Einführung
Angenommen, Sie haben ein Modell für Restaurantempfehlungen trainiert. Das Modell wird in Azure Machine Learning trainiert und nachverfolgt. Sie möchten das Modell in Ihrer Anwendung verwenden, in der Benutzer*innen Restaurants in ihrer Umgebung suchen können. Jedes Mal, wenn ein*e Benutzer*in ein Restaurant in der Anwendung auswählt, soll das Modell andere Restaurants empfehlen, die für die Benutzerin bzw. den Benutzer ebenfalls interessant sein könnten, um auf diese Weise die Verwendung der App zu verbessern.
Wenn Sie ein Modell trainieren, möchten Sie dieses letztendlich auch verwenden. Sie möchten das trainierte Modell nutzen, um Bezeichnungen für neue Daten vorherzusagen, für die das Modell nicht trainiert wurde.
Um das Modell verwenden zu können, müssen Sie es zunächst bereitstellen. Eine Möglichkeit zum Bereitstellen eines Modells besteht darin, dieses mit einem Dienst zu integrieren, der Anwendungen das Anfordern sofortiger Vorhersagen bzw. Vorhersagen in Echtzeit für einzelne oder kleine Gruppen von Datenpunkten ermöglicht.
In Azure Machine Learning können Sie Onlineendpunkte verwenden, um Ihr Modell bereitzustellen und zu verwenden.
Lernziele
In diesem Modul lernen Sie Folgendes:
- Erstellen verwalteter Onlineendpunkte
- Bereitstellen eines MLflow-Modells auf einem verwalteten Onlineendpunkt
- Bereitstellen eines benutzerdefinierten Modells auf einem verwalteten Onlineendpunkt
- Testen von Onlineendpunkten