Nota:
El acceso a esta página requiere autorización. Puede intentar iniciar sesión o cambiar directorios.
El acceso a esta página requiere autorización. Puede intentar cambiar los directorios.
SE APLICA A:
Extensión de ML de la CLI de Azure v1Azure ML del SDK de Python v1
Importante
En este artículo se proporciona información sobre el uso del SDK de Azure Machine Learning v1. EL SDK v1 está en desuso a partir del 31 de marzo de 2025. El soporte técnico finalizará el 30 de junio de 2026. Puede instalar y usar SDK v1 hasta esa fecha. Los flujos de trabajo existentes que usan SDK v1 seguirán funcionando después de la fecha de finalización del soporte técnico. Sin embargo, podrían estar expuestos a riesgos de seguridad o cambios significativos si se producen cambios arquitectónicos en el producto.
Se recomienda realizar la transición al SDK v2 antes del 30 de junio de 2026. Para más información sobre SDK v2, consulte ¿Qué es la CLI de Azure Machine Learning y el SDK de Python v2? y la referencia del SDK v2.
Importante
Algunos de los comandos de la CLI de Azure de este artículo usan la extensión azure-cli-ml o v1 para Azure Machine Learning. La compatibilidad con la CLI v1 finalizó el 30 de septiembre de 2025. Microsoft ya no proporcionará soporte técnico ni actualizaciones para este servicio. Los flujos de trabajo existentes que usan la CLI v1 seguirán funcionando después de la fecha de finalización del soporte técnico. Sin embargo, podrían estar expuestos a riesgos de seguridad o cambios significativos si se producen cambios arquitectónicos en el producto.
Se recomienda que realice la transición a la ml, o extensión v2, lo antes posible. Para obtener más información sobre la extensión v2, consulte extensión de la CLI de Azure Machine Learning y SDK de Python v2.
Una canalización de Azure Machine Learning es un flujo de trabajo que automatiza una tarea de aprendizaje automático completa. Estandariza los procedimientos recomendados, admite la colaboración en equipo y mejora la eficacia.
¿Por qué son necesarias las canalizaciones de Azure Machine Learning?
- Estandariza las operaciones de aprendizaje automático (MLOps) y admite la colaboración en equipo escalable
- Mejora la eficiencia del entrenamiento y reduce el costo
Una canalización divide una tarea de aprendizaje automático en pasos. Cada paso es un componente administrable que se puede desarrollar y automatizar por separado. Azure Machine Learning administra las dependencias entre los pasos. Este enfoque modular:
- Estandariza MLOps y admite la colaboración en equipo
- Mejora la eficiencia del entrenamiento y reduce el costo
- Estandariza las operaciones de aprendizaje automático (MLOps) y admite la colaboración en equipo escalable
- Mejora la eficiencia del entrenamiento y reduce el costo
Estandarización de la práctica de MLOps y admisión de una colaboración en equipo escalable
MLOps automatiza la creación e implementación de modelos. Las canalizaciones simplifican este proceso mediante la asignación de cada paso a una tarea específica, por lo que los equipos pueden trabajar de manera independiente.
Por ejemplo, un proyecto puede incluir recopilación de datos, preparación, entrenamiento, evaluación e implementación. Los ingenieros de datos, los científicos y los ingenieros de aprendizaje automático poseen sus pasos. Los pasos se compilan mejor como componentes y a continuación, se integran en un único flujo de trabajo. Las canalizaciones se pueden versionar, automatizar y estandarizar mediante prácticas de DevOps.
Eficiencia del entrenamiento y reducción de costos
Las canalizaciones también mejoran la eficiencia y reducen los costos. Reutilizan salidas de pasos sin cambios y permiten ejecutar cada paso en el mejor recurso de proceso para la tarea.
Procedimientos recomendados de introducción
Puede compilar una canalización de varias maneras, en función del punto de partida.
Si no está familiarizado con las canalizaciones, empiece por dividir el código existente en pasos, parametrizar entradas y encapsular todo en una canalización.
Para escalar, use plantillas de canalización para problemas comunes. Teams bifurca una plantilla, trabaja en pasos asignados y actualiza solo su parte según sea necesario.
Con canalizaciones y componentes reutilizables, los equipos pueden crear rápidamente nuevos flujos de trabajo mediante la clonación o combinación de piezas existentes.
Puede compilar canalizaciones mediante la CLI, el SDK de Python, o la Interfaz de usuario del diseñador.
¿Qué tecnología de canalización de Azure se debe usar?
Azure proporciona varios tipos de canalizaciones con distintos fines:
| Escenario | Rol principal | Oferta de Azure | Oferta de OSS | Canalización canónica | Puntos destacados |
|---|---|---|---|---|---|
| Orquestación de modelo (aprendizaje automático) | Científico de datos | Canalizaciones de Azure Machine Learning | Canalizaciones de Kubeflow | Datos -> Modelo | Distribución, almacenamiento en caché, Code First, reutilización |
| Orquestación de datos (preparación de datos) | Ingeniero de datos | Canalizaciones de Azure Data Factory | Airflow de Apache | Datos -> Datos | Actividades centradas en datos y movimiento fuertemente tipado |
| Orquestación de códigos y aplicaciones (CI/CD) | Desarrollo/operaciones de aplicaciones | Azure Pipelines | Jenkins | Código + Modelo -> Aplicación o servicio | Compatibilidad con la mayoría de las actividades abiertas y flexibles, colas de aprobación, fases con restricción de acceso |
Pasos siguientes
Las canalizaciones de Azure Machine Learning agregan valor desde el principio del desarrollo.
- Definición de canalizaciones con la CLI de Azure Machine Learning v2
- Definición de canalizaciones con el SDK de Azure Machine Learning v2
- Definición de canalizaciones con el Diseñador
- Pruebe el ejemplo de canalización de la CLI v2.
- Pruebe el ejemplo de canalización del SDK de Python v2.
- Obtenga información acerca de las Expresiones SDK y CLI v2 que se pueden usar en una canalización.