Agendar trabalhos de pipeline de aprendizado de máquina

APLICA-SE A:Extensão de ML da CLI do Azure v2 (atual)SDK do Python azure-ai-ml v2 (atual)

Neste artigo, você aprenderá a agendar programaticamente um pipeline para ser executado no Azure e a usar a interface do usuário de agendamento para fazer o mesmo. É possível criar um agendamento com base no tempo decorrido. Os agendamentos baseados em tempo podem ser usados para cuidar de tarefas rotineiras, como treinar novamente modelos ou fazer previsões em lotes regularmente para mantê-los atualizados. Depois de aprender a criar agendamentos, aprenderá a recuperá-los, atualizá-los e desativá-los por meio de CLI, SDK e interface do usuário do Estúdio.

Dica

Se você precisar agendar trabalhos usando um orquestrador externo, como o Azure Data Factory ou o Microsoft Fabric, considere implantar seus trabalhos de pipeline em um ponto de extremidade em lote. Saiba mais sobre como implantar trabalhos em um ponto de extremidade em lote e como consumir pontos de extremidade em lote do Microsoft Fabric.

Pré-requisitos

• Você precisa ter uma assinatura do Azure para usar o Azure Machine Learning. Caso não tenha uma assinatura do Azure, crie uma conta gratuita antes de começar. Experimente hoje mesmo a versão gratuita ou paga do Azure Machine Learning.

CLI do Azure

• Instale a CLI do Azure e a extensão ml. Siga as etapas de instalação em Instalar, configurar e usar a CLI (v2).

• Crie um workspace do Azure Machine Learning se não tiver um. Para criação do workspace, confira Instalar, configurar e usar a CLI (v2).

SDK do Python

• Crie um workspace do Azure Machine Learning se não tiver um.
• O SDK v2 do Azure Machine Learning para Python.

Interface do Usuário do Estúdio

• Um Workspace do Azure Machine Learning. Confira Criar recursos de workspace.
• Noções básicas sobre pipelines do Azure Machine Learning. Veja o que são pipelines de machine learning e como criar um trabalho de pipeline na CLI v2 ou no SDK v2.

Agendar um trabalho de pipeline

Para executar um trabalho de pipeline de forma recorrente, você precisará criar um agendamento. Um Schedule associa um trabalho e um gatilho. O gatilho pode ser cron que use a expressão cron para descrever a espera entre execuções ou recurrence que especifique usando qual frequência disparar o trabalho. Em cada caso, você precisa definir um trabalho de pipeline primeiro, podendo ser trabalhos de pipeline existentes ou um trabalho de pipeline com definição em linha, consulte Criar um trabalho de pipeline na CLI e Criar um trabalho de pipeline no SDK.

Você pode agendar um yaml de trabalho de pipeline em um trabalho de pipeline local ou existente no workspace.

Criar um agendamento

Criar um agendamento baseado em tempo com padrão de recorrência

CLI do Azure

APLICA-SE A:Extensão de ML da CLI do Azure v2 (atual)

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

create_job: ./simple-pipeline-job.yml
# create_job: azureml:simple-pipeline-job

trigger contém as propriedades a seguir:

• (Obrigatório)type especifica que o tipo de agendamento é recurrence. Também pode ser cron, consulte detalhes na próxima seção.

A lista continua abaixo.

SDK do Python

APLICA-SE A: SDK do Python azure-ai-ml v2 (atual)

schedule_name = "simple_sdk_create_schedule_recurrence"

schedule_start_time = datetime.utcnow()
recurrence_trigger = RecurrenceTrigger(
    frequency="day",
    interval=1,
    schedule=RecurrencePattern(hours=10, minutes=[0, 1]),
    start_time=schedule_start_time,
    time_zone=TimeZone.UTC,
)

job_schedule = JobSchedule(
    name=schedule_name, trigger=recurrence_trigger, create_job=pipeline_job
)

RecurrenceTrigger contém as propriedades a seguir:

• (Obrigatório) Para proporcionar uma melhor experiência de codificação, usamos RecurrenceTrigger para agendamento de recorrência.

A lista continua abaixo.

Interface do Usuário do Estúdio

Observação

Atualmente, os agendamentos do Azure Machine Learning (v2) dão suporte apenas ao trabalho de pipeline.

As funções de interface do usuário são apenas para agendamentos do Azure Machine Learning (v2), o que significa que os agendamentos v1 criados com base em pipelines ou pontos de extremidade de pipeline publicados não têm suporte na interface do usuário – eles NÃO serão listados ou acessados na interface do usuário. No entanto, você pode criar agendamentos de v2 para seus trabalhos de pipeline v1 usando SDK/CLI v2 ou a interface do usuário.

Quando você tem um trabalho de pipeline com desempenho e saídas satisfatórios, pode configurar um agendamento para disparar automaticamente esse trabalho regularmente.

1. Na página de detalhes do trabalho do pipeline, selecione Agendar ->Criar agendamento para abrir o assistente de criação de agendamento.

   

2. As configurações básicas do assistente de criação de agendamento contêm as propriedades a seguir.

   

   • Nome: o identificador exclusivo do agendamento dentro do workspace.
   • Descrição: uma descrição do agendamento.
   • Gatilho: especifica o padrão de recorrência do agendamento, incluindo as propriedades a seguir.
     • Fuso horário: o fuso horário com base no qual calcular a hora do gatilho; por padrão, é (UTC) Tempo Universal Coordenado.
     • Recorrência ou expressão Cron: selecione Recorrência para especificar o padrão recorrente. Em Recorrência, você pode especificar a frequência de recorrência como por minuto, por hora, diária, semanal e mensal.
     • Iniciar: especifica a data a partir da qual o agendamento se torna ativo. Por padrão, é a data em que você cria o agendamento.
     • Término: especifica a data após a qual o agendamento fica inativo. Por padrão, é NENHUMA, o que significa que o agendamento sempre estará ativo até que você o desabilite manualmente.
     • Marcas: marcas do agendamento.

   Depois de definir as configurações básicas, você pode selecionar diretamente Examinar + Criar e o agendamento enviará trabalhos automaticamente de acordo com o padrão de recorrência especificado.

Observação

As propriedades a seguir que precisam ser especificadas se aplicam à CLI e ao SDK.

• (Obrigatório)frequency especifica a unidade de tempo que descreve a frequência com que o agendamento é acionado. Pode ser minute, hour, day, week, month.

• (Obrigatório)interval especifica com que frequência o agendamento é disparado com base na frequência, que é o número de unidades de tempo a aguardar até que o agendamento seja acionado novamente.

• (Opcional) schedule define o padrão de recorrência, contendo hours, minutes e weekdays.

  • Quando frequency é day, o padrão pode especificar hours e minutes.
  • Quando frequency é week e month, o padrão pode especificar hours, minutes e weekdays.
  • hours deve ser um inteiro ou uma lista, de 0 a 23.
  • minutes deve ser um inteiro ou uma lista, de 0 a 59.
  • weekdays pode ser uma cadeia de caracteres ou uma lista, de monday a sunday.
  • Se schedule for omitido, os trabalhos serão disparados de acordo com a lógica de start_time, frequency e interval.

• (Opcional) start_time descreve a data e a hora de início com fuso horário. Se start_time for omitido, start_time será igual à hora do trabalho criado. Se a hora de início estiver no passado, o primeiro trabalho será executado no próximo tempo de execução calculado.

• (Opcional) end_time descreve a data e a hora de término com fuso horário. Se end_time for omitido, o agendamento continuará disparando trabalhos até que o agendamento seja desabilitado manualmente.

• (Opcional) time_zone especifica o fuso horário da recorrência. Se omitido, por padrão será UTC. Para saber mais sobre valores de fuso horário, consulte o apêndice para valores de fuso horário.

Criar um agendamento baseado em tempo com a expressão cron

CLI do Azure

APLICA-SE A:Extensão de ML da CLI do Azure v2 (atual)

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

# create_job: azureml:simple-pipeline-job
create_job: ./simple-pipeline-job.yml

A seção trigger define os detalhes do agendamento e contém as seguintes propriedades:

• (Obrigatório)type especifica que o tipo de agendamento é cron.

A lista continua abaixo.

SDK do Python

APLICA-SE A: SDK do Python azure-ai-ml v2 (atual)

schedule_name = "simple_sdk_create_schedule_cron"

schedule_start_time = datetime.utcnow()
cron_trigger = CronTrigger(
    expression="15 10 * * *",
    start_time=schedule_start_time,  # start time
    time_zone="Eastern Standard Time",  # time zone of expression
)

job_schedule = JobSchedule(
    name=schedule_name, trigger=cron_trigger, create_job=pipeline_job
)

A seção CronTrigger define os detalhes do agendamento e contém as seguintes propriedades:

• (Obrigatório) Para proporcionar uma melhor experiência de codificação, usamos CronTrigger para agendamento de recorrência.

A lista continua abaixo.

Interface do Usuário do Estúdio

Quando você tem um trabalho de pipeline com desempenho e saídas satisfatórios, pode configurar um agendamento para disparar automaticamente esse trabalho regularmente.

1. Na página de detalhes do trabalho do pipeline, selecione Agendar ->Criar agendamento para abrir o assistente de criação de agendamento.

2. As configurações básicas do assistente de criação de agendamento contêm as propriedades a seguir.

   • Nome: o identificador exclusivo do agendamento dentro do workspace.
   • Descrição: uma descrição do agendamento.
   • Gatilho: especifica o padrão de recorrência do agendamento, incluindo as propriedades a seguir.
     • Fuso horário: o fuso horário com base no qual calcular a hora do gatilho; por padrão, é (UTC) Tempo Universal Coordenado.
     • Recorrência ou expressão Cron: selecione Expressão Cron para especificar o padrão recorrente. A expressão Cron permite que você especifique um padrão de recorrência mais flexível e personalizado.
     • Iniciar: especifica a data a partir da qual o agendamento se torna ativo. Por padrão, é a data em que você cria o agendamento.
     • Término: especifica a data após a qual o agendamento fica inativo. Por padrão, é NENHUMA, o que significa que o agendamento sempre estará ativo até que você o desabilite manualmente.
     • Marcas: marcas do agendamento.

   Depois de definir as configurações básicas, você pode selecionar diretamente Examinar + Criar e o agendamento enviará trabalhos automaticamente de acordo com o padrão de recorrência especificado.

• (Obrigatório)expression usa a expressão crontab padrão para expressar um agendamento recorrente. Uma única expressão é composta por cinco campos delimitados por espaço:

  MINUTES HOURS DAYS MONTHS DAYS-OF-WEEK

  • Um único curinga (*), que abrange todos os valores do campo. Assim, um * em dias significa todos os dias de um mês (que varia com mês e ano).

  • O expression: "15 16 * * 1" no exemplo acima significa as 16:15PM em todas as segundas-feiras.

  • A tabela a seguir lista os valores válidos para cada campo:

    Campo	Intervalo	Comentário
    MINUTES	0-59	-
    HOURS	0-23	-
    DAYS	-	Não há suporte. O valor será ignorado e tratado como *.
    MONTHS	-	Não há suporte. O valor será ignorado e tratado como *.
    DAYS-OF-WEEK	0 a 6	Zero (0) significa domingo. Nomes de dias também aceitos.

  • Para saber mais sobre como usar a expressão crontab, consulte Wiki da Expressão Crontab no GitHub .

  Importante

  DAYS e MONTH não tem suporte. Se você passar um valor, ele será ignorado e tratado como *.

• (Opcional) start_time especifica a data e a hora de início com o fuso horário do agendamento. start_time: "2022-05-10T10:15:00-04:00" significa que o agendamento começa a partir das 10:15:00AM em 2022-05-10 no fuso horário UTC-4. Se start_time for omitido, start_time será igual ao tempo de criação do agendamento. Se a hora de início estiver no passado, o primeiro trabalho será executado no próximo tempo de execução calculado.

• (Opcional) end_time descreve a data e a hora de término com fuso horário. Se end_time for omitido, o agendamento continuará disparando trabalhos até que o agendamento seja desabilitado manualmente.

• (Opcional) time_zone especifica o fuso horário da expressão. Se omitido, por padrão será UTC. Consulte o apêndice para obter valores de fuso horário.

Limitações:

• Atualmente, o agendamento do Azure Machine Learning v2 não dá suporte ao gatilho baseado em eventos.
• Você pode especificar um padrão de recorrência complexo que contém vários carimbos de data/hora de gatilho com o uso de SDK/CLI do Azure Machine Learning v2; já a interface do usuário exibe apenas o padrão complexo e não dá suporte à edição.
• Se você definir a recorrência como o 31º dia de cada mês, em meses com menos de 31 dias o agendamento não disparará trabalhos.

Alterar configurações de tempo de execução ao definir o agendamento

Ao definir um agendamento usando um trabalho existente, você pode alterar as configurações de tempo de execução do trabalho. Usando essa abordagem, você pode definir vários agendamentos usando o mesmo trabalho com entradas diferentes.

CLI do Azure

APLICA-SE A:Extensão de ML da CLI do Azure v2 (atual)

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

create_job: 
  type: pipeline
  job: ./simple-pipeline-job.yml
  # job: azureml:simple-pipeline-job
  # runtime settings
  settings:
    #default_compute: azureml:cpu-cluster
    continue_on_step_failure: true
  inputs:
    hello_string_top_level_input: ${{name}} 
  tags: 
    schedule: cron_with_settings_schedule

SDK do Python

APLICA-SE A: SDK do Python azure-ai-ml v2 (atual)

# set run time settings
pipeline_job = pipeline_with_components_from_yaml(
    training_input=Input(type="uri_folder", path=parent_dir + "/data/"),
    test_input=Input(type="uri_folder", path=parent_dir + "/data/"),
    training_max_epochs=20,
    training_learning_rate=1.8,
    learning_rate_schedule="time-based",
)

# set pipeline level compute
pipeline_job.settings.default_compute = "cpu-cluster"

Interface do Usuário do Estúdio

1. Às vezes, talvez seja melhor que os trabalhos disparados por agendamentos tenham configurações diferentes dos trabalhos de teste. Em Configurações avançadas no assistente de criação de agendamento, você pode modificar as entradas/saídas do trabalho, e as configurações de tempo de execução, com base no trabalho atual.

   Nas Entradas e saídas de trabalho, você pode modificar entradas e saídas para trabalhos futuros disparados por agendamentos. Talvez você queira que os trabalhos sejam disparados por agendamentos em execução com valores de parâmetros dinâmicos. Atualmente, você pode usar a expressão MACRO a seguir para o caminho de entradas e saídas do trabalho.

   Expression	Descrição
   ${{name}}	nome do trabalho
   ${{creation_context.trigger_time}}	hora de gatilho do trabalho

   

   Nas Configurações de runtime do trabalho da subetapa, você pode modificar a computação e outras configurações de tempo de execução para trabalhos disparados pelo agendamento.

   

2. Selecione Examinar + Criar para examinar as configurações de agendamento que você definiu.

   

3. Selecione Examinar + Criar para concluir a criação. Haverá notificação quando a criação for concluída.

As propriedades a seguir podem ser alteradas ao definir o agendamento:

Propriedade	Descrição
configurações	Um dicionário de configurações a serem usadas ao executar o trabalho de pipeline.
entradas	Um dicionário de entradas a serem usadas ao executar o trabalho de pipeline.
outputs	Um dicionário de entradas a serem usadas ao executar o trabalho de pipeline.
experiment_name	Nome do experimento do trabalho disparado.

Observação

Os usuários da interface do usuário do Estúdio só podem modificar as configurações de entrada, saída e runtime na criação de um agendamento. experiment_name só pode ser alterado usando a CLI ou o SDK.

Expressões com suporte no agendamento

Ao definir o agendamento, damos suporte à expressão a seguir que será resolvida como valor real durante o tempo de execução do trabalho.

Expression	Descrição	Propriedades com suporte
${{creation_context.trigger_time}}	A hora em que o agendamento é disparado.	Entradas de tipo de cadeia de caracteres do trabalho de pipeline
${{name}}	O nome do trabalho.	outputs.path do trabalho de pipeline

Gerenciar agendamento

Criar agendamento

CLI do Azure

APLICA-SE A:Extensão de ML da CLI do Azure v2 (atual)

Depois de criar o yaml de agendamento, você pode usar o comando a seguir para criar um agendamento por meio da CLI.

# This action will create related resources for a schedule. It will take dozens of seconds to complete.
az ml schedule create --file cron-schedule.yml --no-wait

SDK do Python

APLICA-SE A: SDK do Python azure-ai-ml v2 (atual)

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

Interface do Usuário do Estúdio

Confira Criar um agendamento baseado em tempo com padrão de recorrência ou Criar um agendamento baseado em tempo com a expressão Cron.

Listar agendamentos em um espaço de trabalho

CLI do Azure

APLICA-SE A:Extensão de ML da CLI do Azure v2 (atual)

az ml schedule list

SDK do Python

APLICA-SE A: SDK do Python azure-ai-ml v2 (atual)

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

Interface do Usuário do Estúdio

No portal do Estúdio , na extensão Trabalhos, selecione a guia Todos os agendamentos, na qual você pode encontrar todos os agendamentos de trabalho criados por SDK/CLI/interface do usuário em uma única lista. Na lista de agendamentos, você pode ter uma visão geral de todos os agendamentos no workspace.

Verificar detalhes do agendamento

CLI do Azure

APLICA-SE A:Extensão de ML da CLI do Azure v2 (atual)

az ml schedule show -n simple_cron_job_schedule

SDK do Python

APLICA-SE A: SDK do Python azure-ai-ml v2 (atual)

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

Interface do Usuário do Estúdio

Você pode selecionar um nome de agendamento para mostrar a página de detalhes do agendamento. A página de detalhes do agendamento contém as seguintes guias:

• Visão geral: informações básicas desse agendamento.

  

• Definição de trabalho: define o trabalho disparado por esse agendamento.

  

• Histórico de trabalhos: uma lista de todos os trabalhos disparados por esse agendamento.

Atualizar um agendamento

CLI do Azure

APLICA-SE A:Extensão de ML da CLI do Azurev2 (atual)

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

Observação

Se você quiser atualizar mais do que apenas marcas/descrição, é recomendável usar az ml schedule create --file update_schedule.yml

SDK do Python

APLICA-SE A: SDK do Python azure-ai-ml v2 (atual)

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

Interface do Usuário do Estúdio

Atualizar um pipeline de nova versão para o agendamento existente

Depois de configurar um agendamento para realizar o novo treinamento ou a inferência em lote na produção regularmente, você ainda poderá trabalhar no ajuste fino ou na otimização do modelo.

Quando você tiver um novo trabalho de pipeline de versão com desempenho otimizado, poderá atualizar o pipeline de nova versão para um agendamento existente.

1. Na página de detalhes do trabalho do pipeline de nova versão, selecione Agendar ->Atualizar para o agendamento existente.

   

2. Selecione um agendamento existente na tabela.

   

Importante

Selecione o agendamento correto que deseja atualizar. Depois de concluir a atualização, o agendamento disparará trabalhos diferentes.

3. Você também pode modificar as entradas/saídas do trabalho e as configurações de tempo de execução para os trabalhos futuros disparados pelo agendamento.

4. Selecione Examinar + Atualizar para concluir o processo de atualização. Haverá notificação quando a atualização for concluída.

5. Depois que a atualização for concluída, na página de detalhes do agendamento você poderá exibir a nova definição de trabalho.

Atualização na página de detalhes do agendamento

Na página de detalhes do agendamento, você pode selecionar Atualizar configurações para atualizar as configurações básicas e as configurações avançadas (incluindo as configurações de entrada/saída e runtime do trabalho) do agendamento.

Desabilitar um agendamento

CLI do Azure

APLICA-SE A:Extensão de ML da CLI do Azurev2 (atual)

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

SDK do Python

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

Interface do Usuário do Estúdio

Na página de detalhes do agendamento, você pode desabilitar o agendamento atual. Você também pode desabilitar agendamentos na guia Todos os agendamentos.

Habilitar um agendamento

CLI do Azure

APLICA-SE A:Extensão de ML da CLI do Azure v2 (atual)

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

SDK do Python

APLICA-SE A: SDK do Python azure-ai-ml v2 (atual)

# 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)

Interface do Usuário do Estúdio

Na página de detalhes do agendamento, você pode habilitar o agendamento atual. Você também pode habilitar agendamentos na guia Todos os agendamentos.

Consultar trabalhos disparados de um agendamento

Todo nome de exibição dos trabalhos disparados pelo agendamento terá o nome de exibição <schedule_name>-YYYYMMDDThhmmssZ. Por exemplo, se uma agenda com um nome de agendamento nomeado for criada com uma execução agendada a cada 12 horas a partir das 6h de 1º de janeiro de 2021, os nomes de exibição dos trabalhos criados serão os seguintes:

• named-schedule-20210101T060000Z
• named-schedule-20210101T180000Z
• named-schedule-20210102T060000Z
• named-schedule-20210102T180000Z e assim por diante

Você também pode aplicar a consulta JMESPath da CLI do Azure para consultar os trabalhos disparados por um nome de agendamento.

# query triggered jobs from schedule, please replace the simple_cron_job_schedule to your schedule name
az ml job list --query "[?contains(display_name,'simple_cron_schedule')]"

Observação

Para obter uma maneira mais simples de localizar todos os trabalhos disparados por um agendamento, confira o Histórico de trabalhos na página de detalhes do agendamento usando a interface do usuário do Estúdio.

---

excluir uma agenda

Importante

Um agendamento deve ser desabilitado para ser excluído. A exclusão é uma ação irrecuperável. Depois que um agendamento é excluído, você nunca pode acessá-lo ou recuperá-lo.

CLI do Azure

APLICA-SE A:Extensão de ML da CLI do Azure v2 (atual)

az ml schedule delete -n simple_cron_job_schedule

SDK do Python

APLICA-SE A: SDK do Python azure-ai-ml v2 (atual)

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

Interface do Usuário do Estúdio

Você pode excluir um agendamento da página de detalhes do agendamento ou da guia Todos os agendamentos.

Suporte a RBAC (controle de acesso baseado em função)

Como os agendamentos geralmente são usados para produção, para reduzir o impacto da má operação os administradores do workspace podem querer restringir o acesso à criação e ao gerenciamento de agendamentos em um workspace.

Atualmente, há três regras de ação relacionadas a agendamentos, e você pode configurá-las no portal do Azure. Você pode saber mais detalhes sobre como gerenciar o acesso a um workspace do Azure Machine Learning.

Ação	Descrição	Regra
Ler	Obter e listar agendamentos no workspace do Machine Learning	Microsoft.MachineLearningServices/workspaces/schedules/read
Gravar	Criar, atualizar, desabilitar e habilitar agendamentos no workspace do Machine Learning	Microsoft.MachineLearningServices/workspaces/schedules/write
Excluir	Excluir um agendamento no workspace do Machine Learning	Microsoft.MachineLearningServices/workspaces/schedules/delete

Perguntas frequentes

• Por que meus agendamentos criados pelo SDK não estão listados na interface do usuário?

  A interface do usuário de agendamentos é para agendamentos v2. Portanto, seus agendamentos v1 não serão listados ou acessados por meio da interface do usuário.

  No entanto, os agendamentos v2 também dão suporte a trabalhos de pipeline v1. Você não precisa publicar o pipeline primeiro e pode configurar diretamente os agendamentos para um trabalho de pipeline.

• Por que meus agendamentos não disparam o trabalho no momento em que defini antes?

  • Por padrão, os agendamentos usarão o fuso horário UTC para calcular a hora do gatilho. Você pode especificar fuso horário no assistente de criação ou atualizar o fuso horário na página de detalhes do agendamento.
  • Se você definir a recorrência como o 31º dia de cada mês, em meses com menos de 31 dias o agendamento não disparará trabalhos.
  • Se você estiver usando expressões Cron, não há suporte a MONTH. Se você transmitir um valor, ele será ignorado e tratado como *. Essa é uma limitação conhecida.

• Há suporte a agendamentos baseados em eventos?

  • Não, o agendamento V2 não dá suporte a agendamentos baseados em eventos.

Próximas etapas

• Saiba mais sobre o esquema YAML de agendamento da CLI (v2).
• Saiba como criar um trabalho de pipeline na CLI v2.
• Saiba como criar um trabalho de pipeline no SDK v2.
• Saiba mais sobre a sintaxe YAML principal da CLI (v2).
• Saiba mais sobre os Pipelines.
• Saiba mais sobre Componente.