Membuat ulang layanan web Studio (klasik) di Azure Machine Learning

Penting

Dukungan untuk Azure Pembelajaran Mesin Studio (klasik) akan berakhir pada 31 Agustus 2024. Kami menyarankan agar Anda beralih ke Azure Pembelajaran Mesin pada tanggal tersebut.

Mulai 1 Desember 2021, Anda tidak dapat membuat sumber daya Pembelajaran Mesin Studio (klasik) baru (ruang kerja dan paket layanan web). Hingga 31 Agustus 2024, Anda dapat terus menggunakan eksperimen dan layanan web Pembelajaran Mesin Studio (klasik) yang ada. Untuk informasi selengkapnya, lihat:

dokumentasi Pembelajaran Mesin Studio (klasik) sedang dihentikan dan mungkin tidak diperbarui di masa mendatang.

Dalam artikel ini, Anda mempelajari cara membangun kembali layanan web ML Studio (klasik) sebagai endpoint di Azure Machine Learning.

Gunakan titik akhir alur Azure Machine Learning untuk membuat prediksi, melatih kembali model, atau menjalankan alur generik apa pun. Titik akhir REST memungkinkan Anda menjalankan alur dari platform apa pun.

Artikel ini merupakan bagian dari seri migrasi Studio (klasik) ke Azure Machine Learning. Untuk informasi selengkapnya tentang memigrasikan ke Azure Machine Learning, lihat artikel ringkasan migrasi.

Catatan

Seri migrasi ini berfokus pada perancang seret dan letakkan. Untuk informasi selengkapnya tentang menyebarkan model secara terprogram, lihat Menyebarkan model pembelajaran mesin di Azure.

Prasyarat

Titik akhir real time vs titik akhir alur

Layanan web Studio (klasik) telah digantikan oleh titik akhir di Azure Machine Learning. Gunakan tabel berikut untuk memilih jenis titik akhir yang akan digunakan:

Layanan web Studio (klasik) Penggantian Azure Machine Learning
Layanan web permintaan/tanggap (prediksi real time) Titik akhir real time
Layanan web batch (prediksi batch) Titik akhir alur
Pelatihan ulang layanan web (pelatihan ulang) Titik akhir alur

Menyebarkan titik akhir real time

Di Studio (klasik), Anda menggunakan layanan web REQUEST/RESPOND untuk menyebarkan model untuk prediksi real time. Di Azure Machine Learning, Anda menggunakan titik akhir real time.

Ada beberapa cara untuk menyebarkan model di Azure Machine Learning. Salah satu cara paling sederhana adalah menggunakan perancang untuk mengotomatiskan proses penyebaran. Gunakan langkah-langkah berikut untuk menyebarkan model sebagai titik akhir real time:

  1. Jalankan alur pelatihan Anda yang telah selesai setidaknya sekali.

  2. Setelah pekerjaan selesai, di bagian atas kanvas, pilih Buat alur inferensi>Alur inferensi real time.

    Create realtime inference pipeline

    Perancang mengubah alur pelatihan menjadi alur inferensi real time. Konversi serupa juga terjadi di Studio (klasik).

    Dalam perancang, langkah konversi juga mendaftarkan model terlatih ke ruang kerja Azure Machine Learning Anda.

  3. Pilih Kirim untuk menjalankan alur inferensi real time, dan pastikan alur tersebut berhasil dijalankan.

  4. Setelah Anda memverifikasi alur inferensi, pilih Sebarkan.

  5. Masukkan nama untuk titik akhir dan jenis komputasi Anda.

    Tabel berikut menjelaskan opsi komputasi penyebaran Anda di perancang:

    Target komputasi Digunakan untuk Deskripsi Pembuatan
    Azure Kubernetes Service (AKS) Inferensi waktu nyata Penyebaran produksi berskala besar. Waktu respons yang cepat dan penskalaan otomatis layanan. Dibuat pengguna. Untuk informasi selengkapnya, lihat Membuat target komputasi.
    Azure Container Instances Pengujian atau pengembangan Beban kerja berbasis CPU berskala kecil yang membutuhkan RAM kurang dari 48 GB. Dibuat secara otomatis oleh Azure Machine Learning.

Menguji titik akhir real time

Setelah penyebaran selesai, Anda dapat melihat detail selengkapnya dan menguji titik akhir Anda:

  1. Buka tab Titik Akhir.

  2. Pilih titik akhir Anda.

  3. Pilih tab Uji.

    Screenshot showing the Endpoints tab with the Test endpoint button

Menerbitkan titik akhir alur untuk prediksi atau pelatihan ulang batch

Anda juga dapat menggunakan alur pelatihan untuk membuat titik akhir alur, bukan titik akhir real time. Gunakan titik akhir alur untuk melakukan prediksi atau pelatihan ulang batch.

Titik akhir alur menggantikan titik akhir eksekusi batch Studio (klasik) dan pelatihan ulang layanan web.

Menerbitkan titik akhir alur untuk prediksi batch

Menerbitkan titik akhir prediksi batch mirip dengan menerbitkan titik akhir real time.

Gunakan langkah-langkah berikut untuk menerbitkan titik akhir alur untuk prediksi batch:

  1. Jalankan alur pelatihan Anda yang telah selesai setidaknya sekali.

  2. Setelah pekerjaan selesai, di bagian atas kanvas, pilih Buat alur inferensi>Alur inferensi batch.

    Screenshot showing the create inference pipeline button on a training pipeline

    Perancang mengubah alur pelatihan menjadi alur inferensi batch. Konversi serupa juga terjadi di Studio (klasik).

    Dalam perancang, langkah ini juga mendaftarkan model terlatih ke ruang kerja Azure Machine Learning Anda.

  3. Pilih Kirim untuk menjalankan alur inferensi batch, dan pastikan alur tersebut berhasil diselesaikan.

  4. Setelah Anda memverifikasi alur inferensi, pilih Terbitkan.

  5. Buat titik akhir alur baru atau pilih titik akhir yang sudah ada.

    Titik akhir alur baru membuat titik akhir REST baru untuk alur Anda.

    Jika Anda memilih titik akhir alur yang sudah ada, Anda tidak boleh menimpa alur yang ada. Sebagai gantinya, Azure Machine Learning membuat versi setiap alur di titik akhir. Anda dapat menentukan versi mana yang akan dijalankan dalam panggilan REST Anda. Anda juga harus mengatur alur default jika panggilan REST tidak menentukan versi.

Menerbitkan titik akhir alur untuk melatih kembali

Untuk menerbitkan titik akhir alur untuk pelatihan ulang, Anda harus sudah memiliki draf alur yang melatih model. Untuk informasi selengkapnya tentang membuat alur pelatihan, lihat Membuat ulang eksperimen Studio (klasik).

Untuk menggunakan kembali titik akhir alur untuk pelatihan ulang, Anda harus membuat parameter alur untuk himpunan data input. Hal ini memungkinkan Anda mengatur set data pelatihan secara dinamis, jadi Anda dapat melatih kembali model Anda.

Gunakan langkah-langkah berikut untuk menerbitkan titik akhir alur pelatihan ulang:

  1. Jalankan alur pelatihan Anda setidaknya sekali.

  2. Setelah proses selesai, pilih modul himpunan data.

  3. Di panel detail modul, pilih Atur sebagai parameter alur.

  4. Berikan nama deskriptif seperti "InputDataset".

    Screenshot highlighting how to create a pipeline parameter

    Proses ini membuat parameter alur untuk himpunan data input Anda. Saat memanggil titik akhir alur untuk pelatihan, Anda dapat menentukan himpunan data baru untuk melatih ulang model.

  5. Pilih Terbitkan.

    Screenshot highlighting the Publish button on a training pipeline

Menghubungi titik akhir alur Anda dari studio

Setelah Anda membuat inferensi batch atau titik akhir alur pelatihan ulang, Anda dapat memanggil titik akhir Anda langsung dari browser.

  1. Buka tab Alur, dan pilih Titik akhir alur.

  2. Pilih titik akhir alur yang ingin Anda jalankan.

  3. Pilih Kirim.

    Anda dapat menentukan parameter alur apa pun setelah memilih Kirim.

Langkah berikutnya

Dalam artikel ini, Anda telah mempelajari cara membuat ulang layanan web Studio (klasik) di Azure Machine Learning. Langkah selanjutnya adalah mengintegrasikan layanan web Anda dengan aplikasi klien.

Lihat artikel lain dalam seri migrasi Studio (klasik):

  1. Ringkasan migrasi.
  2. Memigrasikan himpunan data.
  3. Buat ulang alur pelatihan Studio (klasik).
  4. Buat ualng layanan web Studi (klasik).
  5. Integrasikan layanan web Azure Machine Learning dengan aplikasi klien.
  6. Migrasikan Execute R Script.