Κλήση τελικών σημείων μοντέλου εκμάθησης μηχανής από το Dataflow Gen2 (Preview)

Σημαντικό

Αυτή η δυνατότητα είναι σε προεπισκόπηση.

Το Microsoft Fabric Dataflow Gen2 μπορεί να καλέσει τελικά σημεία μοντέλου εκμάθησης μηχανής για να λάβει προβλέψεις σε πραγματικό χρόνο κατά τη διάρκεια του μετασχηματισμού δεδομένων. Αυτή η ενοποίηση σάς επιτρέπει να εμπλουτίσετε τα δεδομένα σας εφαρμόζοντας εκπαιδευμένα μοντέλα εκμάθησης μηχανής ως μέρος της διοχέτευσης ροής δεδομένων σας. Μπορείτε να καλέσετε τελικά σημεία μοντέλου χρησιμοποιώντας έλεγχο ταυτότητας κύριας υπηρεσίας μέσω συναρτήσεων ερωτήματος M.

Προαπαιτούμενα

Για να μπορέσετε να καλέσετε τελικά σημεία μοντέλου εκμάθησης μηχανής από το Dataflow Gen2, βεβαιωθείτε ότι έχετε τα εξής:

• Ένα ενεργό τελικό σημείο μοντέλου εκμάθησης μηχανής στον χώρο εργασίας σας Microsoft Fabric
• Μια κύρια υπηρεσία που δημιουργήθηκε στο Microsoft Entra ID
• Η κύρια υπηρεσία πρέπει να έχει τα κατάλληλα δικαιώματα για πρόσβαση στο τελικό σημείο του μοντέλου εκμάθησης μηχανής στο Fabric
• Βασική εξοικείωση με τη γλώσσα ερωτημάτων M και τη ροή δεδομένων Gen2

Ρύθμιση δικαιωμάτων κύριας υπηρεσίας

Για να επιτρέψετε στην κύρια υπηρεσία σας να καλεί τελικά σημεία μοντέλου εκμάθησης μηχανής, πρέπει να της εκχωρήσετε τα κατάλληλα δικαιώματα:

1. Μεταβείτε στον χώρο εργασίας που περιέχει το μοντέλο εκμάθησης μηχανής στο Fabric.

2. Επιλέξτε Διαχείριση πρόσβασης από το μενού του χώρου εργασίας.

3. Επιλέξτε Προσθήκη ατόμων ή ομάδων.

4. Αναζητήστε την κύρια υπηρεσία σας με βάση το όνομα της εφαρμογής ή το αναγνωριστικό προγράμματος-πελάτη.

5. Αναθέστε στην κύρια υπηρεσία τουλάχιστον τον ρόλο Συμβάλλων για πρόσβαση και κλήση τελικών σημείων μοντέλου.

Λήψη της διεύθυνσης URL τελικού σημείου και των λεπτομερειών ελέγχου ταυτότητας

Πριν δημιουργήσετε τη συνάρτηση ερωτήματος M, συγκεντρώστε τις ακόλουθες πληροφορίες:

1. Διεύθυνση URL τελικού σημείου: Μεταβείτε στο μοντέλο εκμάθησης μηχανής στο Fabric και αντιγράψτε τη διεύθυνση URL τελικού σημείου από την ενότητα Λεπτομέρειες τελικού σημείου .

   

2. Αναγνωριστικό μισθωτή: Βρείτε το αναγνωριστικό μισθωτή σας στην πύλη Azure στην περιοχή Microsoft Entra ID.

3. Αναγνωριστικό προγράμματος-πελάτη: Εντοπίστε το αναγνωριστικό εφαρμογής (προγράμματος-πελάτη) της κύριας υπηρεσίας σας στην πύλη Azure.

4. Μυστικός κωδικός προγράμματος-πελάτη: Δημιουργήστε ή ανακτήστε έναν μυστικό κωδικό προγράμματος-πελάτη για την κύρια υπηρεσία σας από την πύλη Azure.

Δημιουργία συνάρτησης ερωτήματος M για κλήση του τελικού σημείου

Στο Dataflow Gen2, μπορείτε να δημιουργήσετε μια προσαρμοσμένη συνάρτηση ερωτήματος M που πραγματοποιεί έλεγχο ταυτότητας χρησιμοποιώντας την κύρια υπηρεσία και καλεί το τελικό σημείο μοντέλου εκμάθησης μηχανής.

1. Στη ροή δεδομένων Gen2, επιλέξτεΛήψη κενού ερωτήματοςδεδομένων>.

2. Ή λάβετε τα δεδομένα που θέλετε να εμπλουτίσετε και, στη συνέχεια, ανοίξτε το Προηγμένο πρόγραμμα επεξεργασίας από την καρτέλα Αρχική σελίδα.

3. Αντικαταστήστε το ερώτημα με τον ακόλουθο κώδικα συνάρτησης M:

   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. Μετονομάστε το ερώτημα σε CallMLEndpoint κάνοντας δεξί κλικ στο ερώτημα στο παράθυρο Ερωτήματα .

Χρήση της συνάρτησης στη ροή δεδομένων σας

Αφού δημιουργήσετε τη συνάρτηση, μπορείτε να τη χρησιμοποιήσετε για να καλέσετε το τελικό σημείο εκμάθησης μηχανής για κάθε γραμμή στα δεδομένα σας:

1. Φορτώστε ή συνδεθείτε στα δεδομένα προέλευσης στη ροή δεδομένων.

2. Προσθέστε μια προσαρμοσμένη στήλη που καλεί τη συνάρτηση τελικού σημείου εκμάθησης μηχανής. Επιλέξτε Προσθήκη στήλης>Προσαρμοσμένη στήλη.

3. Χρησιμοποιήστε τον ακόλουθο τύπο για να καλέσετε το τελικό σημείο σας (αντικαταστήστε τις παραμέτρους με τις πραγματικές τιμές σας):

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

4. Η συνάρτηση επιστρέφει το αποτέλεσμα πρόβλεψης από το μοντέλο εκμάθησης μηχανής, το οποίο μπορείτε να αναπτύξετε και να χρησιμοποιήσετε σε επόμενα βήματα μετασχηματισμού.

Βέλτιστες πρακτικές

• Ασφαλή διαπιστευτήρια: Εξετάστε το ενδεχόμενο να χρησιμοποιήσετε παραμέτρους Dataflow Gen2 ή ενοποίηση βιβλιοθήκης μεταβλητών για να αποθηκεύσετε ευαίσθητες τιμές, όπως μυστικούς κωδικούς προγράμματος-πελάτη, αντί να τις κωδικοποιήσετε.

• Χειρισμός σφαλμάτων: Προσθέστε λογική χειρισμού σφαλμάτων στο ερώτημά σας M για να χειριστείτε ομαλά τις αποτυχίες τελικού σημείου ή τα σενάρια χρονικού ορίου.

• Διαθεσιμότητα τελικού σημείου: Βεβαιωθείτε ότι το τελικό σημείο του μοντέλου εκμάθησης μηχανής είναι ενεργό πριν από την εκτέλεση της ροής δεδομένων. Τα ανενεργά τελικά σημεία θα προκαλέσουν την αποτυχία της ανανέωσης ροής δεδομένων. Απενεργοποιήστε τη δυνατότητα αυτόματης αναστολής λειτουργίας, εάν θέλετε να καλείτε με συνέπεια το τελικό σημείο.

• Επιδόσεις: Η κλήση τελικών σημείων εκμάθησης μηχανής για κάθε γραμμή μπορεί να είναι αργή για μεγάλα σύνολα δεδομένων. Εξετάστε το ενδεχόμενο φιλτραρίσματος ή δειγματοληψίας δεδομένων πριν εφαρμόσετε προβλέψεις.

Ζητήματα προς εξέταση και περιορισμοί

• Απαιτείται έλεγχος ταυτότητας κύριας υπηρεσίας για την κλήση τελικών σημείων εκμάθησης μηχανής από το Dataflow Gen2.
• Η κλήση τελικών σημείων εκμάθησης μηχανής συνεπάγεται κόστος τόσο για τον υπολογισμό της ροής δεδομένων όσο και για την κατανάλωση τελικού σημείου εκμάθησης μηχανής. Παρακολουθήστε ανάλογα τη χρήση των εκχωρημένων πόρων Fabric .

Σχετικό περιεχόμενο

• Μάθετε περισσότερα σχετικά με τα τελικά σημεία μοντέλου εκμάθησης μηχανής
• Εξερευνήστε την επισκόπηση ροής δεδομένων Gen2
• Διαβάστε σχετικά με την υποστήριξη κύριας υπηρεσίας στο Data Factory
• Μάθετε σχετικά με τις παραμέτρους ροής δεδομένων Gen2