Anropa Azure Machine Learning-modeller

  • 3 minuter

Schemat azure_ml ger databasen möjlighet att interagera med funktionerna i anpassade maskininlärningsmodeller. Genom att azure_ml använda schemat kan du sömlöst integrera din PostgreSQL-databas med Azure Machine Learning-tjänster. Med den här integreringen kan du distribuera och hantera maskininlärningsmodeller direkt från databasen, vilket gör realtidsinferensen effektiv och skalbar.

Slutsatsdragning i realtid med azure_ml schemat

När du använder azure_ai tillägget azure_ml tillhandahåller schemat en funktion för att utföra realtidsinferens direkt från databasen. Funktionen inference i det här schemat är utformad för att underlätta förutsägelser eller generera utdata med hjälp av en tränad modell från Azure Machine Learning. När du distribuerar en modell kan du med inferensfunktionen anropa modellen och få förutsägelser om nya data.

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

Funktionen inference() förväntar sig följande indataparametrar:

Parameter Typ Standardvärde beskrivning
indata jsonb Ett JSON-objekt som innehåller det input_data objekt som krävs för att interagera med Azure Machine Learning-modeller.
timeout_ms integer NULL::integer Tidsgränsen...
throw_on_error boolean true Desc...
deployment_name text NULL::text (Valfritt) Namnet på modelldistributionen som ska riktas mot den angivna Azure Machine Learning-slutpunkten.

Azure Machine Learning-slutpunkter för slutsatsdragning förväntar sig ett JSON-objekt (JavaScript Object Notation) som indata. Strukturen för det här objektet är dock beroende av den underliggande modellen. Till exempel har en regressionsmodell som tränats för att förutsäga dagliga hyrespriser för korttidsuthyrning i Seattle-området, med tanke på specifika indata som grannskapet, postnummer, antal sovrum och antal badrum, följande form:

{
  "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]]
  }
}

Den förväntade indataobjektstrukturen kan hämtas genom att undersöka Swagger-definitionen som är associerad med din distribuerade slutpunkt. Den här definitionen anger strukturerna ServiceInput och ServiceOutput som du kan använda för att fastställa dina indata och utdata.

Konfigurera en anslutning till Azure Machine Learning

Innan du använder azure_ml.inference() funktionen för att utföra slutsatsdragning i realtid måste du konfigurera tillägget med din Azure Machine Learning-poängslutpunkt och -nyckel. Värdet för azure_ml.scoring_endpoint är REST-slutpunkten för din distribuerade modell. Värdet för azure_ml.endpoint_key kan vara antingen den primära eller den sekundära nyckeln för den här slutpunkten.

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