Ricompilare un servizio Web dello studio (versione classica) in Azure Machine Learning

Importante

Il supporto dello studio di Azure Machine Learning (versione classica) terminerà il 31 agosto 2024. È consigliabile passare ad Azure Machine Learning entro tale data.

A partire dal 1° dicembre 2021 non è possibile creare nuove risorse (area di lavoro e piano di servizio Web) dello studio di Machine Learning (versione classica). Fino al 31 agosto 2024 è possibile continuare a usare gli esperimenti e i servizi Web dello studio di Machine Learning (versione classica) esistenti.

• Vedere le informazioni sullo spostamento di progetti di apprendimento automatico da ML Studio (versione classica) ad Azure Machine Learning.
• Scoprire di più su Azure Machine Learning

La documentazione relativa allo studio di Machine Learning (versione classica) è in fase di ritiro e potrebbe non essere aggiornata in futuro.

Questo articolo illustra come ricompilare un servizio Web dello studio di ML (versione classica) come endpoint in Azure Machine Learning.

Usare gli endpoint della pipeline di Azure Machine Learning per eseguire stime, ripetere il training dei modelli o eseguire una pipeline generica. L'endpoint REST consente di eseguire le pipeline da qualsiasi piattaforma.

Questo articolo fa parte della serie sulla migrazione dallo studio (versione classica) ad Azure Machine Learning. Per altre informazioni sulla migrazione ad Azure Machine Learning, vedere l'articolo di panoramica della migrazione.

Nota

Questa serie dedicata alla migrazione è incentrata sulla finestra di progettazione con trascinamento della selezione. Per altre informazioni sulla distribuzione di modelli a livello di codice, vedere Distribuire modelli di Machine Learning in Azure.

Prerequisiti

• Un account Azure con una sottoscrizione attiva. Creare un account gratuitamente.
• Un'area di lavoro di Azure Machine Learning. Creare le risorse dell'area di lavoro.
• Una pipeline di training di Azure Machine Learning. Per altre informazioni, vedere Ricompilare un esperimento dello studio (versione classica) in Azure Machine Learning.

Endpoint in tempo reale ed endpoint della pipeline

I servizi Web dello studio (versione classica) sono stati sostituiti dagli endpoint in Azure Machine Learning. Usare la tabella seguente per scegliere il tipo di endpoint da usare:

Servizio Web dello studio (versione classica)	Sostituzione di Azure Machine Learning
Servizio Web di richiesta/risposta (stima in tempo reale)	Endpoint in tempo reale
Servizio Web batch (stima batch)	Endpoint della pipeline
Ripetizione del training del servizio Web (ripetizione del training)	Endpoint della pipeline

Distribuire un endpoint in tempo reale

Nello studio (versione classica) si usa un servizio Web di RICHIESTA/RISPOSTA per distribuire un modello per le stime in tempo reale. In Azure Machine Learning si usa un endpoint in tempo reale.

Ci sono diversi modi per distribuire un modello in Azure Machine Learning. Uno dei modi più semplici consiste nell'usare la finestra di progettazione per automatizzare il processo di distribuzione. Usare la procedura seguente per distribuire un modello come endpoint in tempo reale:

1. Eseguire almeno una volta la pipeline di training completa.

2. Dopo il completamento del processo, nella parte superiore del canva selezionare Crea pipeline di inferenza>Pipeline di inferenza in tempo reale.

   

   La finestra di progettazione converte la pipeline di training in una pipeline di inferenza in tempo reale. Una conversione analoga si verifica anche nello studio (versione classica).

   Nella finestra di progettazione il passaggio di conversione registra anche il modello sottoposto a training nell'area di lavoro di Azure Machine Learning.

3. Selezionare Invia per eseguire la pipeline di inferenza in tempo reale e verificare che venga eseguita correttamente.

4. Dopo aver verificato la pipeline di inferenza, selezionare Distribuisci.

5. Immettere un nome per l'endpoint e un tipo di calcolo.

   La tabella seguente descrive le opzioni di calcolo della distribuzione nella finestra di progettazione:

   Destinazione del calcolo	Utilizzo	Descrizione	Creazione
   Servizio Azure Kubernetes (AKS)	Inferenza in tempo reale	Distribuzioni di produzione su larga scala. Tempi di risposta rapidi e scalabilità automatica del servizio.	Creata dall'utente. Per altre informazioni, vedere Creare destinazioni di calcolo.
   Istanze di Azure Container	Test o sviluppo	Carichi di lavoro basati su CPU su scala ridotta che richiedono meno di 48 GB di RAM.	Creata automaticamente da Azure Machine Learning.

Testare l'endpoint in tempo reale

Al termine della distribuzione, è possibile visualizzare altri dettagli e testare l'endpoint:

1. Passare alle scheda Endpoint.

2. Selezionare l'endpoint.

3. Selezionare la scheda Test.

   

Pubblicare un endpoint della pipeline per la stima batch o la ripetizione del training

È anche possibile usare la pipeline di training per creare un endpoint della pipeline anziché un endpoint in tempo reale. Usare gli endpoint della pipeline per eseguire una stima batch o ripetere il training.

Gli endpoint della pipeline sostituiscono gli endpoint di esecuzione batch e i servizi Web di ripetizione del training dello studio (versione classica).

Pubblicare un endpoint della pipeline per la stima batch

La pubblicazione di un endpoint di stima batch è simile a quella di un endpoint in tempo reale.

Per pubblicare un endpoint della pipeline per la stima batch, seguire questa procedura:

1. Eseguire almeno una volta la pipeline di training completa.

2. Dopo il completamento del processo, nella parte superiore dell'area di disegno selezionare Crea pipeline di inferenza>Pipeline di inferenza batch.

   

   La finestra di progettazione converte la pipeline di training in una pipeline di inferenza batch. Una conversione analoga si verifica anche nello studio (versione classica).

   Nella finestra di progettazione questo passaggio registra anche il modello sottoposto a training nell'area di lavoro di Azure Machine Learning.

3. Selezionare Invia per eseguire la pipeline di inferenza batch e verificare che venga completata correttamente.

4. Dopo aver verificato la pipeline di inferenza, selezionare Pubblica.

5. Creare un nuovo endpoint della pipeline o selezionarne uno esistente.

   Un nuovo endpoint della pipeline crea un nuovo endpoint REST per la pipeline.

   Se si seleziona un endpoint della pipeline esistente, non si sovrascrive la pipeline esistente. Azure Machine Learning assegna invece una versione a ogni pipeline nell'endpoint. È possibile specificare la versione da eseguire nella chiamata REST. È anche necessario impostare una pipeline predefinita se la chiamata REST non specifica una versione.

Pubblicare un endpoint della pipeline per la ripetizione del training

Per pubblicare un endpoint della pipeline per la ripetizione del training, è necessario disporre già di una bozza di pipeline che esegue il training di un modello. Per altre informazioni sulla creazione di una pipeline di training, vedere Ricompilare un esperimento dello studio (versione classica).

Per riutilizzare l'endpoint della pipeline per la ripetizione del training, è necessario creare un parametro della pipeline per il set di dati di input. In questo modo è possibile impostare dinamicamente il set di dati di training, così da poter ripetere il training del modello.

Per pubblicare un endpoint della pipeline di ripetizione del training, seguire questa procedura:

1. Eseguire almeno una volta la pipeline di training.

2. Al termine dell'esecuzione, selezionare il modulo del set di dati.

3. Nel riquadro dei dettagli del modulo selezionare Imposta come parametro della pipeline.

4. Fornire un nome descrittivo, ad esempio "InputDataset".

   

   Verrà creato un parametro della pipeline per il set di dati di input. Quando si chiama l'endpoint della pipeline per il training, è possibile specificare un nuovo set di dati per ripetere il training del modello.

5. Selezionare Pubblica.

   

Chiamare l'endpoint della pipeline dallo studio

Dopo aver creato l'endpoint della pipeline di inferenza batch o di ripetizione del training, è possibile chiamare l'endpoint direttamente dal browser.

1. Passare alla scheda Pipeline e selezionare Endpoint della pipeline.

2. Selezionare l'endpoint della pipeline da eseguire.

3. Selezionare Invia.

   È possibile specificare qualsiasi parametro della pipeline dopo aver selezionato Invia.

Passaggi successivi

In questo articolo si è appreso come ricompilare un servizio Web dello studio (versione classica) in Azure Machine Learning. Il passaggio successivo consiste nell'integrare il servizio Web con le app client.

Vedere gli altri articoli della serie sulla migrazione dello studio (versione classica):

1. Panoramica della migrazione.
2. Eseguire la migrazione del set di dati.
3. Ricompilare una pipeline di training dello studio (versione classica).
4. Ricompilare un servizio Web dello studio (versione classica).
5. Integrare un servizio Web di Azure Machine Learning con app client.
6. Eseguire la migrazione di Execute R script.