Monitorar e analisar trabalhos no estúdio
É possível usar o Estúdio do Azure Machine Learning para monitorar, organizar e acompanhar os trabalhos para treinamento e experimentação. O histórico de trabalhos de ML é uma parte importante de um processo de desenvolvimento de ML explicativo e repetível.
Este artigo mostra como fazer as seguintes tarefas:
- Adicione o nome de exibição do trabalho.
- Crie uma exibição personalizada.
- Adicione uma descrição do trabalho.
- Marque e localize os trabalhos.
- Execute a pesquisa no histórico de trabalhos.
- Cancele ou reprove os trabalhos.
- Monitore o status dos trabalhos por notificação por email.
- Monitorar seus recursos de trabalho (versão prévia)
Dica
- Se você estiver procurando informações sobre como usar o SDK v1 do Azure Machine Learning ou a CLI v1, consulte Como acompanhar, monitorar e analisar trabalhos (v1).
- Se você estiver procurando informações sobre monitoramento de trabalhos de treinamento da CLI ou do SDK v2, consulte Acompanhar experimentos com o MLflow e a CLI v2.
- Se você estiver procurando informações sobre como monitorar o serviço do Azure Machine Learning e os serviços do Azure associados, consulte como monitorar o Azure Machine Learning.
Se você estiver procurando informações sobre modelos de monitoramento implantados em pontos de extremidade online, confira Monitorar pontos de extremidade online.
Pré-requisitos
Você precisará dos seguintes itens:
- Para usar o Azure Machine Learning, você precisa ter uma assinatura do Azure. Caso não tenha uma assinatura do Azure, crie uma conta gratuita antes de começar. Experimente a versão gratuita ou paga do Azure Machine Learning.
- Você precisa ter um workspace do Azure Machine Learning. Um workspace é criado em Instalar, configurar e usar a CLI (v2).
Nome de exibição do trabalho
O nome de exibição do trabalho é um nome opcional e personalizável que você pode fornecer para o trabalho. Para editar o nome de exibição do trabalho:
Navegue até a lista Trabalhos.
Selecione o trabalho a ser editado.
Selecione o botão Editar para editar o nome de exibição do trabalho.
Exibição personalizada
Para exibir os trabalhos no estúdio:
Navegue até a guia Trabalhos.
Selecione Todos os experimentos para exibir todos os trabalhos em um experimento ou selecione Todos os trabalhos para exibir todos os trabalhos enviados ao workspace.
Na página Todos os trabalhos, você pode filtrar a lista de trabalhos por marcas, experimentos, destino de computação e muito mais para melhor organizar e fazer o escopo do trabalho.
Faça personalizações na página, selecionando trabalhos a ser comparados, adicionando gráficos ou aplicando filtros. Essas alterações podem ser salvas como uma exibição personalizada para que você possa retornar facilmente ao seu trabalho. Os usuários com permissões de workspace podem editar ou ver o modo de exibição personalizado. Além disso, compartilhe a exibição personalizada com membros da equipe para colaboração aprimorada selecionando Compartilhar exibição.
Para ver os logs de trabalho, selecione um trabalho específico e, na guia Saídas e logs, você pode encontrar os logs de diagnóstico e de erros do trabalho.
Descrição do trabalho
Uma descrição do trabalho pode ser adicionada a um trabalho, para fornecer mais contexto e informações ao trabalho. Você também pode pesquisar nessas descrições na lista de trabalhos e adicionar a descrição do trabalho como coluna na lista de trabalhos.
Navegue até a página Detalhes do Trabalho e selecione o ícone Editar ou lápis para adicionar, editar ou excluir descrições do trabalho. Para manter as alterações na lista de trabalhos, salve as alterações na Exibição Personalizada existente ou em uma nova Exibição Personalizada. O formato Markdown é compatível com as descrições do trabalho, o que permite que imagens sejam incorporadas e links diretos, conforme mostrado abaixo.
Marcar e localizar trabalhos
No Azure Machine Learning, você pode usar as propriedades e as marcas para ajudar a organizar e consultar os trabalhos, para obter informações importantes.
Editar marcas
Você pode adicionar, editar ou excluir marcas de trabalho no estúdio. Navegue até a página Detalhes do Trabalho e selecione o ícone Editar ou lápis para adicionar, editar ou excluir marcas do trabalho. Você também pode pesquisar e filtrar essas marcas na página Lita de Trabalhos.
Propriedades e marcações de consulta
Você pode consultar os trabalhos em um experimento, para retornar uma lista de trabalhos que correspondem a propriedades e marcas específicas.
Para pesquisar trabalhos específicos, navegue até a lista Todos os trabalhos. Aqui você tem duas opções:
Use o botão Adicionar filtro e selecione o filtro nas marcas para filtrar os trabalhos pela marca que foi atribuída aos trabalhos.
OUUse a barra de pesquisa para encontrar trabalhos rapidamente, pesquisando nos metadados do trabalho, como o status do trabalho, descrições, nomes de experimento e nome do emissor.
Cancelar ou reprovar trabalhos
Se você observar um erro ou se o trabalho estiver demorando muito para ser concluído, você poderá cancelar o trabalho.
Para cancelar um trabalho no estúdio, use as seguintes etapas:
Vá para o pipeline em execução na seção Trabalho ou Pipelines.
Selecione o número do trabalho de pipeline que você deseja cancelar.
Na barra de ferramentas, selecione Cancelar.
Monitore o status dos trabalhos por notificação por email
No portal do Azure, na barra de navegação à esquerda, selecione a guia Monitor.
Selecione Configurações de diagnóstico e, em seguida, selecione + Adicionar configuração de diagnóstico.
Na configuração de diagnóstico,
- nos detalhes da categoria, selecione AmlRunStatusChangedEvent.
- Nos Detalhes de destino, selecione Enviar para o workspace do Log Analytics e especifique a Assinatura e o Workspace do Log Analytics.
Observação
O workspace do Log Analytics do Azure é um tipo diferente de recurso do Azure do que o workspace do Serviço do Azure Machine Learning. Se não houver nenhuma opção nessa lista, você poderá criar um Log Analytics no espaço de trabalho.
Na guia Logs, adicione uma nova regra de alerta.
Veja como criar, ver e gerenciar alertas de log usando o Azure Monitor.
Próximas etapas
- Para saber como registrar as métricas dos experimentos, confira Registrar métricas durante os trabalhos de treinamento.
- Para saber como monitorar recursos e logs do Azure Machine Learning, consulte Monitorando o Azure Machine Learning .