Wdróż model jako punkt końcowy online

DOTYCZY: Python SDK azure-ai-ml v2 (bieżąca)

Dowiedz się, jak wdrożyć model w punkcie końcowym online przy użyciu zestawu SDK języka Python usługi Azure Machine Learning w wersji 2.

W tym samouczku wdrożysz model i użyjesz go do przewidywania prawdopodobieństwa, że klient nie spłaci zadłużenia na karcie kredytowej.

Czynności, które należy wykonać, to:

• Rejestrowanie modelu
• Tworzenie punktu końcowego i pierwszego wdrożenia
• Wdróż testowe uruchomienie
• Ręczne wysyłanie danych testowych do wdrożenia
• Uzyskiwanie szczegółów wdrożenia
• Utwórz drugie wdrożenie
• Ręczne skalowanie drugiego wdrożenia
• Aktualizowanie alokacji ruchu produkcyjnego między obydwoma wdrożeniami
• Pobierz szczegóły drugiego wdrożenia
• Wdrażanie nowego wdrożenia i usuwanie pierwszego

W tym filmie wideo pokazano, jak rozpocząć pracę w usłudze Azure Machine Learning Studio, aby wykonać kroki opisane w samouczku. Film pokazuje, jak utworzyć notatnik, instancję obliczeniową i sklonować notatnik. Kroki zostały również opisane w poniższych sekcjach.

Wymagania wstępne

1. Aby korzystać z usługi Azure Machine Learning, potrzebny jest obszar roboczy. Jeśli jeszcze go nie masz, wykonaj krok Utwórz zasoby potrzebne do rozpoczęcia pracy, aby utworzyć obszar roboczy i dowiedzieć się więcej o korzystaniu z niego.

   Ważne

   Jeśli obszar roboczy usługi Azure Machine Learning jest skonfigurowany z zarządzaną siecią wirtualną, może być konieczne dodanie reguł ruchu wychodzącego w celu umożliwienia dostępu do publicznych repozytoriów pakietów języka Python. Aby uzyskać więcej informacji, zobacz Scenariusz: Uzyskiwanie dostępu do publicznych pakietów uczenia maszynowego.

2. Zaloguj się do programu Studio i wybierz swój obszar roboczy, jeśli jeszcze nie jest otwarty.

3. Otwórz lub utwórz notatnik w obszarze roboczym:

   • Jeśli chcesz skopiować i wkleić kod do komórek, utwórz nowy notes.
   • Możesz też otworzyć plik tutorials/get-started-notebooks/deploy-model.ipynb z sekcji Przykłady w programie Studio. Następnie wybierz pozycję Klonuj, aby dodać notatnik do folderu Files. Aby znaleźć przykładowe notesy, zobacz Learn from sample notebooks (Informacje na podstawie przykładowych notesów).

4. Wyświetl limit przydziału maszyny wirtualnej i upewnij się, że masz wystarczający limit przydziału, aby utworzyć wdrożenia online. W tym samouczku potrzebujesz co najmniej 8 rdzeni STANDARD_DS3_v2 i 12 rdzeni STANDARD_F4s_v2. Aby wyświetlić wykorzystanie limitu przydziału maszyn wirtualnych i zażądać jego zwiększenia, zobacz Zarządzanie limitami przydziału zasobów.

Ustaw jądro i otwórz je w aplikacji Visual Studio Code (VS Code)

1. Na górnym pasku nad otwartym notesem utwórz instancję obliczeniową, jeśli jeszcze jej nie masz.

   

2. Jeśli wystąpienie obliczeniowe zostanie zatrzymane, wybierz pozycję Uruchom obliczenia i zaczekaj na jego uruchomienie.

   

3. Poczekaj, aż instancja obliczeniowa zostanie uruchomiona. Następnie upewnij się, że jądro znajdujące się w prawym górnym rogu ma wartość Python 3.10 - SDK v2. Jeśli nie, użyj listy rozwijanej, aby wybrać to jądro.

   

   Jeśli to jądro nie jest widoczne, sprawdź, czy instancja obliczeniowa jest uruchomiona. Jeśli tak jest, wybierz przycisk Odśwież w prawym górnym rogu notesu.

4. Jeśli zostanie wyświetlony baner z informacją o konieczności uwierzytelnienia, wybierz pozycję Uwierzytelnij.

5. Możesz uruchomić notes tutaj lub otworzyć go w programie VS Code w celu uzyskania pełnego zintegrowanego środowiska projektowego (IDE) z możliwościami zasobów usługi Azure Machine Learning. Wybierz pozycję Otwórz w programie VS Code, a następnie wybierz opcję internetową lub klasyczną. Po uruchomieniu w ten sposób program VS Code jest połączony z instancją obliczeniową, jądrem i systemem plików obszaru roboczego.

   

Ważne

Pozostała część tego samouczka zawiera komórki notatnika tego samouczka. Skopiuj je i wklej do nowego notesu lub przejdź do notesu teraz, jeśli go sklonujesz.

Uwaga

Bezserwerowe środowisko obliczeniowe Spark nie ma domyślnie zainstalowanego Python 3.10 - SDK v2. Zalecamy utworzenie instancji obliczeniowej i wybranie jej przed kontynuowaniem samouczka.

Tworzenie dojścia do obszaru roboczego

Przed rozpoczęciem pracy z kodem potrzebny jest sposób odwołowania się do obszaru roboczego. Utwórz ml_client dojście do obszaru roboczego i użyj polecenia ml_client do zarządzania zasobami i zadaniami.

W następnej komórce wprowadź identyfikator subskrypcji, nazwę grupy zasobów i nazwę obszaru roboczego. Aby znaleźć następujące wartości:

1. Na pasku narzędzi usługi Azure Machine Learning Studio w prawym górnym rogu wybierz nazwę obszaru roboczego.
2. Skopiuj wartość obszaru roboczego, grupy zasobów i identyfikatora subskrypcji do kodu.
3. Musisz skopiować jedną wartość, zamknąć obszar, wkleić, a następnie wrócić do następnego.

from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential, InteractiveBrowserCredential

# authenticate
try:
    credential = DefaultAzureCredential()
    credential.get_token("https://management.azure.com/.default")
except Exception:
    credential = InteractiveBrowserCredential()

# Get a handle to the workspace
ml_client = MLClient(
    credential=credential,
    subscription_id="<SUBSCRIPTION_ID>",
    resource_group_name="<RESOURCE_GROUP>",
    workspace_name="<AML_WORKSPACE_NAME>",
)

Uwaga

Utworzenie MLClient nie spowoduje połączenia z obszarem roboczym. Inicjalizacja klienta odbywa się leniwie i czeka do momentu, gdy po raz pierwszy trzeba wykonać wywołanie (następuje to w następnej komórce kodu).

Rejestrowanie modelu

Jeśli ukończono już wcześniejszy samouczek treningowy Trenowanie modelu, model MLflow został zarejestrowany w ramach skryptu treningowego i możesz przejść do następnej sekcji.

Jeśli nie ukończyłeś samouczka, musisz zarejestrować model. Zarejestrowanie modelu przed wdrożeniem jest zalecanym najlepszym rozwiązaniem.

Poniższy kod określa bezpośrednio element path (skąd przesyłać pliki). Jeśli sklonowałeś folder tutorials, uruchom następujący kod bez zmian. W przeciwnym razie pobierz pliki i metadane modelu z folderu credit_defaults_model. Zapisz pliki pobrane w lokalnej wersji folderu credit_defaults_model na komputerze i zaktualizuj ścieżkę w poniższym kodzie do lokalizacji pobranych plików.

Zestaw SDK automatycznie przekazuje pliki i rejestruje model.

Aby uzyskać więcej informacji na temat rejestrowania modelu jako zasobu, zobacz Rejestrowanie modelu jako zasobu w usłudze Machine Learning przy użyciu zestawu SDK.

# Import the necessary libraries
from azure.ai.ml.entities import Model
from azure.ai.ml.constants import AssetTypes

# Provide the model details, including the
# path to the model files, if you've stored them locally.
mlflow_model = Model(
    path="./deploy/credit_defaults_model/",
    type=AssetTypes.MLFLOW_MODEL,
    name="credit_defaults_model",
    description="MLflow Model created from local files.",
)

# Register the model
ml_client.models.create_or_update(mlflow_model)

Upewnij się, że model jest zarejestrowany

Możesz sprawdzić stronę Modele w usłudze Azure Machine Learning Studio, aby zidentyfikować najnowszą wersję zarejestrowanego modelu.

Alternatywnie poniższy kod pobiera najnowszy numer wersji do użycia.

registered_model_name = "credit_defaults_model"

# Let's pick the latest version of the model
latest_model_version = max(
    [int(m.version) for m in ml_client.models.list(name=registered_model_name)]
)

print(latest_model_version)

Po zarejestrowaniu modelu możesz utworzyć punkt końcowy i wdrożenie. W następnej sekcji krótko opisano niektóre kluczowe szczegóły dotyczące tych tematów.

Punkty końcowe i wdrożenia

Po wytrenowaniu modelu uczenia maszynowego należy go wdrożyć, aby inni mogli go używać do wnioskowania. W tym celu usługa Azure Machine Learning umożliwia tworzenie punktów końcowych i dodawanie do nich wdrożeń .

Punkt końcowy, w tym kontekście, to ścieżka HTTPS, która udostępnia interfejs dla klientów do wysyłania żądań (danych wejściowych) do wytrenowanego modelu i odbierania wyników wnioskowania (oceniania) z modelu. Punkt końcowy zapewnia:

• Uwierzytelnianie przy użyciu uwierzytelniania opartego na kluczu lub tokenie
• Terminacja TLS(SSL)
• Stabilny adres URI punktacji (endpoint-name.region.inference.ml.azure.com)

Wdrożenie to zestaw zasobów wymaganych do hostowania modelu, który wykonuje rzeczywiste wnioskowanie.

Pojedynczy punkt końcowy może zawierać wiele wdrożeń. Punkty końcowe i wdrożenia są niezależnymi zasobami usługi Azure Resource Manager, które są wyświetlane w witrynie Azure Portal.

Usługa Azure Machine Learning umożliwia implementowanie punktów końcowych online na potrzeby wnioskowania w czasie rzeczywistym na danych klienta i punktów końcowych wsadowych na potrzeby wnioskowania na dużych ilościach danych w danym okresie.

W tym samouczku przejdziesz przez kroki wdrażania zarządzanego punktu końcowego online. Zarządzane punkty końcowe online współpracują z zaawansowanymi procesorami CPU i procesorami GPU na platformie Azure w skalowalny, w pełni zarządzany sposób, który zwalnia Cię z nakładu pracy związanego z konfigurowaniem podstawowej infrastruktury wdrażania i zarządzaniem nią.

Tworzenie punktu końcowego online

Teraz, gdy masz zarejestrowany model, czas utworzyć punkt końcowy online. Nazwa punktu końcowego musi być unikatowa w całym regionie świadczenia usługi Azure. W tym samouczku utworzysz unikalną nazwę za pomocą globalnie unikatowego identyfikatora UUID. Aby uzyskać więcej informacji na temat reguł nazewnictwa punktów końcowych, zobacz Limity punktów końcowych.

import uuid

# Create a unique name for the endpoint
online_endpoint_name = "credit-endpoint-" + str(uuid.uuid4())[:8]

Najpierw zdefiniuj punkt końcowy, korzystając z klasy ManagedOnlineEndpoint.

Wskazówka

• auth_mode: użyj key do uwierzytelniania opartego na kluczach. Użyj aml_token do uwierzytelniania opartego na tokenach w usłudze Azure Machine Learning. Element key nie wygasa, ale aml_token wygasa. Aby uzyskać więcej informacji na temat uwierzytelniania, zobacz Uwierzytelnianie klientów dla punktów końcowych online.

• Opcjonalnie możesz dodać opis i tagi do punktu końcowego.

from azure.ai.ml.entities import ManagedOnlineEndpoint

# define an online endpoint
endpoint = ManagedOnlineEndpoint(
    name=online_endpoint_name,
    description="this is an online endpoint",
    auth_mode="key",
    tags={
        "training_dataset": "credit_defaults",
    },
)

Używając wcześniej utworzonego MLClient, utwórz punkt końcowy w obszarze roboczym. To polecenie uruchamia tworzenie punktu końcowego i zwraca odpowiedź potwierdzenia, gdy tworzenie punktu końcowego będzie kontynuowane.

Uwaga

Oczekiwano, że tworzenie punktu końcowego potrwa około 2 minut.

# create the online endpoint
# expect the endpoint to take approximately 2 minutes.

endpoint = ml_client.online_endpoints.begin_create_or_update(endpoint).result()

Po utworzeniu punktu końcowego można go pobrać w następujący sposób:

endpoint = ml_client.online_endpoints.get(name=online_endpoint_name)

print(
    f'Endpoint "{endpoint.name}" with provisioning state "{endpoint.provisioning_state}" is retrieved'
)

Omówienie wdrożeń online

Kluczowe aspekty wdrożenia obejmują:

• name - Nazwa wdrożenia.
• endpoint_name — Nazwa punktu końcowego, który będzie zawierać wdrożenie.
• model — Model do użycia na potrzeby wdrożenia. Ta wartość może być odwołaniem do istniejącego wersjonowanego modelu w obszarze roboczym lub specyfikacją modelu zdefiniowaną bezpośrednio w tekście.
• environment — Środowisko do użycia na potrzeby wdrożenia (lub do uruchamiania modelu). Ta wartość może być odwołaniem do istniejącego wersjonowanego środowiska w obszarze roboczym lub specyfikacją środowiska podaną bezpośrednio. Środowisko może być obrazem Docker z zależnościami Conda lub plikiem Dockerfile.
• code_configuration — Konfiguracja kodu źródłowego i skryptu oceniania.
  • path - Ścieżka do katalogu kodu źródłowego na potrzeby oceniania modelu.
  • scoring_script - Ścieżka względna do pliku oceniania w katalogu kodu źródłowego. Ten skrypt wykonuje model na danym żądaniu wejściowym. Aby zapoznać się z przykładem skryptu oceniania, zobacz Opis skryptu oceniania w artykule "Wdrażanie modelu uczenia maszynowego przy użyciu punktu końcowego online".
• instance_type — Rozmiar maszyny wirtualnej do użycia na potrzeby wdrożenia. Aby uzyskać listę obsługiwanych rozmiarów, zobacz listę jednostek SKU zarządzanych punktów końcowych online.
• instance_count — liczba wystąpień do użycia na potrzeby wdrożenia.

Wdrażanie przy użyciu modelu MLflow

Usługa Azure Machine Learning obsługuje wdrożenie modelu utworzonego i zarejestrowanego przy użyciu biblioteki MLflow bez kodu. Oznacza to, że nie musisz dostarczać skryptu oceniania ani środowiska podczas wdrażania modelu, ponieważ skrypt oceniania i środowisko są generowane automatycznie podczas trenowania modelu MLflow. Jeśli jednak używasz modelu niestandardowego, musisz określić środowisko i skrypt oceniania podczas wdrażania.

Ważne

Jeśli zazwyczaj wdrażasz modele przy użyciu skryptów oceniania i środowisk niestandardowych i chcesz osiągnąć te same funkcje przy użyciu modeli MLflow, zalecamy przeczytanie wytycznych dotyczących wdrażania modeli MLflow.

Wdróż model do punktu końcowego

Zacznij od utworzenia pojedynczego wdrożenia obsługującego 100% ruchu przychodzącego. Wybierz dowolną nazwę koloru (niebieską) dla wdrożenia. Aby utworzyć wdrożenie dla punktu końcowego, użyj ManagedOnlineDeployment klasy .

Uwaga

Nie musisz określać środowiska ani skryptu oceniania, ponieważ model do wdrożenia jest modelem MLflow.

from azure.ai.ml.entities import ManagedOnlineDeployment

# Choose the latest version of the registered model for deployment
model = ml_client.models.get(name=registered_model_name, version=latest_model_version)

# define an online deployment
# if you run into an out of quota error, change the instance_type to a comparable VM that is available.
# Learn more on https://azure.microsoft.com/pricing/details/machine-learning/.
blue_deployment = ManagedOnlineDeployment(
    name="blue",
    endpoint_name=online_endpoint_name,
    model=model,
    instance_type="Standard_DS3_v2",
    instance_count=1,
)

Za pomocą utworzonego wcześniej MLClient utwórz wdrożenie w obszarze roboczym. To polecenie uruchamia tworzenie wdrożenia i zwraca odpowiedź z potwierdzeniem podczas tworzenia wdrożenia.

# create the online deployment
blue_deployment = ml_client.online_deployments.begin_create_or_update(
    blue_deployment
).result()

# blue deployment takes 100% traffic
# expect the deployment to take approximately 8 to 10 minutes.
endpoint.traffic = {"blue": 100}
ml_client.online_endpoints.begin_create_or_update(endpoint).result()

Sprawdzanie stanu punktu końcowego

Możesz sprawdzić stan punktu końcowego, aby sprawdzić, czy model został wdrożony bez błędu:

# return an object that contains metadata for the endpoint
endpoint = ml_client.online_endpoints.get(name=online_endpoint_name)

# print a selection of the endpoint's metadata
print(
    f"Name: {endpoint.name}\nStatus: {endpoint.provisioning_state}\nDescription: {endpoint.description}"
)

# existing traffic details
print(endpoint.traffic)

# Get the scoring URI
print(endpoint.scoring_uri)

Testowanie punktu końcowego przy użyciu przykładowych danych

Po wdrożeniu modelu w punkcie końcowym możesz uruchomić wnioskowanie. Zacznij od utworzenia przykładowego pliku żądania, który jest zgodny z projektem oczekiwanym w metodzie run, który można znaleźć w skrypcie oceny.

import os

# Create a directory to store the sample request file.
deploy_dir = "./deploy"
os.makedirs(deploy_dir, exist_ok=True)

Teraz utwórz plik w katalogu deploy. Poniższa komórka kodu używa magii IPython do zapisania pliku w utworzonym katalogu.

%%writefile {deploy_dir}/sample-request.json
{
  "input_data": {
    "columns": [0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22],
    "index": [0, 1],
    "data": [
            [20000,2,2,1,24,2,2,-1,-1,-2,-2,3913,3102,689,0,0,0,0,689,0,0,0,0],
            [10, 9, 8, 7, 6, 5, 4, 3, 2, 1, 10, 9, 8, 7, 6, 5, 4, 3, 2, 1, 10, 9, 8]
            ]
                }
}

Korzystając z utworzonego wcześniej MLClient, uzyskaj dostęp do punktu końcowego. Punkt końcowy można wywołać przy użyciu invoke polecenia z następującymi parametrami:

• endpoint_name - Nazwa punktu końcowego
• request_file - Plik z danymi żądania
• deployment_name - Nazwa określonego wdrożenia do testowania w punkcie końcowym

Przetestuj niebieskie wdrożenie przy użyciu przykładowych danych.

# test the blue deployment with the sample data
ml_client.online_endpoints.invoke(
    endpoint_name=online_endpoint_name,
    deployment_name="blue",
    request_file="./deploy/sample-request.json",
)

Pobieranie dzienników wdrożenia

Sprawdź dzienniki, aby sprawdzić, czy punkt końcowy/wdrożenie zostało pomyślnie wywołane. Jeśli wystąpią błędy, zapoznaj się z Rozwiązywaniem problemów z wdrażaniem punktów końcowych online.

logs = ml_client.online_deployments.get_logs(
    name="blue", endpoint_name=online_endpoint_name, lines=50
)
print(logs)

Utwórz drugie wdrożenie

Wdróż model jako drugie wdrożenie o nazwie green. W praktyce można utworzyć kilka wdrożeń i porównać ich wydajność. Te wdrożenia mogą używać innej wersji tego samego modelu, innego modelu lub bardziej zaawansowanego wystąpienia obliczeniowego.

W tym przykładzie wdrożysz tę samą wersję modelu przy użyciu bardziej zaawansowanego wystąpienia obliczeniowego, które może potencjalnie poprawić wydajność.

# pick the model to deploy. Here you use the latest version of the registered model
model = ml_client.models.get(name=registered_model_name, version=latest_model_version)

# define an online deployment using a more powerful instance type
# if you run into an out of quota error, change the instance_type to a comparable VM that is available.
# Learn more on https://azure.microsoft.com/pricing/details/machine-learning/.
green_deployment = ManagedOnlineDeployment(
    name="green",
    endpoint_name=online_endpoint_name,
    model=model,
    instance_type="Standard_F4s_v2",
    instance_count=1,
)

# create the online deployment
# expect the deployment to take approximately 8 to 10 minutes
green_deployment = ml_client.online_deployments.begin_create_or_update(
    green_deployment
).result()

Skalowanie wdrożenia w celu obsługi większej liczby ruchu

Korzystając z utworzonego wcześniej MLClient, możesz uzyskać odwołanie do wdrożenia green. Następnie można ją skalować, zwiększając lub zmniejszając wartość instance_count.

W poniższym kodzie ręcznie zwiększasz rozmiar instancji maszyny wirtualnej. Jednak możliwe jest również automatyczne skalowanie punktów końcowych online. Autoscale automatycznie uruchamia odpowiednią liczbę zasobów, aby obsłużyć obciążenie aplikacji. Zarządzane punkty końcowe online obsługują skalowanie automatyczne dzięki integracji z funkcją automatycznego skalowania usługi Azure Monitor. Aby skonfigurować skalowanie automatyczne, zobacz Autoskalowanie punktów końcowych online.

# update definition of the deployment
green_deployment.instance_count = 2

# update the deployment
# expect the deployment to take approximately 8 to 10 minutes
ml_client.online_deployments.begin_create_or_update(green_deployment).result()

Aktualizowanie alokacji ruchu dla wdrożeń

Możesz podzielić ruch produkcyjny między wdrożeniami. Możesz najpierw przetestować wdrożenie green na przykładowych danych, podobnie jak w przypadku wdrożenia blue. Po przetestowaniu zielonego wdrożenia skieruj do niego niewielki procent ruchu.

endpoint.traffic = {"blue": 80, "green": 20}
ml_client.online_endpoints.begin_create_or_update(endpoint).result()

Przetestuj alokację ruchu, wywołując punkt końcowy kilka razy:

# You can invoke the endpoint several times
for i in range(30):
    ml_client.online_endpoints.invoke(
        endpoint_name=online_endpoint_name,
        request_file="./deploy/sample-request.json",
    )

Pokaż dzienniki z wdrożenia green, aby sprawdzić, czy napływały żądania i czy model został pomyślnie oceniony.

logs = ml_client.online_deployments.get_logs(
    name="green", endpoint_name=online_endpoint_name, lines=50
)
print(logs)

Wyświetlanie metryk przy użyciu usługi Azure Monitor

Możesz wyświetlać różne metryki (liczbę żądań, opóźnienie żądań, liczbę bajtów sieciowych, użycie procesora CPU/GPU, dysku i pamięci oraz inne) dla internetowego punktu końcowego i jego wdrożeń, korzystając z linków na stronie Szczegóły punktu końcowego w studio. Poniższe linki prowadzą do dokładnej strony metryk w witrynie Azure Portal dotyczącej punktu końcowego lub wdrożenia.

Jeśli otworzysz metryki dla punktu końcowego online, możesz skonfigurować stronę, aby wyświetlić metryki, takie jak średnie opóźnienie żądania, jak pokazano na poniższym rysunku.

Aby uzyskać więcej informacji na temat wyświetlania metryk punktów końcowych online, zobacz Monitorowanie punktów końcowych online.

Przekieruj cały ruch do nowego wdrożenia

Gdy będziesz w pełni zadowolony z wdrożenia green, przełącz do niego cały ruch.

endpoint.traffic = {"blue": 0, "green": 100}
ml_client.online_endpoints.begin_create_or_update(endpoint).result()

Usuwanie starego wdrożenia

Usuń stare (niebieskie) wdrożenie:

ml_client.online_deployments.begin_delete(
    name="blue", endpoint_name=online_endpoint_name
).result()

Czyszczenie zasobów

Jeśli nie zamierzasz używać punktu końcowego ani wdrożenia po zakończeniu samouczka, powinieneś je usunąć.

Uwaga

Spodziewaj się, że pełne usunięcie potrwa około 20 minut.

ml_client.online_endpoints.begin_delete(name=online_endpoint_name).result()

Usuń wszystko

Wykonaj następujące kroki, aby usunąć obszar roboczy usługi Azure Machine Learning i wszystkie zasoby obliczeniowe.

Ważne

Utworzone zasoby mogą być używane jako wymagania wstępne w innych samouczkach usługi Azure Machine Learning i artykułach z instrukcjami.

Jeśli nie planujesz korzystać z żadnych utworzonych zasobów, usuń je, aby nie ponosić żadnych opłat:

1. W witrynie Azure Portal w polu wyszukiwania wprowadź ciąg Grupy zasobów i wybierz je z wyników.

2. Z listy wybierz utworzoną grupę zasobów.

3. Na stronie Przegląd wybierz pozycję Usuń grupę zasobów.

   

4. Wpisz nazwę grupy zasobów. Następnie wybierz Usuń.

Następny krok

Samouczek: tworzenie potoków uczenia maszynowego w środowisku produkcyjnym