Bonne réponse
- BUn flux de travail d'étapes connectées pour automatiser le processus ML de bout en bout
Explication
Un pipeline ML dans Azure Machine Learning est un flux de travail d'étapes connectées qui automatise le processus d'apprentissage automatique de bout en bout, y compris la préparation des données, l'entraînement, l'évaluation et le déploiement. Cela permet la reproductibilité, la réutilisabilité et l'orchestration de tâches ML complexes sans intervention manuelle.
Pour aller plus loin
Un pipeline Azure Machine Learning est un graphe orienté acyclique (DAG) d'étapes, chaque étape étant un composant qui fait référence à un script, un environnement et une cible de calcul. La définition du pipeline est versionnée et peut être publiée en tant qu'endpoint REST, permettant des réexécutions planifiées ou déclenchées avec différents paramètres d'entrée. Un comportement subtil : les étapes transmettent des données via des entrées et sorties nommées, et Azure ML met en cache les résultats des étapes en fonction du code, de l'environnement et des entrées, de sorte que les étapes inchangées sont ignorées lors d'une nouvelle exécution, ce qui accélère l'itération mais peut surprendre les utilisateurs s'attendant à une réexécution complète. En pratique, cela compte pour MLOps : un pipeline d'entraînement peut enchaîner la préparation des données, l'entraînement, l'évaluation et l'enregistrement, et seule l'étape modifiée est réexécutée après une modification du code.
À propos de ces questions d'entraînement
Cette question fait partie des questions d'entraînement AI-900 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.
Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.