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
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
- アクティブなサブスクリプションが含まれる Azure アカウント。 無料でアカウントを作成できます。
- Azure Machine Learning ワークスペース。 ワークスペース リソースの作成.
- Azure Machine Learning のリアルタイム エンドポイントまたはパイプライン エンドポイント。
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。
- Azure Machine Learning スタジオ (ml.azure.com) に移動します。
- [エンドポイント] タブに移動します。
- リアルタイム エンドポイントを選択します。
- [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。
- Azure Machine Learning スタジオ (ml.azure.com) に移動します。
- [エンドポイント] タブに移動します。
- [Pipeline endpoints](パイプライン エンドポイント) を選択します。
- パイプライン エンドポイントを選択します。
- [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。
- 移行の概要に関するドキュメントを参照してください。
- データセットを移行します。
- スタジオ (クラシック) のトレーニング パイプラインを再構築します。
- スタジオ (クラシック) の Web サービスを再構築します。
- R スクリプトの実行を移行します。