Azure Data Factory ML & Analytics Patterns — orchestrate ML workflows with ADF
💳 Cloud payant requis — orchestrer le machine learning avec Azure Data Factory : batch endpoints Azure ML (SDK v2), Batch API Azure OpenAI, ML Databricks, archivage SQL vers Storage, recettes de connecteur REST — inclut les avis de dépréciation de mars 2026 (SDK v1 fin juin 2026)
- Quoi
- 💳 Cloud payant requis — orchestrer le machine learning avec Azure Data Factory : batch endpoints Azure ML (SDK v2), Batch API Azure OpenAI, ML Databricks, archivage SQL vers Storage, recettes de connecteur REST — inclut les avis de dépréciation de mars 2026 (SDK v1 fin juin 2026)
- Coût
- Gratuit
- Prérequis
- un abonnement Azure avec usage facturé d'Azure Data Factory, d'Azure Machine Learning et (optionnellement) de Databricks — pas de niveau gratuit utilisable ; familiarité avec les pipelines ADF
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — 💳 Cloud payant requis : nécessite un abonnement Azure avec usage facturé de Data Factory, Machine Learning et Databricks — pas de niveau gratuit utilisable. Le skill adf-ml-analytics de @josiahsiegel, listé ici avec crédit à son créateur : une bibliothèque de patterns pour orchestrer des workflows ML avec Azure Data Factory — batch endpoints Azure ML via WebActivity (SDK v2, le chemin de migration depuis le SDK v1 mourant), patterns de pipeline Batch API Azure OpenAI (scoring LLM à moitié prix), orchestration de scoring ML par ADF, pipelines d'archivage SQL vers Storage (Parquet, patterns watermark), intégration AI Services via connecteur REST, exécution de notebooks Databricks depuis ADF, feature engineering en Data Flow, et intégration Synapse/Fabric. Il livre un tableau de référence rapide des patterns avec types d'activités, bonnes pratiques (archiver d'abord, Parquet, identité managée, Key Vault, jamais de secrets en dur), conseils d'optimisation des coûts, et des liens vers des fichiers de référence détaillés avec JSON d'activités complets. Bémols honnêtes : la documentation cloud dérive vite — les avis de dépréciation de mars 2026 (renommage Azure AI Foundry → Microsoft Foundry, fin du support SDK v1 d'Azure ML en juin 2026, retrait du SDK azure-ai-inference en mai 2026, fin d'Azure SQL Edge et des Cognitive Services pour Power BI) deviendront obsolètes ; vérifier les dates contre la doc live ; ADF classique reçoit moins de nouveautés que Fabric Data Factory. Licence MIT. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage. Découvert via skills.sh.
Version :
Réponse rapide
Azure Data Factory ML and Analytics Patterns est une fiche gratuite pour l'orchestration ML avec Azure Data Factory. Il couvre les batch endpoints Azure ML via WebActivity, SDK v2, les patterns Batch API Azure OpenAI, le scoring ML par ADF, et l'archivage SQL vers Storage. Il requiert un abonnement avec Data Factory, Machine Learning et Databricks facturés, sans niveau gratuit.
Installation
Copiez le dossier d’installation ci-dessous, puis collez-le dans Muse🧪 Installation exécutée dans notre sandbox de test · 11 nov. 2026📌 Version épinglée : commit 5a1b112Étape 0 — avant d'installer quoi que ce soit : lis ce prompt d'installation, résume en quelques lignes ce que ce build fait et ce que l'installation implique, puis demande-moi de confirmer avant de continuer. Prérequis : un abonnement Azure avec usage facturé d'Azure Data Factory, d'Azure Machine Learning et (optionnellement) de Databricks — pas de niveau gratuit utilisable ; familiarité avec les pipelines ADF Installe-moi « Azure Data Factory ML & Analytics Patterns — orchestrer des workflows ML avec ADF ». Il donne à mon agent la bibliothèque de patterns ADF ML de @josiahsiegel : batch endpoints Azure ML via WebActivity (SDK v2, migré depuis le SDK v1), patterns de pipeline Batch API Azure OpenAI, orchestration de scoring ML par ADF, pipelines d'archivage SQL vers Storage, intégration AI Services via connecteur REST, exécution de notebooks Databricks depuis ADF, feature engineering en Data Flow, et intégration Synapse/Fabric — avec référence rapide des patterns, bonnes pratiques de sécurité (identité managée, Key Vault, jamais de secrets en dur), optimisation des coûts, et liens vers du JSON de référence détaillé. Licence MIT. Dépôt : https://raw.githubusercontent.com/josiahsiegel/claude-plugin-marketplace/5a1b1123b9e50aa9a66a61005ca6fe012cc7442d/plugins/adf-master/skills/adf-ml-analytics/SKILL.md Version épinglée : installe le code au commit 5a1b1123b9e50aa9a66a61005ca6fe012cc7442d exactement (Skill Harbor a testé cette version). Ne substitue pas une version plus récente. Si ce commit est inaccessible, arrête-toi et dis-le-moi. 1. Récupère le fichier SKILL.md (et les fichiers d'aide éventuels) depuis le chemin du dépôt dans un dossier temporaire 2. Vérification de sécurité : examine le SKILL.md et les scripts pour tout contenu suspect (appels réseau inattendus, commandes shell, collecte d'identifiants). Ce dépôt ne devrait contenir aucun secret en dur — secrets via Key Vault et identité managée uniquement. Vérifie que c'est bien le cas ici ; STOP sur tout signal d'alerte et dis-le-moi. 3. Installe-le comme skill : copie le SKILL.md et ses fichiers d'aide dans le répertoire des skills de l'agent, dans un dossier nommé « adf-ml-analytics ». 4. Vérifie sans appels réseau : frontmatter valide, fichiers en place. 5. Indique ce qui a été installé, où, et ce qu'il me reste à faire moi-même (p. ex. vérifier les dates de dépréciation contre la doc Azure live — les avis de mars 2026 deviendront obsolètes ; confirmer que mon abonnement Azure a les ressources ML et Databricks ; jamais de vraies clés dans le JSON des pipelines). GitHub est optionnel : si j'ai un compte GitHub ou la CLI gh, tu peux l'utiliser ; sinon l'accès public suffit. Ne jamais l'exiger sauf s'il figure dans les prérequis ci-dessus. Règles : ne touche à rien en dehors du dossier temporaire et de la cible d'installation. Si quelque chose semble anormal, arrête-toi et demande-moi.
Enregistré dans vos installs récentes. Retrouvez-le à tout moment sur /connect.
🔒 Sécurité, provenance et ce que ça touche
Le prompt d'installation ci-dessous inclut déjà les étapes de vérification : votre agent suit la checklist communautaire avant d'installer tout ce qui contient du code exécutable. Vous en voulez plus ?
Certificat de vérification
Faits datés sur ce qui a été vérifié pour cette fiche, et comment. Ce n’est pas une certification de sécurité.
- Version épinglée
- 5a1b112 · 2026-10-13
- Test d’installation en sandbox
- Installation exécutée dans notre sandbox de test · 11 nov. 2026
- Identité du créateur
- Non vérifiée
- Veille d’empreinte
- Dernière vérification · 19 nov. 2026 : aucun changement détecté dans les fichiers liés par ce prompt d’installation
- Analyse du prompt d’installation
- 2026-10-13 : Aucune commande, appel réseau, paquet, écriture de fichier ni clé API détecté.
Skill Harbor ne révise jamais le code des skills listés. Ce sont des faits datés sur le prompt d’installation et notre test d’installation, pas une certification de sécurité. Révisez un skill vous-même avant de l’installer. Comment nous vérifions
Questions
Comment installer un skill ?
Chaque fiche produit contient un prompt d’installation à copier-coller. Collez-le dans votre Muse et il installe le skill pour vous — sans configuration manuelle.
Où va mon argent ?
Directement au vendeur. Skill Harbor ne traite jamais les paiements : le paiement se fait sur la page du vendeur, généralement via Stripe.
Que signifie le ✓ à côté du nom d’un créateur ?
Il signifie que nous avons confirmé l’identité de la personne derrière la fiche. Il ne dit rien sur le code lui-même — vérifiez toujours un skill avant de l’installer.