Utiliser des points de terminaison d’API serverless à partir d’un autre projet ou hub Azure AI Studio

Important

Certaines des fonctionnalités décrites dans cet article peuvent uniquement être disponibles en préversion. Cette préversion est fournie sans contrat de niveau de service, nous la déconseillons dans des charges de travail de production. Certaines fonctionnalités peuvent être limitées ou non prises en charge. Pour plus d’informations, consultez Conditions d’Utilisation Supplémentaires relatives aux Évaluations Microsoft Azure.

Dans cet article, vous apprendrez à configurer un point de terminaison d’API serverless existant dans un autre projet ou hub que celui utilisé pour créer le déploiement.

Certains modèles du catalogue de modèles peuvent être déployés en tant qu’API serverless. Ce type de déploiement permet de consommer des modèles en tant qu’API sans les héberger sur votre abonnement, tout en conservant la sécurité et la conformité de l’entreprise dont les organisations ont besoin. Cette option de déploiement ne nécessite pas de quota à partir de votre abonnement.

Il se peut que vous ayez besoin d’utiliser un point de terminaison d’API serverless existant dans un autre projet ou hub que celui utilisé pour créer le déploiement dans ce genre de situations :

• Vous souhaitez centraliser vos déploiements dans un projet ou hub donné et les consommer à partir de différents projets ou hubs de votre organisation.
• Vous devez déployer un modèle dans un hub dans une région Azure particulière où le déploiement serverless pour ce modèle est disponible. Toutefois, vous devez l’utiliser à partir d’une autre région, où le déploiement serverless n’est pas disponible pour les modèles particuliers.

Prérequis

• Un abonnement Azure avec un moyen de paiement valide. Les abonnements Azure gratuits ou d’essai ne fonctionnent pas. Si vous ne disposez pas d’un abonnement Azure, commencez par créer un compte Azure payant.

• Un hub Azure AI Studio.

• Un projet Azure AI Studio.

• Un modèle déployé sur un point de terminaison d’API serverless. Cet article suppose que vous avez précédemment déployé le modèle Meta-Llama-3-8B-Instruct. Pour savoir comment déployer ce modèle en tant qu’API serverless, consultez la section Déployer des modèles en tant qu’API serverless.

• Vous devez installer le logiciel suivant pour utiliser Azure AI Studio :

  AI Studio

  Vous pouvez utiliser n’importe quel navigateur web compatible pour naviguer dans Azure AI Studio.

  Azure CLI

  L’interface Azure CLI et l’extension ml pour Azure Machine Learning.

  az extension add -n ml
  

  Si l’extension est déjà installée, vérifiez que la version installée est la plus récente.

  az extension update -n ml
  

  Une fois l’extension installée, configurez-la :

  az account set --subscription <subscription>
  az configure --defaults workspace=<project-name> group=<resource-group> location=<location>
  

  Kit de développement logiciel (SDK) Python

  Installez le kit de développement logiciel (SDK) Azure Machine Learning pour Python.

  pip install -U azure-ai-ml
  

  Une fois installée, importez les espaces de noms nécessaires :

  from azure.ai.ml import MLClient
  from azure.identity import InteractiveBrowserCredential
  from azure.ai.ml.entities import ServerlessEndpoint, ServerlessConnection
  

Créer une connexion de point de terminaison d’API

Pour créer une connexion, effectuez les étapes suivantes :

1. Connectez-vous au projet ou au hub où le point de terminaison est déployé :

   AI Studio

   Accédez à Azure AI Studio puis au projet où le point de terminaison auquel vous souhaitez vous connecter est déployé.

   Azure CLI

   Configurer l’interface CLI pour qu’elle pointe vers le projet :

   az account set --subscription <subscription>
   az configure --defaults workspace=<project-name> group=<resource-group> location=<location>
   

   Kit de développement logiciel (SDK) Python

   Créer un client connecté à votre projet :

   client = MLClient(
       credential=InteractiveBrowserCredential(tenant_id="<tenant-id>"),
       subscription_id="<subscription-id>",
       resource_group_name="<resource-group>",
       workspace_name="<project-name>",
   )
   

2. Obtenez l’URL et les informations d’identification du point de terminaison pour le point de terminaison auquel vous souhaitez vous connecter. Dans cet exemple, vous obtenez les détails d’un nom de point de terminaison meta-llama3-8b-qwerty.

   AI Studio

   1. Dans la barre latérale gauche de votre projet dans AI Studio, accédez à Composants>Déploiements pour afficher la liste des déploiements dans le projet.

   2. Sélectionnez le déploiement auquel vous souhaitez vous connecter.

   3. Copiez les valeurs pour l’URI cible et la clé.

   Azure CLI

   az ml serverless-endpoint get-credentials -n meta-llama3-8b-qwerty
   

   Kit de développement logiciel (SDK) Python

   endpoint_name = "meta-llama3-8b-qwerty"
   endpoint_keys = client.serverless_endpoints.get_keys(endpoint_name)
   print(endpoint_keys.primary_key)
   print(endpoint_keys.secondary_key)
   

3. À présent, connectez-vous au projet ou au hub où vous souhaitez créer la connexion :

   AI Studio

   Accédez au projet dans lequel la connexion doit être créée.

   Azure CLI

   Configurer l’interface CLI pour qu’elle pointe vers le projet :

   az account set --subscription <subscription>
   az configure --defaults workspace=<project-name> group=<resource-group> location=<location>
   

   Kit de développement logiciel (SDK) Python

   Créer un client connecté à votre projet :

   client = MLClient(
       credential=InteractiveBrowserCredential(tenant_id="<tenant-id>"),
       subscription_id="<subscription-id>",
       resource_group_name="<resource-group>",
       workspace_name="<project-name>",
   )
   

4. Créer la connexion dans le projet :

   AI Studio

   1. Dans la barre latérale gauche de votre projet dans AI Studio, sélectionnez Paramètres.

   2. Dans la section Ressources connectées, sélectionnez Nouvelle connexion.

   3. Sélectionnez Modèle serverless.

   4. Pour l’URI cible, collez la valeur que vous avez copiée précédemment.

   5. Pour laclé, collez la valeur que vous avez copiée précédemment.

   6. Donnez un nom à la connexion, dans ce cas meta-llama3-8b-connection.

   7. Sélectionnez Ajouter une connexion.

   Azure CLI

   Créer une définition de connexion :

   connection.yml

   name: meta-llama3-8b-connection
   type: serverless
   endpoint: https://meta-llama3-8b-qwerty-serverless.inference.ai.azure.com
   api_key: 1234567890qwertyuiop
   

   az ml connection create -f connection.yml
   

   Kit de développement logiciel (SDK) Python

   client.connections.create(ServerlessConnection(
       name="meta-llama3-8b-connection",
       endpoint="https://meta-llama3-8b-qwerty-serverless.inference.ai.azure.com",
       api_key="1234567890qwertyuiop"
   ))
   

5. À ce stade, la connexion est disponible pour la consommation.

6. Pour vérifier que la connexion fonctionne :

   1. Dans la barre latérale gauche de votre projet dans AI Studio, accédez à Outils>Flux d’invite.

   2. Sélectionnez Créer pour créer un nouveau flux.

   3. Sélectionnez Créer dans la zone flux de conversation.

   4. Donnez un nom à votre Flux d’invite, puis sélectionnez Créer.

   5. Sélectionnez le nœud de conversation dans le graphique pour accéder à la section conversation.

   6. Pour vous connecter, ouvrez la liste déroulante pour sélectionner la connexion que vous venez de créer, dans ce cas meta-llama3-8b-connection.

   7. Sélectionnez Démarrer la session de calcul dans la barre de navigation supérieure pour démarrer un runtime automatique de flux d’invite.

   8. Sélectionnez l’option conversation. Vous pouvez maintenant envoyer des messages et recevoir des réponses.

Contenu connexe

• Qu’est-ce qu’Azure AI Studio ?
• Article du FAQ Azure AI