Potencialize o treinamento de IA com os notebooks do Microsoft Fabric

By Mirko Peters · 2026-08-28

Projetos de inteligência artificial e aprendizado de máquina exigem enorme poder computacional, integração de dados sem atritos e fluxos de processamento eficientes. …

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

Projetos de inteligência artificial e aprendizado de máquina exigem enorme poder computacional, integração de dados sem atritos e fluxos de processamento eficientes. Historicamente, cientistas de dados têm enfrentado o trabalho extra de mover grandes conjuntos de dados entre ambientes diferentes, gerenciar conjuntos de ferramentas fragmentados e lidar com latência significativa durante as sessões de treinamento. Hoje, temos uma solução unificada que preenche a lacuna entre a engenharia de dados em grande escala e o desenvolvimento ágil de aprendizado de máquina. Ao aproveitar os notebooks do Microsoft Fabric, as equipes podem simplificar todo o pipeline operacional, desde a ingestão de dados brutos até a implantação de modelos.

Neste post, vamos aprofundar os conceitos centrais abordados no nosso episódio do podcast, Train AI Models with Microsoft Fabric Notebooks. Vamos analisar em detalhes como configurar o ambiente, preparar conjuntos de dados com eficiência, executar trabalhos de treinamento, gerenciar modelos e adotar as melhores práticas que vão potencializar seus fluxos de trabalho de IA.

Configuração dos notebooks do Fabric

Configurar seu workspace nos notebooks do Fabric oferece uma base sólida para o treinamento de modelos de IA. Esta seção apresenta uma visão geral dos notebooks do Fabric e guia você por cada etapa, desde a criação da conta até o lançamento do seu primeiro notebook. Você verá como é fácil se conectar aos seus dados e aproveitar o Spark para análises poderosas.

Acessando o Microsoft Fabric

Criando uma conta

Para começar, você precisa de acesso ao Fabric. Você pode criar uma conta gratuita do Fabric, que permite fazer login no aplicativo Fabric. Se você já usa o Microsoft Power BI, pode usar sua conta existente do Power BI. Esse processo simples garante que você possa começar a trabalhar com notebooks imediatamente.

Dica: Nenhum problema de acesso relevante foi relatado pelos usuários, então você pode esperar um cadastro tranquilo.

Navegando pelo workspace

Depois de fazer login, você verá o workspace do Fabric. Aqui, você pode organizar seus projetos, gerenciar recursos e acessar seu lakehouse. O painel do workspace ajuda você a encontrar rapidamente seus notebooks, conjuntos de dados e outros ativos. Você também pode verificar a capacidade e as configurações do workspace para garantir que atende aos requisitos dos projetos de IA.

Iniciando um notebook

Seleção de kernel

Depois de configurar seu workspace, você pode começar a criar um novo notebook. Ao iniciar um notebook, você escolhe um kernel. O kernel controla a linguagem de programação e o ambiente. Os notebooks do Fabric oferecem suporte a Python e outras linguagens, o que os torna flexíveis para diferentes tarefas de IA.

Configuração de bibliotecas

Antes de começar sua análise, talvez seja necessário instalar ou importar bibliotecas. Os notebooks do Fabric simplificam esse processo. Você pode adicionar bibliotecas para ciência de dados, aprendizado de máquina ou visualização diretamente no notebook. Essa configuração permite usar o Spark para processar grandes conjuntos de dados e se conectar facilmente ao seu lakehouse.

Ao criar um novo notebook, você evita o trabalho de mover dados entre ferramentas. Você pode processar, analisar e visualizar seus dados em um só lugar. Essa integração economiza tempo e reduz erros. Se você é novo no Fabric, pode perceber uma curva de aprendizado, mas o workspace unificado e o acesso direto aos dados tornam o processo bem mais fácil.

Nota: Se você trabalha com projetos ou equipes grandes, os notebooks do Fabric ajudam a evitar fluxos de trabalho fragmentados. Você pode manter tudo organizado e eficiente desde o início.

Preparação de dados nos notebooks do Fabric

Preparar seu conjunto de dados em notebooks do Fabric cria a base para um treinamento bem-sucedido de modelos de IA. Você pode simplificar cada etapa, da ingestão de dados à visualização, usando as ferramentas integradas e os recursos com tecnologia Spark.

Importando dados

Conectando ao lakehouse

Você começa conectando seu notebook a um lakehouse. Essa conexão dá acesso direto aos seus conjuntos de dados, então você não precisa mover arquivos entre sistemas. Você pode trabalhar com os dados onde eles estão, o que economiza tempo e reduz erros. O lakehouse armazena seu conjunto de dados em tabelas delta, o que facilita carregar e atualizar as informações conforme necessário.

Carregando dados com Spark

Depois de conectar, você usa o Spark para a ingestão de dados. O Spark permite carregar grandes conjuntos de dados de forma rápida e eficiente. Você pode ler dados de várias fontes, incluindo arquivos CSV, arquivos Parquet ou tabelas existentes no seu lakehouse. O Spark cuida do trabalho pesado, para que você possa se concentrar em trabalhar com os dados em vez de se preocupar com limites de memória.

Dica: use DataFrames do Spark para processar seu conjunto de dados em escala. Essa abordagem ajuda você a gerenciar até os maiores conjuntos de dados sem desacelerar o seu fluxo de trabalho.

Limpeza de dados

Tratando valores ausentes

Limpar seu conjunto de dados é uma etapa essencial antes de treinar qualquer modelo. Você pode iniciar o Data Wrangler a partir do seu notebook do Fabric para explorar o conjunto de dados e identificar valores ausentes. O Data Wrangler gera código automaticamente para tarefas comuns de limpeza, como preencher valores ausentes ou remover linhas incompletas. Você pode exportar essas etapas de limpeza como funções reutilizáveis em pandas ou PySpark, tornando seu fluxo de trabalho mais eficiente.

Engenharia de atributos

A engenharia de atributos ajuda você a criar novas variáveis a partir do seu conjunto de dados existente. Você pode usar ferramentas baseadas em Python nos notebooks do Fabric para transformar os dados e criar atributos que melhoram a precisão do modelo. O Spark facilita aplicar essas transformações em todo o conjunto de dados, mesmo que você tenha milhões de linhas.

Boa prática:

1. Use ferramentas Spark e Python para limpar e transformar seu conjunto de dados.
2. Crie experimentos para testar diferentes conjuntos de atributos.
3. Acompanhe suas execuções e resultados usando o MLflow na interface do Fabric.

Exploração de dados

Estatísticas resumidas

Explorar seu conjunto de dados ajuda você a entender sua estrutura e qualidade. Você pode gerar estatísticas resumidas, como média, mediana e desvio padrão, diretamente no notebook. Essas estatísticas dão uma visão rápida do conjunto de dados e destacam problemas que precisam de atenção.

Visualizações

A visualização de dados dá vida ao seu conjunto de dados. Os notebooks do Fabric oferecem funções de visualização integradas e se integram a bibliotecas como Matplotlib e Bokeh. Você pode transformar resultados tabulares em gráficos sem escrever código extra. A função display permite interagir com os dados e identificar tendências ou valores atípicos com facilidade.

Observação: a visualização interativa de dados ajuda você a tomar decisões melhores ao preparar seu conjunto de dados para o treinamento de modelos de IA.

Treinando modelos no Fabric

Escrevendo o código de treinamento

Usando Python ou R

Você pode escrever o código de treinamento dos seus modelos em várias linguagens nos Microsoft Fabric Notebooks. A plataforma oferece suporte a:

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

A maioria dos usuários escolhe Python pela sua flexibilidade e pelo amplo ecossistema. Você também pode usar R se preferir suas ferramentas estatísticas. O PySpark permite escalar seus trabalhos de aprendizado em muitos nós, o que é importante para grandes conjuntos de dados. Python funciona bem para deep learning e para o desenvolvimento de modelos com PyTorch. Se quiser usar PyTorch, você pode instalar a biblioteca e começar a construir seu modelo PyTorch imediatamente. Você também pode usar o SparkR para aprendizado estatístico ou o Spark SQL para consultas rápidas aos dados.

Estruturando as células de código

Você deve organizar seu código em células claras e lógicas. Comece com o carregamento e a limpeza dos dados. Adicione células para engenharia de atributos e análise exploratória. Coloque o código de treinamento do modelo em uma célula própria. Essa estrutura ajuda você a depurar e executar novamente partes do seu experimento de machine learning sem repetir as etapas anteriores. Você também pode adicionar células de markdown para explicar sua lógica e documentar seus experimentos. Essa abordagem torna seus notebooks fáceis de ler e de compartilhar com outras pessoas.

Seleção de algoritmos

Escolhendo modelos

Você precisa escolher o algoritmo certo para a sua tarefa. A regressão logística funciona bem para problemas de classificação binária. Você também pode usar bibliotecas como scikit-learn, PySpark ML, TensorFlow ou PyTorch para modelos mais avançados. Se quiser criar um modelo em PyTorch, pode usar o suporte a GPU no Fabric para acelerar o processo de aprendizado. O PyTorch é popular em aprendizado profundo, reconhecimento de imagens e processamento de linguagem natural. Você também pode usar o PyTorch para transfer learning e ajuste fino de modelos pré-treinados.

Ao selecionar um algoritmo, considere o tamanho dos seus dados, o tipo de problema e os recursos disponíveis. O FLAML, criado pela Microsoft Research, ajuda você a treinar modelos de forma eficiente. Ele consome menos computação e funciona bem com jobs paralelos. Isso o torna uma boa escolha para execuções de experimentos de machine learning em larga escala.

Definindo hiperparâmetros

Os hiperparâmetros controlam como os seus modelos aprendem. Você pode usar o flaml.tune para buscar as melhores configurações. O Fabric permite executar muitos testes de ajuste ao mesmo tempo, graças ao processamento paralelo do Spark. Isso significa que você pode testar rapidamente diferentes taxas de aprendizado, tamanhos de lote ou camadas para o seu modelo em PyTorch. Você pode acompanhar cada teste no seu experimento de machine learning usando o rastreamento de experimentos. Ferramentas de visualização ajudam a comparar resultados e escolher a melhor configuração. Você pode ver quais configurações funcionam melhor para o seu modelo nas etapas de teste e de treinamento.

Dica: use o rastreamento de experimentos para registrar cada teste, métrica e parâmetro. Isso ajuda você a repetir experimentos bem-sucedidos e evitar erros.

Executando jobs de treinamento

Monitorando o progresso

Você pode monitorar seus jobs de treinamento em tempo real. Os notebooks do Fabric mostram o desempenho de cada etapa. O modo de Alta Concorrência acelera seus jobs em cerca de 30%. Você recebe logs detalhados para cada etapa do notebook. A integração com o MLflow oferece autologging, para que você não precise registrar métricas manualmente. Você pode definir suas sessões de treinamento e escolher quais parâmetros e métricas registrar. Isso facilita acompanhar o progresso do aprendizado e comparar diferentes experimentos.

Você pode ver que os notebooks PySpark lidam melhor com grandes conjuntos de dados. Isso é importante ao treinar um modelo em PyTorch ou outros modelos de aprendizado profundo com grandes volumes de dados.

Checkpoints

Os checkpoints permitem salvar o estado do seu modelo durante o treinamento. Se o job parar ou você quiser pausá-lo, pode retomar a partir do último checkpoint. Isso é útil para jobs longos de treinamento de modelos em PyTorch. Você não perde o progresso se precisar reiniciar. Você também pode usar checkpoints para testar diferentes estratégias de aprendizado ou continuar seu experimento de machine learning a partir de um determinado ponto.

Observação: sempre configure checkpoints ao treinar modelos com grandes conjuntos de dados. Essa prática economiza tempo e protege o seu trabalho.

Agora você tem as ferramentas para treinar, testar e monitorar modelos de machine learning nos Notebooks do Microsoft Fabric. Você pode executar experimentos, ajustar hiperparâmetros e criar soluções poderosas com modelos em PyTorch para qualquer desafio de ciência de dados.

Fluxo de trabalho de treinamento de modelos de IA

Você pode aproveitar todo o potencial do treinamento de modelos de IA dominando o fluxo de trabalho nos Notebooks do Microsoft Fabric. Esta seção orienta você pela avaliação distribuída, pelo ajuste de modelos e pelo uso das funções de IA integradas. Você verá como o Spark, o monitoramento em tempo real e os recursos do Copilot ajudam a criar modelos melhores, mais rapidamente.

Avaliação distribuída

Avaliando o desempenho

Você pode avaliar o desempenho do seu modelo em grandes conjuntos de dados usando a computação distribuída do Spark. O Spark divide seus dados de teste em partes menores e os processa em paralelo. Isso significa que você não precisa esperar horas pelos resultados. Você pode verificar métricas como acurácia, precisão e recall diretamente no notebook. Essa abordagem funciona bem para aprendizado profundo com PyTorch, quando é preciso testar modelos com milhões de registros. O monitoramento em tempo real no Fabric permite acompanhar o uso de recursos e o progresso do job enquanto a avaliação é executada.

Comparando modelos

Você pode comparar diferentes modelos lado a lado em notebooks. Por exemplo, pode treinar um modelo PyTorch e um modelo scikit-learn com o mesmo conjunto de dados. Você pode registrar os resultados de cada modelo e visualizá-los com gráficos integrados. Isso ajuda a escolher o melhor modelo para o seu projeto de treinamento de modelos de IA. Você também pode usar o rastreamento de experimentos para salvar os resultados e compartilhá-los com a sua equipe. Assim, fica fácil repetir experimentos bem-sucedidos e melhorar o seu fluxo de trabalho.

Ajuste de modelos

Busca de hiperparâmetros

Você pode aumentar a precisão do seu modelo ajustando os hiperparâmetros. Os notebooks do Microsoft Fabric oferecem suporte a ferramentas avançadas, como o Optuna, para essa tarefa. Veja um fluxo de trabalho simples que você pode seguir:

1. Crie um estudo com o Optuna para armazenar os resultados dos testes:

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

2. Otimize o estudo por um número definido de testes:

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

3. Exiba os resultados dos testes:

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

Você também pode visualizar a busca com gráficos. Use plot_optimization_history(study).show() para ver como o modelo melhora ao longo do tempo. Experimente plot_param_importances(study).show() para descobrir quais configurações têm mais impacto. Use plot_parallel_coordinate(study).show() para explorar como os diferentes parâmetros interagem. Não se limite a copiar o código: adapte e experimente diferentes hiperparâmetros para obter os melhores resultados com seus modelos PyTorch ou outros modelos.

Como evitar o overfitting

Você quer que o treinamento de modelos de IA produza modelos que funcionem bem com dados novos, e não apenas com o conjunto de treinamento. O overfitting acontece quando um modelo aprende demais os dados de treinamento e falha com exemplos novos. Você pode evitar isso usando validação cruzada e técnicas de stacking.

O stacking normalmente usa validação cruzada para gerar as previsões do meta-modelo, garantindo que nenhuma informação vaze do treinamento para o teste. Isso adiciona complexidade, mas também proporciona mais robustez.

Você também pode usar early stopping no PyTorch, regularização e camadas de dropout para tornar seus modelos mais robustos. Sempre verifique as pontuações de validação e ajuste o processo de treinamento se houver sinais de overfitting.

Funções de IA integradas

Classificação de texto

Você pode economizar tempo em tarefas comuns usando as funções de IA integradas dos notebooks do Microsoft Fabric. Para classificação de texto, pode usar a função Classify para organizar e-mails, tickets de suporte ou documentos em categorias. Isso funciona bem em casos de negócio, como direcionar solicitações urgentes ou marcar feedbacks de clientes. Você também pode criar modelos PyTorch personalizados para tarefas de classificação mais avançadas.

Análise de sentimento

A análise de sentimento ajuda a entender o tom de um texto, como avaliações de clientes ou publicações em redes sociais. Você pode usar a função Sentiment Analysis para sinalizar comentários negativos e responder rapidamente. Esse recurso funciona pronto para uso nos notebooks, então você não precisa escrever código complexo. Você também pode combinar as funções integradas com seus próprios modelos PyTorch para obter resultados ainda melhores.

Veja a seguir uma tabela de funções de IA integradas que você pode usar no seu fluxo de trabalho de treinamento de modelos de IA:

Você pode usar o Copilot para gerar código, sugerir melhorias e automatizar etapas repetitivas. Isso torna o processo de treinamento de modelos de IA mais rápido e produtivo. Você pode se concentrar na criação e no ajuste de modelos PyTorch enquanto o Copilot cuida do trabalho rotineiro.

Seguindo esse fluxo de trabalho nos notebooks do Microsoft Fabric, você pode escalar o treinamento de modelos de IA, ajustar modelos PyTorch com eficiência e usar as funções de IA integradas para resolver problemas reais.

Gerenciamento e implantação de modelos

Salvando modelos

Exportação e versionamento

Você precisa de uma forma confiável de salvar e acompanhar seus modelos PyTorch no Fabric. Comece usando o MLflow para registrar cada execução de treinamento. O MLflow registra seus parâmetros, métricas e artefatos. Isso ajuda você a encontrar a melhor versão do seu modelo PyTorch quando precisar. Você deve habilitar o autologging no início do acompanhamento dos experimentos. Assim, você captura todos os detalhes importantes desde a primeira execução. Não é possível adicionar logs depois, então comece cedo.

Você pode usar o time travel do Delta Lake para fixar a versão exata dos seus dados de treinamento. Isso garante que você sempre consiga reproduzir seus resultados. Registre cada modelo PyTorch no registro de modelos do MLflow. Inclua a versão, o hash dos dados de treinamento, as métricas de desempenho e o responsável. Isso cria uma trilha de auditoria clara para o gerenciamento dos modelos. Antes de mover um modelo para produção, configure um processo de revisão humana. Use aprovações de pull request do Azure DevOps vinculadas aos pipelines de implantação do Fabric. Essa etapa mantém seu fluxo de trabalho seguro e em conformidade.

Dica: Mantenha sempre seus melhores modelos PyTorch registrados no MLflow. Você pode voltar para uma versão anterior se encontrar um problema.

Compartilhando Notebooks

Recursos de Colaboração

Você pode trabalhar com sua equipe com facilidade nos notebooks. A plataforma se conecta diretamente ao seu Lakehouse, então todos usam os mesmos dados. Os notebooks combinam código, comentários e saídas em um único lugar. Isso torna simples compartilhar ideias e resultados. Os membros da equipe podem usar suas linguagens de programação favoritas, como Python ou R, sobre o mesmo conjunto de dados. Essa flexibilidade ajuda todos a contribuir para o gerenciamento de modelos e o acompanhamento de experimentos.

Implantando Modelos

Integração com Pipelines do Fabric

Você pode implantar seus modelos PyTorch usando os pipelines de implantação do Fabric. Esses pipelines ajudam você a gerenciar modelos entre os ambientes de desenvolvimento, teste e produção. Você mantém o controle e a consistência em cada etapa. O fluxo de trabalho visual nos Pipelines de Implantação do Microsoft Fabric mostra onde está o seu modelo PyTorch e quais etapas vêm a seguir. Você pode promover seus modelos PyTorch por ambientes controlados. Esse processo garante que sua equipe siga as melhores práticas para o gerenciamento de modelos.

• Integre com os serviços do Azure OpenAI usando o SynapseML.
• Use o SDK do Python para a implantação.
• Acesse seus modelos PyTorch por meio de APIs REST.
• Casos de uso comuns incluem sumarização de texto e análise de sentimento.

Inferência em Tempo Real

Você pode disponibilizar seus modelos PyTorch para inferência em tempo real. Isso significa que você pode fazer previsões sobre novos dados assim que eles chegam. Por exemplo, você pode usar seu modelo PyTorch implantado para classificar chamados de suporte ou analisar o feedback de clientes instantaneamente. O MLflow acompanha cada implantação, então você sabe qual versão do seu modelo PyTorch está em execução. Você pode atualizar ou reverter as implantações rapidamente, se precisar.

Observação: A inferência em tempo real ajuda você a responder às necessidades do negócio sem atrasos. Use o MLflow para monitorar e gerenciar seus modelos PyTorch em produção.

Seguindo essas etapas, você consegue cuidar do salvamento, do compartilhamento e da implantação dos seus modelos PyTorch no Fabric. Você mantém seu fluxo de trabalho organizado e seus resultados reproduzíveis. O MLflow e os notebooks oferecem as ferramentas necessárias para acompanhar experimentos e gerenciar modelos em escala.

Melhores Práticas nos Notebooks do Fabric

Reprodutibilidade

Documentando o Fluxo de Trabalho

Você deve sempre documentar seu fluxo de trabalho para que seus projetos de IA sejam fáceis de repetir e de entender. Uma boa documentação ajuda você e sua equipe a acompanhar cada etapa do processo de treinamento do modelo. Comece descrevendo o contexto de negócio de cada experimento. Registre seus modelos com explicações claras sobre o que eles preveem, como usá-los e quaisquer limitações conhecidas. Use células de markdown nos seus notebooks para explicar sua lógica e suas decisões. Esse hábito facilita o compartilhamento e a revisão do seu trabalho.

• Use o time travel do Delta Lake para fixar a versão exata dos seus dados de treinamento em cada experimento.
• Separe a engenharia de atributos do treinamento criando tabelas de atributos reutilizáveis.
• Habilite o autologging no início dos seus experimentos para capturar todos os parâmetros e resultados.
• Coloque seus modelos em estágio antes da produção. Valide-os com dados de holdout e compare-os com os modelos atuais.
• Programe verificações regulares de model drift, comparando as previsões com os resultados reais.

Dica: Documente cada experimento à medida que avança. Você vai economizar tempo e evitar confusão no futuro.

Gerenciamento de ambiente

Gerenciar o seu ambiente garante que os resultados permaneçam consistentes entre diferentes execuções. Você deve registrar as versões de todas as bibliotecas e dependências que usa. Essa prática ajuda a evitar surpresas quando você ou seus colegas executarem novamente os seus notebooks. Use arquivos de ambiente ou listas de pacotes para acompanhar a sua configuração. Ao compartilhar o seu trabalho, inclua esses detalhes para que outras pessoas possam reproduzir os seus resultados sem problemas.

Colaboração

Compartilhamento em equipe

Trabalhar em equipe no Fabric é simples e eficaz. Você pode compartilhar notebooks com seus colegas e definir permissões para cada usuário. Esse controle permite decidir quem pode visualizar ou editar o seu trabalho. As equipes podem adicionar comentários em nível de célula para discutir o código, fazer perguntas ou sugerir alterações. Esses recursos ajudam todos a ficarem alinhados e a fazer os projetos avançarem juntos.

• Compartilhe notebooks diretamente com a sua equipe.
• Defina permissões de usuário para controlar o acesso.
• Use comentários em nível de célula para feedback e discussão.

Revisão de código

A revisão de código é importante para a qualidade e o aprendizado. Os notebooks oferecem suporte ao histórico de versões, para que você possa ver o que foi alterado e quando. Se necessário, você pode reverter para uma versão anterior. A integração com o Git permite usar controle de código-fonte para um rastreamento ainda melhor. Essas ferramentas facilitam a revisão de código, a identificação de erros e a proteção do seu projeto.

• Verifique o histórico de versões para acompanhar as alterações.
• Reverta para versões anteriores, se necessário.
• Use a integração com o Git para controle de código-fonte avançado.

Otimização de desempenho

Gerenciamento de recursos

Você pode otimizar o desempenho gerenciando seus recursos com sabedoria. Dimensione a sua capacidade de computação de acordo com a carga de trabalho. Aumente a capacidade em períodos de maior demanda e pause os recursos quando não estiverem em uso. Capacidade reservada e cargas de trabalho spot podem ajudar a economizar custos. Defina orçamentos e alertas para evitar gastos excessivos. Monitore os picos de carga de trabalho para detectar gargalos cedo.

Manipulação eficiente de dados

A manipulação eficiente de dados acelera os seus projetos de IA. Processe os dados no local para minimizar a movimentação e economizar tempo. Limpe o seu armazenamento para melhorar o desempenho. Use tabelas de recursos reutilizáveis para evitar repetir trabalho. O ajuste paralelo de hiperparâmetros permite testar muitas configurações ao mesmo tempo, tornando seus experimentos mais rápidos. Sempre acompanhe os seus experimentos para manter os resultados organizados.

Observação: A manipulação eficiente de dados e o gerenciamento inteligente de recursos ajudam você a aproveitar ao máximo os seus projetos de IA.

Solução de problemas

Ao trabalhar com os Notebooks do Microsoft Fabric, você pode encontrar desafios que atrasam o seu progresso. Saber como solucionar problemas comuns ajuda a manter os seus projetos nos trilhos. Esta seção oferece etapas práticas para depuração e para encontrar suporte quando você precisar.

Depuração

Você pode resolver muitos problemas seguindo um processo claro. Comece verificando o Hub de Monitoramento no portal do Microsoft Fabric. Essa ferramenta mostra se algum pipeline falhou ou se há erros no seu workspace. Se você identificar um problema, analise os detalhes, como o nome do workspace, o activator e a origem do eventstream. Esses detalhes ajudam a encontrar rapidamente a causa raiz.

Use as etapas a seguir para depurar os seus pipelines de dados e notebooks:

1. Verifique o Hub de Monitoramento em busca de trabalhos com falha ou erros.
2. Valide todas as conexões e credenciais, especialmente para o Azure SQL ou outros serviços vinculados.
3. Use o modo de depuração para avançar passo a passo pelos seus pipelines de dados e identificar onde eles travam.
4. Revise as configurações de agendamento e de gatilhos para garantir que os seus trabalhos sejam executados conforme o planejado.
5. Monitore o uso de recursos para verificar se a lentidão decorre de capacidade limitada.
6. Acesse a página de status do Microsoft Fabric para verificar interrupções de serviço ou atualizações.
7. Exporte e importe pipelines usando o recurso 'Salvar como' caso precise duplicá-los ou redefini-los.
8. Documente IDs de regras, condições, carimbos de data e hora e objetos afetados para registrar o que aconteceu.

Dica: Ao executar e depurar notebooks, mantenha sempre um registro das alterações e ações. Esse hábito facilita o rastreamento de problemas e o compartilhamento de descobertas com a sua equipe.

Recursos de suporte

Se você não conseguir resolver um problema sozinho, tem várias opções de suporte. A Microsoft oferece uma comunidade forte e canais oficiais de ajuda. Você pode usar esses recursos para obter respostas e aprender com outras pessoas.

• A documentação da Microsoft (Microsoft Docs) oferece guias passo a passo e artigos de solução de problemas.
• Os fóruns da comunidade permitem que você faça perguntas e receba orientações tanto de colegas quanto da equipe da Microsoft.
• Os tíquetes de suporte conectam você a especialistas da Microsoft para problemas mais complexos.
• O Monitoring Hub e as páginas de status mantêm você informado sobre problemas em andamento ou interrupções de serviço.

Ao pedir ajuda, inclua detalhes importantes, como o nome do workspace, a origem do eventstream, os IDs das regras e o horário em que o problema aconteceu. Essas informações ajudam as equipes de suporte a responder com mais rapidez e precisão.

Observação: interagir com a comunidade costuma levar a soluções rápidas. Muitos usuários compartilham dicas e boas práticas que podem ajudar você a evitar problemas semelhantes no futuro.

Ao seguir esses passos de solução de problemas e usar os recursos de suporte disponíveis, você consegue resolver a maioria dos problemas em notebooks do Fabric e manter seus projetos avançando.

Você pode acelerar o treinamento de modelos de IA com os Microsoft Fabric Notebooks. A interface familiar, semelhante à do Power BI, torna seu fluxo de trabalho intuitivo e produtivo. Você trabalha em um ambiente unificado que combina engenharia de dados, análise e assistência de IA, então evita alternar entre ferramentas. Essa integração simplifica cada etapa, desde a preparação dos dados até a implantação.

Explore estes recursos para aprofundar suas habilidades:

• Microsoft Learn para exercícios práticos
• Programas de certificação para validar sua experiência
• Data Wrangler para limpeza de dados simplificada
• MLflow para rastreamento de experimentos
• Lakehouse para armazenamento de dados unificado

Comece sua jornada hoje e desbloqueie todo o potencial do desenvolvimento de modelos de IA escaláveis e eficientes. Para ouvir mais sobre essas técnicas e discussões com especialistas, não deixe de conferir o episódio de podcast relacionado: Train AI Models with Microsoft Fabric Notebooks.