Volání modelů Azure Machine Learning

  • 3 min

Schéma azure_ml 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

Při použití rozšíření azure_ai poskytuje schéma azure_ml funkci pro provádění odvozování v reálném čase přímo z 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
vstup jsonb Objekt JSON obsahující objekt input_data požadovaný pro interakci s modely Azure Machine Learning.
časový limit_ms integer NULL::integer Časový limit...
vyvolat_při_chybě boolean true Desc...
název_nasazení text NULL::text (Volitelné) Název nasazení modelu, které se má cílit na zadaný koncový bod služby Azure Machine Learning

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 oblasti Seattlu, vzhledem ke konkrétním vstupům, jako jsou sousedství, PSČ, počet ložnic a počet koupelen, 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}');