Ускоряем обучение ИИ с помощью блокнотов Microsoft Fabric

By Mirko Peters · 2026-08-28

Проекты в области искусственного интеллекта и машинного обучения требуют огромных вычислительных ресурсов, бесшовной интеграции данных и эффективных рабочих процессов обработки. …

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

Проекты в области искусственного интеллекта и машинного обучения требуют огромных вычислительных ресурсов, бесшовной интеграции данных и эффективных рабочих процессов обработки. Раньше специалистам по данным приходилось тратить много усилий на перенос больших наборов данных между разрозненными средами, управление фрагментированными наборами инструментов и борьбу с заметными задержками во время обучения. Сегодня есть единое решение, которое связывает крупномасштабную инженерию данных и гибкую разработку моделей машинного обучения. Используя блокноты Microsoft Fabric, команды могут упростить весь операционный конвейер: от загрузки исходных данных до развертывания модели.

В этом посте мы подробнее разберем основные идеи, которые обсуждались в нашем подкасте Train AI Models with Microsoft Fabric Notebooks. Мы подробно рассмотрим настройку среды, эффективную подготовку наборов данных, запуск задач обучения, управление моделями и практики, которые помогут ускорить ваши рабочие процессы с ИИ.

Настройка блокнотов Fabric

Настройка рабочей области в блокнотах Fabric создает прочную основу для обучения моделей ИИ. В этом разделе приводится обзор блокнотов Fabric и пошагово описывается весь процесс: от создания учетной записи до запуска первого блокнота. Вы увидите, насколько легко подключиться к данным и использовать Spark для мощной аналитики.

Доступ к Microsoft Fabric

Создание учетной записи

Для начала вам нужен доступ к Fabric. Можно создать бесплатную учетную запись Fabric, с которой вы сможете войти в приложение Fabric. Если вы уже используете Microsoft Power BI, можно воспользоваться существующей учетной записью Power BI. Эта простая процедура позволяет сразу начать работу с блокнотами.

Совет: Пользователи не сообщали о серьезных проблемах с доступом, так что регистрация должна пройти гладко.

Навигация по рабочей области

После входа вы увидите рабочую область Fabric. Здесь можно упорядочивать проекты, управлять ресурсами и получать доступ к вашему lakehouse. Панель управления рабочей областью помогает быстро находить блокноты, наборы данных и другие объекты. Также можно проверить емкость рабочей области и параметры, чтобы убедиться, что они соответствуют требованиям проектов ИИ.

Запуск блокнота

Выбор ядра

После настройки рабочей области можно создать новый блокнот. При запуске блокнота вы выбираете ядро. Ядро определяет язык программирования и среду выполнения. Блокноты Fabric поддерживают Python и другие языки, что делает их гибкими для различных задач ИИ.

Настройка библиотек

Перед началом анализа может потребоваться установить или импортировать библиотеки. В блокнотах Fabric это делается просто. Вы можете добавить библиотеки для науки о данных, машинного обучения или визуализации прямо в блокнот. Такая настройка позволяет использовать Spark для обработки больших наборов данных и легко подключаться к вашему lakehouse.

Создавая новый блокнот, вы избегаете лишней возни с переносом данных между инструментами. Можно обрабатывать, анализировать и визуализировать данные в одном месте. Это экономит время и снижает количество ошибок. Если вы только начинаете работать с Fabric, кривая обучения может показаться крутой, но единая рабочая область и прямой доступ к данным значительно упрощают процесс.

Примечание: Если вы работаете с крупными проектами или командами, блокноты Fabric помогают избежать фрагментированных рабочих процессов. С самого начала можно сохранять всё организованным и эффективным.

Подготовка данных в блокнотах Fabric

Подготовка набора данных в блокнотах Fabric закладывает основу для успешного обучения модели ИИ. Вы можете упростить каждый этап, от загрузки данных до их визуализации, используя встроенные инструменты и возможности на базе Spark.

Импорт данных

Подключение к Lakehouse

Начните с подключения блокнота к lakehouse. Это подключение дает прямой доступ к наборам данных, поэтому не нужно переносить файлы между системами. Вы можете работать с данными там, где они находятся, что экономит время и снижает количество ошибок. Lakehouse хранит набор данных в таблицах delta, что позволяет легко загружать и обновлять информацию по мере необходимости.

Загрузка данных с помощью Spark

После подключения используйте Spark для загрузки данных. Spark позволяет быстро и эффективно загружать большие наборы данных. Можно читать данные из нескольких источников, включая файлы CSV, файлы Parquet или существующие таблицы в lakehouse. Spark берет на себя основную нагрузку, поэтому вы можете сосредоточиться на работе с данными, а не на ограничениях памяти.

Совет: Используйте Spark DataFrames для обработки набора данных в масштабе. Этот подход помогает работать даже с самыми большими наборами данных, не замедляя рабочий процесс.

Очистка данных

Обработка пропущенных значений

Очистка набора данных — ключевой этап перед обучением любой модели. Вы можете запустить Data Wrangler из блокнота Fabric, чтобы изучить набор данных и найти пропущенные значения. Data Wrangler автоматически генерирует код для типовых задач очистки, например для заполнения пропущенных значений или удаления неполных строк. Эти шаги очистки можно экспортировать как пригодные для повторного использования функции на pandas или PySpark, что делает рабочий процесс эффективнее.

Инженерия признаков

Инженерия признаков помогает создавать новые переменные на основе существующего набора данных. Вы можете использовать инструменты на Python в блокнотах Fabric, чтобы преобразовывать данные и создавать признаки, которые повышают точность модели. Spark упрощает применение этих преобразований ко всему набору данных, даже если в нем миллионы строк.

Лучшая практика:

1. Используйте инструменты Spark и Python для очистки и преобразования набора данных.
2. Создавайте эксперименты, чтобы проверять различные наборы признаков.
3. Отслеживайте запуски и результаты с помощью MLflow в интерфейсе Fabric.

Исследование данных

Сводная статистика

Изучение набора данных помогает понять его структуру и качество. Вы можете сформировать сводную статистику, например среднее значение, медиану и стандартное отклонение, прямо в блокноте. Эти показатели дают быстрый обзор набора данных и выявляют проблемы, требующие внимания.

Визуализация

Визуализация данных делает набор данных наглядным. Блокноты Fabric поддерживают встроенные функции визуализации и интегрируются с библиотеками, такими как Matplotlib и Bokeh. Табличные результаты можно превратить в диаграммы без написания дополнительного кода. Функция display позволяет взаимодействовать с данными и легко замечать тренды или выбросы.

Примечание: Интерактивная визуализация данных помогает принимать более обоснованные решения при подготовке набора данных для обучения модели ИИ.

Обучение моделей в Fabric

Написание кода для обучения

Использование Python или R

Код для обучения модели можно писать на нескольких языках в Microsoft Fabric Notebooks. Платформа поддерживает:

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

Большинство пользователей выбирают Python за гибкость и богатую экосистему. Можно также использовать R, если вам ближе его статистические инструменты. PySpark позволяет масштабировать задачи обучения на множество узлов, что важно для больших наборов данных. Python хорошо подходит для глубокого обучения и разработки моделей на pytorch. Если вы хотите использовать pytorch, установите библиотеку и сразу начинайте создавать модель pytorch. Для статистического обучения можно использовать SparkR, а для быстрых запросов к данным — Spark SQL.

Структурирование ячеек кода

Код лучше организовать в понятные, логически связанные ячейки. Начните с загрузки и очистки данных. Добавьте ячейки для инженерии признаков и разведочного анализа. Разместите код обучения модели в отдельной ячейке. Такая структура помогает отлаживать эксперимент и перезапускать его отдельные части без повторения предыдущих шагов. Также можно добавлять ячейки Markdown, чтобы пояснять логику и документировать эксперименты. Такой подход делает блокноты удобными для чтения и совместного использования.

Выбор алгоритма

Выбор моделей

Выбор подходящего алгоритма зависит от задачи. Логистическая регрессия хорошо подходит для задач бинарной классификации. Для более сложных моделей можно использовать библиотеки scikit-learn, PySpark ML, TensorFlow или pytorch. Если вы хотите построить модель pytorch, можно задействовать поддержку GPU в Fabric, чтобы ускорить обучение. PyTorch популярен в глубоком обучении, распознавании изображений и обработке естественного языка. Его также можно использовать для переноса обучения (transfer learning) и дообучения предобученных моделей.

При выборе алгоритма учитывайте размер данных, тип задачи и доступные ресурсы. Библиотека FLAML, созданная Microsoft Research, помогает эффективно обучать модели. Она потребляет меньше вычислительных ресурсов и хорошо работает с параллельными заданиями. Это делает её хорошим выбором для масштабных экспериментов машинного обучения.

Настройка гиперпараметров

Гиперпараметры определяют, как обучаются ваши модели. Для поиска лучших настроек можно использовать flaml.tune. Fabric позволяет запускать много пробных запусков подбора одновременно благодаря параллельной обработке Spark. Это значит, что можно быстро проверить разные скорости обучения, размеры пакетов или количество слоёв для вашей модели pytorch. Каждый пробный запуск можно отслеживать в эксперименте машинного обучения с помощью отслеживания экспериментов. Инструменты визуализации помогают сравнить результаты и выбрать лучшую конфигурацию. Так вы увидите, какие настройки лучше всего работают для вашей модели при тестировании и обучении.

Совет: Используйте отслеживание экспериментов, чтобы фиксировать каждый запуск, метрику и параметр. Это помогает повторять успешные эксперименты и избегать ошибок.

Запуск заданий обучения

Мониторинг хода работы

Задания обучения можно отслеживать в режиме реального времени. Блокноты Fabric показывают, как выполняется каждый шаг. Режим High Concurrency ускоряет задания примерно на 30%. Для каждого шага блокнота доступны подробные журналы. Интеграция с MLflow обеспечивает автологирование, поэтому метрики не нужно записывать вручную. Вы можете настроить сеансы обучения и выбрать, какие параметры и метрики записывать. Так проще отслеживать прогресс обучения и сравнивать разные эксперименты.

Видно, что блокноты PySpark лучше справляются с большими наборами данных. Это важно, когда вы обучаете модель pytorch или другие модели глубокого обучения на больших данных.

Контрольные точки

Контрольные точки позволяют сохранять состояние модели во время обучения. Если задание остановилось или вы хотите его приостановить, можно продолжить с последней контрольной точки. Это полезно для долгих заданий обучения модели pytorch. Прогресс не теряется, если нужно перезапустить процесс. Контрольные точки также можно использовать для проверки разных стратегий обучения или для продолжения эксперимента машинного обучения с определённого момента.

Примечание: Всегда настраивайте контрольные точки, когда обучаете модели на больших наборах данных. Это экономит время и защищает вашу работу.

Теперь у вас есть инструменты для обучения, тестирования и мониторинга моделей машинного обучения в блокнотах Microsoft Fabric. Вы можете запускать эксперименты, подбирать гиперпараметры и создавать мощные решения на основе моделей pytorch для любых задач data science.

Рабочий процесс обучения ИИ-моделей

Раскрыть всю мощь обучения ИИ-моделей можно, освоив рабочий процесс в блокнотах Microsoft Fabric. В этом разделе рассматриваются распределённая оценка, подбор моделей и использование встроенных функций ИИ. Вы увидите, как Spark, мониторинг в реальном времени и возможности Copilot помогают быстрее строить более качественные модели.

Распределённая оценка

Оценка производительности

Производительность модели можно оценивать на больших наборах данных с помощью распределённых вычислений Spark. Spark разбивает тестовые данные на части и обрабатывает их параллельно. Так не приходится ждать результатов часами. Метрики, такие как accuracy, precision и recall, можно проверить прямо в блокноте. Подход хорошо работает для глубокого обучения с pytorch, когда нужно тестировать модели на миллионах записей. Мониторинг в реальном времени в Fabric показывает загрузку ресурсов и ход выполнения оценки.

Сравнение моделей

В блокнотах можно сравнивать разные модели рядом. Например, можно обучить модель pytorch и модель scikit-learn на одном и том же наборе данных. Результаты каждой модели можно записывать и визуализировать встроенными диаграммами. Это помогает выбрать лучшую модель для проекта обучения ИИ-моделей. Также можно использовать отслеживание экспериментов, чтобы сохранять результаты и делиться ими с командой. Так легко повторять успешные эксперименты и улучшать рабочий процесс.

Настройка моделей

Поиск гиперпараметров

Точность модели можно повысить, подбирая гиперпараметры. Для этой задачи в блокнотах Microsoft Fabric поддерживаются продвинутые инструменты, например Optuna. Ниже приведен простой порядок действий:

1. Создайте study в Optuna для хранения результатов испытаний:

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

2. Оптимизируйте study за заданное число испытаний:

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

3. Выведите результаты испытаний:

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

Поиск также можно визуализировать с помощью графиков. Используйте plot_optimization_history(study).show(), чтобы увидеть, как улучшается модель со временем. Попробуйте plot_param_importances(study).show(), чтобы узнать, какие параметры влияют на результат сильнее всего. Используйте plot_parallel_coordinate(study).show(), чтобы понять, как взаимодействуют разные параметры. Не просто копируйте код, а адаптируйте его и экспериментируйте с разными гиперпараметрами, чтобы получить лучшие результаты для моделей pytorch или других моделей.

Предотвращение переобучения

Вам нужно, чтобы обучение ИИ-моделей создавало модели, которые хорошо работают на новых данных, а не только на обучающей выборке. Переобучение происходит, когда модель слишком хорошо запоминает обучающие данные и плохо справляется с новыми примерами. Этого можно избежать с помощью перекрестной проверки и методов стекинга.

Стекинг обычно использует перекрестную проверку для получения предсказаний для мета-модели, что гарантирует, что информация из обучающей выборки не попадет в тестовую. Это добавляет сложности, но также повышает устойчивость модели.

Также можно использовать раннюю остановку в pytorch, регуляризацию и слои dropout, чтобы сделать модели более устойчивыми. Всегда проверяйте оценки на валидационной выборке и корректируйте процесс обучения, если видите признаки переобучения.

Встроенные функции ИИ

Классификация текста

Чтобы сэкономить время на типовых задачах, используйте встроенные функции ИИ в блокнотах Microsoft Fabric. Для классификации текста функция Classify позволяет распределять письма, обращения в поддержку или документы по категориям. Это хорошо работает в бизнес-сценариях, например для маршрутизации срочных запросов или разметки отзывов клиентов. Также можно создавать собственные модели pytorch для более сложных задач классификации.

Анализ тональности

Анализ тональности помогает понять эмоциональную окраску текста, например отзывов клиентов или постов в социальных сетях. Функция Sentiment Analysis позволяет отмечать негативные комментарии и быстро на них реагировать. Эта возможность работает сразу после установки, поэтому не нужно писать сложный код. Встроенные функции также можно комбинировать с собственными моделями pytorch, чтобы получить еще лучший результат.

Ниже приведена таблица встроенных функций ИИ, которые можно использовать в процессе обучения ИИ-моделей:

Copilot можно использовать для генерации кода, предложений по улучшению и автоматизации повторяющихся шагов. Это делает процесс обучения ИИ-моделей быстрее и продуктивнее. Вы можете сосредоточиться на создании и настройке моделей pytorch, пока Copilot берет на себя рутинную работу.

Следуя этому порядку действий в блокнотах Microsoft Fabric, вы сможете масштабировать обучение ИИ-моделей, эффективно настраивать модели pytorch и использовать встроенные функции ИИ для решения практических задач.

Управление моделями и развертывание

Сохранение моделей

Экспорт и управление версиями

Вам нужен надёжный способ сохранять и отслеживать модели PyTorch в Fabric. Начните с использования MLflow для журналирования каждого запуска обучения. MLflow записывает параметры, метрики и артефакты. Это помогает найти лучшую версию модели PyTorch, когда она понадобится. Включите автологирование в начале отслеживания экспериментов. Так вы зафиксируете все важные детали с первого запуска. Добавить журналы задним числом нельзя, поэтому начинайте как можно раньше.

Вы можете использовать путешествия во времени Delta Lake, чтобы закрепить точную версию обучающих данных. Это гарантирует, что вы всегда сможете воспроизвести результаты. Регистрируйте каждую модель PyTorch в реестре моделей MLflow. Указывайте версию, хеш обучающих данных, метрики производительности и владельца. Это создаёт понятный журнал аудита для управления моделями. Прежде чем переводить модель в продуктив, настройте процесс проверки человеком. Используйте утверждения запросов на слияние в Azure DevOps, связанные с конвейерами развёртывания Fabric. Этот шаг помогает сохранить безопасность и соответствие требованиям вашего рабочего процесса.

Совет: Всегда храните ваши лучшие модели PyTorch зарегистрированными в MLflow. Если вы обнаружите проблему, можно вернуться к предыдущей версии.

Совместная работа с блокнотами

Возможности для совместной работы

В блокнотах удобно работать с командой. Платформа напрямую подключается к вашему Lakehouse, поэтому все используют одни и те же данные. Блокноты объединяют код, комментарии и результаты в одном месте. Так проще делиться идеями и результатами. Участники команды могут использовать любимые языки программирования, например Python или R, на одном и том же наборе данных. Такая гибкость помогает всем вносить вклад в управление моделями и отслеживание экспериментов.

Развёртывание моделей

Интеграция с конвейерами Fabric

Вы можете развёртывать модели PyTorch с помощью конвейеров развёртывания Fabric. Эти конвейеры помогают управлять моделями в средах разработки, тестирования и продуктива. Вы сохраняете контроль и согласованность на каждом этапе. Визуальный рабочий процесс в Microsoft Fabric Deployment Pipelines показывает, где находится ваша модель PyTorch и какие шаги следуют дальше. Вы можете продвигать модели PyTorch через контролируемые среды. Такой процесс гарантирует, что команда следует лучшим практикам управления моделями.

• Интегрируйте службы Azure OpenAI с помощью SynapseML.
• Используйте Python SDK для развёртывания.
• Получайте доступ к моделям PyTorch через REST API.
• Типичные сценарии использования включают суммаризацию текста и анализ тональности.

Инференс в реальном времени

Вы можете использовать модели PyTorch для инференса в реальном времени. Это означает, что вы можете делать прогнозы по новым данным сразу после их поступления. Например, развёрнутая модель PyTorch может классифицировать обращения в службу поддержки или мгновенно анализировать отзывы клиентов. MLflow отслеживает каждое развёртывание, поэтому вы знаете, какая версия модели PyTorch работает. При необходимости вы можете быстро обновить или откатить развёртывание.

Примечание: Инференс в реальном времени помогает быстро реагировать на потребности бизнеса. Используйте MLflow для мониторинга и управления моделями PyTorch в продуктиве.

Следуя этим шагам, вы сможете организовать сохранение, совместное использование и развёртывание моделей PyTorch в Fabric. Рабочий процесс остаётся организованным, а результаты воспроизводимыми. MLflow и блокноты дают необходимые инструменты для отслеживания экспериментов и управления моделями в масштабе.

Лучшие практики в блокнотах Fabric

Воспроизводимость

Документирование рабочего процесса

Документируйте рабочий процесс всегда, чтобы проекты ИИ было легко повторить и понять. Хорошая документация помогает вам и команде отслеживать каждый шаг процесса обучения модели. Начните с описания бизнес-контекста каждого эксперимента. Регистрируйте модели с понятными пояснениями: что они предсказывают, как их использовать и каковы известные ограничения. Используйте ячейки markdown в блокнотах, чтобы объяснять свою логику и решения. Такая привычка упрощает совместное использование и проверку работы.

• Используйте путешествия во времени Delta Lake, чтобы закрепить точную версию обучающих данных для каждого эксперимента.
• Отделяйте конструирование признаков от обучения, создавая повторно используемые таблицы признаков.
• Включайте автологирование в начале экспериментов, чтобы фиксировать все параметры и результаты.
• Переводите модели на этап перед продуктивом. Проверяйте их на отложенных данных и сравнивайте с текущими моделями.
• Регулярно проверяйте дрейф модели, сравнивая прогнозы с реальными результатами.

Совет: Документируйте каждый эксперимент по ходу работы. Это сэкономит время и поможет избежать путаницы в будущем.

Управление окружением

Управление окружением помогает сохранять стабильность результатов при разных запусках. Фиксируйте версии всех используемых библиотек и зависимостей. Такая практика позволяет избежать неожиданностей, когда вы или ваши коллеги повторно запускаете блокноты. Для отслеживания настроек используйте файлы окружения или списки пакетов. При передаче своей работы включайте эти данные, чтобы другие могли воспроизвести результаты без проблем.

Совместная работа

Совместная работа в команде

Работать в команде в Fabric просто и эффективно. Вы можете делиться блокнотами с коллегами и настраивать разрешения для каждого пользователя. Такой контроль позволяет решать, кто может просматривать или редактировать вашу работу. Участники команды могут оставлять комментарии к отдельным ячейкам, обсуждать код, задавать вопросы или предлагать изменения. Эти возможности помогают всем оставаться на одной волне и вместе двигать проекты вперёд.

• Делитесь блокнотами с командой напрямую.
• Настраивайте разрешения пользователей, чтобы контролировать доступ.
• Используйте комментарии к ячейкам для обратной связи и обсуждения.

Проверка кода

Проверка кода важна для качества и обучения. Блокноты поддерживают историю версий, так что вы можете видеть, что и когда изменилось. При необходимости можно вернуться к предыдущей версии. Интеграция с Git позволяет использовать систему контроля версий для ещё более точного отслеживания изменений. Эти инструменты упрощают проверку кода, поиск ошибок и защиту вашего проекта.

• Проверяйте историю версий, чтобы отслеживать изменения.
• При необходимости откатывайтесь к более ранним версиям.
• Используйте интеграцию с Git для расширенного контроля версий.

Оптимизация производительности

Управление ресурсами

Производительность можно оптимизировать, грамотно управляя ресурсами. Подбирайте вычислительную мощность в соответствии с нагрузкой. Увеличивайте мощность в периоды пиковой нагрузки и приостанавливайте ресурсы, когда они не используются. Зарезервированная мощность и рабочие нагрузки на spot-ресурсах помогают экономить. Настройте бюджеты и оповещения, чтобы не превысить расходы. Отслеживайте пиковые нагрузки, чтобы своевременно выявлять узкие места.

Эффективная обработка данных

Эффективная обработка данных ускоряет ваши проекты в области ИИ. Обрабатывайте данные на месте, чтобы минимизировать перемещения и сэкономить время. Очищайте хранилище для повышения производительности. Используйте повторно применяемые таблицы признаков, чтобы не повторять одну и ту же работу. Параллельная настройка гиперпараметров позволяет проверять множество значений одновременно, ускоряя эксперименты. Всегда отслеживайте эксперименты, чтобы результаты оставались упорядоченными.

Примечание: Эффективная обработка данных и грамотное управление ресурсами помогают максимально эффективно использовать ваши проекты в области ИИ.

Устранение неполадок

Работая с блокнотами Microsoft Fabric, вы можете столкнуться с проблемами, которые замедляют работу. Умение устранять распространённые неполадки помогает держать проекты на плаву. В этом разделе приведены практические шаги по отладке и по поиску поддержки, когда она нужна.

Отладка

Многие проблемы можно решить, следуя чёткому процессу. Начните с проверки центра мониторинга (Monitoring Hub) в портале Microsoft Fabric. Этот инструмент показывает, не завершились ли с ошибкой какие-либо конвейеры или не возникли ли ошибки в вашей рабочей области. Если вы видите проблему, изучите подробности, такие как имя рабочей области, activator и источник eventstream. Эти сведения помогают быстро найти первопричину.

Используйте следующие шаги для отладки конвейеров данных и блокнотов:

1. Проверьте Monitoring Hub на наличие сбойных заданий или ошибок.
2. Проверьте все подключения и учётные данные, особенно для Azure SQL и других связанных служб.
3. Используйте режим отладки, чтобы пошагово проходить конвейеры данных и находить места, где они застревают.
4. Проверьте настройки расписания и триггеров, чтобы убедиться, что задания запускаются по плану.
5. Отслеживайте использование ресурсов, чтобы понять, не вызвана ли медленная работа недостатком мощности.
6. Откройте страницу состояния Microsoft Fabric, чтобы проверить наличие сбоев сервиса или обновлений.
7. Экспортируйте и импортируйте конвейеры с помощью функции «Сохранить как», если нужно их продублировать или сбросить.
8. Фиксируйте идентификаторы правил, условия, метки времени и затронутые объекты, чтобы отслеживать, что произошло.

Совет: При запуске и отладке блокнотов всегда ведите журнал изменений и действий. Эта привычка упрощает отслеживание проблем и передачу результатов команде.

Ресурсы поддержки

Если вы не можете решить проблему самостоятельно, у вас есть несколько вариантов поддержки. Microsoft предоставляет сильное сообщество и официальные каналы помощи. Эти ресурсы помогут вам получить ответы и поучиться у других.

• Документация Microsoft Docs содержит пошаговые руководства и статьи по устранению неполадок.
• Форумы сообщества позволяют задавать вопросы и получать советы как от коллег, так и от сотрудников Microsoft.
• Обращения в службу поддержки помогут связаться с экспертами Microsoft для решения более сложных проблем.
• Монитор и страницы состояния службы помогут быть в курсе текущих проблем и сбоев.

Когда вы обращаетесь за помощью, укажите важные сведения: имя рабочей области, источник eventstream, идентификаторы правил и время возникновения проблемы. Эта информация помогает службе поддержки реагировать быстрее и точнее.

Примечание: Общение с сообществом часто позволяет быстро найти решение. Многие пользователи делятся советами и лучшими практиками, которые помогут избежать подобных проблем в будущем.

Следуя этим шагам по устранению неполадок и используя доступные ресурсы поддержки, вы сможете решить большинство проблем в блокнотах Fabric и продолжить работу над проектами.

Вы можете ускорить обучение моделей ИИ с помощью блокнотов Microsoft Fabric. Знакомый интерфейс, похожий на Power BI, делает рабочий процесс интуитивным и продуктивным. Вы работаете в единой среде, которая объединяет инженерию данных, аналитику и помощь ИИ, поэтому не нужно переключаться между инструментами. Такая интеграция упрощает каждый этап: от подготовки данных до развертывания.

Изучите эти ресурсы, чтобы углубить свои навыки:

• Microsoft Learn для практических упражнений
• Программы сертификации для подтверждения вашей экспертизы
• Data Wrangler для простой очистки данных
• MLflow для отслеживания экспериментов
• Lakehouse для единого хранилища данных

Начните свой путь уже сегодня и раскройте весь потенциал масштабируемой и эффективной разработки моделей ИИ. Чтобы узнать больше об этих техниках и экспертных обсуждениях, обязательно посмотрите связанный подкаст: Train AI Models with Microsoft Fabric Notebooks.