Memanggil model Azure Machine Learning

  • 3 menit

Skema azure_ml memberdayakan database Anda untuk berinteraksi dengan kemampuan model pembelajaran mesin yang dibuat khusus. Dengan menggunakan skema azure_ml, Anda dapat mengintegrasikan database PostgreSQL dengan layanan Azure Machine Learning dengan lancar. Integrasi ini memungkinkan Anda untuk menyebarkan dan melayani model pembelajaran mesin langsung dari database Anda, membuat inferensi real time efisien dan dapat diskalakan.

Inferensi real time dengan skema azure_ml

Saat Anda menggunakan ekstensi azure_ai, skema azure_ml menyediakan fungsi untuk melakukan inferensi real time langsung dari database. Fungsi inference dalam skema ini dirancang untuk memfasilitasi pembuatan prediksi atau menghasilkan output menggunakan model terlatih dari Azure Machine Learning. Saat Anda menyebarkan model, fungsi inferensi memungkinkan Anda memanggil model dan mendapatkan prediksi pada data baru.

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

Fungsi inference() mengharapkan parameter input berikut:

Pengaturan Tipe Bawaan Deskripsi
Masukan jsonb Objek JSON yang berisi objek input_data diperlukan untuk berinteraksi dengan model Azure Machine Learning.
batas_waktu_ms integer NULL::integer Waktu habis...
lemparkan_jika_ada_kesalahan boolean true Desc...
nama_penerapan text NULL::text (Opsional) Nama penyebaran model untuk ditargetkan di titik akhir Azure Machine Learning yang ditentukan.

Titik akhir inferensi Azure Machine Learning mengharapkan objek JavaScript Object Notation (JSON) sebagai input. Namun, struktur objek ini tergantung pada model yang mendasar. Misalnya, model regresi yang dilatih untuk memprediksi harga sewa harian untuk penyewaan perumahan jangka pendek di daerah Seattle, diberikan input tertentu seperti lingkungan, Kode Pos, jumlah kamar tidur, dan jumlah kamar mandi, memiliki bentuk berikut:

{
  "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]]
  }
}

Struktur objek input yang diharapkan dapat diambil dengan memeriksa definisi Swagger yang terkait dengan titik akhir yang Anda sebarkan. Definisi ini menentukan struktur ServiceInput dan ServiceOutput, yang dapat Anda gunakan untuk menentukan input dan output Anda.

Mengonfigurasi koneksi ke Azure Machine Learning

Sebelum menggunakan fungsi azure_ml.inference() untuk melakukan inferensi real time, Anda harus mengonfigurasi ekstensi dengan titik akhir dan kunci penilaian Azure Machine Learning Anda. Nilai untuk azure_ml.scoring_endpoint adalah titik akhir REST untuk model yang Anda sebarkan. Nilai untuk azure_ml.endpoint_key mungkin kunci primer atau sekunder untuk titik akhir ini.

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