Machine Learning Studio (klasszikus) webszolgáltatás üzembe helyezése

ÉRVÉNYES:Machine Learning Studio (klasszikus) Azure Machine Learning

Fontos

A (klasszikus) Machine Learning Studio támogatása 2024. augusztus 31-én megszűnik. Javasoljuk, hogy addig térjen át az Azure Machine Learning használatára.

2021. december 1-től kezdve nem fog tudni létrehozni új (klasszikus) Machine Learning Studio-erőforrásokat. 2024. augusztus 31-ig továbbra is használhatja a meglévő (klasszikus) Machine Learning Studio-erőforrásokat.

• A gépi tanulási projektek ML Studióból (klasszikus) Azure Machine Learningbe való áthelyezéséről szóló információk.
• További információ az Azure Machine Learningről

A (klasszikus) ML Studio dokumentációjának kivezetése folyamatban van, és a jövőben nem várható a frissítése.

A Machine Learning Studio (klasszikus) segítségével prediktív elemzési megoldást hozhat létre és tesztelhet. Ezután üzembe helyezheti a megoldást webszolgáltatásként.

A Machine Learning Studio (klasszikus) webszolgáltatások felületet biztosítanak az alkalmazások és a Machine Learning Studio (klasszikus) munkafolyamat-pontozási modell között. A külső alkalmazások valós időben kommunikálhatnak a Machine Learning Studio (klasszikus) munkafolyamat-pontozási modellel. A Machine Learning Studio (klasszikus) webszolgáltatás hívása előrejelzési eredményeket ad vissza egy külső alkalmazásnak. A webszolgáltatások felé irányuló hívások indításához át kell adnia azt az API-kulcsot, amelyet a webszolgáltatás üzembe helyezésekor hozott létre. A Machine Learning Studio (klasszikus) webszolgáltatás alapja a REST, amely népszerű architektúra a webes programozási projektekhez.

A Machine Learning Studio (klasszikus) kétféle webszolgáltatással rendelkezik:

• Request-Response Service (RRS): Alacsony késésű, nagy mértékben méretezhető szolgáltatás, amely egyetlen adatrekordot hoz létre.
• Batch Execution Service (BES): Aszinkron szolgáltatás, amely adatrekordok kötegét pontozza.

A BES bemeneti adatai az RRS-ben használt bemeneti adatokhoz hasonlóak. A fő különbség az, hogy a BES több különböző forrásból olvassa be az adatköteget, például az Azure Blob Storage-ból és Azure Table Storage-ből, az Azure SQL Database-ből, a HDInsightból (Hive-lekérdezés) és HTTP-forrásokból.

Magas szintű nézetben három lépésben helyezheti üzembe a modellt:

• Betanítási kísérlet létrehozása – A Studióban (klasszikus) számos beépített gépi tanulási algoritmus használatával betanított és tesztelhető prediktív elemzési modell a betanítási adatokkal.
• Alakítsa át prediktív kísérletté – Miután a modellt betanították a meglévő adatokkal, és készen áll az új adatok pontozására, előkészítheti és egyszerűsítheti a kísérletet az előrejelzésekhez.
• Üzembe helyezés új webszolgáltatásként vagy klasszikus webszolgáltatásként – A prediktív kísérlet Azure-webszolgáltatásként való üzembe helyezésekor a felhasználók adatokat küldhetnek a modellnek, és megkaphatják a modell előrejelzéseit.

Betanítási kísérlet létrehozása

A prediktív elemzési modellek betanításához az Azure Machine Learning Studio (klasszikus) használatával hozzon létre egy betanítási kísérletet, amelyben különböző modulokkal töltheti be a betanítási adatokat, szükség szerint előkészítheti az adatokat, gépi tanulási algoritmusokat alkalmazhat, és kiértékelheti az eredményeket. Iterálhat egy kísérleten, és kipróbálhat különböző gépi tanulási algoritmusokat az eredmények összehasonlításához és kiértékeléséhez.

A betanítási kísérletek létrehozásának és kezelésének folyamatát máshol részletesebben is ismertetik. További információval a következő cikkek szolgálnak:

• Egyszerű kísérlet létrehozása a Machine Learning Studióban (klasszikus)
• Prediktív megoldás fejlesztése a Machine Learning Studióval (klasszikus)
• Betanítási adatok importálása a Machine Learning Studióba (klasszikus)
• Kísérlet iterációinak kezelése a Machine Learning Studióban (klasszikus)

A betanítási kísérlet átalakítása prediktív kísérletté

A modell betanítása után készen áll arra, hogy a betanítási kísérletet prediktív kísérletté alakítsa új adatok pontozásához.

A prediktív kísérletté alakítással felkészítheti a betanított modellt a pontozó webszolgáltatásként való üzembe helyezésre. A webszolgáltatás felhasználói bemeneti adatokat küldhetnek a modellnek, és a modell visszaküldi az előrejelzési eredményeket. A prediktív kísérletté alakítás során tartsa szem előtt, hogyan várhatja el, hogy a modellt mások használják.

A betanítási kísérlet prediktív kísérletté alakításának folyamata három lépésből áll:

1. Cserélje le a gépi tanulási algoritmus moduljait a betanított modellre.
2. A kísérletet csak a pontozáshoz szükséges modulokra vágja le. A betanítási kísérletek számos modult tartalmaznak, amelyek a betanításhoz szükségesek, de a modell betanítása után nem szükségesek.
3. Határozza meg, hogy a modell hogyan fogadja el a webszolgáltatás felhasználójának adatait, és milyen adatokat ad vissza.

Tipp

A képzési kísérlet során a modell saját adatokkal történő betanításával és értékelésével foglalkozott. Az üzembe helyezés után azonban a felhasználók új adatokat küldenek a modellnek, és előrejelzési eredményeket adnak vissza. Ezért, amikor a betanítási kísérletet prediktív kísérletté alakítja, hogy készen álljon az üzembe helyezésre, tartsa szem előtt, hogy mások hogyan fogják használni a modellt.

Webszolgáltatás beállítása gomb

A kísérlet futtatása után (a kísérletvászon alján kattintson a FUTTATÁS gombra), kattintson a Webszolgáltatás beállítása gombra (válassza a Prediktív webszolgáltatás lehetőséget). A Web Service beállítása a betanítási kísérlet prediktív kísérletté alakításának három lépését hajtja végre:

1. A betanított modellt a Betanított modellek szakaszban menti a modulpalettán (a kísérleti vászon bal oldalán). Ezután lecseréli a gépi tanulási algoritmust, valamint a Betanítás modult a mentett betanított modellre.
2. Elemzi a kísérletet, és eltávolítja azokat a modulokat, amelyeket egyértelműen csak a betanításhoz használtak, és amelyekre már nincs szükség.
3. Beszúrja a webszolgáltatás bemeneti és kimeneti moduljait a kísérlet alapértelmezett helyeibe (ezek a modulok elfogadják és visszaadják a felhasználói adatokat).

Az alábbi kísérlet például egy kétosztályos boostolt döntési fa modellt tanít be minta népszámlálási adatok használatával.

A kísérletben szereplő modulok alapvetően négy különböző funkciót hajtanak végre:

Ha ezt a betanítási kísérletet prediktív kísérletté konvertálja, a modulok némelyikére már nincs szükség, vagy most más célt szolgálnak:

• Adatok – Az ebben a mintaadatkészletben lévő adatok nem használhatók a pontozás során – a webszolgáltatás felhasználója szolgáltatja a pontszámot kapó adatokat. Az adathalmaz metaadatait, például az adattípusokat azonban a betanított modell használja. Ezért meg kell őriznie az adathalmazt a prediktív kísérletben, hogy az meg tudja adni ezt a metaadatokat.

• Prep – A pontozáshoz beküldött felhasználói adatoktól függően a modulok szükségesek lehetnek a bejövő adatok feldolgozásához. A Webszolgáltatás beállítása gomb nem érinti ezeket – el kell döntenie, hogyan szeretné kezelni őket.

  Ebben a példában például előfordulhat, hogy a mintaadatkészlet hiányzó értékekkel rendelkezik, ezért egy Tiszta hiányzó adatok modult tartalmazott a kezelésükhöz. A mintaadatkészlet olyan oszlopokat is tartalmaz, amelyek nem szükségesek a modell betanítása érdekében. Ezért egy Adathalmaz-modul oszlopainak kijelölése modult tartalmazott, amely kizárja ezeket a további oszlopokat az adatfolyamból. Ha tudja, hogy a webszolgáltatáson keresztüli pontozáshoz elküldendő adatok nem rendelkeznek hiányzó értékekkel, akkor eltávolíthatja a Hiányzó adatok törlése modult. Mivel azonban az Adathalmaz oszlopainak kiválasztása modul segít meghatározni a betanított modell által elvárt adatoszlopokat, a modulnak továbbra is meg kell maradnia.

• Kiképzés – Ezekkel a modulokkal kiképzi a modellt. A Webszolgáltatás beállítása gombra kattintva ezek a modulok egyetlen modulra cserélődnek, amely a betanított modellt tartalmazza. Ez az új modul a modulpaletta Betanított modellek szakaszában lesz mentve.

• Pontszám – Ebben a példában az Adatok felosztása modul az adatfolyam tesztelési adatokra és betanítási adatokra való felosztására szolgál. A prediktív kísérletben már nem lesz betanítás, így az Adatok felosztása eltávolítható. Hasonlóképpen a második Pontszámmodell modul és a Modell kiértékelése modul is a tesztadatok eredményeinek összehasonlítására szolgál, így ezekre a modulokra nincs szükség a prediktív kísérletben. A pontszámmodell fennmaradó modulja azonban a webszolgáltatáson keresztüli pontszám eredményének visszaadásához szükséges.

A webszolgáltatás beállítása gombra kattintva a példánk a következőképpen néz ki:

A Web Service beállítása által végzett munka elegendő lehet a kísérlet webszolgáltatásként való üzembe helyezésének előkészítéséhez. Előfordulhat azonban, hogy további, a kísérlethez kapcsolódó munkát szeretne végezni.

Bemeneti és kimeneti modulok beállítása

A betanítási kísérlet során betanítási adatokat használt, majd némi feldolgozást végzett az adatok gépi tanulási algoritmus által igényelt formában való lekéréséhez. Ha a webszolgáltatáson keresztül várhatóan kapott adatoknak nincs szüksége erre a feldolgozásra, megkerülheti azt: csatlakoztassa a webszolgáltatás bemeneti moduljának kimenetét a kísérlet egy másik moduljához. A felhasználó adatai ekkor meg fognak érkezni a modellbe.

Például alapértelmezés szerint a Webszolgáltatás beállítása a Webszolgáltatás Bemeneti modult az adatfolyam tetejére helyezi, ahogy a fenti ábra mutatja. A webszolgáltatás bemenetét azonban manuálisan is elhelyezhetjük az adatfeldolgozási modulokon:

A webszolgáltatáson keresztül megadott bemeneti adatok mostantól közvetlenül a Score Model modulba kerülnek előfeldolgozás nélkül.

Ehhez hasonlóan a Webszolgáltatás beállítása alapértelmezés szerint az adatfolyam alján helyezi el a webszolgáltatás kimeneti modulját. Ebben a példában a webszolgáltatás visszaadja a felhasználónak a Score Model modul kimenetét, amely tartalmazza a teljes bemeneti adatvektort és a pontozási eredményeket. Ha azonban valami mást szeretne visszaadni, akkor további modulokat adhat hozzá a webszolgáltatás kimeneti modulja előtt.

Ha például csak a pontozási eredményeket szeretné visszaadni, és nem a bemeneti adatok teljes vektorát, adjon hozzá egy Oszlopok kijelölése az Adathalmazban modult, amely kizárja az összes oszlopot a pontozási eredmények kivételével. Ezután helyezze át a webszolgáltatás kimeneti modulját az Adathalmaz oszlopainak kijelölése modul kimenetére. A kísérlet a következőképpen néz ki:

További adatfeldolgozási modulok hozzáadása vagy eltávolítása

Ha a kísérletben több olyan modul is van, amelyről tudja, hogy a pontozás során nem lesz szükség rá, ezek eltávolíthatók. Mivel például az adatfeldolgozási modulok után egy pontra helyeztük át a webszolgáltatás bemeneti modult, eltávolíthatjuk a Hiányzó adatok törlése modult a prediktív kísérletből.

A prediktív kísérletünk a következőképpen néz ki:

Választható webszolgáltatás-paraméterek hozzáadása

Bizonyos esetekben előfordulhat, hogy engedélyezni szeretné a webszolgáltatás felhasználójának, hogy a szolgáltatás elérésekor módosítsa a modulok viselkedését. A webszolgáltatás paraméterei lehetővé teszik ezt.

Gyakori példa az Adatok importálása modul beállítása, hogy az üzembe helyezett webszolgáltatás felhasználója más adatforrást adjon meg a webszolgáltatás elérésekor. Vagy konfigurálhat egy Adatexportálási modult, hogy más célhelyet lehessen megadni.

Megadhatja a webszolgáltatás paramétereit, és társíthatja őket egy vagy több modulparaméterhez, és megadhatja, hogy kötelezőek vagy nem kötelezőek-e. A webszolgáltatás felhasználója értékeket biztosít ezekhez a paraméterekhez a szolgáltatás elérésekor, és ennek megfelelően módosítja a modulműveleteket.

További információ a webszolgáltatás paramétereiről és azok használatáról: Machine Learning Web Service-paraméterek használata.

Az alábbi lépések egy prediktív kísérlet új webszolgáltatásként való üzembe helyezését ismertetik. A kísérletet klasszikus webszolgáltatásként is üzembe helyezheti.

Üzembe helyezés új webszolgáltatásként

A prediktív kísérlet előkészítése után üzembe helyezheti egy új (Resource Manager-alapú) Azure-webszolgáltatásként. A webszolgáltatás használatával a felhasználók adatokat küldhetnek a modellnek, és a modell visszaadja az előrejelzéseit.

A prediktív kísérlet üzembe helyezéséhez kattintson a Futtatás gombra a kísérletvászn alján. A kísérlet futtatása után kattintson a Webszolgáltatás üzembe helyezése gombra, és válassza az Új webszolgáltatás üzembe helyezése lehetőséget. Megnyílik a Machine Learning Studio (klasszikus) webszolgáltatás portáljának üzembehelyezési oldala.

Feljegyzés

Új webszolgáltatás üzembe helyezéséhez megfelelő engedélyekkel kell rendelkeznie abban az előfizetésben, amelyre a webszolgáltatást telepíti. További információ: Webszolgáltatás kezelése a Machine Learning Web Services portál használatával.

Webszolgáltatás-portál – Kísérletoldal üzembe helyezése

A Kísérlet üzembe helyezése lapon adja meg a webszolgáltatás nevét. Válasszon ki egy tarifacsomagot. Ha rendelkezik egy meglévő díjszabási csomaggal, kiválaszthatja azt, ellenkező esetben létre kell hoznia egy új árcsomagot a szolgáltatáshoz.

1. Az Árterv legördülő listában válasszon ki egy meglévő csomagot, vagy válassza az Új csomag kiválasztása lehetőséget.
2. A Terv neve mezőbe írjon be egy nevet, amely azonosítja a tervet a számláján.
3. Válasszon egyet a havi előfizetési szintek közül. A csomagszintek alapértelmezés szerint az alapértelmezett régió csomagjai, és a webszolgáltatás az adott régióban van üzembe helyezve.

Kattintson az Üzembe helyezés gombra, és megnyílik a webszolgáltatás rövid útmutatója.

A webszolgáltatás gyorsútmutató oldala hozzáférést és útmutatást nyújt a webszolgáltatás létrehozása után végrehajtandó leggyakoribb feladatokhoz. Innen egyszerűen elérheti a Teszt lapot és a Felhasználás lapot is.

Az új webszolgáltatás tesztelése

Az új webszolgáltatás teszteléséhez kattintson a Webszolgáltatás tesztelése elemre a gyakori feladatok alatt. A Teszt lapon tesztelheti a webszolgáltatást kérelem-válasz szolgáltatásként (RRS) vagy Batch Execution szolgáltatásként (BES).

Az RRS tesztoldal megjeleníti a kísérlethez definiált bemeneteket, kimeneteket és minden globális paramétert. A webszolgáltatás teszteléséhez manuálisan megadhatja a bemenetek megfelelő értékeit, vagy megadhat egy vesszővel tagolt értéket (CSV) formázott fájlt, amely tartalmazza a tesztértékeket.

Az RRS használatával történő teszteléshez a listanézeti módban adja meg a bemenetek megfelelő értékeit, és kattintson a Kérelem-válasz tesztelése gombra. Az előrejelzési eredmények a bal oldali kimeneti oszlopban jelennek meg.

A BES teszteléséhez kattintson a Batch gombra. A Batch tesztoldalon kattintson a Tallózás gombra a bemenet alatt, és válasszon ki egy CSV-fájlt, amely a megfelelő mintaértékeket tartalmazza. Ha nincs CSV-fájlja, és a prediktív kísérletet a Machine Learning Studióval (klasszikus) hozta létre, letöltheti a prediktív kísérlet adatkészletét, és használhatja azt.

Az adatkészlet letöltéséhez nyissa meg a Machine Learning Studiót (klasszikus). Nyissa meg a prediktív kísérletet, és kattintson a jobb gombbal a kísérlet bemenetére. A helyi menüben válassza ki az adathalmazt , majd válassza a Letöltés lehetőséget.

Kattintson a Test elemre. A Batch-végrehajtási feladat állapota a Batch-feladatok tesztelése alatt jobbra jelenik meg.

A KONFIGURÁCIÓ lapon módosíthatja a leírást, a címet, frissítheti a tárfiókkulcsot, és engedélyezheti a mintaadatokat a webszolgáltatás számára.

Az új webszolgáltatás elérése

Miután telepítette a webszolgáltatást a Machine Learning Studióból (klasszikus), adatokat küldhet a szolgáltatásnak, és programozott módon fogadhat válaszokat.

A Felhasználás lap minden olyan információt tartalmaz, amely a webszolgáltatás eléréséhez szükséges. Az API-kulcs például a szolgáltatáshoz való engedélyezett hozzáférés engedélyezéséhez van megadva.

A Machine Learning Studio (klasszikus) webszolgáltatás eléréséről további információt a Machine Learning Studio (klasszikus) webszolgáltatás használata című témakörben talál.

Az új webszolgáltatás kezelése

Új webszolgáltatásait a Machine Learning Studio (klasszikus) webszolgáltatások portálján kezelheti. A fő portállapon kattintson a Web Services elemre. A webszolgáltatások lapon törölheti vagy másolhatja a szolgáltatást. Egy adott szolgáltatás figyeléséhez kattintson a szolgáltatásra, majd az Irányítópult elemre. A webszolgáltatáshoz társított kötegelt feladatok figyeléséhez kattintson a Batch-kérelemnapló elemre.

Az Új webszolgáltatás üzembe helyezése több régióban

Az Új webszolgáltatás egyszerűen üzembe helyezhető több régióban anélkül, hogy több előfizetésre vagy munkaterületre kellene szükség.

A díjszabás régióspecifikus, ezért minden régióhoz meg kell határoznia egy számlázási csomagot, amelyben üzembe fogja helyezni a webszolgáltatást.

Terv létrehozása egy másik régióban

1. Jelentkezzen be a Machine Learning Web Services szolgáltatásba.
2. Kattintson a Tervek menügombra.
3. A Tervek áttekintőoldalon kattintson az Új gombra.
4. Az Előfizetés legördülő listában válassza ki azt az előfizetést, amelyben az új csomag található.
5. A Régió legördülő listában válasszon egy régiót az új csomaghoz. A kijelölt régió tervbeállításai a lap Tervbeállítások szakaszában jelennek meg.
6. Az Erőforráscsoport legördülő listában válasszon egy erőforráscsoportot a tervhez. Az erőforráscsoportokkal kapcsolatos további információkért tekintse meg az Azure Resource Manager áttekintését.
7. A Terv neve mezőbe írja be a terv nevét.
8. A Csomag beállításai csoportban kattintson az új csomag számlázási szintjére.
9. Kattintson Létrehozás.

A webszolgáltatás üzembe helyezése egy másik régióban

1. A Machine Learning Web Services lapon kattintson a WebSzolgáltatások menügombra.
2. Válassza ki az új régióban üzembe helyezendő webszolgáltatást.
3. Kattintson a Másolás gombra.
4. A Webszolgáltatás neve mezőbe írja be a webszolgáltatás új nevét.
5. A webszolgáltatás leírásában írja be a webszolgáltatás leírását.
6. Az Előfizetés legördülő listában válassza ki azt az előfizetést, amelyben az új webszolgáltatás található.
7. Az Erőforráscsoport legördülő listában válasszon egy erőforráscsoportot a webszolgáltatáshoz. Az erőforráscsoportokkal kapcsolatos további információkért tekintse meg az Azure Resource Manager áttekintését.
8. A Régió legördülő listában válassza ki azt a régiót, amelyben üzembe szeretné helyezni a webszolgáltatást.
9. A Tárfiók legördülő listában válassza ki azt a tárfiókot, amelyben tárolni szeretné a webszolgáltatást.
10. Az Árterv legördülő listában válasszon ki egy csomagot a 8. lépésben kiválasztott régióban.
11. Kattintson a Másolás gombra.

Üzembe helyezés klasszikus webszolgáltatásként

Most, hogy a prediktív kísérletet megfelelően előkészítették, üzembe helyezheti mint klasszikus Azure webszolgáltatást. A webszolgáltatás használatával a felhasználók adatokat küldhetnek a modellnek, és a modell visszaadja az előrejelzéseit.

A prediktív kísérlet üzembe helyezéséhez kattintson a Kísérletvászn alján található Futtatás gombra, majd a Webszolgáltatás üzembe helyezése parancsra. A webszolgáltatás be van állítva, és ön a webszolgáltatás irányítópultján lesz elhelyezve.

A klasszikus webszolgáltatás tesztelése

A webszolgáltatást a Machine Learning Studio (klasszikus) webszolgáltatások portálján vagy a Machine Learning Studióban (klasszikus) tesztelheti.

A Kérelemválasz webszolgáltatás teszteléséhez kattintson a Webszolgáltatás irányítópultJának Tesztelés gombjára. Ekkor megjelenik egy párbeszédpanel, amely megkérdezi a szolgáltatás bemeneti adatait. Ezek a pontozási kísérlet által várt oszlopok. Adjon meg egy adatkészletet, majd kattintson az OK gombra. A webszolgáltatás által létrehozott eredmények az irányítópult alján jelennek meg.

A Teszt előzetes verzió hivatkozásra kattintva tesztelheti a szolgáltatást a Machine Learning Studio (klasszikus) webszolgáltatások portálján, ahogyan az az Új webszolgáltatás szakaszban korábban is látható.

A Batch Végrehajtási szolgáltatás teszteléséhez kattintson az Előzetes verzió tesztelése hivatkozásra. A Batch tesztoldalon kattintson a Tallózás gombra a bemenet alatt, és válasszon ki egy CSV-fájlt, amely a megfelelő mintaértékeket tartalmazza. Ha nincs CSV-fájlja, és a prediktív kísérletet a Machine Learning Studióval (klasszikus) hozta létre, letöltheti a prediktív kísérlet adatkészletét, és használhatja azt.

A CONFIGURATION lapon módosíthatja a szolgáltatás megjelenítendő nevét, és leírást adhat neki. A név és a leírás az Azure Portalon jelenik meg, ahol a webszolgáltatásokat kezeli.

A bemeneti adatok, a kimeneti adatok és a webszolgáltatás paramétereinek leírását úgy adhatja meg, hogy minden oszlophoz megad egy sztringet az INPUT SCHEMA, a OUTPUT SCHEMA és a Web SERVICE PARAMETER területen. Ezeket a leírásokat a webszolgáltatáshoz megadott mintakóddokumentációban használjuk.

Engedélyezheti a naplózást a webszolgáltatás elérésekor észlelt hibák diagnosztizálásához. További információt a Machine Learning Studio (klasszikus) webszolgáltatások naplózásának engedélyezése című témakörben talál.

A webszolgáltatás végpontjait a Machine Learning Web Services portálon is konfigurálhatja az Új webszolgáltatás szakaszban korábban bemutatott eljáráshoz hasonlóan. A beállítások eltérőek, hozzáadhatja vagy módosíthatja a szolgáltatás leírását, engedélyezheti a naplózást, és engedélyezheti a mintaadatokat a teszteléshez.

A klasszikus webszolgáltatás elérése

Miután telepítette a webszolgáltatást a Machine Learning Studióból (klasszikus), adatokat küldhet a szolgáltatásnak, és programozott módon fogadhat válaszokat.

Az irányítópult tartalmazza a webszolgáltatás eléréséhez szükséges összes információt. Az API-kulcs például lehetővé teszi a szolgáltatáshoz való engedélyezett hozzáférést, az API súgóoldalai pedig segítenek a kód írásának megkezdésében.

A Machine Learning Studio (klasszikus) webszolgáltatás eléréséről további információt a Machine Learning Studio (klasszikus) webszolgáltatás használata című témakörben talál.

A klasszikus webszolgáltatás kezelése

A webszolgáltatások monitorozásához különböző műveleteket hajthat végre. Frissítheti és törölheti. A klasszikus webszolgáltatáshoz az üzembe helyezéskor létrehozott alapértelmezett végponton kívül további végpontokat is hozzáadhat.

További információ: Machine Learning Studio -munkaterület kezelése és webszolgáltatás kezelése a Machine Learning Studio (klasszikus) webszolgáltatások portálján.

A webszolgáltatás frissítése

Módosíthatja a webszolgáltatást, például frissítheti a modellt további betanítási adatokkal, és újra üzembe helyezheti, felülírva az eredeti webszolgáltatást.

A webszolgáltatás frissítéséhez nyissa meg a webszolgáltatás üzembe helyezéséhez használt eredeti prediktív kísérletet, és készítsen szerkeszthető másolatot a SAVE AS gombra kattintva. Végezze el a módosításokat, majd kattintson a Webszolgáltatás üzembe helyezése gombra.

Mivel korábban már üzembe helyezte ezt a kísérletet, a rendszer megkérdezi, hogy felül szeretné-e írni a meglévő szolgáltatást (klasszikus webszolgáltatás), vagy frissíteni szeretné (új webszolgáltatás). Az IGEN vagy a Frissítés gombra kattintva leállítja a meglévő webszolgáltatást, és üzembe helyezi az új prediktív kísérletet a helyén.

Feljegyzés

Ha konfigurációs módosításokat hajtott végre az eredeti webszolgáltatásban, például új megjelenítendő nevet vagy leírást adott meg, ezeket az értékeket újra be kell írnia.

A webszolgáltatás frissítésének egyik lehetősége a modell programkód segítségével történő újratanítása. További információ: Machine Learning Studio -modellek (klasszikus) programozott betanítása.

Következő lépések

• Az üzembe helyezés működésével kapcsolatos további technikai részletekért tekintse meg a Machine Learning Studio (klasszikus) modell előrehaladását egy kísérletből egy működőképes webszolgáltatásba.

• A modell üzembe helyezésének előkészítéséről további információt a Modell előkészítése a Machine Learning Studióban (klasszikus) című témakörben talál.

• A REST API felhasználására, illetve a webszolgáltatás elérésére számos megoldás áll rendelkezésre. Lásd : Machine Learning Studio (klasszikus) webszolgáltatás használata.