Prozkoumání schématu služby Azure Machine Learning

  • 4 min

Schéma azure_ml rozšíření azure_ai umožňuje vaší databázi pracovat s možnostmi vlastních modelů strojového učení. Pomocí schématu azure_ml můžete bezproblémově integrovat databázi PostgreSQL se službami Azure Machine Learning. Díky této integraci můžete nasazovat a obsluhovat modely strojového učení přímo z vaší databáze, což umožňuje efektivní a škálovatelné odvozování v reálném čase.

Odvození v reálném čase se schématem azure_ml

Azure Machine Learning je cloudová platforma, která zjednodušuje kompletní pracovní postupy strojového učení. Ve službě Azure Machine Learning se modely vyvíjejí pomocí oblíbených architektur, jako jsou PyTorch a TensorFlow. Po vytrénování se tyto modely nasadí jako koncové body a stabilní adresy URL, kde je možné vyžádat předpovědi.

Díky online koncovým bodům, které poskytují odvození v reálném čase, služba Azure Machine Learning integrovaná s rozšířením azure_ai vám poskytne přesné předpovědi přímo z vaší databáze. Funkce inference v rámci tohoto schématu je navržená tak, aby usnadnila vytváření předpovědí nebo generování výstupů pomocí natrénovaného modelu ze služby Azure Machine Learning. Když nasadíte model, funkce odvozování umožňuje vyvolat model a získat předpovědi pro nová data.

  • azure_ml.inference(jsonb,integer,boolean,text)

Funkce inference() očekává následující vstupní parametry:

Parametr Typ Výchozí Popis
input_data jsonb Objekt JSON obsahující objekt input_data požadovaný pro interakci s modely Azure Machine Learning.
název_nasazení text NULL::text (Volitelné) Název nasazení modelu, které se má cílit na zadaný koncový bod služby Azure Machine Learning
časový limit_ms integer NULL::integer Nastaví maximální dobu (v milisekundách) tak, aby před vypršením časového limitu čekala na operaci odvozování.
vyvolat_při_chybě boolean true Určuje, zda má dojít k chybě, pokud operace odvození narazí na problém.
maximální_počet_pokusů integer 1 Počet opakování volání služby Azure OpenAI v případě selhání
znovu_pokus_zpoždění_ms integer 1000 Doba čekání v milisekundách, než se pokusíte znovu volat koncový bod služby Azure OpenAI.

Koncové body odvozování služby Azure Machine Learning očekávají jako vstup objekt JSON (JavaScript Object Notation). Struktura tohoto objektu je však závislá na podkladovém modelu. Například regresní model natrénovaný tak, aby předpověděl denní ceny pronájmu krátkodobých pronájmů v Seattlu, Washingtonu, vzhledem ke konkrétním vstupům, jako jsou sousedství, PSČ, počet ložnic, počet koupelen a další, má následující tvar:

{
  "input_data": {
    "columns": [
      "host_is_superhost",
      "host_has_profile_pic",
      "host_identity_verified",
      "neighbourhood_group_cleansed",
      "zipcode",
      "property_type",
      "room_type",
      "accommodates",
      "bathrooms",
      "bedrooms",
      "beds"
    ],
    "index": [0],
    "data": [["False", "False", "False", "Central Area", "98122", "House", "Entire home/apt", 4, 1.5, 3, 3]]
  }
}

Očekávanou vstupní strukturu objektu lze načíst prozkoumáním definice Swaggeru přidruženého k nasazeným koncovému bodu. Tato definice určuje ServiceInput a ServiceOutput struktury, které můžete použít k určení vstupů a výstupů.

Konfigurace připojení ke službě Azure Machine Learning

Než použijete funkci azure_ml.inference() k odvozování v reálném čase, musíte nakonfigurovat rozšíření s bodovacím koncovým bodem a klíčem služby Azure Machine Learning. Hodnota azure_ml.scoring_endpoint je koncový bod REST pro nasazený model. Hodnota pro azure_ml.endpoint_key může být primárním nebo sekundárním klíčem pro tento koncový bod.

SELECT azure_ai.set_setting('azure_ml.scoring_endpoint', '{endpoint}');
SELECT azure_ai.set_setting('azure_ml.endpoint_key', '{api-key}');