ตรวจสอบ Schema Azure Machine Learning

เสร็จสมบูรณ์เมื่อ

azure_mlสคีมาของazure_aiส่วนขยายช่วยให้ฐานข้อมูลของคุณโต้ตอบกับความสามารถของโมเดลแมชชีนเลิร์นนิงที่สร้างขึ้นเอง ด้วยการใช้ azure_ml Schema คุณสามารถรวมฐานข้อมูล PostgreSQL ของคุณเข้ากับบริการ Azure Machine Learning ได้อย่างราบรื่น การผสานรวมนี้ช่วยให้คุณสามารถปรับใช้และให้บริการโมเดลแมชชีนเลิร์นนิงได้โดยตรงจากฐานข้อมูลของคุณ

การอนุมานแบบเรียลไทม์ด้วย azure_ml สคีมา

Azure Machine Learning เป็นแพลตฟอร์มบนคลาวด์ที่ปรับปรุงเวิร์กโฟลว์แมชชีนเลิร์นนิงแบบครบวงจร โมเดลได้รับการฝึกอบรมโดยใช้เฟรมเวิร์ก เช่น PyTorch และ TensorFlow และปรับใช้เป็น ปลายทางออนไลน์ ซึ่งแสดง URL ที่เสถียรสําหรับการขอการคาดการณ์

ด้วยจุดสิ้นสุดออนไลน์ที่ให้การอนุมานแบบเรียลไทม์ Azure Machine Learning ที่รวมเข้ากับ azure_ai ส่วนขยายช่วยให้คุณได้รับการคาดการณ์ได้โดยตรงจากฐานข้อมูลของคุณ ฟังก์ชันที่ใช้สําหรับการเรียกโมเดลที่ปรับใช้คือ:

• azure_ml.invoke(jsonb, text)

ฟังก์ชันนี้จะส่งเพย์โหลดอินพุต JSON ไปยังจุดสิ้นสุด Azure Machine Learning ของคุณและส่งคืนผลลัพธ์ของแบบจําลองเป็นjsonb

จุดสิ้นสุด Azure Machine Learning คาดหวังออบเจ็กต์ JSON เป็นอินพุต โครงสร้างของออบเจ็กต์นี้ขึ้นอยู่กับโมเดลที่คุณปรับใช้ ตัวอย่างเช่น โมเดลการถดถอยที่ได้รับการฝึกฝนให้คาดการณ์ราคาเช่ารายวันอาจคาดหวังอินพุตที่มีรูปร่างดังนี้:

{
  "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]
    ]
  }
}

โครงสร้างอินพุตที่คาดไว้สามารถตรวจสอบได้โดยการตรวจสอบข้อกําหนด Swagger สําหรับตําแหน่งข้อมูลที่ปรับใช้ของคุณ มันแสดงรายการ ServiceInput และ ServiceOutput Schemas ที่กําหนดรูปร่างที่จําเป็นสําหรับคําขอและการตอบกลับ

โทรหานางแบบ

ตัวอย่างต่อไปนี้แสดงโฟลว์ทั้งหมดสําหรับการส่งอินพุตไปยังแบบจําลอง Azure Machine Learning และส่งคืนการคาดการณ์

1. ส่งเพย์โหลดอินพุต

   SELECT azure_ml.invoke(
       '{
         "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]
           ]
         }
       }'::jsonb,
       'rental-price-deployment'
   ) AS prediction;
   

   ผลลัพธ์จะถูกส่งกลับเป็น jsonb ค่าที่มีเอาต์พุตของแบบจําลอง คุณสามารถแยกฟิลด์จากผลลัพธ์นี้ได้โดยใช้ฟังก์ชัน PostgreSQL JSON มาตรฐาน

2. การทํางานกับผลลัพธ์

   ตัวอย่างเช่น หากแบบจําลองส่งคืนอาร์เรย์ของค่าที่คาดการณ์ไว้:

   WITH result AS (
       SELECT azure_ml.invoke(
           '{
             "input_data": {
               "columns": ["neighbourhood","bedrooms","bathrooms"],
               "index": [0],
               "data": [["Queen Anne", 2, 1]]
             }
           }'::jsonb,
           'rental-price-deployment'
       ) AS output
   )
   SELECT jsonb_array_elements(output) AS predicted_value
   FROM result;
   

   คุณสามารถรวมโซลูชันนี้เข้ากับมุมมอง ฟังก์ชัน และคิวรีการรายงานได้ตามต้องการ

กําหนดค่าการเชื่อมต่อกับ Azure Machine Learning

ก่อนใช้ azure_ml.invoke() สําหรับการอนุมานแบบเรียลไทม์ คุณต้องกําหนดค่าส่วนขยายด้วยจุดสิ้นสุดและคีย์การให้คะแนน Azure Machine Learning ของคุณ ค่า for azure_ml.scoring_endpoint คือตําแหน่งข้อมูล REST สําหรับโมเดลที่ปรับใช้ของคุณ และเป็น azure_ml.endpoint_key คีย์หลักหรือคีย์รอง

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

ประเด็นสำคัญ

เมื่อใช้ azure_ml สคีมาใน azure_ai ส่วนขยาย คุณสามารถรวมฐานข้อมูล PostgreSQL ของคุณเข้ากับบริการ Azure Machine Learning ได้อย่างง่ายดาย การผสานรวมนี้ช่วยให้สามารถอนุมานแบบเรียลไทม์โดยใช้โมเดลแมชชีนเลิร์นนิงแบบกําหนดเอง ซึ่งช่วยให้คุณสามารถปรับปรุงแอปพลิเคชันของคุณด้วยความสามารถในการคาดการณ์ได้โดยตรงจากสภาพแวดล้อมฐานข้อมูลของคุณ