Azure Machine Learning modellerini çağırma

  • 3 dakika

azure_ml şeması, veritabanınızı özel olarak oluşturulmuş makine öğrenmesi modellerinin özellikleriyle etkileşime geçmek için güçlendirmektedir. azure_ml şemasını kullanarak PostgreSQL veritabanınızı Azure Machine Learning hizmetleriyle sorunsuz bir şekilde tümleştirebilirsiniz. Bu tümleştirme, makine öğrenmesi modellerini doğrudan veritabanınızdan dağıtmanıza ve sunmanıza olanak sağlayarak gerçek zamanlı çıkarımları verimli ve ölçeklenebilir hale getirmenizi sağlar.

azure_ml şemasıyla gerçek zamanlı çıkarım

azure_ai uzantısını kullandığınızda, azure_ml şeması doğrudan veritabanından gerçek zamanlı çıkarım gerçekleştirmek için bir işlev sağlar. Bu şemadaki inference işlevi, Azure Machine Learning'den eğitilmiş bir model kullanarak tahminde bulunmayı veya çıkış oluşturmayı kolaylaştırmak için tasarlanmıştır. Modeli dağıttığınızda çıkarım işlevi modeli çağırmanıza ve yeni verilerle ilgili tahminler almanıza olanak tanır.

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

inference() işlevi aşağıdaki giriş parametrelerini bekler:

Parametre Türü Varsayılan Açıklama
girdi jsonb Azure Machine Learning modelleriyle etkileşim kurmak için gereken input_data nesnesini içeren bir JSON nesnesi.
zaman_aşımı_ms integer NULL::integer Zaman aşımı...
hata_olduğunda_at boolean true Desc...
dağıtım_adı text NULL::text (İsteğe bağlı) Belirtilen Azure Machine Learning uç noktasını hedef alan model dağıtımının adı.

Azure Machine Learning çıkarım uç noktaları giriş olarak bir JavaScript Nesne Gösterimi (JSON) nesnesi bekler. Ancak, bu nesnenin yapısı temel alınan modele bağlıdır. Örneğin, Seattle bölgesindeki kısa süreli konut kiralamaları için günlük kiralama fiyatlarını tahmin etmek üzere eğitilen bir regresyon modeli, mahalle, Posta Kodu, yatak odası sayısı ve banyo sayısı gibi belirli girişler göz önünde bulundurulduğunda aşağıdaki şekle sahiptir:

{
  "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]]
  }
}

Beklenen giriş nesnesi yapısı, dağıtılan uç noktanızla ilişkili Swagger tanımı incelenerek alınabilir. Bu tanım, girişlerinizi ve çıkışlarınızı belirlemek için kullanabileceğiniz ServiceInput ve ServiceOutput yapılarını belirtir.

Azure Machine Learning'e bağlantı yapılandırma

Gerçek zamanlı çıkarım gerçekleştirmek için azure_ml.inference() işlevini kullanmadan önce uzantıyı Azure Machine Learning puanlama uç noktanız ve anahtarınız ile yapılandırmanız gerekir. azure_ml.scoring_endpoint değeri, dağıtılan modelinizin REST uç noktasıdır. azure_ml.endpoint_key değeri, bu uç noktanın birincil veya ikincil anahtarı olabilir.

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