クライアント アプリケーションからパイプライン エンドポイントを使用する

  • [アーティクル]

重要

Azure Machine Learning スタジオ (クラシック) のサポートは、2024 年 8 月 31 日に終了します。 その日までに、Azure Machine Learning に切り替えることをおすすめします。

2021 年 12 月 1 日の時点で、新しい Machine Learning Studio (クラシック) リソース (ワークスペースと Web サービス プラン) を作成することはできません。 2024 年 8 月 31 日まで、既存の Machine Learning スタジオ (クラシック) の実験と Web サービスを引き続き使用できます。 詳細については、以下を参照してください:

Machine Learning Studio (クラシック) のドキュメントは廃止予定であり、今後更新されない可能性があります。

この記事では、クライアント アプリケーションと Azure Machine Learning エンドポイントを統合する方法について説明します。

この記事は、ML Studio (クラシック) から Azure Machine Learning への移行シリーズの一部です。 Azure Machine Learning への移行の詳細については、移行の概要に関する記事を参照してください。

前提条件

リアルタイム エンドポイントを使用する

モデルをリアルタイム エンドポイントとしてデプロイした場合、その REST エンドポイントと、C#、Python、R で事前生成された使用コードがあります。

  1. Azure Machine Learning スタジオ (ml.azure.com) に移動します。
  2. [エンドポイント] タブに移動します。
  3. リアルタイム エンドポイントを選択します。
  4. [使用] を選択します。

注意

エンドポイントの Swagger 仕様は、 [詳細] タブにもあります。Swagger の定義を使用し、エンドポイント スキーマを理解します。 Swagger 定義の詳細については、Swagger 公式ドキュメントを参照してください。

パイプライン エンドポイントを使用する

パイプライン エンドポイントは、2 つの方法で使用できます。

  • REST API 呼び出し
  • Azure Data Factory との統合

REST API 呼び出しの使用

クライアント アプリケーションから REST エンドポイントを呼び出します。 エンドポイントの Swagger 仕様を使用し、そのスキーマを理解できます。

  1. Azure Machine Learning スタジオ (ml.azure.com) に移動します。
  2. [エンドポイント] タブに移動します。
  3. [Pipeline endpoints](パイプライン エンドポイント) を選択します。
  4. パイプライン エンドポイントを選択します。
  5. [Pipeline endpoint overview](パイプライン エンドポイントの概要) ウィンドウで、 [REST エンドポイント ドキュメント] の下にあるリンクを選択します。

Azure Data Factory を使用する

Azure Machine Learning パイプラインを、Azure Data Factory パイプラインのステップとして呼び出すことができます。 詳細については、「Azure Machine Learning パイプラインを Azure Data Factory で実行する」を参照してください。

次の手順

この記事では、パイプライン エンドポイントのスキーマとサンプル コードを見つける方法について説明しました。 エンドポイント認証の詳細については、オンライン エンドポイントの認証に関する記事を参照してください。

Azure Machine Learning の移行に関するシリーズの残りの記事を参照してください。