Potenzia l'addestramento AI con i notebook di Microsoft Fabric

By Mirko Peters · 2026-08-28

I progetti di intelligenza artificiale e machine learning richiedono enormi quantità di potenza di calcolo, un'integrazione dei dati senza interruzioni e flussi di elaborazione efficienti. …

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

I progetti di intelligenza artificiale e machine learning richiedono enormi quantità di potenza di calcolo, un'integrazione dei dati senza interruzioni e flussi di elaborazione efficienti. In passato, i data scientist faticavano a gestire il sovraccarico legato allo spostamento di grandi dataset tra ambienti diversi, a coordinare strumenti frammentati e a convivere con latenze significative durante le sessioni di addestramento. Oggi esiste una soluzione unificata che colma il divario tra l'ingegneria dei dati su larga scala e lo sviluppo agile di modelli di machine learning. Grazie ai notebook di Microsoft Fabric, i team possono semplificare l'intera pipeline operativa, dall'acquisizione dei dati grezzi fino al deployment del modello.

In questo articolo approfondiremo i concetti principali trattati nel nostro episodio del podcast, Train AI Models with Microsoft Fabric Notebooks. Vedremo nel dettaglio come configurare l'ambiente, preparare i dataset in modo efficiente, eseguire i job di addestramento, gestire i modelli e adottare le best practice che potenzieranno i tuoi flussi di lavoro AI.

Configurazione dei notebook di Fabric

Configurare l'area di lavoro nei notebook di Fabric offre una base solida per l'addestramento dei modelli AI. Questa sezione fornisce una panoramica dei notebook di Fabric e ti guida passo dopo passo, dalla creazione dell'account fino all'avvio del primo notebook. Vedrai quanto sia semplice collegarsi ai dati e sfruttare Spark per analisi potenti.

Accesso a Microsoft Fabric

Creazione di un account

Per iniziare ti serve l'accesso a Fabric. Puoi creare un account gratuito di Fabric, che ti permette di accedere all'app Fabric. Se usi già Microsoft Power BI, puoi utilizzare l'account Power BI esistente. Questo semplice processo ti consente di iniziare subito a lavorare con i notebook.

Suggerimento: Non sono stati segnalati problemi di accesso significativi da parte degli utenti, quindi puoi aspettarti una registrazione senza intoppi.

Navigazione nell'area di lavoro

Dopo l'accesso, vedrai l'area di lavoro di Fabric. Qui puoi organizzare i progetti, gestire le risorse e accedere al tuo lakehouse. La dashboard dell'area di lavoro ti aiuta a trovare rapidamente notebook, dataset e altri asset. Puoi anche verificare la capacità e le impostazioni dell'area di lavoro per assicurarti di soddisfare i requisiti dei progetti AI.

Avvio di un notebook

Selezione del kernel

Dopo aver configurato l'area di lavoro, puoi iniziare a creare un nuovo notebook. Quando avvii un notebook, scegli un kernel. Il kernel controlla il linguaggio di programmazione e l'ambiente. I notebook di Fabric supportano Python e altri linguaggi, il che li rende flessibili per diverse attività AI.

Configurazione delle librerie

Prima di iniziare l'analisi, potrebbe essere necessario installare o importare delle librerie. I notebook di Fabric rendono questo passaggio semplice. Puoi aggiungere librerie per data science, machine learning o visualizzazione direttamente nel notebook. Questa configurazione ti consente di usare Spark per elaborare grandi dataset e di collegarti senza interruzioni al tuo lakehouse.

Quando crei un nuovo notebook, eviti la fatica di spostare i dati tra uno strumento e l'altro. Puoi elaborare, analizzare e visualizzare i dati tutto in un unico posto. Questa integrazione fa risparmiare tempo e riduce gli errori. Se non conosci ancora Fabric, potresti notare una curva di apprendimento, ma l'area di lavoro unificata e l'accesso diretto ai dati rendono il processo molto più semplice.

Nota: Se lavori con progetti o team di grandi dimensioni, i notebook di Fabric ti aiutano a evitare flussi di lavoro frammentati. Puoi mantenere tutto organizzato ed efficiente fin dall'inizio.

Preparazione dei dati nei notebook di Fabric

Preparare il dataset nei notebook di Fabric pone le basi per un addestramento efficace dei modelli di AI. Puoi semplificare ogni passaggio, dall'acquisizione dei dati alla visualizzazione, usando gli strumenti integrati e le funzionalità basate su Spark.

Importazione dei dati

Connessione a lakehouse

Inizi collegando il notebook a un lakehouse. Questa connessione ti dà accesso diretto ai dataset, quindi non devi spostare i file tra sistemi diversi. Puoi lavorare con i dati dove si trovano, il che fa risparmiare tempo e riduce gli errori. Il lakehouse archivia il dataset in tabelle delta, rendendo semplice caricare e aggiornare le informazioni quando serve.

Caricamento dei dati con Spark

Dopo la connessione, usi Spark per l'acquisizione dei dati. Spark consente di caricare set di dati di grandi dimensioni in modo rapido ed efficiente. Puoi leggere dati da più origini, inclusi file CSV, file Parquet o tabelle esistenti nel lakehouse. Spark svolge il lavoro più pesante, così puoi concentrarti sui dati senza preoccuparti dei limiti di memoria.

Suggerimento: usa i DataFrame di Spark per elaborare il dataset su larga scala. Questo approccio ti permette di gestire anche i dataset più grandi senza rallentare il flusso di lavoro.

Pulizia dei dati

Gestione dei valori mancanti

Pulire il dataset è un passaggio fondamentale prima di addestrare qualsiasi modello. Puoi avviare Data Wrangler dal notebook di Fabric per esplorare il dataset e individuare i valori mancanti. Data Wrangler genera automaticamente il codice per le attività di pulizia più comuni, come riempire i valori mancanti o rimuovere le righe incomplete. Puoi esportare questi passaggi di pulizia come funzioni riutilizzabili in pandas o PySpark, rendendo il flusso di lavoro più efficiente.

Feature engineering

Il feature engineering ti aiuta a creare nuove variabili a partire dal dataset esistente. Puoi usare gli strumenti basati su Python nei notebook di Fabric per trasformare i dati e costruire feature che migliorano l'accuratezza del modello. Spark rende semplice applicare queste trasformazioni a tutto il dataset, anche se contiene milioni di righe.

Best practice:

1. Usa Spark e gli strumenti Python per pulire e trasformare il dataset.
2. Crea esperimenti per testare diversi set di feature.
3. Tieni traccia delle esecuzioni e dei risultati con MLflow nell'interfaccia di Fabric.

Esplorazione dei dati

Statistiche di riepilogo

Esplorare il dataset ti aiuta a capirne la struttura e la qualità. Puoi generare statistiche di riepilogo, come media, mediana e deviazione standard, direttamente nel notebook. Queste statistiche offrono una panoramica rapida del dataset e mettono in evidenza eventuali problemi che richiedono attenzione.

Visualizzazioni

La visualizzazione dei dati dà vita al dataset. I notebook di Fabric supportano funzioni di visualizzazione integrate e si integrano con librerie come Matplotlib e Bokeh. Puoi trasformare i risultati tabellari in grafici senza scrivere codice aggiuntivo. La funzione display ti permette di interagire con i dati e individuare facilmente tendenze o valori anomali.

Nota: la visualizzazione interattiva dei dati ti aiuta a prendere decisioni migliori quando prepari il dataset per l'addestramento del modello di AI.

Addestrare i modelli in Fabric

Scrivere il codice di addestramento

Usare Python o R

Puoi scrivere il codice di addestramento del modello in diversi linguaggi nei notebook di Microsoft Fabric. La piattaforma supporta:

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

La maggior parte degli utenti sceglie Python per la sua flessibilità e per l'ampio ecosistema. Puoi anche usare R se preferisci i suoi strumenti statistici. PySpark ti permette di distribuire i job di apprendimento su molti nodi, il che è importante con dataset di grandi dimensioni. Python si presta bene allo sviluppo di deep learning e di modelli pytorch. Se vuoi usare pytorch, puoi installare la libreria e iniziare subito a costruire il tuo modello pytorch. Puoi anche usare SparkR per l'apprendimento statistico o Spark SQL per interrogazioni rapide sui dati.

Strutturare le celle di codice

Conviene organizzare il codice in celle chiare e logiche. Inizia con il caricamento e la pulizia dei dati. Aggiungi celle per il feature engineering e l'analisi esplorativa. Inserisci il codice di addestramento del modello in una cella dedicata. Questa struttura ti aiuta a fare debug e a rieseguire parti dell'esperimento di machine learning senza ripetere i passaggi precedenti. Puoi anche aggiungere celle markdown per spiegare la logica e documentare gli esperimenti. Così i notebook restano facili da leggere e da condividere con altri.

Selezione dell'algoritmo

Scegliere i modelli

Devi scegliere l'algoritmo giusto per il tuo compito. La regressione logistica funziona bene per i problemi di classificazione binaria. Per modelli più avanzati puoi usare librerie come scikit-learn, PySpark ML, TensorFlow o PyTorch. Se vuoi costruire un modello PyTorch, puoi sfruttare il supporto GPU di Fabric per velocizzare il processo di apprendimento. PyTorch è molto diffuso nel deep learning, nel riconoscimento delle immagini e nell'elaborazione del linguaggio naturale. Puoi usare PyTorch anche per il transfer learning e per il fine-tuning di modelli pre-addestrati.

Quando scegli un algoritmo, considera la dimensione dei dati, il tipo di problema e le risorse che hai a disposizione. FLAML, sviluppato da Microsoft Research, ti aiuta ad addestrare i modelli in modo efficiente. Utilizza meno risorse di calcolo e funziona bene con i job paralleli. Questo lo rende una buona scelta per esperimenti di machine learning su larga scala.

Impostazione degli iperparametri

Gli iperparametri controllano il modo in cui i modelli apprendono. Puoi usare flaml.tune per cercare le impostazioni migliori. Grazie all'elaborazione parallela di Spark, Fabric ti permette di eseguire molti tentativi di ottimizzazione contemporaneamente. Questo significa che puoi testare rapidamente diversi tassi di apprendimento, dimensioni dei batch o livelli per il tuo modello PyTorch. Puoi tenere traccia di ogni tentativo nel tuo esperimento di machine learning usando il tracciamento degli esperimenti. Gli strumenti di visualizzazione ti aiutano a confrontare i risultati e a scegliere la configurazione migliore. Puoi vedere quali impostazioni funzionano meglio per il tuo modello durante il test e l'addestramento del modello.

Suggerimento: Usa il tracciamento degli esperimenti per registrare ogni tentativo, ogni metrica e ogni parametro. Questo ti aiuta a ripetere gli esperimenti riusciti ed evitare errori.

Esecuzione dei job di addestramento

Monitoraggio dell'avanzamento

Puoi monitorare i job di addestramento in tempo reale. I notebook di Fabric mostrano come si comporta ogni passaggio. La modalità High Concurrency velocizza i job di circa il 30%. Ottieni log dettagliati per ogni passaggio del notebook. L'integrazione con MLflow offre l'autologging, quindi non devi registrare manualmente le metriche. Puoi definire le sessioni di addestramento e scegliere quali parametri e metriche registrare. Questo rende semplice tenere traccia dell'avanzamento dell'apprendimento e confrontare esperimenti diversi.

Come puoi vedere, i notebook PySpark gestiscono meglio i dataset di grandi dimensioni. Questo è importante quando addestri un modello PyTorch o altri modelli di deep learning su big data.

Checkpoint

I checkpoint ti permettono di salvare lo stato del modello durante l'addestramento. Se il job si interrompe o vuoi metterlo in pausa, puoi riprendere dall'ultimo checkpoint. Questo è utile per i job di addestramento di modelli PyTorch di lunga durata. Non perdi i progressi se devi riavviare. Puoi anche usare i checkpoint per testare diverse strategie di apprendimento o per proseguire il tuo esperimento di machine learning da un determinato punto.

Nota: Imposta sempre i checkpoint quando addestri modelli su dataset di grandi dimensioni. Questa pratica fa risparmiare tempo e protegge il lavoro svolto.

Ora hai gli strumenti per addestrare, testare e monitorare i modelli di machine learning nei notebook di Microsoft Fabric. Puoi eseguire esperimenti, ottimizzare gli iperparametri e costruire soluzioni basate su modelli PyTorch potenti per qualsiasi sfida di data science.

Flusso di lavoro per l'addestramento dei modelli di AI

Puoi sfruttare appieno il potenziale dell'addestramento dei modelli di AI padroneggiando il flusso di lavoro nei notebook di Microsoft Fabric. Questa sezione ti guida attraverso la valutazione distribuita, l'ottimizzazione dei modelli e l'uso delle funzioni di AI integrate. Vedrai come Spark, il monitoraggio in tempo reale e le funzionalità di Copilot ti aiutano a costruire modelli migliori più velocemente.

Valutazione distribuita

Valutazione delle prestazioni

Puoi valutare le prestazioni del tuo modello su dataset di grandi dimensioni sfruttando il calcolo distribuito di Spark. Spark suddivide i dati di test in parti più piccole e le elabora in parallelo. Questo significa che non devi aspettare ore per ottenere i risultati. Puoi verificare metriche come accuratezza, precisione e richiamo direttamente nel notebook. Questo approccio funziona bene per il deep learning con PyTorch, quando devi testare modelli su milioni di record. Il monitoraggio in tempo reale in Fabric ti permette di osservare l'utilizzo delle risorse e l'avanzamento del job mentre la valutazione è in esecuzione.

Confronto dei modelli

Puoi confrontare fianco a fianco diversi modelli nei notebook. Ad esempio, puoi addestrare un modello PyTorch e un modello scikit-learn sullo stesso dataset. Puoi registrare i risultati di ciascun modello e visualizzarli con grafici integrati. Questo ti aiuta a scegliere il modello migliore per il tuo progetto di addestramento di modelli di AI. Puoi anche usare il monitoraggio degli esperimenti per salvare i risultati e condividerli con il tuo team. In questo modo è facile ripetere gli esperimenti riusciti e migliorare il tuo flusso di lavoro.

Ottimizzazione dei modelli

Ricerca degli iperparametri

Puoi migliorare l'accuratezza del modello ottimizzando gli iperparametri. I notebook di Microsoft Fabric supportano strumenti avanzati come Optuna per questo compito. Ecco un semplice flusso di lavoro che puoi seguire:

1. Crea uno studio con Optuna per archiviare i risultati delle prove:

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

2. Ottimizza lo studio su un numero definito di prove:

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

3. Stampa i risultati delle prove:

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

Puoi anche visualizzare la ricerca con dei grafici. Usa plot_optimization_history(study).show() per vedere come migliora il modello nel tempo. Prova plot_param_importances(study).show() per scoprire quali impostazioni contano di più. Usa plot_parallel_coordinate(study).show() per esplorare come interagiscono i diversi parametri. Non limitarti a copiare il codice: adattalo e sperimenta con diversi iperparametri per ottenere i risultati migliori con i tuoi modelli PyTorch o di altro tipo.

Evitare l'overfitting

Vuoi che l'addestramento dei tuoi modelli di AI produca modelli che funzionino bene sui nuovi dati, non solo sul set di addestramento. L'overfitting si verifica quando un modello impara troppo bene i dati di addestramento e non riesce a gestire nuovi esempi. Puoi prevenirlo usando la cross-validation e tecniche di stacking.

Lo stacking utilizza tipicamente la cross-validation per generare le previsioni per il meta-modello, garantendo che nessuna informazione passi dall'addestramento al test. Questo aggiunge complessità, ma anche robustezza.

Puoi anche usare l'early stopping in PyTorch, la regolarizzazione e i layer di dropout per rendere i modelli più robusti. Controlla sempre i punteggi di validazione e modifica il processo di addestramento se noti segni di overfitting.

Funzioni di AI integrate

Classificazione del testo

Puoi risparmiare tempo sulle attività comuni usando le funzioni di AI integrate nei notebook di Microsoft Fabric. Per la classificazione del testo, puoi usare la funzione Classify per ordinare e-mail, ticket di supporto o documenti in categorie. Funziona bene in scenari aziendali come l'instradamento delle richieste urgenti o l'assegnazione di tag ai feedback dei clienti. Puoi anche creare modelli PyTorch personalizzati per attività di classificazione più avanzate.

Analisi del sentiment

L'analisi del sentiment ti aiuta a capire il tono di un testo, come recensioni dei clienti o post sui social media. Puoi usare la funzione Sentiment Analysis per segnalare i commenti negativi e rispondere rapidamente. Questa funzionalità funziona subito nei notebook, quindi non devi scrivere codice complesso. Puoi anche combinare le funzioni integrate con i tuoi modelli PyTorch per ottenere risultati ancora migliori.

Ecco una tabella delle funzioni di AI integrate che puoi usare nel tuo flusso di lavoro di addestramento di modelli di AI:

Puoi usare Copilot per generare codice, suggerire miglioramenti e automatizzare i passaggi ripetitivi. Questo rende il tuo processo di addestramento di modelli di AI più rapido e produttivo. Puoi concentrarti sulla creazione e l'ottimizzazione dei modelli PyTorch mentre Copilot si occupa delle attività di routine.

Seguendo questo flusso di lavoro nei notebook di Microsoft Fabric, puoi scalare l'addestramento dei modelli di AI, ottimizzare in modo efficiente i modelli PyTorch e usare le funzioni di AI integrate per risolvere problemi reali.

Gestione e distribuzione dei modelli

Salvataggio dei modelli

Esportazione e versionamento

Ti serve un modo affidabile per salvare e tracciare i tuoi modelli PyTorch in Fabric. Inizia usando MLflow per registrare ogni esecuzione di addestramento. MLflow registra i tuoi parametri, le metriche e gli artefatti. Questo ti aiuta a trovare la versione migliore del tuo modello PyTorch quando ne hai bisogno. Dovresti attivare l'autologging all'inizio del tracciamento degli esperimenti. In questo modo catturi tutti i dettagli importanti fin dalla prima esecuzione. Non puoi aggiungere log in un secondo momento, quindi inizia presto.

Puoi usare il time travel di Delta Lake per fissare la versione esatta dei tuoi dati di addestramento. Così puoi sempre riprodurre i tuoi risultati. Registra ogni modello PyTorch nel registro dei modelli di MLflow. Includi la versione, l'hash dei dati di addestramento, le metriche delle prestazioni e il proprietario. Questo crea una traccia di audit chiara per la gestione dei modelli. Prima di portare un modello in produzione, imposta un processo di revisione umana. Usa le approvazioni delle pull request di Azure DevOps collegate alle pipeline di distribuzione di Fabric. Questo passaggio mantiene il tuo flusso di lavoro sicuro e conforme.

Suggerimento: Tieni sempre registrati in MLflow i tuoi modelli PyTorch migliori. Se trovi un problema, puoi tornare a una versione precedente.

Condivisione dei notebook

Funzionalità di collaborazione

Puoi lavorare facilmente con il tuo team nei notebook. La piattaforma si collega direttamente al tuo Lakehouse, quindi tutti usano gli stessi dati. I notebook combinano codice, commenti e output in un unico posto. Questo rende semplice condividere idee e risultati. I membri del team possono usare i linguaggi di programmazione che preferiscono, come Python o R, sullo stesso set di dati. Questa flessibilità aiuta tutti a contribuire alla gestione dei modelli e al tracciamento degli esperimenti.

Distribuzione dei modelli

Integrazione con le pipeline di Fabric

Puoi distribuire i tuoi modelli PyTorch usando le pipeline di distribuzione di Fabric. Queste pipeline ti aiutano a gestire i modelli negli ambienti di sviluppo, test e produzione. Mantieni il controllo e la coerenza in ogni fase. Il flusso di lavoro visuale nelle Pipeline di distribuzione di Microsoft Fabric ti permette di vedere dove si trova il tuo modello PyTorch e quali passaggi seguono. Puoi promuovere i tuoi modelli PyTorch attraverso ambienti controllati. Questo processo garantisce che il team segua le best practice per la gestione dei modelli.

• Integra i servizi Azure OpenAI usando SynapseML.
• Usa l'SDK Python per la distribuzione.
• Accedi ai tuoi modelli PyTorch tramite API REST.
• Gli scenari d'uso comuni includono il riepilogo del testo e l'analisi del sentiment.

Inferenza in tempo reale

Puoi rendere disponibili i tuoi modelli PyTorch per l'inferenza in tempo reale. Questo significa che puoi fare previsioni sui nuovi dati non appena arrivano. Ad esempio, puoi usare il tuo modello PyTorch distribuito per classificare i ticket di supporto o analizzare immediatamente il feedback dei clienti. MLflow tiene traccia di ogni distribuzione, così sai quale versione del tuo modello PyTorch è in esecuzione. Puoi aggiornare o ripristinare rapidamente le distribuzioni, se necessario.

Nota: L'inferenza in tempo reale ti aiuta a rispondere alle esigenze di business senza ritardi. Usa MLflow per monitorare e gestire i tuoi modelli PyTorch in produzione.

Seguendo questi passaggi, puoi gestire il salvataggio, la condivisione e la distribuzione dei tuoi modelli PyTorch in Fabric. Mantieni il flusso di lavoro organizzato e i risultati riproducibili. MLflow e i notebook ti offrono gli strumenti necessari per tracciare gli esperimenti e gestire i modelli su larga scala.

Best practice nei notebook di Fabric

Riproducibilità

Documentazione del flusso di lavoro

Documenta sempre il tuo flusso di lavoro, così i tuoi progetti di AI sono facili da ripetere e da capire. Una buona documentazione aiuta te e il tuo team a tracciare ogni passaggio del processo di addestramento del modello. Inizia descrivendo il contesto di business di ogni esperimento. Registra i modelli con spiegazioni chiare su cosa prevedono, come usarli e quali limiti noti hanno. Usa le celle markdown nei notebook per spiegare la logica e le decisioni. Questa abitudine rende il tuo lavoro più facile da condividere e da rivedere.

• Usa il time travel di Delta Lake per fissare la versione esatta dei dati di addestramento per ogni esperimento.
• Separa la feature engineering dall'addestramento creando tabelle di feature riutilizzabili.
• Attiva l'autologging all'inizio dei tuoi esperimenti per catturare tutti i parametri e i risultati.
• Porta i modelli in staging prima della produzione. Convalidali con dati di holdout e confrontali con i modelli attuali.
• Pianifica verifiche periodiche per individuare il model drift, confrontando le previsioni con i risultati reali.

Suggerimento: Documenta ogni esperimento man mano che lo svolgi. Ti farà risparmiare tempo ed eviterà confusione in seguito.

Gestione dell'ambiente

Gestire correttamente l'ambiente garantisce che i risultati restino coerenti tra un'esecuzione e l'altra. Dovresti registrare le versioni di tutte le librerie e le dipendenze che utilizzi. Questa pratica ti evita sorprese quando tu o i tuoi colleghi rieseguite i notebook. Usa file di ambiente o elenchi di pacchetti per tenere traccia della configurazione. Quando condividi il tuo lavoro, includi questi dettagli in modo che altri possano riprodurre i risultati senza problemi.

Collaborazione

Condivisione nel team

Lavorare in team con Fabric è semplice ed efficace. Puoi condividere i notebook con i colleghi e impostare le autorizzazioni per ogni utente. Questo controllo ti permette di decidere chi può visualizzare o modificare il tuo lavoro. I membri del team possono aggiungere commenti a livello di cella per discutere il codice, porre domande o suggerire modifiche. Queste funzionalità aiutano tutti a restare allineati e a portare avanti i progetti insieme.

• Condividi i notebook direttamente con il tuo team.
• Imposta le autorizzazioni utente per controllare l'accesso.
• Usa i commenti a livello di cella per feedback e discussioni.

Revisione del codice

La revisione del codice è importante per la qualità e per l'apprendimento. I notebook supportano la cronologia delle versioni, così puoi vedere cosa è cambiato e quando. Se necessario, puoi ripristinare una versione precedente. L'integrazione con Git ti permette di usare il controllo del codice sorgente per un tracciamento ancora migliore. Questi strumenti rendono semplice esaminare il codice, individuare errori e mantenere il progetto al sicuro.

• Controlla la cronologia delle versioni per tenere traccia delle modifiche.
• Ripristina le versioni precedenti, se necessario.
• Usa l'integrazione con Git per un controllo avanzato del codice sorgente.

Ottimizzazione delle prestazioni

Gestione delle risorse

Puoi ottimizzare le prestazioni gestendo le risorse in modo oculato. Dimensiona la capacità di calcolo in base al carico di lavoro. Aumentala nei periodi di maggiore attività e sospendi le risorse quando non sono in uso. La capacità riservata e i carichi di lavoro spot possono aiutarti a ridurre i costi. Imposta budget e avvisi per evitare spese eccessive. Monitora i picchi del carico di lavoro per individuare tempestivamente i colli di bottiglia.

Gestione efficiente dei dati

Una gestione efficiente dei dati accelera i tuoi progetti di AI. Elabora i dati sul posto per ridurre gli spostamenti e risparmiare tempo. Pulisci lo spazio di archiviazione per migliorare le prestazioni. Usa tabelle di feature riutilizzabili per evitare di ripetere lo stesso lavoro. La regolazione parallela degli iperparametri ti permette di testare molte impostazioni contemporaneamente, rendendo gli esperimenti più rapidi. Tieni sempre traccia degli esperimenti per mantenere i risultati organizzati.

Nota: una gestione efficiente dei dati e una gestione intelligente delle risorse ti aiutano a ottenere il massimo dai tuoi progetti di AI.

Risoluzione dei problemi

Quando lavori con i notebook di Microsoft Fabric, puoi incontrare difficoltà che rallentano i progressi. Sapere come risolvere i problemi più comuni ti aiuta a mantenere i progetti in carreggiata. Questa sezione offre passaggi pratici per il debug e per trovare supporto quando serve.

Debug

Puoi risolvere molti problemi seguendo un processo chiaro. Inizia controllando il Monitoring Hub nel portale di Microsoft Fabric. Questo strumento ti mostra se una pipeline non è riuscita o se ci sono errori nell'area di lavoro. Se noti un problema, esamina i dettagli, come il nome dell'area di lavoro, l'activator e l'origine dell'eventstream. Questi dettagli ti aiutano a individuare rapidamente la causa principale.

Segui questi passaggi per fare il debug delle pipeline di dati e dei notebook:

1. Controlla il Monitoring Hub per individuare processi non riusciti o errori.
2. Verifica tutte le connessioni e le credenziali, in particolare per Azure SQL o altri servizi collegati.
3. Usa la modalità di debug per eseguire la pipeline passo dopo passo e individuare dove si blocca.
4. Controlla le impostazioni di pianificazione e di trigger per assicurarti che i processi vengano eseguiti come previsto.
5. Monitora l'utilizzo delle risorse per capire se le prestazioni lente dipendono da una capacità limitata.
6. Visita la pagina di stato di Microsoft Fabric per verificare interruzioni del servizio o aggiornamenti.
7. Esporta e importa le pipeline con la funzione 'Salva con nome' se devi duplicarle o ripristinarle.
8. Annota ID regola, condizioni, timestamp e oggetti interessati per tenere traccia di quanto accaduto.

Suggerimento: quando esegui e fai il debug dei notebook, tieni sempre un registro delle modifiche e delle azioni. Questa abitudine rende più facile risalire ai problemi e condividere i risultati con il team.

Risorse di supporto

Se non riesci a risolvere un problema da solo, hai diverse opzioni di supporto. Microsoft mette a disposizione una community solida e canali di assistenza ufficiali. Puoi usare queste risorse per trovare risposte e imparare dagli altri.

• La documentazione di Microsoft Docs offre guide passo passo e articoli di risoluzione dei problemi.
• I forum della community ti permettono di porre domande e ricevere consigli sia da altri utenti sia dal personale Microsoft.
• Le richieste di supporto ti mettono in contatto con gli esperti Microsoft per i problemi più complessi.
• Il Monitoring Hub e le pagine di stato ti tengono aggiornato su problemi in corso o interruzioni del servizio.

Quando chiedi aiuto, includi i dettagli importanti, come il nome dell'area di lavoro, l'origine dell'eventstream, gli ID delle regole e l'orario in cui si è verificato il problema. Queste informazioni aiutano i team di supporto a rispondere più rapidamente e con maggiore precisione.

Nota: confrontarsi con la community porta spesso a soluzioni rapide. Molti utenti condividono suggerimenti e buone pratiche che possono aiutarti a evitare problemi simili in futuro.

Seguendo questi passaggi di risoluzione dei problemi e sfruttando le risorse di supporto disponibili, puoi risolvere la maggior parte dei problemi nei notebook di Fabric e mandare avanti i tuoi progetti.

Puoi accelerare l'addestramento dei modelli di AI con i notebook di Microsoft Fabric. L'interfaccia familiare, simile a quella di Power BI, rende il flusso di lavoro intuitivo e produttivo. Lavori in un ambiente unificato che combina data engineering, analisi e assistenza basata sull'AI, così non devi passare continuamente da uno strumento all'altro. Questa integrazione semplifica ogni fase, dalla preparazione dei dati alla distribuzione.

Esplora queste risorse per approfondire le tue competenze:

• Microsoft Learn, con esercitazioni pratiche
• Programmi di certificazione per validare le tue competenze
• Data Wrangler, per una pulizia dei dati semplice
• MLflow, per il tracciamento degli esperimenti
• Lakehouse, per l'archiviazione unificata dei dati

Inizia oggi il tuo percorso e sblocca tutto il potenziale dello sviluppo di modelli di AI scalabili ed efficienti. Per approfondire queste tecniche e le discussioni con gli esperti, non perdere l'episodio del podcast correlato: Train AI Models with Microsoft Fabric Notebooks.