مشاركة عبر

إنشاء مسارات تنبؤية باستخدام Machine Learning Studio (إصدار كلاسيكي) باستخدام Azure Data Factory أو Synapse Analytics

  • مقالة

ينطبق على: Azure Data Factory Azure Synapse Analytics

تلميح

جرب Data Factory في Microsoft Fabric، وهو حل تحليلي متكامل للمؤسسات. يغطي Microsoft Fabric كل شيء بدءا من حركة البيانات إلى علم البيانات والتحليلات في الوقت الحقيقي والمعلومات المهنية وإعداد التقارير. تعرف على كيفية بدء إصدار تجريبي جديد مجانا!

هام

سينتهي دعم Azure التعلم الآلي Studio (الكلاسيكي) في 31 أغسطس 2024. نوصي بالانتقال إلى Azure التعلم الآلي بحلول ذلك التاريخ.

اعتبارا من 1 ديسمبر 2021، لا يمكنك إنشاء موارد جديدة التعلم الآلي Studio (كلاسيكي) (مساحة العمل وخطة خدمة الويب). حتى 31 أغسطس 2024، يمكنك الاستمرار في استخدام تجارب التعلم الآلي Studio (الكلاسيكية) وخدمات الويب الحالية. لمزيد من المعلومات، راجع:

يتم إيقاف وثائق التعلم الآلي Studio (الكلاسيكي) وقد لا يتم تحديثها في المستقبل.

إشعار

نظرًا لأنه لم يعد من الممكن إنشاء موارد Machine Learning Studio (classic) بعد 1 ديسمبر 2021، يتم تشجيع المستخدمين على استخدام Azure Machine Learning مع Machine Learning Execute Pipeline activity بدلاً من استخدام Batch Execution activity لتنفيذ دفعات Machine Learning Studio (classic).

تمكنك ML Studio (إصدار كلاسيكي) من إنشاء واختبار ونشر حلول التحليلات التنبؤية. من وجهة نظر عالية المستوى، يتم ذلك في ثلاث خطوات:

  1. إنشاء تجربة تدريبية. يمكنك القيام بهذه الخطوة باستخدام ML Studio (إصدار كلاسيكي). ML Studio (إصدار كلاسيكي) هو بيئة تطوير بصري تعاونية تستخدمها لتدريب واختبار نموذج تحليلات تنبؤية باستخدام بيانات التدريب.
  2. تحويلها إلى تجربة تنبؤية. بمجرد أن يتم تدريب النموذج الخاص بك على البيانات الموجودة وتكون جاهزاً لاستخدامه لتسجيل بيانات جديدة، فبذلك تعمل على إعداد تجربتك وتبسيطها للتسجيل.
  3. نشرها كخدمة ويب. يمكنك نشر تجربة تسجيل النقاط كخدمة ويب في Azure. يمكنك إرسال البيانات إلى النموذج الخاص بك عبر نقطة نهاية خدمة الويب هذه وتلقي تنبؤات النتائج من النموذج.

استخدام Machine Learning Studio (إصدار كلاسيكي) مع Azure Data Factory أو Synapse Analytics

يتيح لك Azure Data Factory وSynapse Analytics إنشاء مسارات بكل سهولة تستخدم خدمة ويب منشورة Machine Learning Studio (إصدار كلاسيكي) للتحليلات التنبؤية. باستخدام "Batch Execution Activity" في المسارات، يمكنك استدعاء خدمة الويب Machine Learning Studio (إصدار كلاسيكي) لإجراء تنبؤات على البيانات في دفعة واحدة.

بمرور الوقت، تحتاج النماذج التنبؤية في تجارب تسجيل Machine Learning Studio (إصدار كلاسيكي) إلى إعادة تدريب باستخدام مجموعات بيانات إدخال جديدة. يمكنك إعادة تدريب نموذج مسارات عن طريق القيام بالخطوات التالية:

  1. نشر التجربة التدريبية (وليست التجربة التنبؤية) كخدمة ويب. يمكنك القيام بهذه الخطوة في ML Studio (إصدار كلاسيكي) كما فعلت لعرض تجربة التنبؤية كخدمة ويب في السيناريو السابق.
  2. استخدم Batch Execution Activity في ML Studio (إصدار كلاسيكي) لاستدعاء خدمة الويب لتجربة التدريب. بصورة أساسية، يمكنك استخدام Batch Execution activity في ML Studio (إصدار كلاسيكي) لاستدعاء كل من التدريب على شبكة خدمة الإنترنت وتسجيل خدمة الويب.

بعد الانتهاء من إعادة التدريب، قم بتحديث خدمة ويب التسجيل (عرض التجربة التنبؤية كخدمة ويب) بالنموذج المدرب حديثاً باستخدام Update Resource Activity في ML Studio (إصدار كلاسيكي). راجع مقالة تحديث النماذج باستخدام Update Resource Activity لمزيدٍ من التفاصيل.

خدمة ML Studio (إصدار كلاسيكي) المرتبطة

إنشاء خدمة Machine Learning Studio (إصدار كلاسيكي) لربط خدمة ويب بـ StudioMachine Learning Studio (إصدار كلاسيكي). يتم استخدام الخدمة المرتبطة بواسطة Batch Execution Activity في Machine Learning Studio (إصدار كلاسيكي) وUpdate Resource Activity.

{
    "type" : "linkedServices",
    "name": "AzureMLLinkedService",
    "properties": {
        "type": "AzureML",
        "typeProperties": {
            "mlEndpoint": "URL to Azure ML Predictive Web Service",
            "apiKey": {
                "type": "SecureString",
                "value": "api key"
            }
        },
        "connectVia": {
            "referenceName": "<name of Integration Runtime>",
            "type": "IntegrationRuntimeReference"
        }
    }
}

راجع مقالة حساب الخدمات المرتبطة لمعرفة أوصاف حول الخصائص في تعريف JSON.

يدعم Machine Learning Studio (إصدار كلاسيكي) كلاً من خدمات الويب الكلاسيكية وخدمات الويب الجديدة لتجربتك التنبؤية. يمكنك اختيار الخيار المناسب لاستخدامه من Data Factory أو مساحة عمل Synapse. للحصول على المعلومات المطلوبة لإنشاء خدمة مرتبطة بـ Machine Learning Studio (إصدار كلاسيكي)، انتقل إلى https://ml.azure.com/، حيث يتم سرد جميع خدمات الويب (الجديدة) وخدمات الويب الكلاسيكية. انقر فوق خدمة الويب التي ترغب في الوصول إليها، ثم انقر فوق صفحة Consume. نسخ المفتاح الأساسي للخاصية apiKey و"طلبات الدفعات" للخاصية mlEndpoint.

خدمات الويب لـ ML Studio (إصدار كلاسيكي)

Batch Execution activity في إستوديو التعلم الآلي (كلاسيكي)

يحدد مقتطف JSON التالي Batch Execution activity في ML Studio (إصدار كلاسيكي). يحتوي تعريف النشاط على مرجع إلى خدمة ML Studio (إصدار كلاسيكي) المرتبطة التي أنشأتها سابقاً.

{
    "name": "AzureMLExecutionActivityTemplate",
    "description": "description",
    "type": "AzureMLBatchExecution",
    "linkedServiceName": {
        "referenceName": "AzureMLLinkedService",
        "type": "LinkedServiceReference"
    },
    "typeProperties": {
        "webServiceInputs": {
            "<web service input name 1>": {
                "LinkedServiceName":{
                    "referenceName": "AzureStorageLinkedService1",
                    "type": "LinkedServiceReference"
                },
                "FilePath":"path1"
            },
            "<web service input name 2>": {
                "LinkedServiceName":{
                    "referenceName": "AzureStorageLinkedService1",
                    "type": "LinkedServiceReference"
                },
                "FilePath":"path2"
            }
        },
        "webServiceOutputs": {
            "<web service output name 1>": {
                "LinkedServiceName":{
                    "referenceName": "AzureStorageLinkedService2",
                    "type": "LinkedServiceReference"
                },
                "FilePath":"path3"
            },
            "<web service output name 2>": {
                "LinkedServiceName":{
                    "referenceName": "AzureStorageLinkedService2",
                    "type": "LinkedServiceReference"
                },
                "FilePath":"path4"
            }
        },
        "globalParameters": {
            "<Parameter 1 Name>": "<parameter value>",
            "<parameter 2 name>": "<parameter 2 value>"
        }
    }
}
الخاصية الوصف مطلوب
الاسم اسم النشاط في المسار ‏‏نعم‬
الوصف نص يصف ما يفعله النشاط. لا
النوع بالنسبة إلى نشاط Data Lake Analytics U-SQL، فإن نوع النشاط هو AzureMLBatchExecution . ‏‏نعم‬
linkedServiceName الخدمات المرتبطة بخدمة ارتباط ML Studio (إصدار كلاسيكي). للتعرف على هذه الخدمة المرتبطة، راجع مقالة خدمات الحوسبة المرتبطة. ‏‏نعم‬
webServiceInputs أزواج المفاتيح والقيمة، وكذلك تعيين أسماء مدخلات خدمة الويب لـ ML Studio (إصدار كلاسيكي). يجب أن يطابق المفتاح معلمات الإدخال المعرفة في خدمة ويب المنشورة في ML Studio (الكلاسيكية). القيمة عبارة عن خاصتين هما Azure Storage Linked Services وFilePath واللتان تحددان مدخلات مواقع BLOB كائن ثنائي كبير الحجم. لا
webServiceOutputs المفتاح والقيمة الثنائية وتعيين أسماء مخرجات خدمة الويب لـ ML Studio (إصدار كلاسيكي). يجب أن يطابق المفتاح معلمات المخرجات المعرفة في خدمة ويب المنشورة في ML Studio (إصدار كلاسيكي). القيمة عبارة عن خاصتين هما Azure Storage Linked Services وFilePath واللتان تحددان مخرجات مواقع BLOB كائن ثنائي كبير الحجم. لا
globalParameters ثنائيات المفاتيح والقيم لتمريرها إلى نقطة نهاية Batch Execution Service في ML Studio (إصدار كلاسيكي). يجب أن تتطابق المفاتيح مع أسماء معلمات خدمة الويب المحددة في خدمة الويب ML Studio (إصدار كلاسيكي) المنشورة. يتم تمرير القيم في الخاصية GlobalParameters لطلب تنفيذ المجموعة ML Studio (إصدار كلاسيكي) لا

السيناريو 1: التجارب التي تستخدم إدخالات/مخرجات خدمة الويب التي تشير إلى البيانات في تخزين Azure Blob

في هذا السيناريو، تقوم خدمة الويب Machine Learning Studio (إصدار كلاسيكي) بعمل تنبؤات باستخدام بيانات من ملف في تخزين Azure لكائن ثنائي كبير الحجم وتخزين نتائج التنبؤ في تخزين كائن ثنائي كبير الحجم. يحدد JSON التالي المسارات باستخدام نشاط AzureMLBatchExecution. تتم الإشارة إلى بيانات الإدخال والإخراج في تخزين مدونة Azure باستخدام ارتباط LinkedName وFilePath. في نموذج الخدمة المرتبطة، تختلف المدخلات والمخرجات، يمكنك استخدام خدمات مرتبطة مختلفة لكل من المدخلات/المخرجات الخاصة بك للخدمة لتتمكن من أخذ الملفات الصحيحة وإرسالها إلى خدمة ويب Machine Learning Studio (إصدار كلاسيكي).

هام

في تجربة ML Studio (إصدار كلاسيكي)، تحتوي منافذ الإدخال والإخراج لخدمة الويب والمعلمات العمومية على أسماء افتراضية ("input1" و"input2") يمكنك تخصيصها. يجب أن تتطابق الأسماء التي تستخدمها لـ webServiceInputs وglobalParameters وإعدادات مقياس العمومية تماماً مع الأسماء في التجارب. يمكنك عرض نموذج طلب الحمولة على صفحة تعليمات تنفيذ الدُفعات لنقطة نهاية ML Studio (إصدار كلاسيكي) للتحقق من التعيين المتوقع.

{
    "name": "AzureMLExecutionActivityTemplate",
    "description": "description",
    "type": "AzureMLBatchExecution",
    "linkedServiceName": {
        "referenceName": "AzureMLLinkedService",
        "type": "LinkedServiceReference"
    },
    "typeProperties": {
        "webServiceInputs": {
            "input1": {
                "LinkedServiceName":{
                    "referenceName": "AzureStorageLinkedService1",
                    "type": "LinkedServiceReference"
                },
                "FilePath":"amltest/input/in1.csv"
            },
            "input2": {
                "LinkedServiceName":{
                    "referenceName": "AzureStorageLinkedService1",
                    "type": "LinkedServiceReference"
                },
                "FilePath":"amltest/input/in2.csv"
            }
        },
        "webServiceOutputs": {
            "outputName1": {
                "LinkedServiceName":{
                    "referenceName": "AzureStorageLinkedService2",
                    "type": "LinkedServiceReference"
                },
                "FilePath":"amltest2/output/out1.csv"
            },
            "outputName2": {
                "LinkedServiceName":{
                    "referenceName": "AzureStorageLinkedService2",
                    "type": "LinkedServiceReference"
                },
                "FilePath":"amltest2/output/out2.csv"
            }
        }
    }
}

السيناريو 2: تجارب باستخدام وحدات القارئ/الكاتب للإشارة إلى البيانات الموجودة في وحدات التخزين المختلفة

سيناريو شائع آخر عند إنشاء تجارب ML Studio (إصدار كلاسيكي) هو استخدام الوحدات النمطية استيراد البيانات وتصدير البيانات. يتم استخدام الوحدة النمطية استيراد البيانات لتحميل البيانات في تجربة وحدة بيانات الإخراج هو لحفظ البيانات من التجارب الخاصة بك. للحصول على تفاصيل حول استيراد البيانات والبيانات الناتجة الوحدات النمطية، راجع مواضيع استيراد البيانات وإخراج البيانات على مكتبة MSDN.

عند استخدام الوحدات النمطية استيراد البيانات وبيانات الإخراج، من الجيد استخدام معلمة خدمة ويب لكل خاصية من هذه الوحدات النمطية. تمكنك معلمات الويب هذه من تكوين القيم أثناء وقت التشغيل. على سبيل المثال، يمكنك إنشاء تجربة مع وحدة نمطية استيراد البيانات يستخدم قاعدة بيانات azure SQL: XXX.database.windows.net. بعد نشر خدمة الويب، تريد تمكين مستهلكي خدمة الويب من تحديد خادم SQL منطقي آخر يسمى YYY.database.windows.net. يمكنك استخدام معلمة خدمة الويب للسماح بتكوين هذه القيمة.

إشعار

تختلف إدخالات وإخراجات خدمة الويب عن معلمات خدمة الويب. في السيناريو الأول، رأيت كيف يمكن تحديد المدخلات والمخرجات لخدمة الويب ML Studio (إصدار كلاسيكي). في هذا السيناريو، تقوم بتمرير معلمات لخدمة ويب تتوافق مع خصائص وحدات استيراد البيانات/بيانات الإخراج.

دعونا ننظر إلى سيناريو لاستخدام معلمات خدمة الويب. لديك خدمة ويب ML Studio (إصدار كلاسيكي) منشورة تستخدم وحدة قارئ لقراءة البيانات من أحد مصادر البيانات التي يدعمها ML Studio (إصدار كلاسيكي) (على سبيل المثال: قاعدة بيانات Azure SQL). بعد إتمام تنفيذ الدفعة، تتم كتابة النتائج باستخدام الوحدة النمطية كتابة (قاعدة بيانات Azure SQL). لا يتم تعريف مدخلات ومخرجات خدمة الويب في التجارب. في هذه الحالة، نوصي بتكوين معلمات خدمة الويب ذات الصلة للقارئ والوحدات النمطية للكاتب. يسمح هذا التكوين الوحدات النمطية القارئ/الكاتب أن يتم تكوينها عند استخدام نشاط AzureMLBatchExecution. تحديد معلمات خدمة ويب في القسم globalParameters في نشاط JSON كما يلي.

"typeProperties": {
    "globalParameters": {
        "Database server name": "<myserver>.database.windows.net",
        "Database name": "<database>",
        "Server user account name": "<user name>",
        "Server user account password": "<password>"
    }
}

إشعار

معلمات خدمة ويب حساسة لحالة الأحرف، لذا تأكد من تطابق الأسماء التي تحددها في النشاط JSON مع الأسماء التي تعرضها خدمة ويب.

بعد الانتهاء من إعادة التدريب، قم بتحديث خدمة ويب التسجيل (عرض التجربة التنبؤية كخدمة ويب) بالنموذج المدرب حديثاً باستخدام Update Resource Activity في ML Studio (إصدار كلاسيكي). راجع مقالة تحديث النماذج باستخدام Update Resource Activity لمزيدٍ من التفاصيل.

المحتوى ذو الصلة

راجع المقالات التالية التي تشرح كيفية تحويل البيانات بطرق أخرى: