Utiliser un modèle Azure Machine Learning déployé en tant que service web
Le déploiement d'un modèle Azure Machine Learning en tant que service web crée un point de terminaison d'API REST. Vous pouvez envoyer des données à ce point de terminaison et recevoir la prédiction renvoyée par le modèle. Dans ce document, découvrez comment créer des clients pour le service web en utilisant C#, Go, Java et Python.
Vous créez un service web lorsque vous déployez un modèle dans votre environnement local, Azure Container Instances ou Azure Kubernetes Service. Vous récupérez l'URI utilisé pour accéder au service web utilisant le kit de développement logiciel (SDK) Azure Machine Learning. Si l’authentification est activée, vous pouvez également utiliser le kit de développement logiciel (SDK) pour obtenir les clés d’authentification ou les jetons.
Le flux de travail général pour la création d’un client qui utilise un service web de Machine Learning est le suivant :
- Utiliser le kit de développement logiciel (SDK) pour obtenir les informations de connexion.
- Déterminer le type de données de demande utilisées par le modèle.
- Créer une application qui appelle le service web.
Conseil
Les exemples de ce document sont créés manuellement sans l’utilisation de spécifications OpenAPI (Swagger). Si vous avez activé une spécification OpenAPI pour votre déploiement, vous pouvez utiliser des outils tels que swagger-codegen pour créer des bibliothèques client pour votre service.
Important
Certaines des commandes Azure CLI de cet article utilisent l’extension azure-cli-ml, ou v1, pour Azure Machine Learning. La prise en charge de l’extension v1 se termine le 30 septembre 2025. Vous pourrez installer et utiliser l’extension v1 jusqu’à cette date.
Nous vous recommandons de passer à l’extension ml, ou v2, avant le 30 septembre 2025. Pour plus d’informations sur l’extension v2, consultez Extension Azure ML CLI et le SDK Python v2.
informations de connexion
Notes
Utilisez le kit de développement logiciel (SDK) Azure Machine Learning pour obtenir les informations du service web. Il s’agit d’un kit de développement logiciel (SDK) Python. Vous pouvez utiliser n’importe quel langage pour créer un client pour le service.
La classe azureml.core.Webservice fournit les informations nécessaires pour créer un client. Les propriétés Webservice suivantes sont utiles pour créer une application cliente :
auth_enabled-Si l’authentification par clé est activée,True; sinon,False.token_auth_enabled-Si l’authentification par jeton est activée,True; sinon,False.scoring_uri-L’adresse de l’API REST.swagger_uri: l’adresse de la spécification OpenAPI. Cet URI est disponible si vous avez activé la génération de schéma automatique. Pour plus d’informations, consultez Déployer des modèles avec Azure Machine Learning.
Il y a plusieurs manières de récupérer ces informations pour les services web déployés :
S’APPLIQUE À : 
SDK Python azureml v1
Lorsque vous déployez un modèle, un objet
Webserviceest retourné avec les informations sur le service :service = Model.deploy(ws, "myservice", [model], inference_config, deployment_config) service.wait_for_deployment(show_output = True) print(service.scoring_uri) print(service.swagger_uri)Vous pouvez utiliser
Webservice.listafin de récupérer une liste de services web déployés pour les modèles dans votre espace de travail. Vous pouvez ajouter des filtres pour affiner la liste des informations retournées. Pour plus d’informations sur les éléments permettant de filtrer, voir la documentation de référence Webservice.list.services = Webservice.list(ws) print(services[0].scoring_uri) print(services[0].swagger_uri)Si vous connaissez le nom du service déployé, vous pouvez créer une instance de
Webserviceet fournir les noms de l’espace de travail et du service en tant que paramètres. Le nouvel objet contient des informations sur le service déployé.service = Webservice(workspace=ws, name='myservice') print(service.scoring_uri) print(service.swagger_uri)
Le tableau suivant montre à quoi ressemblent ces URI :
| Type d’URI | Exemple |
|---|---|
| URI de scoring | http://104.214.29.152:80/api/v1/service/<service-name>/score |
| URI Swagger | http://104.214.29.152/api/v1/service/<service-name>/swagger.json |
Conseil
L’adresse IP est différente pour votre déploiement. Chaque cluster AKS a sa propre adresse IP partagée par les déploiements sur ce cluster.
Service web sécurisé
Si vous avez sécurisé le service web déployé à l’aide d’un certificat TLS/SSL, vous pouvez utiliser HTTPS pour vous connecter au service à l’aide de l’URI de notation ou Swagger. HTTPS permet de sécuriser les communications entre un client et un service web en chiffrant les communications entre les deux. Le chiffrement utilise TLS (Transport Layer Security). TLS est toujours parfois appelé SSL (Secure Sockets Layer) , qui était le prédécesseur de TLS.
Important
Les services web déployés par Azure Machine Learning prennent uniquement en charge TLS version 1.2. Lors de la création d’une application cliente, vérifiez qu’elle prend en charge cette version.
Pour plus d’informations, consultez Utiliser TLS pour sécuriser un service web par le biais d’Azure Machine Learning.
Authentification pour les services
Azure Machine Learning offre deux moyens de contrôler l’accès à vos services Web.
| Méthode d'authentification | ACI | AKS |
|---|---|---|
| Clé | Désactivée par défaut | Activée par défaut |
| par jeton | Non disponible | Désactivée par défaut |
Lors de l’envoi d’une demande à un service sécurisé à l’aide d’une clé ou d'un jeton, utilisez l’en-tête d’autorisation pour passer la clé ou le jeton. La clé ou le jeton doivent être formatés en forme en tant que Bearer <key-or-token>, où <key-or-token> est la valeur de votre clé ou de votre jeton.
La principale différence entre les clés et les jetons est que les clés sont statiques et peuvent être régénérées manuellement et que les jetons doivent être actualisés à l’expiration. L’authentification basée sur les clés est prise en charge pour les services web déployés avec Azure Container Instance et Azure Kubernetes Service, alors que l’authentification basée sur les jetons est disponible uniquement pour les déploiements avec Azure Kubernetes Service. Pour plus d’informations sur la configuration de l’authentification, consultez Configurer l’authentification pour des modèles déployés en tant que services web.
Authentification avec des clés
Lorsque vous activez l’authentification pour un déploiement, vous créez automatiquement des clés d’authentification.
- L’authentification est activée par défaut lors du déploiement sur Azure Kubernetes Service.
- L’authentification est désactivée par défaut lors du déploiement sur Azure Container Instances.
Pour contrôler l’authentification, utilisez le paramètre auth_enabled pendant la création ou la mise à jour d’un déploiement.
Si l’authentification est activée, vous pouvez utiliser la méthode get_keys pour récupérer une clé d’authentification primaire et secondaire :
primary, secondary = service.get_keys()
print(primary)
Important
Si vous devez régénérer une clé, utilisez service.regen_key.
Authentification avec des jetons
Lorsque vous activez l’authentification par jeton pour un service Web, un utilisateur doit fournir un jeton Azure Machine Learning JWT au service Web pour y accéder.
- L’authentification par jeton est désactivée par défaut lors d’un déploiement sur Azure Kubernetes Service.
- L’authentification par jeton n’est pas prise en charge lorsque vous déployez sur instances de conteneur Azure.
Pour contrôler l’authentification par jeton, utilisez le paramètre token_auth_enabled lorsque vous créez ou mettez à jour un déploiement.
Si l’authentification par jeton est activée, vous pouvez utiliser la méthode get_token pour récupérer un jeton de porteur et le délai d’expiration des jetons :
token, refresh_by = service.get_token()
print(token)
Si vous avez Azure CLI et l’extension Machine Learning, vous pouvez utiliser la commande suivante pour obtenir un jeton :
S’APPLIQUE À : Extension ml Azure CLI v1
az ml service get-access-token -n <service-name>
Important
Actuellement, le seul moyen de récupérer le jeton consiste à utiliser le Kit de développement logiciel (SDK) Azure Machine Learning ou l’extension d’apprentissage automatique d’Azure CLI.
Vous devrez demander un nouveau jeton après l’heure de refresh_by du jeton.
Données de la demande
L’API REST attend que le corps de la demande soit un document JSON avec la structure suivante :
{
"data":
[
<model-specific-data-structure>
]
}
Important
La structure des données doit correspondre à ce que le script de scoring et le modèle du service attendent. Le script de scoring peut modifier les données avant de les transmettre au modèle.
Données binaires
Pour plus d’informations sur l’activation de la prise en charge des données binaires dans votre service, consultez Données binaires.
Conseil
La prise en charge des données binaires est activée dans le fichier score.py utilisé par le modèle déployé. Depuis le client, utilisez la fonctionnalité HTTP de votre langage de programmation. Par exemple, l'extrait suivant envoie le contenu d'un fichier JPG à un service web :
import requests
# Load image data
data = open('example.jpg', 'rb').read()
# Post raw data to scoring URI
res = request.post(url='<scoring-uri>', data=data, headers={'Content-Type': 'application/> octet-stream'})
Partage des ressources cross-origin (CORS)
Pour plus d’informations sur l’activation de la prise en charge de CORS dans votre service, consultez Partage des ressources cross-origin (CORS).
Appeler le service (C#)
Cet exemple montre comment utiliser C# pour appeler le service web créé à partir de l’exemple Train dans bloc-notes :
using System;
using System.Collections.Generic;
using System.IO;
using System.Net.Http;
using System.Net.Http.Headers;
using Newtonsoft.Json;
namespace MLWebServiceClient
{
// The data structure expected by the service
internal class InputData
{
[JsonProperty("data")]
// The service used by this example expects an array containing
// one or more arrays of doubles
internal double[,] data;
}
class Program
{
static void Main(string[] args)
{
// Set the scoring URI and authentication key or token
string scoringUri = "<your web service URI>";
string authKey = "<your key or token>";
// Set the data to be sent to the service.
// In this case, we are sending two sets of data to be scored.
InputData payload = new InputData();
payload.data = new double[,] {
{
0.0199132141783263,
0.0506801187398187,
0.104808689473925,
0.0700725447072635,
-0.0359677812752396,
-0.0266789028311707,
-0.0249926566315915,
-0.00259226199818282,
0.00371173823343597,
0.0403433716478807
},
{
-0.0127796318808497,
-0.044641636506989,
0.0606183944448076,
0.0528581912385822,
0.0479653430750293,
0.0293746718291555,
-0.0176293810234174,
0.0343088588777263,
0.0702112981933102,
0.00720651632920303
}
};
// Create the HTTP client
HttpClient client = new HttpClient();
// Set the auth header. Only needed if the web service requires authentication.
client.DefaultRequestHeaders.Authorization = new AuthenticationHeaderValue("Bearer", authKey);
// Make the request
try {
var request = new HttpRequestMessage(HttpMethod.Post, new Uri(scoringUri));
request.Content = new StringContent(JsonConvert.SerializeObject(payload));
request.Content.Headers.ContentType = new MediaTypeHeaderValue("application/json");
var response = client.SendAsync(request).Result;
// Display the response from the web service
Console.WriteLine(response.Content.ReadAsStringAsync().Result);
}
catch (Exception e)
{
Console.Out.WriteLine(e.Message);
}
}
}
}
Les résultats retournés sont similaires au document JSON suivant :
[217.67978776218715, 224.78937091757172]
Appeler le service (Go)
Cet exemple montre comment utiliser Go pour appeler le service web créé à partir de l’exemple Train dans bloc-notes :
package main
import (
"bytes"
"encoding/json"
"fmt"
"io/ioutil"
"net/http"
)
// Features for this model are an array of decimal values
type Features []float64
// The web service input can accept multiple sets of values for scoring
type InputData struct {
Data []Features `json:"data",omitempty`
}
// Define some example data
var exampleData = []Features{
[]float64{
0.0199132141783263,
0.0506801187398187,
0.104808689473925,
0.0700725447072635,
-0.0359677812752396,
-0.0266789028311707,
-0.0249926566315915,
-0.00259226199818282,
0.00371173823343597,
0.0403433716478807,
},
[]float64{
-0.0127796318808497,
-0.044641636506989,
0.0606183944448076,
0.0528581912385822,
0.0479653430750293,
0.0293746718291555,
-0.0176293810234174,
0.0343088588777263,
0.0702112981933102,
0.00720651632920303,
},
}
// Set to the URI for your service
var serviceUri string = "<your web service URI>"
// Set to the authentication key or token (if any) for your service
var authKey string = "<your key or token>"
func main() {
// Create the input data from example data
jsonData := InputData{
Data: exampleData,
}
// Create JSON from it and create the body for the HTTP request
jsonValue, _ := json.Marshal(jsonData)
body := bytes.NewBuffer(jsonValue)
// Create the HTTP request
client := &http.Client{}
request, err := http.NewRequest("POST", serviceUri, body)
request.Header.Add("Content-Type", "application/json")
// These next two are only needed if using an authentication key
bearer := fmt.Sprintf("Bearer %v", authKey)
request.Header.Add("Authorization", bearer)
// Send the request to the web service
resp, err := client.Do(request)
if err != nil {
fmt.Println("Failure: ", err)
}
// Display the response received
respBody, _ := ioutil.ReadAll(resp.Body)
fmt.Println(string(respBody))
}
Les résultats retournés sont similaires au document JSON suivant :
[217.67978776218715, 224.78937091757172]
Appeler le service (Java)
Cet exemple montre comment utiliser Java pour appeler le service web créé à partir de l’exemple Train dans bloc-notes :
import java.io.IOException;
import org.apache.http.client.fluent.*;
import org.apache.http.entity.ContentType;
import org.json.simple.JSONArray;
import org.json.simple.JSONObject;
public class App {
// Handle making the request
public static void sendRequest(String data) {
// Replace with the scoring_uri of your service
String uri = "<your web service URI>";
// If using authentication, replace with the auth key or token
String key = "<your key or token>";
try {
// Create the request
Content content = Request.Post(uri)
.addHeader("Content-Type", "application/json")
// Only needed if using authentication
.addHeader("Authorization", "Bearer " + key)
// Set the JSON data as the body
.bodyString(data, ContentType.APPLICATION_JSON)
// Make the request and display the response.
.execute().returnContent();
System.out.println(content);
}
catch (IOException e) {
System.out.println(e);
}
}
public static void main(String[] args) {
// Create the data to send to the service
JSONObject obj = new JSONObject();
// In this case, it's an array of arrays
JSONArray dataItems = new JSONArray();
// Inner array has 10 elements
JSONArray item1 = new JSONArray();
item1.add(0.0199132141783263);
item1.add(0.0506801187398187);
item1.add(0.104808689473925);
item1.add(0.0700725447072635);
item1.add(-0.0359677812752396);
item1.add(-0.0266789028311707);
item1.add(-0.0249926566315915);
item1.add(-0.00259226199818282);
item1.add(0.00371173823343597);
item1.add(0.0403433716478807);
// Add the first set of data to be scored
dataItems.add(item1);
// Create and add the second set
JSONArray item2 = new JSONArray();
item2.add(-0.0127796318808497);
item2.add(-0.044641636506989);
item2.add(0.0606183944448076);
item2.add(0.0528581912385822);
item2.add(0.0479653430750293);
item2.add(0.0293746718291555);
item2.add(-0.0176293810234174);
item2.add(0.0343088588777263);
item2.add(0.0702112981933102);
item2.add(0.00720651632920303);
dataItems.add(item2);
obj.put("data", dataItems);
// Make the request using the JSON document string
sendRequest(obj.toJSONString());
}
}
Les résultats retournés sont similaires au document JSON suivant :
[217.67978776218715, 224.78937091757172]
Appeler le service (Python)
Cet exemple montre comment utiliser Python pour appeler le service web créé à partir de l’exemple Train dans bloc-notes :
import requests
import json
# URL for the web service
scoring_uri = '<your web service URI>'
# If the service is authenticated, set the key or token
key = '<your key or token>'
# Two sets of data to score, so we get two results back
data = {"data":
[
[
0.0199132141783263,
0.0506801187398187,
0.104808689473925,
0.0700725447072635,
-0.0359677812752396,
-0.0266789028311707,
-0.0249926566315915,
-0.00259226199818282,
0.00371173823343597,
0.0403433716478807
],
[
-0.0127796318808497,
-0.044641636506989,
0.0606183944448076,
0.0528581912385822,
0.0479653430750293,
0.0293746718291555,
-0.0176293810234174,
0.0343088588777263,
0.0702112981933102,
0.00720651632920303]
]
}
# Convert to JSON string
input_data = json.dumps(data)
# Set the content type
headers = {'Content-Type': 'application/json'}
# If authentication is enabled, set the authorization header
headers['Authorization'] = f'Bearer {key}'
# Make the request and display the response
resp = requests.post(scoring_uri, input_data, headers=headers)
print(resp.text)
Les résultats retournés sont similaires au document JSON suivant :
[217.67978776218715, 224.78937091757172]
Schéma de service web (spécification OpenAPI)
Si vous avez utilisé la génération automatique de schéma dans le cadre de votre déploiement, vous pouvez obtenir l’adresse de la spécification OpenAPI du service à l’aide de la propriété swagger_uri. (Par exemple, print(service.swagger_uri).) Utilisez une requête GET ou ouvrez l’URI dans un navigateur pour récupérer la spécification.
Le document JSON suivant est un exemple de schéma (spécification OpenAPI) généré pour un déploiement :
{
"swagger": "2.0",
"info": {
"title": "myservice",
"description": "API specification for Azure Machine Learning myservice",
"version": "1.0"
},
"schemes": [
"https"
],
"consumes": [
"application/json"
],
"produces": [
"application/json"
],
"securityDefinitions": {
"Bearer": {
"type": "apiKey",
"name": "Authorization",
"in": "header",
"description": "For example: Bearer abc123"
}
},
"paths": {
"/": {
"get": {
"operationId": "ServiceHealthCheck",
"description": "Simple health check endpoint to ensure the service is up at any given point.",
"responses": {
"200": {
"description": "If service is up and running, this response will be returned with the content 'Healthy'",
"schema": {
"type": "string"
},
"examples": {
"application/json": "Healthy"
}
},
"default": {
"description": "The service failed to execute due to an error.",
"schema": {
"$ref": "#/definitions/ErrorResponse"
}
}
}
}
},
"/score": {
"post": {
"operationId": "RunMLService",
"description": "Run web service's model and get the prediction output",
"security": [
{
"Bearer": []
}
],
"parameters": [
{
"name": "serviceInputPayload",
"in": "body",
"description": "The input payload for executing the real-time machine learning service.",
"schema": {
"$ref": "#/definitions/ServiceInput"
}
}
],
"responses": {
"200": {
"description": "The service processed the input correctly and provided a result prediction, if applicable.",
"schema": {
"$ref": "#/definitions/ServiceOutput"
}
},
"default": {
"description": "The service failed to execute due to an error.",
"schema": {
"$ref": "#/definitions/ErrorResponse"
}
}
}
}
}
},
"definitions": {
"ServiceInput": {
"type": "object",
"properties": {
"data": {
"type": "array",
"items": {
"type": "array",
"items": {
"type": "integer",
"format": "int64"
}
}
}
},
"example": {
"data": [
[ 10, 9, 8, 7, 6, 5, 4, 3, 2, 1 ]
]
}
},
"ServiceOutput": {
"type": "array",
"items": {
"type": "number",
"format": "double"
},
"example": [
3726.995
]
},
"ErrorResponse": {
"type": "object",
"properties": {
"status_code": {
"type": "integer",
"format": "int32"
},
"message": {
"type": "string"
}
}
}
}
}
Pour plus d’informations, consultez la spécification OpenAPI.
Pour disposer d'un utilitaire permettant de créer des bibliothèques clientes à partir de la spécification, consultez swagger-codegen.
Conseil
Après avoir déployé le service, vous pouvez récupérer le document JSON du schéma. Utilisez la propriété swagger_uri du service web déployé, par exemple service.swagger_uri, pour obtenir l’URI du fichier Swagger du service web local.
Utiliser le service à partir de Power BI
Power BI prend en charge l’utilisation des services web d’Azure Machine Learning pour enrichir les données de Power BI à l’aide de prédictions.
Pour générer un service web pris en charge pour l’utilisation dans Power BI, le schéma doit prendre en charge le format requis par Power BI. Découvrez comment créer un schéma pris en charge par Power BI.
Une fois le service web déployé, il est utilisable à partir du flux de données Power BI. Découvrez comment utiliser un service web Azure Machine Learning depuis Power BI.
Étapes suivantes
Pour consulter une architecture de référence pour le scoring en temps réel de modèles Python et Deep Learning, accédez au Centre des architectures Azure.