Apporter vos charges de travail R

  • Article

S’APPLIQUE À :Extension Azure ML CLI v2 (actuelle)Kit de développement logiciel (SDK) Python azure-ai-ml v2 (préversion)

Il n’existe pas de kit SDK Azure Machine Learning pour R. À la place, vous allez utiliser l’interface CLI ou un script de contrôle Python pour exécuter vos scripts R.

Cet article décrit les principaux scénarios qui sont pris en charge pour R dans Azure Machine Learning, et les limitations connues.

Workflow R classique

Workflow classique pour l’utilisation de R avec Azure Machine Learning :

  • Développez des scripts R de manière interactive à l’aide de Jupyter Notebooks sur une instance de calcul. (Bien que vous puissiez également ajouter Posit ou RStudio à une instance de calcul, vous ne pouvez actuellement pas accéder aux ressources de données dans l’espace de travail à partir de ces applications sur l’instance de calcul. Pour l’instant, il est préférable de travailler de manière interactive dans un notebook Jupyter.)

    • Lisez les données tabulaires à partir d’une ressource de données ou d’un magasin de données inscrit.
    • Installez des bibliothèques R supplémentaires.
    • Enregistrez des artefacts dans le stockage de fichiers de l’espace de travail.

  • Adaptez votre script pour qu’il s’exécute en tant que travail de production dans Azure Machine Learning.

    • Supprimez tout code pouvant nécessiter une interaction de l’utilisateur.
    • Ajoutez des paramètres d’entrée de ligne de commande au script si nécessaire.
    • Incluez le script azureml_utils.R et utilisez-le comme source dans le même répertoire de travail que le script R à exécuter.
    • Utilisez crate pour empaqueter le modèle.
    • Incluez les fonctions R/MLflow dans le script pour journaliser des artefacts, des modèles, des paramètres et/ou des étiquettes dans le travail sur MLflow.

  • Envoyez des travaux R asynchrones distants (vous envoyez des travaux via l’interface CLI ou le kit SDK Python, mais pas avec R)

    • Créez un environnement.
    • Journalisez les artefacts, paramètres, étiquettes et modèles de travail.

  • Inscrivez votre modèle à l’aide d’Azure Machine Learning studio.

  • Déployez les modèles R inscrits sur des points de terminaison en ligne managés.

    • Utilisez les points de terminaison déployés pour l’inférence/le scoring en temps réel.

Limites connues

 

Limitation Faites plutôt ceci
Il n’existe pas de kit SDK control-plane (plan de contrôle) pour R. Utilisez le script de contrôle Azure CLI ou Python pour envoyer les travaux.
RStudio, exécuté sous forme d’application personnalisée (telle que Posit ou RStudio) dans un conteneur sur l’instance de calcul, ne peut pas accéder aux ressources de l’espace de travail ou à MLflow. Utilisez Jupyter Notebooks avec le noyau R sur l’instance de calcul.
L’interrogation interactive du registre MLflow de l’espace de travail à partir de R n’est pas prise en charge.
Les exécutions MLflow imbriquées dans R ne sont pas prises en charge.
L’étape de travail parallèle n’est pas prise en charge. Exécutez un script en parallèle n fois à l’aide de différents paramètres d’entrée. Par contre, vous devrez méta-programmer pour générer n appels YAML ou CLI pour ce faire.
L’inscription/l’enregistrement de modèles par programmation à partir d’un travail en cours d’exécution avec R n’est pas pris en charge.
Aucun déploiement de code (autrement dit, déploiement automatique) d’un modèle R MLflow n’est actuellement pris en charge. Créez un conteneur personnalisé avec plumber pour le déploiement.
Le scoring d’un modèle R avec des points de terminaison de lot n’est pas pris en charge.
Le fichier yml du déploiement en ligne Azure Machine Learning ne peut utiliser que des URI d’image directement du registre pour la spécification de l’environnement, et non des environnements prédéfinis à partir du même Dockerfile. Suivez les étapes décrites dans le Guide pratique pour déployer un modèle R inscrit sur un point de terminaison (en temps réel) en ligne pour le déploiement approprié.

Étapes suivantes

Pour en savoir plus sur R dans Azure Machine Learning :