AI-training versnellen met Microsoft Fabric Notebooks

By Mirko Peters · 2026-08-28

Projecten rond kunstmatige intelligentie en machine learning vragen enorm veel rekenkracht, naadloze dataintegratie en efficiënte verwerkingsworkflows. …

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

Projecten rond kunstmatige intelligentie en machine learning vragen enorm veel rekenkracht, naadloze dataintegratie en efficiënte verwerkingsworkflows. Data scientists hebben er van oudsher last van dat ze grote datasets moeten verplaatsen tussen verschillende omgevingen, gefragmenteerde toolsets moeten beheren en tijdens trainingssessies te maken krijgen met aanzienlijke latency. Vandaag is er een geïntegreerde oplossing die de kloof overbrugt tussen grootschalige data-engineering en wendbare machine learning-ontwikkeling. Met Microsoft Fabric Notebooks kunnen teams hun volledige operationele pipeline stroomlijnen, van het innemen van ruwe data tot het uitrollen van een model.

In deze blogpost gaan we dieper in op de kernconcepten uit onze podcastaflevering Train AI Models with Microsoft Fabric Notebooks. We behandelen uitgebreid hoe je je omgeving instelt, datasets efficiënt voorbereidt, trainingsjobs uitvoert, modellen beheert en best practices toepast die je AI-workflows een flinke boost geven.

Fabric Notebooks instellen

Je werkruimte inrichten in Fabric Notebooks geeft je een solide basis voor het trainen van AI-modellen. Deze sectie geeft een overzicht van Fabric Notebooks en begeleidt je stap voor stap, van het aanmaken van een account tot het starten van je eerste notebook. Je ziet hoe eenvoudig het is om verbinding te maken met je data en Spark in te zetten voor krachtige analyses.

Toegang tot Microsoft Fabric

Een account aanmaken

Om te beginnen heb je toegang tot Fabric nodig. Je kunt een gratis Fabric-account aanmaken, waarmee je inlogt in de Fabric-app. Gebruik je al Microsoft Power BI, dan kun je je bestaande Power BI-account gebruiken. Dit eenvoudige proces zorgt ervoor dat je direct met notebooks aan de slag kunt.

Tip: Er zijn geen grote toegangsproblemen gemeld door gebruikers, dus je kunt op een soepele aanmelding rekenen.

De werkruimte verkennen

Zodra je inlogt, zie je de Fabric-werkruimte. Hier organiseer je je projecten, beheer je resources en open je je lakehouse. Het dashboard van de werkruimte helpt je snel je notebooks, datasets en andere assets te vinden. Je kunt ook de capaciteit en instellingen van je werkruimte controleren, zodat je zeker weet dat je voldoet aan de vereisten voor AI-projecten.

Een notebook starten

Kernelselectie

Nadat je je werkruimte hebt ingericht, kun je een nieuw notebook aanmaken. Wanneer je een notebook start, kies je een kernel. De kernel bepaalt de programmeertaal en de omgeving. Fabric Notebooks ondersteunen Python en andere talen, waardoor ze flexibel inzetbaar zijn voor verschillende AI-taken.

Bibliotheken instellen

Voordat je met je analyse begint, moet je misschien bibliotheken installeren of importeren. Fabric Notebooks maken dit eenvoudig. Je kunt bibliotheken voor datascience, machine learning of visualisatie rechtstreeks in je notebook toevoegen. Zo gebruik je Spark voor het verwerken van grote datasets en maak je naadloos verbinding met je lakehouse.

Wanneer je een nieuw notebook aanmaakt, bespaar je je het gedoe van het verplaatsen van data tussen tools. Je kunt je data in één omgeving verwerken, analyseren en visualiseren. Deze integratie bespaart tijd en vermindert fouten. Als je nieuw bent met Fabric, merk je misschien een leercurve op, maar de geïntegreerde werkruimte en directe toegang tot data maken het proces een stuk makkelijker.

Let op: Werk je met grote projecten of teams, dan helpen Fabric Notebooks je om gefragmenteerde workflows te voorkomen. Je houdt alles vanaf het begin georganiseerd en efficiënt.

Datavoorbereiding in Fabric Notebooks

Het voorbereiden van je dataset in Fabric-notebooks legt de basis voor een succesvolle training van je AI-model. Je kunt elke stap stroomlijnen, van het inlezen van data tot de visualisatie, met behulp van de ingebouwde tools en Spark-functies.

Data importeren

Verbinding maken met een lakehouse

Je begint met het verbinden van je notebook met een lakehouse. Deze verbinding geeft je rechtstreeks toegang tot je datasets, zodat je geen bestanden tussen systemen hoeft te verplaatsen. Je kunt werken met data waar die zich bevindt, wat tijd bespaart en fouten vermindert. Het lakehouse slaat je dataset op in delta-tabellen, waardoor je informatie eenvoudig kunt laden en indien nodig bijwerken.

Data laden met Spark

Na het verbinden gebruik je Spark voor het inlezen van data. Met Spark laad je grote datasets snel en efficiënt. Je kunt data lezen uit meerdere bronnen, waaronder CSV-bestanden, Parquet-bestanden of bestaande tabellen in je lakehouse. Spark neemt het zware werk voor zijn rekening, zodat je je kunt concentreren op het werken met data in plaats van je zorgen te maken over geheugenlimieten.

Tip: Gebruik Spark DataFrames om je dataset op schaal te verwerken. Deze aanpak helpt je zelfs de allergrootste datasets te beheren zonder je werkstroom te vertragen.

Data opschonen

Ontbrekende waarden afhandelen

Het opschonen van je dataset is een belangrijke stap voordat je een model traint. Je kunt Data Wrangler starten vanuit je Fabric-notebook om je dataset te verkennen en ontbrekende waarden op te sporen. Data Wrangler genereert automatisch code voor veelvoorkomende opschoontaken, zoals het invullen van ontbrekende waarden of het verwijderen van onvolledige rijen. Je kunt deze opschoonstappen exporteren als herbruikbare functies in pandas of PySpark, waardoor je werkstroom efficiënter wordt.

Feature engineering

Feature engineering helpt je nieuwe variabelen te maken op basis van je bestaande dataset. Je kunt Python-gebaseerde tools in Fabric-notebooks gebruiken om je data te transformeren en features te bouwen die de nauwkeurigheid van het model verbeteren. Met Spark is het eenvoudig om deze transformaties toe te passen op je volledige dataset, ook als die miljoenen rijen bevat.

Beste praktijk:

1. Gebruik Spark- en Python-tools om je dataset op te schonen en te transformeren.
2. Maak experimenten aan om verschillende featureсets te testen.
3. Volg je runs en resultaten met MLflow in de Fabric-UI.

Data verkennen

Samenvattende statistieken

Het verkennen van je dataset helpt je de structuur en kwaliteit ervan te begrijpen. Je kunt samenvattende statistieken, zoals gemiddelde, mediaan en standaarddeviatie, direct in je notebook genereren. Deze statistieken geven je een snel overzicht van je dataset en maken eventuele problemen die aandacht nodig hebben zichtbaar.

Visualisaties

Datavisualisatie brengt je dataset tot leven. Fabric-notebooks ondersteunen ingebouwde visualisatiefuncties en integreren met bibliotheken zoals Matplotlib en Bokeh. Je kunt tabelresultaten omzetten in grafieken zonder extra code te schrijven. Met de display-functie kun je interactief met je data werken en eenvoudig trends of uitschieters opsporen.

Opmerking: Interactieve datavisualisatie helpt je betere beslissingen te nemen bij het voorbereiden van je dataset voor de training van een AI-model.

Modellen trainen in Fabric

Trainingscode schrijven

Python of R gebruiken

Je kunt je trainingscode voor modellen in verschillende talen schrijven binnen Microsoft Fabric-notebooks. Het platform ondersteunt:

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

De meeste gebruikers kiezen voor Python vanwege de flexibiliteit en het uitgebreide ecosysteem. Je kunt ook R gebruiken als je de voorkeur geeft aan de statistische tools ervan. Met PySpark schaal je je machine learning-taken over veel nodes, wat belangrijk is bij grote datasets. Python werkt goed voor deep learning en het ontwikkelen van PyTorch-modellen. Als je PyTorch wilt gebruiken, installeer je de bibliotheek en begin je direct met het bouwen van je PyTorch-model. Je kunt SparkR ook gebruiken voor statistisch leren of Spark SQL voor snelle dataquery's.

Codecellen structureren

Organiseer je code in duidelijke, logische cellen. Begin met het laden en opschonen van data. Voeg cellen toe voor feature engineering en verkennende analyse. Plaats je trainingscode voor het model in een eigen cel. Deze structuur helpt je om delen van je machine learning-experiment te debuggen en opnieuw uit te voeren zonder eerdere stappen te herhalen. Je kunt ook markdown-cellen toevoegen om je logica uit te leggen en je experimenten te documenteren. Deze aanpak maakt je notebooks makkelijk leesbaar en eenvoudig te delen met anderen.

Algoritmeselectie

Modellen kiezen

Je moet het juiste algoritme kiezen voor je taak. Logistische regressie werkt goed voor binaire classificatieproblemen. Voor meer geavanceerde modellen kun je ook bibliotheken gebruiken zoals scikit-learn, PySpark ML, TensorFlow of PyTorch. Als je een PyTorch-model wilt bouwen, kun je de GPU-ondersteuning in Fabric gebruiken om je leerproces te versnellen. PyTorch is populair voor deep learning, beeldherkenning en natuurlijke taalverwerking. Je kunt PyTorch ook gebruiken voor transfer learning en het finetunen van vooraf getrainde modellen.

Bij het kiezen van een algoritme denk je na over de grootte van je data, het type probleem en de resources die je tot je beschikking hebt. FLAML, ontwikkeld door Microsoft Research, helpt je om modellen efficiënt te trainen. Het gebruikt minder rekenkracht en werkt goed met parallelle taken. Dat maakt het een goede keuze voor machine learning-experimenten op grote schaal.

Hyperparameters instellen

Hyperparameters bepalen hoe je modellen leren. Je kunt flaml.tune gebruiken om naar de beste instellingen te zoeken. Dankzij de parallelle verwerking van Spark kan Fabric veel tuningtrials tegelijk uitvoeren. Dat betekent dat je snel verschillende leersnelheden, batchgroottes of lagen voor je PyTorch-model kunt testen. Je kunt elke trial volgen in je machine learning-experiment met experimenttracking. Visualisatietools helpen je om resultaten te vergelijken en de beste configuratie te kiezen. Je ziet welke instellingen het beste werken voor je modeltest en modeltraining.

Tip: Gebruik experimenttracking om elke trial, elke metriek en elke parameter te loggen. Zo kun je succesvolle experimenten herhalen en fouten vermijden.

Trainingstaken uitvoeren

Voortgang bewaken

Je kunt je trainingstaken in realtime bewaken. Fabric-notebooks laten zien hoe elke stap presteert. Met de modus High Concurrency gaan je taken ongeveer 30% sneller. Je krijgt gedetailleerde logs voor elke notebookstap. De MLflow-integratie biedt autologging, zodat je metrieken niet handmatig hoeft te loggen. Je kunt je trainingssessies definiëren en kiezen welke parameters en metrieken worden vastgelegd. Zo houd je je leervoortgang eenvoudig bij en vergelijk je verschillende experimenten.

Je ziet dat PySpark-notebooks grote datasets beter aankunnen. Dat is belangrijk wanneer je een PyTorch-model of andere deep learning-modellen traint op big data.

Checkpoints

Met checkpoints sla je de status van je model tijdens de training op. Als je taak stopt of je wilt pauzeren, kun je hervatten vanaf het laatste checkpoint. Dit is nuttig voor lange trainingstaken van PyTorch-modellen. Je verliest je voortgang niet als je opnieuw moet beginnen. Je kunt checkpoints ook gebruiken om verschillende leerstrategieën te testen of om je machine learning-experiment vanaf een bepaald punt voort te zetten.

Let op: Stel altijd checkpoints in wanneer je modellen traint op grote datasets. Dit bespaart tijd en beschermt je werk.

Je beschikt nu over de tools om machine learning-modellen in Microsoft Fabric-notebooks te trainen, te testen en te bewaken. Je kunt experimenten uitvoeren, hyperparameters tunen en krachtige PyTorch-modeloplossingen bouwen voor elke datasciencevraag.

Workflow voor AI-modeltraining

Je haalt het volledige potentieel van ai-modeltraining naar boven door de workflow in Microsoft Fabric-notebooks onder de knie te krijgen. In deze sectie leer je over gedistribueerde evaluatie, modeltuning en het gebruik van ingebouwde AI-functies. Je ziet hoe Spark, realtime monitoring en Copilot-functies je helpen om sneller betere modellen te bouwen.

Gedistribueerde evaluatie

Prestaties evalueren

Je kunt de prestaties van je model evalueren over grote datasets met de gedistribueerde rekenkracht van Spark. Spark splitst je testdata in kleinere delen en verwerkt die parallel. Je hoeft dus niet uren te wachten op resultaten. Je kunt metrieken zoals accuracy, precision en recall direct in je notebook controleren. Deze aanpak werkt goed voor deep learning met PyTorch, waarbij je modellen moet testen op miljoenen records. Met realtime monitoring in Fabric zie je het resourcegebruik en de voortgang van je evaluatie terwijl die loopt.

Modellen vergelijken

Je kunt verschillende modellen naast elkaar vergelijken in notebooks. Je kunt bijvoorbeeld een pytorch-model en een scikit-learn-model trainen op dezelfde dataset. Je kunt de resultaten van elk model loggen en ze visualiseren met ingebouwde grafieken. Zo kun je makkelijker het beste model kiezen voor je ai-modeltrainingsproject. Je kunt ook experiment tracking gebruiken om je resultaten op te slaan en met je team te delen. Zo kun je geslaagde experimenten makkelijk herhalen en je werkwijze verbeteren.

Modellen afstemmen

Hyperparameters zoeken

Je kunt de nauwkeurigheid van je model verbeteren door de hyperparameters af te stemmen. Microsoft Fabric Notebooks ondersteunt hiervoor geavanceerde tools zoals Optuna. Dit is een eenvoudige werkwijze die je kunt volgen:

1. Maak een study met Optuna aan om de resultaten van de trials op te slaan:

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

2. Optimaliseer de study over een vooraf bepaald aantal trials:

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

3. Toon de resultaten van de trials:

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

Je kunt je zoektocht ook visualiseren met grafieken. Gebruik plot_optimization_history(study).show() om te zien hoe je model na verloop van tijd verbetert. Probeer plot_param_importances(study).show() om te ontdekken welke instellingen het meest doen. Gebruik plot_parallel_coordinate(study).show() om te onderzoeken hoe verschillende parameters op elkaar inwerken. Kopieer de code niet zomaar, maar pas hem aan en experimenteer met verschillende hyperparameters om de beste resultaten te halen voor je pytorch-modellen of andere modellen.

Overfitting voorkomen

Je wilt dat je ai-modeltraining modellen oplevert die goed werken op nieuwe data, en niet alleen op de trainingsset. Overfitting ontstaat wanneer een model de trainingsdata te goed leert en faalt bij nieuwe voorbeelden. Je kunt dit voorkomen door cross-validation en stacking-technieken te gebruiken.

Stacking gebruikt meestal cross-validation om voorspellingen voor het meta-model te genereren, zodat er geen informatie van de training naar de test lekt. Dit voegt complexiteit toe, maar zorgt ook voor robuustheid.

Je kunt je modellen ook robuuster maken met early stopping in pytorch, regularisatie en dropout-lagen. Controleer altijd je validatiescores en pas je trainingsproces aan als je tekenen van overfitting ziet.

Ingebouwde AI-functies

Tekstclassificatie

Je bespaart tijd bij veelvoorkomende taken door de ingebouwde AI-functies in Microsoft Fabric Notebooks te gebruiken. Voor tekstclassificatie kun je de functie Classify gebruiken om e-mails, supporttickets of documenten in categorieën in te delen. Dit werkt goed voor zakelijke toepassingen, zoals het doorsturen van dringende verzoeken of het labelen van klantfeedback. Je kunt ook eigen pytorch-modellen bouwen voor geavanceerdere classificatietaken.

Sentimentanalyse

Sentimentanalyse helpt je de toon van tekst te begrijpen, zoals klantreviews of berichten op sociale media. Met de functie Sentiment Analysis kun je negatieve reacties signaleren en er snel op reageren. Deze functie werkt direct in notebooks, dus je hoeft geen complexe code te schrijven. Je kunt ingebouwde functies ook combineren met je eigen pytorch-modellen voor nog betere resultaten.

Hieronder staat een tabel met ingebouwde AI-functies die je in je ai-modeltrainingsworkflow kunt gebruiken:

Je kunt Copilot gebruiken om code te genereren, verbeteringen voor te stellen en repetitieve stappen te automatiseren. Dit maakt je ai-modeltrainingsproces sneller en productiever. Je kunt je richten op het bouwen en afstemmen van pytorch-modellen, terwijl Copilot het routinewerk overneemt.

Door deze werkwijze in Microsoft Fabric Notebooks te volgen, kun je je ai-modeltraining opschalen, pytorch-modellen efficiënt afstemmen en ingebouwde AI-functies gebruiken om praktijkproblemen op te lossen.

Modelbeheer en implementatie

Modellen opslaan

Exporteren en versiebeheer

Je hebt een betrouwbare manier nodig om je pytorch-modellen in Fabric op te slaan en bij te houden. Begin met het gebruik van mlflow om elke trainingsrun te loggen. Mlflow registreert je parameters, metrics en artifacts. Zo vind je de beste versie van je pytorch-model wanneer je die nodig hebt. Schakel autologging in aan het begin van het bijhouden van experimenten. Op die manier leg je vanaf de eerste run alle belangrijke details vast. Je kunt later geen logs meer toevoegen, dus begin er vroeg mee.

Je kunt Delta Lake time travel gebruiken om de exacte versie van je trainingsdata vast te zetten. Zo kun je je resultaten altijd reproduceren. Registreer elk pytorch-model in het mlflow model registry. Neem de versie, de hash van de trainingsdata, de prestatiemetrics en de eigenaar op. Zo ontstaat een duidelijk auditspoor voor het beheer van modellen. Voordat je een model naar productie verplaatst, richt je een menselijk reviewproces in. Gebruik Azure DevOps pull request-goedkeuringen die gekoppeld zijn aan Fabric-deploymentpipelines. Deze stap houdt je workflow veilig en compliant.

Tip: Houd je beste pytorch-modellen altijd geregistreerd in mlflow. Als je een probleem ontdekt, kun je terugrollen naar een eerdere versie.

Notebooks delen

Samenwerkingsfuncties

Je kunt eenvoudig met je team samenwerken in notebooks. Het platform is rechtstreeks gekoppeld aan je Lakehouse, zodat iedereen dezelfde data gebruikt. Notebooks combineren code, opmerkingen en uitvoer op één plek. Dat maakt het eenvoudig om ideeën en resultaten te delen. Teamleden kunnen hun favoriete programmeertalen gebruiken, zoals Python of R, op dezelfde dataset. Deze flexibiliteit helpt iedereen bij te dragen aan het beheer van modellen en het bijhouden van experimenten.

Modellen implementeren

Integratie met Fabric-pipelines

Je kunt je pytorch-modellen implementeren met Fabric-deploymentpipelines. Deze pipelines helpen je om modellen te beheren over de ontwikkel-, test- en productieomgevingen. Je houdt in elke fase de controle en consistentie. De visuele workflow in Microsoft Fabric Deployment Pipelines laat zien waar je pytorch-model zich bevindt en welke stappen nog volgen. Je kunt pytorch-modellen door gecontroleerde omgevingen promoten. Dit proces zorgt ervoor dat je team best practices volgt bij het beheren van modellen.

• Integreer met Azure OpenAI-services via SynapseML.
• Gebruik de Python SDK voor implementatie.
• Benader je pytorch-modellen via REST API's.
• Veelvoorkomende toepassingen zijn tekstsamenvatting en sentimentanalyse.

Real-time inferentie

Je kunt je pytorch-modellen gebruiken voor real-time inferentie. Dat betekent dat je voorspellingen kunt doen op nieuwe data zodra die binnenkomt. Je kunt bijvoorbeeld je geïmplementeerde pytorch-model gebruiken om supporttickets te classificeren of klantfeedback direct te analyseren. Mlflow houdt elke implementatie bij, zodat je weet welke versie van je pytorch-model draait. Je kunt implementaties snel bijwerken of terugdraaien als dat nodig is.

Opmerking: Real-time inferentie helpt je om zonder vertraging in te spelen op zakelijke behoeften. Gebruik mlflow om je pytorch-modellen in productie te monitoren en te beheren.

Door deze stappen te volgen, kun je het opslaan, delen en implementeren van je pytorch-modellen in Fabric goed aanpakken. Je houdt je workflow georganiseerd en je resultaten reproduceerbaar. Mlflow en notebooks geven je de tools die je nodig hebt om experimenten bij te houden en modellen op schaal te beheren.

Best practices voor Fabric-notebooks

Reproduceerbaarheid

Je workflow documenteren

Documenteer je workflow altijd, zodat je AI-projecten makkelijk te herhalen en te begrijpen zijn. Goede documentatie helpt jou en je team om elke stap van het trainingsproces van je model bij te houden. Begin met het beschrijven van de zakelijke context van elk experiment. Registreer je modellen met duidelijke uitleg over wat ze voorspellen, hoe je ze gebruikt en welke bekende beperkingen ze hebben. Gebruik markdown-cellen in je notebooks om je logica en beslissingen toe te lichten. Deze gewoonte maakt je werk makkelijker te delen en te beoordelen.

• Gebruik Delta Lake time travel om de exacte versie van je trainingsdata per experiment vast te zetten.
• Scheid feature engineering van training door herbruikbare featuretabellen te maken.
• Schakel autologging in aan het begin van je experimenten om alle parameters en resultaten vast te leggen.
• Zet je modellen klaar (stage) vóór productie. Valideer ze met holdout-data en vergelijk ze met de huidige modellen.
• Plan regelmatige controles op modeldrift door voorspellingen te vergelijken met de werkelijke resultaten.

Tip: Documenteer elk experiment terwijl je ermee bezig bent. Dat bespaart later tijd en voorkomt verwarring.

Omgevingsbeheer

Met een goed beheerde omgeving blijven je resultaten consistent over verschillende runs. Leg de versies vast van alle bibliotheken en afhankelijkheden die je gebruikt. Zo voorkom je verrassingen wanneer jijzelf of je teamgenoten je notebooks opnieuw uitvoeren. Gebruik omgevingsbestanden of pakketlijsten om je setup bij te houden. Als je je werk deelt, neem deze details dan op, zodat anderen je resultaten zonder problemen kunnen reproduceren.

Samenwerken

Delen binnen het team

Samenwerken in Fabric is eenvoudig en effectief. Je kunt notebooks met je collega's delen en per gebruiker machtigingen instellen. Met deze controle bepaal je wie je werk mag bekijken of bewerken. Teamleden kunnen opmerkingen op celniveau toevoegen om code te bespreken, vragen te stellen of wijzigingen voor te stellen. Dankzij deze functies blijft iedereen op dezelfde lijn en komen projecten samen sneller vooruit.

• Deel notebooks rechtstreeks met je team.
• Stel gebruikersmachtigingen in om de toegang te beheren.
• Gebruik opmerkingen op celniveau voor feedback en discussie.

Codebeoordeling

Codebeoordeling is belangrijk voor de kwaliteit en om te leren. Notebooks ondersteunen versiegeschiedenis, zodat je kunt zien wat er wanneer is veranderd. Indien nodig kun je terugkeren naar een eerdere versie. Met de Git-integratie gebruik je versiebeheer voor nog betere tracering. Met deze tools is het eenvoudig om code te beoordelen, fouten op te sporen en je project veilig te houden.

• Controleer de versiegeschiedenis om wijzigingen bij te houden.
• Zet indien nodig terug naar eerdere versies.
• Gebruik de Git-integratie voor geavanceerd versiebeheer.

Prestatie-optimalisatie

Resourcebeheer

Je kunt de prestaties optimaliseren door je resources verstandig te beheren. Stem je rekencapaciteit af op je workload. Schaal op tijdens drukke periodes en pauzeer resources wanneer ze niet worden gebruikt. Gereserveerde capaciteit en spot-workloads kunnen je helpen kosten te besparen. Stel budgetten en waarschuwingen in om overschrijding te voorkomen. Houd workloadpieken in de gaten om knelpunten vroeg te ontdekken.

Efficiënte gegevensverwerking

Efficiënte gegevensverwerking versnelt je AI-projecten. Verwerk gegevens ter plaatse om verplaatsing te beperken en tijd te besparen. Ruim je opslag op om de prestaties te verbeteren. Gebruik herbruikbare featuretabellen om herhaald werk te voorkomen. Parallelle hyperparametertuning laat je veel instellingen tegelijk testen, waardoor je experimenten sneller verlopen. Houd je experimenten altijd bij, zodat je resultaten georganiseerd blijven.

Opmerking: Efficiënte gegevensverwerking en slim resourcebeheer helpen je om het meeste uit je AI-projecten te halen.

Probleemoplossing

Wanneer je met Microsoft Fabric-notebooks werkt, kom je mogelijk uitdagingen tegen die je voortgang vertragen. Weten hoe je veelvoorkomende problemen oplost, helpt je projecten op koers te houden. In dit gedeelte vind je praktische stappen voor debuggen en voor het zoeken naar ondersteuning wanneer je die nodig hebt.

Debuggen

Veel problemen los je op met een duidelijke aanpak. Begin met het controleren van de Monitoring Hub in het Microsoft Fabric-portaal. Deze tool laat zien of pipelines zijn mislukt of er fouten zijn in je werkruimte. Als je een probleem ziet, bekijk dan de details, zoals de naam van de werkruimte, de activator en de eventstream-bron. Met deze gegevens vind je de oorzaak snel.

Volg deze stappen om je gegevenspipelines en notebooks te debuggen:

1. Controleer de Monitoring Hub op mislukte taken of fouten.
2. Valideer alle verbindingen en referenties, zeker voor Azure SQL of andere gekoppelde services.
3. Gebruik de debugmodus om je gegevenspipelines stap voor stap te doorlopen en te zien waar ze blijven hangen.
4. Controleer de planning- en triggerinstellingen om te zorgen dat je taken lopen zoals gepland.
5. Bewaak het resourcegebruik om te zien of trage prestaties komen door beperkte capaciteit.
6. Bezoek de Microsoft Fabric-statuspagina om te controleren op serviceonderbrekingen of updates.
7. Exporteer en importeer pipelines met de functie 'Opslaan als' als je ze wilt dupliceren of resetten.
8. Noteer regel-ID's, voorwaarden, tijdstempels en getroffen objecten om bij te houden wat er is gebeurd.

Tip: Houd bij het uitvoeren en debuggen van notebooks altijd een logboek bij van wijzigingen en acties. Dat maakt het makkelijker om problemen te herleiden en bevindingen met je team te delen.

Ondersteuningsbronnen

Als je een probleem niet zelf kunt oplossen, heb je verschillende supportopties. Microsoft biedt een sterke community en officiële helpkanalen. Via deze bronnen krijg je antwoorden en leer je van anderen.

• Microsoft Docs bevat stap-voor-staphandleidingen en artikelen over probleemoplossing.
• In de communityforums kun je vragen stellen en advies krijgen van collega's en medewerkers van Microsoft.
• Supporttickets brengen je in contact met Microsoft-experts voor complexere problemen.
• De Monitoring Hub en statuspagina's houden je op de hoogte van lopende problemen of storingen.

Als je om hulp vraagt, neem dan belangrijke details op, zoals je werkruimtenaam, de bron van de eventstream, regel-ID's en het tijdstip waarop het probleem zich voordeed. Deze informatie helpt supportteams sneller en nauwkeuriger te reageren.

Let op: Contact met de community leidt vaak tot snelle oplossingen. Veel gebruikers delen tips en best practices waarmee je in de toekomst vergelijkbare problemen kunt voorkomen.

Door deze stappen voor probleemoplossing te volgen en de beschikbare supportbronnen te gebruiken, los je de meeste problemen in Fabric-notebooks op en blijft je project in beweging.

Je kunt het trainen van AI-modellen versnellen met Microsoft Fabric Notebooks. De vertrouwde interface, die lijkt op Power BI, maakt je werkwijze intuïtief en productief. Je werkt in een geïntegreerde omgeving die data-engineering, analytics en AI-ondersteuning combineert, zodat je niet tussen tools hoeft te wisselen. Deze integratie stroomlijnt elke stap, van datavoorbereiding tot deployment.

Bekijk deze bronnen om je vaardigheden verder te ontwikkelen:

• Microsoft Learn voor praktische oefeningen
• Certificeringsprogramma's om je expertise aan te tonen
• Data Wrangler voor eenvoudig opschonen van data
• MLflow voor het bijhouden van experimenten
• Lakehouse voor geünificeerde dataopslag

Begin vandaag je reis en ontgrendel de volledige kracht van schaalbare, efficiënte ontwikkeling van AI-modellen. Wil je meer horen over deze technieken en expertdiscussies? Luister dan zeker naar de bijbehorende podcastaflevering: Train AI Models with Microsoft Fabric Notebooks.