Rencanakan titik akhir penerapan Azure Machine Learning
Setelah Anda melatih model pembelajaran mesin Anda dan mengevaluasinya ke titik di mana Anda siap untuk menggunakannya di luar lingkungan pengembangan atau pengujian Anda sendiri, Anda perlu menerapkannya di suatu tempat. Azure Machine Learning service menyederhanakan proses ini. Anda dapat menggunakan komponen dan alat layanan untuk mendaftarkan model Anda dan menerapkannya ke salah satu target komputasi yang tersedia sehingga dapat disediakan sebagai layanan web di awan Azure, atau pada perangkat IoT Edge.
Target komputasi yang tersedia
Anda dapat menggunakan target komputasi berikut untuk menghosting penerapan layanan web Anda:
| Target komputasi | Penggunaan | Deskripsi |
|---|---|---|
| Layanan web lokal | Pengujian/debug | Baik untuk pengujian dan pemecahan masalah terbatas. |
| Azure Kubernetes Service (AKS) | Inferensi waktu nyata | Baik untuk penyebaran produksi skala tinggi. Menyediakan penskalaan otomatis, dan waktu respons yang cepat. |
| Azure Container Instances (ACI) | Pengujian | Baik untuk skala rendah, beban kerja berbasis CPU. |
| Kluster Komputasi Azure Machine Learning | Inferensi batch | Jalankan penskoran batch pada komputasi tanpa server. Mendukung VM normal dan prioritas rendah. |
| Azure IoT Edge | (Pratinjau) modul IoT | Terapkan & sajikan model ML di perangkat IoT. |