Azure Machine Learning-modellek meghívása

Befejeződött

A azure_ml séma lehetővé teszi az adatbázis számára az egyéni gépi tanulási modellek képességeinek kihasználását. A azure_ml séma használatával zökkenőmentesen integrálhatja PostgreSQL-adatbázisát az Azure Machine Learning-szolgáltatásokkal. Ez az integráció lehetővé teszi gépi tanulási modellek közvetlen üzembe helyezését és kiszolgálását közvetlenül az adatbázisból, így a valós idejű következtetés hatékonyabbá és méretezhetővé válik.

Valós idejű következtetés a azure_ml sémával

A azure_ai bővítmény használatakor a azure_ml séma egy függvényt biztosít, amely közvetlenül az adatbázisból valós idejű következtetést hajt végre. A séma inference függvénye úgy lett kialakítva, hogy megkönnyítse az előrejelzések készítését vagy kimenetek generálását az Azure Machine Learning betanított modelljével. A modell üzembe helyezésekor a következtetési függvény lehetővé teszi a modell meghívását és az új adatokra vonatkozó előrejelzések lekérését.

azure_ml.inference(jsonb,integer,boolean,text)

A inference() függvény a következő bemeneti paramétereket várja:

Paraméter	Típus	Alapértelmezett	Leírás
bevitel	jsonb		Az Azure Machine Learning-modellek használatához szükséges input_data objektumot tartalmazó JSON-objektum.
időkorlát_ms	integer	NULL::integer	Az időtúllépés...
hiba esetén dob	boolean	true	Desc...
telepítés_neve	text	NULL::text	(Nem kötelező) A modell üzembe helyezésének neve a megadott Azure Machine Learning-végponton.

Az Azure Machine Learning következtetési végpontjai egy JavaScript Object Notation (JSON) objektumot várnak bemenetként. Az objektum struktúrája azonban az alapul szolgáló modelltől függ. Például egy regressziós modell, amely betanított a seattle-i rövid távú lakásbérlések napi bérleti díjának előrejelzésére, adott bemenetek, például a környék, az irányítószám, a hálószobák száma és a fürdőszobák száma, a következő alakzatot adja:

{
  "input_data": {
    "columns": [
      "host_is_superhost",
      "host_has_profile_pic",
      "host_identity_verified",
      "neighbourhood_group_cleansed",
      "zipcode",
      "property_type",
      "room_type",
      "accommodates",
      "bathrooms",
      "bedrooms",
      "beds"
    ],
    "index": [0],
    "data": [["False", "False", "False", "Central Area", "98122", "House", "Entire home/apt", 4, 1.5, 3, 3]]
  }
}

A várt bemeneti objektumstruktúra az üzembe helyezett végponthoz társított Swagger-definíció vizsgálatával kérhető le. Ez a definíció határozza meg a ServiceInput és ServiceOutput struktúrákat, amelyekkel meghatározhatja a bemeneteket és kimeneteket.

Kapcsolat konfigurálása az Azure Machine Learning szolgáltatással

Mielőtt a azure_ml.inference() függvényt használva valós idejű következtetést hajt végre, konfigurálnia kell a bővítményt az Azure Machine Learning pontozási végpontjával és kulcsával. A azure_ml.scoring_endpoint értéke az üzembe helyezett modell REST-végpontja. A azure_ml.endpoint_key értéke lehet a végpont elsődleges vagy másodlagos kulcsa.

SELECT azure_ai.set_setting('azure_ml.scoring_endpoint', '{endpoint}');
SELECT azure_ai.set_setting('azure_ml.endpoint_key','{api-key}');