Kald maskinlæringsmodel-endpoints fra Dataflow Gen2 (Forhåndsvisning)

Vigtigt!

Denne funktion er i prøveversion.

Microsoft Fabric Dataflow Gen2 kan kalde maskinlæringsmodel-endpoints for at få realtidsforudsigelser under datatransformation. Denne integration gør det muligt for dig at berige dine data ved at anvende trænede maskinlæringsmodeller som en del af din dataflow-pipeline. Du kan påkalde modelendepunkter ved hjælp af service principal authentication via M-forespørgselsfunktioner.

Forudsætninger

Før du kan kalde ML-modelendepunkter fra Dataflow Gen2, skal du sikre dig, at du har følgende:

• Et aktivt maskinlæringsmodel-endpoint i dit Microsoft Fabric-arbejdsområde
• En serviceprincip oprettet i Microsoft Entra ID
• Service-principalen skal have de relevante tilladelser for at få adgang til maskinlæringsmodellens endepunkt i Fabric
• Grundlæggende kendskab til M-forespørgselssprog og Dataflow Gen2

Opsæt service principal-tilladelser

For at tillade din serviceprincipal at kalde maskinlæringsmodel-endpoints, skal du give den de relevante tilladelser:

1. Navigér til arbejdsområdet, der indeholder din maskinlæringsmodel i Fabric.

2. Vælg Administrer adgang fra arbejdsområdemenuen.

3. Vælg Tilføj personer eller grupper.

4. Søg efter din serviceprincipal efter dens applikationsnavn eller klient-ID.

5. Tildel tjenesteprincipalen mindst bidragyderrollen til at tilgå og påkalde modelendepunkter.

Få endpoint-URL'en og autentificeringsdetaljerne

Før du opretter din M-forespørgselsfunktion, skal du indsamle følgende information:

1. Endpoint URL: Navigér til din maskinlæringsmodel i Fabric og kopier endpoint-URL'en fra sektionen Endpoint detaljer .

   

2. Lejer-ID: Find dit lejer-ID i Azure-portalen under Microsoft Entra ID.

3. Klient-ID: Find din service principals applikations-ID (klient-) ID i Azure-portalen.

4. Klienthemmelighed: Opret eller hent en klienthemmelighed for din tjenesteprincipal fra Azure-portalen.

Opret en M-forespørgselsfunktion til at kalde endepunktet

I Dataflow Gen2 kan du oprette en brugerdefineret M-forespørgselsfunktion, der autentificerer ved hjælp af service principal og kalder ML-modellens endepunkt.

1. I din Dataflow Gen2 vælger du Get data>Blank-forespørgsel.

2. Eller få de data, du vil berige og derefter åbne Advanced Editor fra fanen Hjem .

3. Erstat forespørgslen med følgende M-funktionskode:

   let
       CallMLEndpoint = (endpointUrl as text, tenantId as text, clientId as text, clientSecret as text, inputData as any) =>
       let
           // Get access token using service principal
           tokenUrl = "https://login.microsoftonline.com/" & tenantId & "/oauth2/v2.0/token",
           tokenBody = "client_id=" & clientId &
                       "&scope=https://api.fabric.microsoft.com/.default" &
                       "&client_secret=" & clientSecret &
                       "&grant_type=client_credentials",
           tokenResponse = Web.Contents(
               tokenUrl,
               [
                   Headers = [#"Content-Type" = "application/x-www-form-urlencoded"],
                   Content = Text.ToBinary(tokenBody)
               ]
           ),
           tokenJson = Json.Document(tokenResponse),
           accessToken = tokenJson[access_token],
   
           // Call ML endpoint with bearer token
           requestBody = Json.FromValue(inputData),
           response = Web.Contents(
               endpointUrl,
               [
                   Headers = [
                       #"Content-Type" = "application/json",
                       #"Authorization" = "Bearer " & accessToken
                   ],
                   Content = requestBody
               ]
           ),
           result = Json.Document(response)
       in
           result
   in
       CallMLEndpoint
   

4. Omdøb forespørgslen til CallMLEndpoint ved at højreklikke på forespørgslen i forespørgselspanelet .

Brug funktionen i dit dataflow

Når du har oprettet funktionen, kan du bruge den til at kalde ML-endpointet for hver række i dine data:

1. Indlæs eller forbind til dine kildedata i dataflowet.

2. Tilføj en brugerdefineret kolonne, der kalder ML-endpointfunktionen. Vælg Tilføj kolonne>Brugerdefineret kolonne.

3. Brug følgende formel til at kalde dit endpoint (erstat parametrene med dine faktiske værdier):

   CallMLEndpoint(
       "<your-machine-learning-endpoint-url>",
       "<your-tenant-id>",
       "<your-client-id>",
       "<your-client-secret>",
       [input1 = [Column1], input2 = [Column2]]
   )
   

4. Funktionen returnerer forudsigelsesresultatet fra maskinlæringsmodellen, som du kan udvide og bruge i efterfølgende transformationstrin.

Anbefalede fremgangsmåder

• Sikre legitimationsoplysninger: Overvej at bruge Dataflow Gen2-parametre eller variabelbibliotekintegration til at gemme følsomme værdier som klienthemmeligheder i stedet for at hardkode dem.

• Fejlhåndtering: Tilføj fejlhåndteringslogik til din M-forespørgsel for elegant at håndtere endpoint-fejl eller timeout-scenarier.

• Endpoint-tilgængelighed: Sørg for, at dit maskinlæringsmodel-endpoint er aktivt, før du kører dataflowet. Inaktive endpoints vil få dataflow-opdateringen til at fejle. Deaktiver auto-sleep-funktionen, hvis du vil kunne kalde endpointet konsekvent.

• Ydeevne: Kald på maskinlæringsendepunkter for hver række kan være langsomt for store datasæt. Overvej filtrering eller udtagning af data, før du anvender forudsigelser.

Overvejelser og begrænsninger

• Service principal-autentificering er påkrævet for at kalde maskinlæringsendepunkter fra Dataflow Gen2.
• Kald af maskinlæringsendepunkter medfører omkostninger både for dataflow-beregningen og forbruget af maskinlæringsendepunkter. Overvåg dit Fabric-kapacitetsforbrug derefter.

Relateret indhold

• Lær mere om maskinlæringsmodel-endpoints
• Udforsk Dataflow Gen2 oversigt
• Læs om service principal-support i Data Factory
• Lær om Dataflow Gen2-parametre