Impulsa el entrenamiento de IA con los cuadernos de Microsoft Fabric

By Mirko Peters · 2026-08-28

Los proyectos de inteligencia artificial y aprendizaje automático exigen enormes cantidades de potencia de cálculo, una integración de datos fluida y flujos de procesamiento eficientes. …

Automatically translated with AI from the original post. Read the English original

Los proyectos de inteligencia artificial y aprendizaje automático exigen enormes cantidades de potencia de cálculo, una integración de datos fluida y flujos de procesamiento eficientes. Históricamente, los científicos de datos han tenido que lidiar con la sobrecarga de mover grandes conjuntos de datos entre entornos dispares, gestionar conjuntos de herramientas fragmentados y soportar una latencia considerable durante las sesiones de entrenamiento. Hoy existe una solución unificada que une la ingeniería de datos a gran escala con el desarrollo ágil de modelos de aprendizaje automático. Gracias a los cuadernos de Microsoft Fabric, los equipos pueden agilizar todo su flujo operativo, desde la ingesta de datos sin procesar hasta el despliegue del modelo.

En esta entrada del blog vamos a ampliar los conceptos principales que tratamos en nuestro episodio del podcast, Train AI Models with Microsoft Fabric Notebooks. Analizaremos en detalle cómo configurar tu entorno, preparar los conjuntos de datos de forma eficiente, ejecutar trabajos de entrenamiento, gestionar modelos y adoptar buenas prácticas que potenciarán tus flujos de trabajo de IA.

Configuración de los cuadernos de Fabric

Configurar tu área de trabajo en los cuadernos de Fabric te proporciona una base sólida para el entrenamiento de modelos de IA. Esta sección ofrece una visión general de los cuadernos de Fabric y te guía en cada paso, desde la creación de la cuenta hasta el lanzamiento de tu primer cuaderno. Verás lo sencillo que resulta conectarte con tus datos y aprovechar Spark para realizar análisis potentes.

Acceso a Microsoft Fabric

Creación de una cuenta

Para empezar, necesitas acceso a Fabric. Puedes crear una cuenta gratuita de Fabric, que te permite iniciar sesión en la aplicación Fabric. Si ya utilizas Microsoft Power BI, puedes usar tu cuenta existente de Power BI. Este sencillo proceso te permite empezar a trabajar con cuadernos de inmediato.

Consejo: Los usuarios no han notificado problemas de acceso importantes, así que puedes esperar un proceso de registro sin contratiempos.

Navegación por el área de trabajo

Una vez que inicias sesión, verás el área de trabajo de Fabric. Aquí puedes organizar tus proyectos, gestionar recursos y acceder a tu lakehouse. El panel del área de trabajo te ayuda a encontrar rápidamente tus cuadernos, conjuntos de datos y otros elementos. También puedes revisar la capacidad y la configuración de tu área de trabajo para asegurarte de que cumples los requisitos de los proyectos de IA.

Inicio de un cuaderno

Selección del kernel

Después de configurar el área de trabajo, puedes empezar a crear un nuevo cuaderno. Al iniciar un cuaderno, eliges un kernel. El kernel controla el lenguaje de programación y el entorno. Los cuadernos de Fabric admiten Python y otros lenguajes, lo que los hace flexibles para distintas tareas de IA.

Configuración de bibliotecas

Antes de empezar el análisis, es posible que necesites instalar o importar bibliotecas. Los cuadernos de Fabric hacen este proceso muy sencillo. Puedes añadir bibliotecas para ciencia de datos, aprendizaje automático o visualización directamente en tu cuaderno. Esta configuración te permite usar Spark para procesar grandes conjuntos de datos y conectarte sin fisuras con tu lakehouse.

Al crear un cuaderno nuevo, evitas el engorro de mover datos entre herramientas. Puedes procesar, analizar y visualizar tus datos en un único lugar. Esta integración ahorra tiempo y reduce errores. Si todavía no conoces Fabric, puede que notes una curva de aprendizaje, pero el área de trabajo unificada y el acceso directo a los datos hacen que el proceso sea mucho más fácil.

Nota: Si trabajas en proyectos grandes o con equipos, los cuadernos de Fabric te ayudan a evitar flujos de trabajo fragmentados. Puedes mantener todo organizado y eficiente desde el principio.

Preparación de datos en los cuadernos de Fabric

Preparar el conjunto de datos en los cuadernos de Fabric es el primer paso para un entrenamiento exitoso de modelos de IA. Puedes simplificar cada fase, desde la ingesta de datos hasta su visualización, usando las herramientas integradas y las funciones basadas en Spark.

Importación de datos

Conexión a un lakehouse

Empiezas conectando tu cuaderno a un lakehouse. Esta conexión te da acceso directo a tus conjuntos de datos, así que no necesitas mover archivos entre sistemas. Puedes trabajar con los datos donde están, lo que ahorra tiempo y reduce errores. El lakehouse almacena tu conjunto de datos en tablas delta, lo que facilita cargar y actualizar la información según sea necesario.

Carga de datos con Spark

Una vez conectado, usas Spark para la ingesta de datos. Spark te permite cargar conjuntos de datos grandes de forma rápida y eficiente. Puedes leer datos de varias fuentes, como archivos CSV, archivos Parquet o tablas existentes en tu lakehouse. Spark se encarga del trabajo pesado, para que puedas centrarte en los datos en lugar de preocuparte por los límites de memoria.

Consejo: Usa los DataFrames de Spark para procesar tu conjunto de datos a escala. Este enfoque te permite gestionar incluso los conjuntos de datos más grandes sin ralentizar tu flujo de trabajo.

Limpieza de datos

Gestión de valores que faltan

Limpiar tu conjunto de datos es un paso clave antes de entrenar cualquier modelo. Puedes iniciar Data Wrangler desde tu cuaderno de Fabric para explorar el conjunto de datos y detectar valores que faltan. Data Wrangler genera código automáticamente para tareas habituales de limpieza, como rellenar valores que faltan o eliminar filas incompletas. Puedes exportar estos pasos de limpieza como funciones reutilizables en pandas o PySpark, lo que hace tu flujo de trabajo más eficiente.

Ingeniería de características

La ingeniería de características te ayuda a crear nuevas variables a partir de tu conjunto de datos existente. Puedes usar herramientas basadas en Python en los cuadernos de Fabric para transformar los datos y construir características que mejoren la precisión del modelo. Spark facilita aplicar estas transformaciones a todo el conjunto de datos, incluso si tienes millones de filas.

Buena práctica:

1. Usa herramientas de Spark y Python para limpiar y transformar tu conjunto de datos.
2. Crea experimentos para probar distintos conjuntos de características.
3. Registra tus ejecuciones y resultados con MLflow en la interfaz de Fabric.

Exploración de datos

Estadísticas resumidas

Explorar tu conjunto de datos te ayuda a entender su estructura y calidad. Puedes generar estadísticas resumidas, como la media, la mediana y la desviación estándar, directamente en tu cuaderno. Estas estadísticas te ofrecen una visión rápida del conjunto de datos y destacan los problemas que requieren atención.

Visualizaciones

La visualización de datos da vida a tu conjunto de datos. Los cuadernos de Fabric incluyen funciones de visualización integradas y se integran con bibliotecas como Matplotlib y Bokeh. Puedes convertir resultados tabulares en gráficos sin escribir código adicional. La función display te permite interactuar con los datos y detectar fácilmente tendencias o valores atípicos.

Nota: La visualización interactiva de datos te ayuda a tomar mejores decisiones al preparar tu conjunto de datos para el entrenamiento de modelos de IA.

Entrenar modelos en Fabric

Escribir el código de entrenamiento

Uso de Python o R

Puedes escribir el código de entrenamiento de tus modelos en varios lenguajes dentro de los cuadernos de Microsoft Fabric. La plataforma admite:

• PySpark (Python)
• Spark (Scala)
• Spark SQL
• SparkR (R)

La mayoría de los usuarios elige Python por su flexibilidad y su amplio ecosistema. También puedes usar R si prefieres sus herramientas estadísticas. PySpark te permite escalar tus trabajos de aprendizaje a muchos nodos, lo que es importante con conjuntos de datos grandes. Python funciona bien para el aprendizaje profundo y el desarrollo de modelos con PyTorch. Si quieres usar PyTorch, puedes instalar la biblioteca y empezar a construir tu modelo de inmediato. También puedes usar SparkR para el aprendizaje estadístico o Spark SQL para consultas rápidas de datos.

Estructurar las celdas de código

Conviene organizar el código en celdas claras y lógicas. Empieza con la carga y la limpieza de datos. Añade celdas para la ingeniería de características y el análisis exploratorio. Coloca el código de entrenamiento del modelo en su propia celda. Esta estructura te ayuda a depurar y volver a ejecutar partes de tu experimento de aprendizaje automático sin repetir pasos anteriores. También puedes añadir celdas de Markdown para explicar tu lógica y documentar tus experimentos. Este enfoque hace que tus cuadernos sean fáciles de leer y de compartir con otros.

Selección de algoritmos

Elegir modelos

Tienes que elegir el algoritmo adecuado para tu tarea. La regresión logística funciona bien para problemas de clasificación binaria. También puedes usar bibliotecas como scikit-learn, PySpark ML, TensorFlow o PyTorch para modelos más avanzados. Si quieres crear un modelo de PyTorch, puedes usar el soporte de GPU de Fabric para acelerar el proceso de aprendizaje. PyTorch es muy popular en aprendizaje profundo, reconocimiento de imágenes y procesamiento del lenguaje natural. También puedes usar PyTorch para transfer learning y ajuste fino de modelos preentrenados.

Al seleccionar un algoritmo, piensa en el tamaño de tus datos, el tipo de problema y los recursos que tienes disponibles. FLAML, creado por Microsoft Research, te ayuda a entrenar modelos de forma eficiente. Consume menos cómputo y funciona bien con trabajos en paralelo. Esto lo convierte en una buena opción para ejecuciones de experimentos de aprendizaje automático a gran escala.

Configuración de hiperparámetros

Los hiperparámetros controlan cómo aprenden tus modelos. Puedes usar flaml.tune para buscar la mejor configuración. Fabric te permite ejecutar muchas pruebas de ajuste a la vez gracias al procesamiento paralelo de Spark. Esto significa que puedes probar rápidamente distintas tasas de aprendizaje, tamaños de lote o capas para tu modelo de PyTorch. Puedes hacer seguimiento de cada prueba en tu experimento de aprendizaje automático mediante el seguimiento de experimentos. Las herramientas de visualización te ayudan a comparar resultados y elegir la mejor configuración. Puedes ver qué ajustes funcionan mejor para tu modelo durante las pruebas y el entrenamiento del modelo.

Consejo: Usa el seguimiento de experimentos para registrar cada prueba, métrica y parámetro. Así podrás repetir los experimentos exitosos y evitar errores.

Ejecución de trabajos de entrenamiento

Supervisión del progreso

Puedes supervisar tus trabajos de entrenamiento en tiempo real. Los cuadernos de Fabric muestran el rendimiento de cada paso. El modo de alta concurrencia acelera tus trabajos en aproximadamente un 30 %. Obtienes registros detallados de cada paso del cuaderno. La integración con MLflow te ofrece registro automático, así que no tienes que registrar las métricas manualmente. Puedes definir tus sesiones de entrenamiento y elegir qué parámetros y métricas registrar. Esto facilita el seguimiento del progreso del aprendizaje y la comparación de distintos experimentos.

Como puedes ver, los cuadernos de PySpark gestionan mejor los conjuntos de datos grandes. Esto es importante cuando entrenas un modelo de PyTorch u otros modelos de aprendizaje profundo con grandes volúmenes de datos.

Puntos de control

Los puntos de control te permiten guardar el estado de tu modelo durante el entrenamiento. Si el trabajo se detiene o quieres pausarlo, puedes reanudarlo desde el último punto de control. Esto resulta útil en los trabajos de entrenamiento de modelos de PyTorch que se ejecutan durante mucho tiempo. No pierdes tu progreso si necesitas reiniciar. También puedes usar los puntos de control para probar distintas estrategias de aprendizaje o continuar tu experimento de aprendizaje automático desde un punto concreto.

Nota: Configura siempre puntos de control cuando entrenes modelos con conjuntos de datos grandes. Esta práctica ahorra tiempo y protege tu trabajo.

Ya tienes las herramientas para entrenar, probar y supervisar modelos de aprendizaje automático en los cuadernos de Microsoft Fabric. Puedes ejecutar experimentos, ajustar hiperparámetros y crear soluciones potentes basadas en modelos de PyTorch para cualquier reto de ciencia de datos.

Flujo de trabajo de entrenamiento de modelos de IA

Puedes aprovechar todo el potencial del entrenamiento de modelos de IA dominando el flujo de trabajo en los cuadernos de Microsoft Fabric. Esta sección te guía por la evaluación distribuida, el ajuste de modelos y el uso de funciones de IA integradas. Verás cómo Spark, la supervisión en tiempo real y las funciones de Copilot te ayudan a crear mejores modelos más rápido.

Evaluación distribuida

Evaluación del rendimiento

Puedes evaluar el rendimiento de tu modelo en grandes conjuntos de datos gracias a la computación distribuida de Spark. Spark divide tus datos de prueba en partes más pequeñas y las procesa en paralelo. Esto significa que no tienes que esperar horas para obtener resultados. Puedes revisar métricas como la precisión, la exhaustividad y el recall directamente en tu cuaderno. Este enfoque funciona bien para el aprendizaje profundo con PyTorch, cuando necesitas probar modelos con millones de registros. La supervisión en tiempo real en Fabric te permite seguir el uso de recursos y el progreso del trabajo mientras se ejecuta la evaluación.

Comparación de modelos

Puedes comparar distintos modelos lado a lado en los cuadernos. Por ejemplo, podrías entrenar un modelo de PyTorch y un modelo de scikit-learn con el mismo conjunto de datos. Puedes registrar los resultados de cada modelo y visualizarlos con gráficos integrados. Esto te ayuda a elegir el mejor modelo para tu proyecto de entrenamiento de modelos de IA. También puedes usar el seguimiento de experimentos para guardar tus resultados y compartirlos con tu equipo. Así es fácil repetir los experimentos exitosos y mejorar tu flujo de trabajo.

Ajuste de modelos

Búsqueda de hiperparámetros

Puedes mejorar la precisión de tu modelo ajustando sus hiperparámetros. Los cuadernos de Microsoft Fabric admiten herramientas avanzadas como Optuna para esta tarea. Este es un flujo de trabajo sencillo que puedes seguir:

1. Crea un estudio con Optuna para almacenar los resultados de las pruebas:

   study = optuna.create_study(direction="maximize")

2. Optimiza el estudio durante un número determinado de pruebas:

   study.optimize(objective, n_trials=60, show_progress_bar=True)

3. Muestra los resultados de las pruebas:

   print("Number of finished trials:", len(study.trials))

También puedes visualizar la búsqueda con gráficos. Usa plot_optimization_history(study).show() para ver cómo mejora tu modelo con el tiempo. Prueba plot_param_importances(study).show() para descubrir qué configuraciones son más importantes. Usa plot_parallel_coordinate(study).show() para explorar cómo interactúan los distintos parámetros. No te limites a copiar el código: adáptalo y experimenta con distintos hiperparámetros para obtener los mejores resultados con tus modelos de PyTorch u otros modelos.

Cómo evitar el sobreajuste

Quieres que tu entrenamiento de modelos de IA cree modelos que funcionen bien con datos nuevos, no solo con el conjunto de entrenamiento. El sobreajuste se produce cuando un modelo aprende demasiado bien los datos de entrenamiento y falla con ejemplos nuevos. Puedes prevenirlo usando validación cruzada y técnicas de apilamiento.

El apilamiento suele usar validación cruzada para generar las predicciones del metamodelo, lo que garantiza que no se filtre información del entrenamiento a las pruebas. Esto añade complejidad, pero también aporta robustez.

También puedes usar la detención temprana en PyTorch, la regularización y las capas de dropout para que tus modelos sean más robustos. Revisa siempre las puntuaciones de validación y ajusta tu proceso de entrenamiento si ves señales de sobreajuste.

Funciones de IA integradas

Clasificación de texto

Puedes ahorrar tiempo en tareas comunes usando las funciones de IA integradas en los cuadernos de Microsoft Fabric. Para la clasificación de texto, puedes usar la función Classify para ordenar correos electrónicos, tickets de soporte o documentos en categorías. Funciona bien en casos de negocio como enrutar solicitudes urgentes o etiquetar los comentarios de los clientes. También puedes crear modelos de PyTorch personalizados para tareas de clasificación más avanzadas.

Análisis de sentimiento

El análisis de sentimiento te ayuda a entender el tono de un texto, como reseñas de clientes o publicaciones en redes sociales. Puedes usar la función Sentiment Analysis para marcar los comentarios negativos y responder con rapidez. Esta función funciona de forma inmediata en los cuadernos, así que no necesitas escribir código complejo. También puedes combinar las funciones integradas con tus propios modelos de PyTorch para obtener resultados aún mejores.

Esta es una tabla de funciones de IA integradas que puedes usar en tu flujo de trabajo de entrenamiento de modelos de IA:

Puedes usar Copilot para generar código, sugerir mejoras y automatizar pasos repetitivos. Esto hace que tu proceso de entrenamiento de modelos de IA sea más rápido y productivo. Puedes centrarte en crear y ajustar modelos de PyTorch mientras Copilot se encarga del trabajo rutinario.

Siguiendo este flujo de trabajo en los cuadernos de Microsoft Fabric, puedes escalar tu entrenamiento de modelos de IA, ajustar modelos de PyTorch de forma eficiente y usar las funciones de IA integradas para resolver problemas reales.

Gestión y despliegue de modelos

Guardar modelos

Exportación y control de versiones

Necesitas una forma fiable de guardar y hacer seguimiento de tus modelos de PyTorch en Fabric. Empieza usando MLflow para registrar cada ejecución de entrenamiento. MLflow registra tus parámetros, métricas y artefactos. Esto te ayuda a encontrar la mejor versión de tu modelo de PyTorch cuando la necesites. Debes habilitar el registro automático (autologging) al inicio del seguimiento de los experimentos. Así capturas todos los detalles importantes desde la primera ejecución. No puedes añadir registros más tarde, así que empieza pronto.

Puedes usar el viaje en el tiempo de Delta Lake para fijar la versión exacta de tus datos de entrenamiento. Así siempre podrás reproducir tus resultados. Registra cada modelo de PyTorch en el registro de modelos de MLflow. Incluye la versión, el hash de los datos de entrenamiento, las métricas de rendimiento y el propietario. Esto crea un registro de auditoría claro para gestionar los modelos. Antes de pasar un modelo a producción, configura un proceso de revisión humana. Usa las aprobaciones de pull requests de Azure DevOps vinculadas a las canalizaciones de implementación de Fabric. Este paso mantiene tu flujo de trabajo seguro y conforme con la normativa.

Consejo: Mantén siempre registrados en MLflow tus mejores modelos de PyTorch. Puedes volver a una versión anterior si detectas un problema.

Compartir cuadernos

Funciones de colaboración

Puedes trabajar fácilmente con tu equipo en los cuadernos. La plataforma se conecta directamente a tu Lakehouse, así que todos usan los mismos datos. Los cuadernos combinan código, comentarios y resultados en un solo lugar. Esto facilita compartir ideas y resultados. Los miembros del equipo pueden usar sus lenguajes de programación favoritos, como Python o R, sobre el mismo conjunto de datos. Esta flexibilidad ayuda a todos a contribuir en la gestión de modelos y en el seguimiento de experimentos.

Implementación de modelos

Integración con canalizaciones de Fabric

Puedes implementar tus modelos de PyTorch mediante las canalizaciones de implementación de Fabric. Estas canalizaciones te ayudan a gestionar los modelos en los entornos de desarrollo, prueba y producción. Mantienes el control y la coherencia en cada etapa. El flujo de trabajo visual de las canalizaciones de implementación de Microsoft Fabric te permite ver dónde está tu modelo de PyTorch y qué pasos vienen después. Puedes promocionar tus modelos de PyTorch a través de entornos controlados. Este proceso garantiza que tu equipo siga las mejores prácticas para gestionar los modelos.

• Integra los servicios de Azure OpenAI usando SynapseML.
• Usa el SDK de Python para la implementación.
• Accede a tus modelos de PyTorch mediante API REST.
• Los casos de uso habituales incluyen el resumen de texto y el análisis de sentimiento.

Inferencia en tiempo real

Puedes servir tus modelos de PyTorch para inferencia en tiempo real. Esto significa que puedes hacer predicciones sobre datos nuevos en cuanto llegan. Por ejemplo, puedes usar tu modelo de PyTorch desplegado para clasificar tickets de soporte o analizar los comentarios de los clientes al instante. MLflow registra cada implementación, así que sabes qué versión de tu modelo de PyTorch se está ejecutando. Puedes actualizar o revertir las implementaciones con rapidez si lo necesitas.

Nota: La inferencia en tiempo real te permite responder a las necesidades del negocio sin demora. Usa MLflow para supervisar y gestionar tus modelos de PyTorch en producción.

Siguiendo estos pasos, puedes gestionar el guardado, el uso compartido y la implementación de tus modelos de PyTorch en Fabric. Mantienes tu flujo de trabajo organizado y tus resultados reproducibles. MLflow y los cuadernos te ofrecen las herramientas necesarias para hacer seguimiento de experimentos y gestionar modelos a escala.

Mejores prácticas en los cuadernos de Fabric

Reproducibilidad

Documentar el flujo de trabajo

Debes documentar siempre tu flujo de trabajo para que tus proyectos de IA sean fáciles de repetir y de entender. Una buena documentación te ayuda a ti y a tu equipo a seguir cada paso del proceso de entrenamiento del modelo. Empieza describiendo el contexto de negocio de cada experimento. Registra tus modelos con explicaciones claras de qué predicen, cómo se usan y cualquier límite conocido. Usa celdas de markdown en tus cuadernos para explicar tu lógica y tus decisiones. Este hábito facilita compartir y revisar tu trabajo.

• Usa el viaje en el tiempo de Delta Lake para fijar la versión exacta de tus datos de entrenamiento en cada experimento.
• Separa la ingeniería de características del entrenamiento creando tablas de características reutilizables.
• Habilita el registro automático (autologging) al inicio de tus experimentos para capturar todos los parámetros y resultados.
• Prepara tus modelos antes de producción. Valídalos con datos de holdout y compáralos con los modelos actuales.
• Programa revisiones periódicas para detectar la deriva del modelo comparando las predicciones con los resultados reales.

Consejo: Documenta cada experimento a medida que avanzas. Así ahorrarás tiempo y evitarás confusiones más adelante.

Gestión del entorno

Gestionar tu entorno garantiza que los resultados se mantengan coherentes entre distintas ejecuciones. Debes registrar las versiones de todas las bibliotecas y dependencias que utilizas. Esta práctica te ayuda a evitar sorpresas cuando tú o tus compañeros vuelvan a ejecutar tus cuadernos. Usa archivos de entorno o listas de paquetes para llevar un registro de tu configuración. Cuando compartas tu trabajo, incluye estos detalles para que otros puedan reproducir tus resultados sin problemas.

Colaboración

Uso compartido en equipo

Trabajar en equipo en Fabric es sencillo y eficaz. Puedes compartir cuadernos con tus colegas y establecer permisos para cada usuario. Este control te permite decidir quién puede ver o editar tu trabajo. Los equipos pueden añadir comentarios a nivel de celda para debatir el código, plantear preguntas o sugerir cambios. Estas funciones ayudan a que todos estén alineados y a que los proyectos avancen juntos.

• Comparte cuadernos directamente con tu equipo.
• Establece permisos de usuario para controlar el acceso.
• Usa comentarios a nivel de celda para recibir comentarios y debatir.

Revisión de código

La revisión de código es importante para la calidad y el aprendizaje. Los cuadernos admiten el historial de versiones, así que puedes ver qué cambió y cuándo. Si es necesario, puedes revertir a una versión anterior. La integración con Git te permite usar el control de código fuente para un seguimiento aún mejor. Estas herramientas facilitan revisar el código, detectar errores y mantener tu proyecto a salvo.

• Consulta el historial de versiones para seguir los cambios.
• Revierte a versiones anteriores si es necesario.
• Usa la integración con Git para un control de código fuente avanzado.

Optimización del rendimiento

Gestión de recursos

Puedes optimizar el rendimiento gestionando tus recursos con criterio. Ajusta la capacidad de cálculo al tamaño de tu carga de trabajo. Escala hacia arriba en los momentos de mayor actividad y pausa los recursos cuando no se utilicen. La capacidad reservada y las cargas de trabajo spot pueden ayudarte a ahorrar costes. Configura presupuestos y alertas para evitar gastos excesivos. Supervisa los picos de carga para detectar cuellos de botella a tiempo.

Gestión eficiente de datos

Una gestión eficiente de los datos acelera tus proyectos de IA. Procesa los datos en su ubicación para reducir los movimientos y ahorrar tiempo. Limpia el almacenamiento para mejorar el rendimiento. Usa tablas de características reutilizables para no repetir trabajo. La optimización de hiperparámetros en paralelo te permite probar muchas configuraciones a la vez, lo que acelera tus experimentos. Registra siempre tus experimentos para mantener tus resultados organizados.

Nota: Una gestión eficiente de los datos y de los recursos te ayuda a sacar el máximo partido a tus proyectos de IA.

Solución de problemas

Al trabajar con los cuadernos de Microsoft Fabric, puedes encontrar obstáculos que ralenticen tu avance. Saber cómo solucionar los problemas más comunes te ayuda a mantener tus proyectos en marcha. Esta sección te ofrece pasos prácticos para depurar y para encontrar soporte cuando lo necesites.

Depuración

Puedes resolver muchos problemas siguiendo un proceso claro. Empieza revisando el Centro de supervisión en el portal de Microsoft Fabric. Esta herramienta te indica si algún proceso ha fallado o si hay errores en tu área de trabajo. Si detectas un problema, revisa los detalles, como el nombre del área de trabajo, el activador y el origen del flujo de eventos. Estos datos te ayudan a identificar la causa raíz rápidamente.

Sigue estos pasos para depurar tus canalizaciones de datos y cuadernos:

1. Revisa el Centro de supervisión para detectar trabajos fallidos o errores.
2. Valida todas las conexiones y credenciales, sobre todo las de Azure SQL u otros servicios vinculados.
3. Usa el modo de depuración para avanzar paso a paso por tus canalizaciones de datos e identificar dónde se bloquean.
4. Revisa la configuración de programación y de desencadenadores para asegurarte de que tus trabajos se ejecutan según lo previsto.
5. Supervisa el uso de recursos para comprobar si el bajo rendimiento se debe a una capacidad limitada.
6. Visita la página de estado de Microsoft Fabric para comprobar si hay interrupciones del servicio o actualizaciones.
7. Exporta e importa canalizaciones con la función "Guardar como" si necesitas duplicarlas o restablecerlas.
8. Documenta los identificadores de reglas, las condiciones, las marcas de tiempo y los objetos afectados para llevar un registro de lo ocurrido.

Consejo: Al ejecutar y depurar cuadernos, lleva siempre un registro de los cambios y las acciones. Este hábito facilita rastrear los problemas y compartir los hallazgos con tu equipo.

Recursos de soporte

Si no puedes solucionar un problema por tu cuenta, tienes varias opciones de soporte. Microsoft ofrece una comunidad sólida y canales de ayuda oficiales. Puedes usar estos recursos para obtener respuestas y aprender de otros.

• Microsoft Docs ofrece guías paso a paso y artículos de solución de problemas.
• Los foros de la comunidad te permiten hacer preguntas y recibir consejos tanto de otros usuarios como del personal de Microsoft.
• Las incidencias de soporte te conectan con expertos de Microsoft para problemas más complejos.
• El Centro de supervisión y las páginas de estado te mantienen informado de los problemas o interrupciones en curso.

Cuando pidas ayuda, incluye datos importantes como el nombre del espacio de trabajo, el origen de la secuencia de eventos, los identificadores de las reglas y la hora en que se produjo el problema. Esta información ayuda a los equipos de soporte a responder más rápido y con mayor precisión.

Nota: Participar en la comunidad suele llevar a soluciones rápidas. Muchos usuarios comparten consejos y buenas prácticas que pueden ayudarte a evitar problemas similares en el futuro.

Siguiendo estos pasos de solución de problemas y aprovechando los recursos de soporte disponibles, podrás resolver la mayoría de los problemas en los cuadernos de Fabric y seguir avanzando con tus proyectos.

Puedes acelerar el entrenamiento de modelos de IA con los cuadernos de Microsoft Fabric. La interfaz, familiar y similar a la de Power BI, hace que tu flujo de trabajo sea intuitivo y productivo. Trabajas en un entorno unificado que combina ingeniería de datos, analítica y asistencia de IA, así que no tienes que cambiar entre herramientas. Esta integración simplifica cada paso, desde la preparación de datos hasta la implementación.

Explora estos recursos para profundizar tus conocimientos:

• Microsoft Learn, con ejercicios prácticos
• Programas de certificación para validar tu experiencia
• Data Wrangler, para limpiar datos de forma sencilla
• MLflow, para el seguimiento de experimentos
• Lakehouse, para el almacenamiento unificado de datos

Empieza hoy mismo y desbloquea todo el potencial del desarrollo de modelos de IA escalable y eficiente. Para conocer más sobre estas técnicas y debates con expertos, no dejes de escuchar el episodio de podcast relacionado: Train AI Models with Microsoft Fabric Notebooks.