Webdienste im Azure Machine Learning Studio (Classic): Bereitstellung und Nutzung

GILT FÜR:Machine Learning Studio (klassisch) Azure Machine Learning

Wichtig

Der Support für Machine Learning Studio (klassisch) endet am 31. August 2024. Es wird empfohlen, bis zu diesem Datum auf Azure Machine Learning umzustellen.

Ab dem 1. Dezember 2021 können Sie keine neuen Ressourcen in Machine Learning Studio (klassisch) mehr erstellen. Bis zum 31. August 2024 können Sie die vorhandenen Ressourcen in Machine Learning Studio (klassisch) weiterhin verwenden.

• Siehe Informationen zum Verschieben von Machine-Learning-Projekten von ML Studio (klassisch) zu Azure Machine Learning.
• Weitere Informationen zu Azure Machine Learning

Die Dokumentation zu ML Studio (klassisch) wird nicht mehr fortgeführt und kann künftig nicht mehr aktualisiert werden.

Mit dem Azure Machine Learning Studio (Classic) können Sie Machine Learning-Workflows und -Modelle als Webdienste bereitstellen. Diese Webdienste können dann verwendet werden, um die Machine Learning-Modelle in Anwendungen über das Internet aufzurufen und Vorhersagen im Echtzeit- oder Batchmodus zu nutzen. Da die Webdienste RESTful sind, können Sie sie über verschiedene Programmiersprachen und Plattformen wie etwa .NET und Java sowie über Anwendungen wie Excel aufrufen.

Die nächsten Abschnitte enthalten Links zu exemplarischen Vorgehensweisen, Code und Dokumentationen, die Ihnen beim Einstieg helfen.

Bereitstellen eines Webdiensts

Mit dem Azure Machine Learning Studio (Classic)

Im Studio-Portal (Classic) und Machine Learning-Webdienstportal können Sie einen Webdienst bereitstellen und verwalten, ohne Code schreiben zu müssen.

Unter den folgenden Links finden Sie allgemeine Informationen zur Bereitstellung eines neuen Webdiensts:

• Eine Übersicht über das Bereitstellen eines neuen Azure Resource Manager-basierten Webdiensts finden Sie unter Bereitstellen eines neuen Webdiensts.

• Eine exemplarische Vorgehensweise zum Bereitstellen eines Webdiensts finden Sie unter Bereitstellen eines Machine Learning-Webdiensts.

• Eine vollständige exemplarische Vorgehensweise zum Erstellen und Bereitstellen eines Webdiensts finden Sie in Lernprogramm 1: Vorhersage des Kreditrisikos.

• Spezifische Beispiele für das Bereitstellen eines Webdiensts finden Sie hier:

  • Lernprogramm 3: Bereitstellen des Kreditrisikomodells
  • Bereitstellen eines Webdienstes in mehreren Regionen

Mit Webdienste-Ressourcenanbieter-APIs (Azure Resource Manager-APIs)

Der Ressourcenanbieter für Webdienste im Azure Machine Learning Studio (Classic) ermöglicht die Bereitstellung und Verwaltung von Webdiensten mithilfe von REST-API-Aufrufen. Weitere Informationen finden Sie in der Referenz zu Machine Learning Web Service (REST).

Mit PowerShell-Cmdlets

Der Ressourcenanbieter für Webdienste im Azure Machine Learning Studio (Classic) ermöglicht die Bereitstellung und Verwaltung von Webdiensten mithilfe von PowerShell-Cmdlets.

Um die Cmdlets verwenden zu können, müssen Sie sich innerhalb Ihrer PowerShell-Umgebung zunächst mithilfe des Cmdlets Connect-AzAccount bei Ihrem Azure-Konto anmelden. Wenn Sie mit dem Aufrufen Resource Manager-basierter PowerShell-Befehle nicht vertraut sind, nutzen Sie die Informationen unter Verwenden von Azure PowerShell mit Azure Resource Manager.

Verwenden Sie diesen Beispielcode, um Ihr Vorhersageexperiment zu exportieren. Nachdem Sie die EXE-Datei auf der Grundlage des Codes erstellt haben, können Sie Folgendes eingeben:

C:\<folder>\GetWSD <experiment-url> <workspace-auth-token>

Durch Ausführen der Anwendung wird eine JSON-Webdienstvorlage erstellt. Fügen Sie folgende Informationen hinzu, um mithilfe dieser Vorlage einen Webdienst bereitzustellen:

• Speicherkontoname und -schlüssel

  Den Namen und Schlüssel des Speicherkontos können Sie über das Azure-Portal abrufen.

• Verpflichtungsplan-ID

  Die Plan-ID können Sie über das Machine Learning-Webdienstportal ermitteln, indem Sie sich anmelden und auf einen Plannamen klicken.

Fügen Sie sie der JSON-Vorlage als untergeordnete Elemente des Knotens Eigenschaften hinzu, auf derselben Ebene wie der Knoten MachineLearningWorkspace.

Hier sehen Sie ein Beispiel:

"StorageAccount": {
        "name": "YourStorageAccountName",
        "key": "YourStorageAccountKey"
},
"CommitmentPlan": {
    "id": "subscriptions/YouSubscriptionID/resourceGroups/YourResourceGroupID/providers/Microsoft.MachineLearning/commitmentPlans/YourPlanName"
}

Ausführlichere Informationen finden Sie in den folgenden Artikeln sowie im Beispielcode:

• Referenz zu Machine Learning Studio (classic) Cmdlets auf MSDN

Webdienste nutzen

Über die Benutzeroberfläche der Azure Machine Learning-Webdienste (Testen)

Sie können Ihren Webdienst über das Machine Learning-Webdienstportal testen. Dies schließt das Testen der Schnittstellen des Request-Response Service (RRS) und des Stapelausführungsdiensts (Batch Execution Service, BES) ein.

• Bereitstellen eines neuen Webdiensts
• Bereitstellen eines Machine Learning-Webdiensts
• Lernprogramm 3: Bereitstellen des Kreditrisikomodells

Aus Excel

Sie können eine Excel-Vorlage zur Nutzung des Webdiensts herunterladen:

• Einbindung eines Machine Learning-Webdienstes aus Excel
• Excel-Add-In für Machine Learning-Webdienste

Über einen REST-basierten Client

Machine Learning-Webdienste sind RESTful-APIs. Sie können diese APIs von verschiedenen Plattformen (z. B. .NET, Python, R oder Java) nutzen. Die Seite Consume (Verbrauch) für Ihren Webdienst im Machine Learning-Webdienstportal enthält Beispielcode, der Ihnen den Einstieg erleichtern kann. Weitere Informationen finden Sie unter Wie man einen Machine-Learning-Webdienst nutzt.