeren van gegevens plannen (preview)

VAN TOEPASSING OP:Azure CLI ml extension v2 (current)Python SDK azure-ai-ml v2 (current)

In dit artikel leert u hoe u programmatisch gegevensimport kunt plannen met behulp van de gebruikersinterface van de planning om dit te doen. U kunt een planning maken op basis van verstreken tijd. Planningen op basis van tijd kunnen routinetaken verwerken, bijvoorbeeld normale gegevensimport om ze up-to-date te houden. Nadat u hebt geleerd hoe u planningen maakt, leert u hoe u deze kunt ophalen, bijwerken en deactiveren via CLI-, SDK- en studio-UI-resources.

Vereisten

• U hebt een Azure-abonnement nodig om Azure Machine Learning te kunnen gebruiken. Als u geen Azure-abonnement hebt, maakt u een gratis account voordat u begint. Probeer vandaag nog de gratis of betaalde versie van Azure Machine Learning.

Azure-CLI

• Installeer de Azure CLI en de ml extensie. Volg de installatiestappen in De CLI (v2) installeren, instellen en gebruiken.

• Maak een Azure Machine Learning-werkruimte als u er nog geen hebt. Zie De CLI (v2) installeren, instellen en gebruiken voor het maken van werkruimten.

Python SDK

• Maak een Azure Machine Learning-werkruimte als u er nog geen hebt.
• De Azure Machine Learning SDK v2 voor Python.

Studio

• Een Azure Machine Learning-werkruimte. Zie Werkruimtebronnen maken.
• Inzicht in Azure Machine Learning-pijplijnen. Bekijk wat machine learning-pijplijnen zijn en hoe u een pijplijntaak maakt in CLI v2 of SDK v2.

Gegevens importeren plannen

Als u gegevens op terugkerende basis wilt importeren, moet u een planning maken. Een Schedule koppelt een gegevensimportactie aan een trigger. De trigger kan zijn cron, waarbij een cron-expressie wordt gebruikt om de vertraging tussen uitvoeringen te beschrijven, of een recurrence, waarmee de frequentie wordt opgegeven voor het activeren van een taak. In elk geval moet u eerst een importgegevensdefinitie bouwen. Een bestaande gegevensimport, of een gegevensimport die inline is gedefinieerd, werkt hiervoor. Ga naar Een gegevensimport maken in CLI, SDK en UI voor meer informatie.

Een planning maken

Een schema op basis van tijd maken met een terugkeerpatroon

Azure-CLI

VAN TOEPASSING OP: Azure CLI ml-extensie v2 (huidige)

YAML: Planning voor het importeren van gegevens met een terugkeerpatroon

$schema: https://azuremlschemas.azureedge.net/latest/schedule.schema.json
name: simple_recurrence_import_schedule
display_name: Simple recurrence import schedule
description: a simple hourly recurrence import schedule

trigger:
  type: recurrence
  frequency: day #can be minute, hour, day, week, month
  interval: 1 #every day
  schedule:
    hours: [4,5,10,11,12]
    minutes: [0,30]
  start_time: "2022-07-10T10:00:00" # optional - default will be schedule creation time
  time_zone: "Pacific Standard Time" # optional - default will be UTC

import_data: ./my-snowflake-import-data.yaml

YAML: Planning voor definitie van gegevensimport inline met terugkeerpatroon in beheerde gegevensopslag

$schema: https://azuremlschemas.azureedge.net/latest/schedule.schema.json
name: inline_recurrence_import_schedule
display_name: Inline recurrence import schedule
description: an inline hourly recurrence import schedule

trigger:
  type: recurrence
  frequency: day #can be minute, hour, day, week, month
  interval: 1 #every day
  schedule:
    hours: [4,5,10,11,12]
    minutes: [0,30]
  start_time: "2022-07-10T10:00:00" # optional - default will be schedule creation time
  time_zone: "Pacific Standard Time" # optional - default will be UTC

import_data:
  type: mltable
  name: my_snowflake_ds
  path: azureml://datastores/workspacemanagedstore
  source:
    type: database
    query: select * from TPCH_SF1.REGION
    connection: azureml:my_snowflake_connection

A trigger bevat deze eigenschappen:

• (Vereist) type hiermee geeft u het schematype, ofwel recurrence cron. De volgende sectie bevat meer informatie.

Voer vervolgens deze opdracht uit in de CLI:

> az ml schedule create -f <file-name>.yml

Python SDK

VAN TOEPASSING OP: Python SDK azure-ai-ml v2 (actueel)

from azure.ai.ml.data_transfer import Database
from azure.ai.ml.constants import TimeZone
from azure.ai.ml.entities import (
    ImportDataSchedule,
    RecurrenceTrigger,
    RecurrencePattern,
)
from datetime import datetime

source = Database(connection="azureml:my_sf_connection", query="select * from my_table")

path = "azureml://datastores/workspaceblobstore/paths/snowflake/schedule/${{name}}"


my_data = DataImport(
    type="mltable", source=source, path=path, name="my_schedule_sfds_test"
)

schedule_name = "my_simple_sdk_create_schedule_recurrence"

schedule_start_time = datetime.utcnow()

recurrence_trigger = RecurrenceTrigger(
    frequency="day",
    interval=1,
    schedule=RecurrencePattern(hours=1, minutes=[0, 1]),
    start_time=schedule_start_time,
    time_zone=TimeZone.UTC,
)

import_schedule = ImportDataSchedule(
    name=schedule_name, trigger=recurrence_trigger, import_data=my_data
)

ml_client.schedules.begin_create_or_update(import_schedule).result()

RecurrenceTrigger bevat de volgende eigenschappen:

• (Vereist) Gebruik dit voor een betere coderingservaring RecurrenceTrigger voor het terugkeerschema.

Studio

Wanneer uw gegevensimport bevredigende prestaties en uitvoer heeft, kunt u een schema instellen om deze import automatisch te activeren.

1. Ga naar Azure Machine Learning-studio

2. Selecteer Gegevens onder Assets in het linkernavigatievenster. Selecteer op het tabblad Gegevens importeren de geïmporteerde gegevensasset waaraan u een planning wilt koppelen. De pagina Takengeschiedenis importeren moet worden weergegeven, zoals wordt weergegeven in deze schermopname:

   

3. Selecteer op de pagina Geschiedenis van importtaken de meest recente hyperlink-URL voor de importtaaknaam om de pagina met taakdetails voor pijplijnen te openen, zoals wordt weergegeven in deze schermopname:

   

4. Selecteer Op de pagina met details van de pijplijntaak van een gegevensimport de optie Planning -> Nieuwe planning maken om de wizard Voor het maken van de planning te openen, zoals wordt weergegeven in deze schermopname:

   

5. De basisinstellingen van de wizard Planning maken bevatten de eigenschappen die in deze schermafbeelding worden weergegeven:

   

• Naam: de unieke id van het schema binnen de werkruimte.

• Beschrijving: de beschrijving van het schema.

• Trigger: het terugkeerpatroon van de planning, die de volgende eigenschappen bevat:

  • Tijdzone: de berekening van de triggertijd is gebaseerd op deze tijdzone; (UTC) Coordinated Universal Time standaard.
  • Terugkeerpatroon of Cron-expressie: selecteer terugkeerpatroon om het terugkerende patroon op te geven. Onder Terugkeerpatroon kunt u de frequentie van het terugkeerpatroon opgeven: op minuten, uren, dagen, weken of maanden.
  • Begindatum: de planning wordt eerst actief op deze datum. De aanmaakdatum van dit schema is standaard.
  • Einde: de planning wordt na deze datum inactief. Standaard is het GEEN, wat betekent dat de planning actief blijft totdat u het handmatig uitschakelt.
  • Tags: de geselecteerde planningstags.

  Nadat u de basisinstellingen hebt geconfigureerd, kunt u Controleren + maken selecteren en wordt de gegevensimport automatisch verzonden op basis van het terugkeerpatroon dat u hebt opgegeven. U kunt ook Volgende selecteren en door de wizard navigeren om de parameters voor het importeren van gegevens te selecteren of bij te werken.

Notitie

Deze eigenschappen zijn van toepassing op CLI en SDK:

• (Vereist) frequency geeft de tijdseenheid op die beschrijft hoe vaak de planning wordt geactiveerd. Kan waarden hebben

  • minute
  • hour
  • day
  • week
  • month

• (Vereist) interval geeft aan hoe vaak de planning wordt geactiveerd op basis van de frequentie, wat het aantal tijdseenheden is dat moet worden gewacht totdat de planning opnieuw wordt geactiveerd.

• (Optioneel) schedule definieert het terugkeerpatroon, met hours, minutesen weekdays.

  • Als frequency dit gelijk is dayaan, kan een patroon opgeven hours en minutes.
  • Als frequency dit gelijk is week aan en month, kan hourseen patroon , minutes en weekdays.
  • hours moet een geheel getal of een lijst zijn, variërend van 0 tot 23.
  • minutes moet een geheel getal of een lijst zijn, variërend van 0 tot 59.
  • weekdays een tekenreeks of lijst variërend van monday tot sunday.
  • Als schedule dit wordt weggelaten, wordt de taak(en) geactiveerd volgens de logica van start_time, frequency en interval.

• (Optioneel) start_time beschrijft de begindatum en -tijd, met een tijdzone. Als start_time u dit weglaat, is start_time gelijk aan de aanmaaktijd van de taak. Voor een begintijd in het verleden wordt de eerste taak uitgevoerd bij de volgende berekende uitvoeringstijd.

• (Optioneel) end_time beschrijft de einddatum en tijd met een tijdzone. Als end_time u dit weglaat, blijft het schema taken activeren totdat het schema handmatig is uitgeschakeld.

• (Optioneel) time_zone hiermee geeft u de tijdzone van het terugkeerpatroon. Als u dit weglaat, is de standaardtijdzone UTC. Ga voor meer informatie over tijdzonewaarden naar de bijlage voor tijdzonewaarden.

Een schema op basis van tijd maken met een cron-expressie

Azure-CLI

YAML: Plannen voor een gegevensimport met cron-expressie

VAN TOEPASSING OP: Azure CLI ml-extensie v2 (huidige)

YAML: Planning voor het importeren van gegevens met cron-expressie (preview)

$schema: https://azuremlschemas.azureedge.net/latest/schedule.schema.json
name: simple_cron_import_schedule
display_name: Simple cron import schedule
description: a simple hourly cron import schedule

trigger:
  type: cron
  expression: "0 * * * *"
  start_time: "2022-07-10T10:00:00" # optional - default will be schedule creation time
  time_zone: "Pacific Standard Time" # optional - default will be UTC

import_data: ./my-snowflake-import-data.yaml

YAML: Planning voor definitie van gegevensimport inline met cron-expressie (preview)

$schema: https://azuremlschemas.azureedge.net/latest/schedule.schema.json
name: inline_cron_import_schedule
display_name: Inline cron import schedule
description: an inline hourly cron import schedule

trigger:
  type: cron
  expression: "0 * * * *"
  start_time: "2022-07-10T10:00:00" # optional - default will be schedule creation time
  time_zone: "Pacific Standard Time" # optional - default will be UTC

import_data:
  type: mltable
  name: my_snowflake_ds
  path: azureml://datastores/workspaceblobstore/paths/snowflake/${{name}}
  source:
    type: database
    query: select * from TPCH_SF1.REGION
    connection: azureml:my_snowflake_connection

De trigger sectie definieert de planningsgegevens en bevat deze eigenschappen:

• (Vereist) type hiermee geeft u het cron schematype op.

> az ml schedule create -f <file-name>.yml

De lijst wordt hier voortgezet:

Python SDK

VAN TOEPASSING OP: Python SDK azure-ai-ml v2 (actueel)

from azure.ai.ml.data_transfer import Database
from azure.ai.ml.constants import TimeZone
from azure.ai.ml.entities import CronTrigger, ImportDataSchedule

source = Database(connection="azureml:my_sf_connection", query="select * from my_table")

path = "azureml://datastores/workspaceblobstore/paths/snowflake/schedule/${{name}}"


my_data = DataImport(
    type="mltable", source=source, path=path, name="my_schedule_sfds_test"
)

schedule_name = "my_simple_sdk_create_schedule_cron"

cron_trigger = CronTrigger(
    expression="15 10 * * 1",
    start_time=datetime.utcnow(),
    end_time="2023-12-03T18:40:00",
)
import_schedule = ImportDataSchedule(
    name=schedule_name, trigger=cron_trigger, import_data=my_data
)
ml_client.schedules.begin_create_or_update(import_schedule).result()

De CronTrigger sectie definieert de planningsgegevens en bevat deze eigenschappen:

• (Vereist) Gebruik dit voor een betere coderingservaring CronTrigger voor het terugkeerschema.

De lijst wordt hier voortgezet:

Studio

Wanneer uw gegevensimport bevredigende prestaties en uitvoer heeft, kunt u een schema instellen om deze import automatisch te activeren.

1. Ga naar Azure Machine Learning-studio

2. Selecteer Gegevens onder Assets in het linkernavigatievenster. Selecteer op het tabblad Gegevens importeren de geïmporteerde gegevensasset waaraan u een planning wilt koppelen. De pagina Takengeschiedenis importeren moet worden weergegeven, zoals wordt weergegeven in deze schermopname:

   

3. Selecteer op de pagina Geschiedenis van importtaken de meest recente hyperlink-URL voor de importtaaknaam om de pagina met taakdetails voor pijplijnen te openen, zoals wordt weergegeven in deze schermopname:

   

4. Selecteer Op de pagina met details van de pijplijntaak van een gegevensimport de optie Planning -> Nieuwe planning maken om de wizard Voor het maken van de planning te openen, zoals wordt weergegeven in deze schermopname:

   

5. De basisinstellingen van de wizard Planning maken bevatten de eigenschappen die in deze schermafbeelding worden weergegeven:

   

• Naam: de unieke id van het schema binnen de werkruimte.

• Beschrijving: de beschrijving van het schema.

• Trigger: het terugkeerpatroon van de planning, die de volgende eigenschappen bevat:

  • Tijdzone: de berekening van de triggertijd is gebaseerd op deze tijdzone; (UTC) Coordinated Universal Time standaard.
  • Terugkeerpatroon of Cron-expressie: selecteer terugkeerpatroon om het terugkerende patroon op te geven. Met Cron-expressie kunt u een flexibeler en aangepast terugkeerpatroon opgeven.
  • Begindatum: de planning wordt eerst actief op deze datum. De aanmaakdatum van dit schema is standaard.
  • Einde: de planning wordt na deze datum inactief. Standaard is het GEEN, wat betekent dat de planning actief blijft totdat u het handmatig uitschakelt.
  • Tags: de geselecteerde planningstags.

  Nadat u de basisinstellingen hebt geconfigureerd, kunt u Controleren + maken selecteren en wordt de gegevensimport automatisch verzonden op basis van het terugkeerpatroon dat u hebt opgegeven. U kunt ook Volgende selecteren en door de wizard navigeren om de parameters voor het importeren van gegevens te selecteren of bij te werken.

• (Vereist) expression gebruikt een standaard crontab-expressie om een terugkerend schema uit te drukken. Eén expressie bestaat uit vijf door spaties gescheiden velden:

  MINUTES HOURS DAYS MONTHS DAYS-OF-WEEK

  • Eén jokerteken (*), dat alle waarden voor het veld omvat. A *, in dagen, betekent alle dagen van een maand (die varieert met maand en jaar).

  • De expression: "15 16 * * 1" bovenstaande steekproef betekent de 16:15 uur op elke maandag.

  • Deze tabel bevat de geldige waarden voor elk veld:

    Veld	Bereik	Opmerking
    MINUTES	0-59	-
    HOURS	0-23	-
    DAYS	-	Wordt niet ondersteund. De waarde wordt genegeerd en behandeld als *.
    MONTHS	-	Wordt niet ondersteund. De waarde wordt genegeerd en behandeld als *.
    DAYS-OF-WEEK	0-6	Nul (0) betekent zondag. Namen van dagen zijn ook geaccepteerd.

  • Ga naar de wikiresource Crontab Expression op GitHub voor meer informatie over crontab-expressies.

  Belangrijk

  DAYS en MONTH worden niet ondersteund. Als u een van deze waarden doorgeeft, wordt deze genegeerd en behandeld als *.

• (Optioneel) start_time geeft de begindatum en -tijd op met de tijdzone van de planning. Dit betekent bijvoorbeeld start_time: "2022-05-10T10:15:00-04:00" dat de planning begint van 10:15:00 op 2022-05-10 in de UTC-4-tijdzone. Als start_time u dit weglaat, is de start_time aanmaaktijd van de planning gelijk aan de aanmaaktijd. Voor een begintijd in het verleden wordt de eerste taak uitgevoerd bij de volgende berekende uitvoeringstijd.

• (Optioneel) end_time beschrijft de einddatum en tijd met een tijdzone. Als end_time u dit weglaat, blijft het schema taken activeren totdat het schema handmatig is uitgeschakeld.

• (Optioneel) time_zonehiermee geeft u de tijdzone van de expressie. Als time_zone u dit weglaat, is de tijdzone standaard UTC. Ga voor meer informatie over tijdzonewaarden naar de bijlage voor tijdzonewaarden.

Beperkingen:

• Op dit moment biedt Azure Machine Learning v2-planning geen ondersteuning voor triggers op basis van gebeurtenissen.
• Gebruik de Azure Machine Learning SDK/CLI v2 om een complex terugkeerpatroon op te geven dat meerdere tijdstempels voor triggers bevat. In de gebruikersinterface wordt alleen het complexe patroon weergegeven en wordt het bewerken niet ondersteund.
• Als u het terugkeerpatroon instelt als de 31e dag van elke maand, activeert het schema geen taken in maanden met minder dan 31 dagen.

Schema's weergeven in een werkruimte

Azure-CLI

VAN TOEPASSING OP: Azure CLI ml-extensie v2 (huidige)

az ml schedule list

Python SDK

VAN TOEPASSING OP: Python SDK azure-ai-ml v2 (actueel)

schedules = ml_client.schedules.list()
[s.name for s in schedules]

Studio

Selecteer in de studioportal onder de extensie Taken het tabblad Alle planningen . Op dit tabblad worden alle taakplanningen weergegeven die zijn gemaakt door de SDK/cli/UI, in één lijst. In de planningslijst hebt u een overzicht van alle planningen in deze werkruimte, zoals wordt weergegeven in deze schermopname:

Details van planning controleren

Azure-CLI

VAN TOEPASSING OP: Azure CLI ml-extensie v2 (huidige)

az ml schedule show -n simple_cron_data_import_schedule

Python SDK

VAN TOEPASSING OP: Python SDK azure-ai-ml v2 (actueel)

created_schedule = ml_client.schedules.get(name=schedule_name)
[created_schedule.name]

Studio

U kunt een planningsnaam selecteren om de pagina met planningsgegevens weer te geven. De pagina met planningsgegevens bevat de volgende tabbladen, zoals wordt weergegeven in deze schermopname:

• Overzicht: basisinformatie voor de opgegeven planning.

  

• Taakdefinitie: definieert de taak die door de opgegeven planning wordt geactiveerd, zoals wordt weergegeven in deze schermopname:

  

Een planning bijwerken

Azure-CLI

VAN TOEPASSING OP: Azure CLI ml-extensie v2 (huidige)

az ml schedule update -n simple_cron_data_import_schedule  --set description="new description" --no-wait

Notitie

Als u meer dan alleen tags/beschrijving wilt bijwerken, raden we u aan gebruik te maken van az ml schedule create --file update_schedule.yml

Python SDK

VAN TOEPASSING OP: Python SDK azure-ai-ml v2 (actueel)

job_schedule = ml_client.schedules.begin_create_or_update(
    schedule=job_schedule
).result()
print(job_schedule)

Studio

Een definitie voor gegevensimport bijwerken naar een bestaand schema

Als u de importfrequentie wilt wijzigen of een nieuwe koppeling wilt maken voor de gegevensimporttaak, kunt u de importdefinitie van een bestaand schema bijwerken.

Notitie

Als u een bestaand schema wilt bijwerken, wordt de koppeling van de planning met de oude importdefinitie verwijderd. Een schema kan slechts één importtaakdefinitie hebben. Meerdere schema's kunnen echter één definitie voor gegevensimport aanroepen.

1. Ga naar Azure Machine Learning-studio

2. Selecteer Gegevens onder Assets in het linkernavigatievenster. Selecteer op het tabblad Gegevens importeren de geïmporteerde gegevensasset waaraan u een planning wilt koppelen. De pagina Takengeschiedenis importeren moet worden weergegeven, zoals wordt weergegeven in deze schermopname:

   

3. Selecteer op de pagina Takengeschiedenis importeren de meest recente koppeling taaknaam importeren om de pagina met taakdetails voor pijplijnen te openen, zoals wordt weergegeven in deze schermopname:

   

4. Op de pagina met details van de pijplijntaak van een gegevensimport selecteert u Planning ->Bijgewerkt naar bestaand schema om de wizard Planning selecteren te openen, zoals wordt weergegeven in deze schermopname:

   

5. Selecteer een bestaand schema in de lijst, zoals wordt weergegeven in deze schermopname:

   

   Belangrijk

   Zorg ervoor dat u het juiste schema selecteert om bij te werken. Zodra u de update hebt voltooid, activeert het schema verschillende gegevensimporten.

6. U kunt ook de bron wijzigen, het doelpad opvragen en wijzigen voor toekomstige gegevensimports die door de planning worden geactiveerd.

7. Selecteer Beoordelen en bijwerken om het updateproces te voltooien. Met de voltooide update wordt een melding verzonden.

8. U kunt de nieuwe definitie voor het importeren van gegevens bekijken op de pagina met planningsgegevens wanneer de update is voltooid.

Bijwerken op detailpagina van planning

Op de pagina met planningsgegevens kunt u Update-instellingen selecteren om zowel de basisinstellingen als geavanceerde instellingen bij te werken, inclusief de taakinvoer/uitvoer- en runtime-instellingen van de planning, zoals wordt weergegeven in deze schermopname:

Een planning uitschakelen

Azure-CLI

VAN TOEPASSING OP: Azure CLI ml-extensie v2 (huidige)

az ml schedule disable -n simple_cron_data_import_schedule --no-wait

Python SDK

job_schedule = ml_client.schedules.begin_disable(name=schedule_name).result()
job_schedule.is_enabled

Studio

U kunt de huidige planning uitschakelen op de pagina met planningsgegevens. U kunt ook planningen uitschakelen op het tabblad Alle planningen .

Een planning inschakelen

Azure-CLI

VAN TOEPASSING OP: Azure CLI ml-extensie v2 (huidige)

az ml schedule enable -n simple_cron_data_import_schedule --no-wait

Python SDK

VAN TOEPASSING OP: Python SDK azure-ai-ml v2 (actueel)

# Update trigger expression
job_schedule.trigger.expression = "10 10 * * 1"
job_schedule = ml_client.schedules.begin_create_or_update(
    schedule=job_schedule
).result()
print(job_schedule)

Studio

Op de pagina met planningsgegevens kunt u het huidige schema inschakelen. U kunt ook planningen inschakelen op het tabblad Alle planningen .

Een schema verwijderen

Belangrijk

Een schema moet worden uitgeschakeld voordat het wordt verwijderd. Verwijderen is een permanente, onherstelbare actie. Nadat een planning is verwijderd, kunt u deze nooit openen of herstellen.

Azure-CLI

VAN TOEPASSING OP: Azure CLI ml-extensie v2 (huidige)

az ml schedule delete -n simple_cron_data_import_schedule

Python SDK

VAN TOEPASSING OP: Python SDK azure-ai-ml v2 (actueel)

# Only disabled schedules can be deleted
ml_client.schedules.begin_disable(name=schedule_name).result()
ml_client.schedules.begin_delete(name=schedule_name).result()

Studio

U kunt een planning verwijderen op de pagina met planningsgegevens of op het tabblad Alle planningen.

Ondersteuning voor RBAC (op rollen gebaseerd toegangsbeheer)

Schema's worden over het algemeen gebruikt voor productie. Om problemen te voorkomen, willen werkruimtebeheerders mogelijk het maken en beheren van planningsmachtigingen binnen een werkruimte beperken.

Er zijn momenteel drie actieregels met betrekking tot planningen en u kunt deze configureren in Azure Portal. Ga voor meer informatie naar het beheren van de toegang tot een Azure Machine Learning-werkruimte.

Actie	Beschrijving	Regel
Read	Schema's ophalen en weergeven in Machine Learning-werkruimte	Microsoft.MachineLearningServices/workspaces/schedules/read
Schrijven	Planningen maken, bijwerken, uitschakelen en inschakelen in Machine Learning-werkruimte	Microsoft.MachineLearningServices/workspaces/schedules/write
Delete	Een planning verwijderen in de Machine Learning-werkruimte	Microsoft.MachineLearningServices/workspaces/schedules/delete

Volgende stappen

• Meer informatie over het YAML-schema voor het importeren van CLI-gegevens (v2).
• Meer informatie over het beheren van geïmporteerde gegevensassets.