Postup nasazení a odvození spravovaného výpočetního nasazení pomocí kódu

Článek
12/24/2024

Katalog modelů portálu Azure AI Foundry nabízí více než 1 600 modelů a nejběžnějším způsobem nasazení těchto modelů je použít možnost spravovaného nasazení výpočetních prostředků, která se také někdy označuje jako spravované online nasazení.

Nasazení velkého jazykového modelu (LLM) zpřístupňuje použití na webu, aplikaci nebo jiném produkčním prostředí. Nasazení obvykle zahrnuje hostování modelu na serveru nebo v cloudu a vytvoření rozhraní API nebo jiného rozhraní, aby uživatelé mohli s modelem pracovat. Nasazení můžete vyvolat pro odvozování aplikací umělé inteligence v reálném čase, jako je chat a copilot.

V tomto článku se dozvíte, jak nasadit modely pomocí sady Azure Machine Learning SDK. Tento článek také popisuje, jak provést odvozování nasazeného modelu.

Získání ID modelu

Spravované výpočetní modely můžete nasadit pomocí sady Azure Machine Learning SDK, ale nejprve si projdeme katalog modelů a získáte ID modelu, které potřebujete k nasazení.

Přihlaste se k Azure AI Foundry a přejděte na domovskou stránku.
Na levém bočním panelu vyberte Katalog modelů.
Ve filtru Možností nasazení vyberte Spravované výpočetní prostředky.
Vyberte model.
Zkopírujte ID modelu ze stránky podrobností vybraného modelu. Vypadá nějak takto: azureml://registries/azureml/models/deepset-roberta-base-squad2/versions/16

Nasazení modelu

Pojďme model nasadit.

Nejprve je potřeba nainstalovat sadu Azure Machine Learning SDK.

pip install azure-ai-ml
pip install azure-identity

Tento kód použijte k ověření pomocí služby Azure Machine Learning a vytvoření klientského objektu. Zástupné symboly nahraďte ID předplatného, názvem skupiny prostředků a názvem projektu Azure AI Foundry.

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

client = MLClient(
    credential=InteractiveBrowserCredential,
    subscription_id="your subscription name goes here",
    resource_group_name="your resource group name goes here",
    workspace_name="your project name goes here",
)

Pro možnost nasazení spravovaného výpočetního prostředí je potřeba vytvořit koncový bod před nasazením modelu. Koncový bod si můžete představit jako kontejner, který může obsahovat více nasazení modelu. Názvy koncových bodů musí být v určité oblasti jedinečné, takže v tomto příkladu používáme časové razítko k vytvoření jedinečného názvu koncového bodu.

import time, sys
from azure.ai.ml.entities import (
    ManagedOnlineEndpoint,
    ManagedOnlineDeployment,
    ProbeSettings,
)

# Make the endpoint name unique
timestamp = int(time.time())
online_endpoint_name = "customize your endpoint name here" + str(timestamp)

# Create an online endpoint
endpoint = ManagedOnlineEndpoint(
    name=online_endpoint_name,
    auth_mode="key",
)
workspace_ml_client.begin_create_or_update(endpoint).wait()

Vytvořte nasazení. ID modelu najdete v katalogu modelů.

model_name = "azureml://registries/azureml/models/deepset-roberta-base-squad2/versions/16" 

demo_deployment = ManagedOnlineDeployment(
    name="demo",
    endpoint_name=online_endpoint_name,
    model=model_name,
    instance_type="Standard_DS3_v2",
    instance_count=2,
    liveness_probe=ProbeSettings(
        failure_threshold=30,
        success_threshold=1,
        timeout=2,
        period=10,
        initial_delay=1000,
    ),
    readiness_probe=ProbeSettings(
        failure_threshold=10,
        success_threshold=1,
        timeout=10,
        period=10,
        initial_delay=1000,
    ),
)
workspace_ml_client.online_deployments.begin_create_or_update(demo_deployment).wait()
endpoint.traffic = {"demo": 100}
workspace_ml_client.begin_create_or_update(endpoint).result()

Odvození nasazení

K otestování odvozování potřebujete ukázková data JSON. Vytvořte sample_score.json pomocí následujícího příkladu.

{
  "inputs": {
    "question": [
      "Where do I live?",
      "Where do I live?",
      "What's my name?",
      "Which name is also used to describe the Amazon rainforest in English?"
    ],
    "context": [
      "My name is Wolfgang and I live in Berlin",
      "My name is Sarah and I live in London",
      "My name is Clara and I live in Berkeley.",
      "The Amazon rainforest (Portuguese: Floresta Amaz\u00f4nica or Amaz\u00f4nia; Spanish: Selva Amaz\u00f3nica, Amazon\u00eda or usually Amazonia; French: For\u00eat amazonienne; Dutch: Amazoneregenwoud), also known in English as Amazonia or the Amazon Jungle, is a moist broadleaf forest that covers most of the Amazon basin of South America. This basin encompasses 7,000,000 square kilometres (2,700,000 sq mi), of which 5,500,000 square kilometres (2,100,000 sq mi) are covered by the rainforest. This region includes territory belonging to nine nations. The majority of the forest is contained within Brazil, with 60% of the rainforest, followed by Peru with 13%, Colombia with 10%, and with minor amounts in Venezuela, Ecuador, Bolivia, Guyana, Suriname and French Guiana. States or departments in four nations contain \"Amazonas\" in their names. The Amazon represents over half of the planet's remaining rainforests, and comprises the largest and most biodiverse tract of tropical rainforest in the world, with an estimated 390 billion individual trees divided into 16,000 species."
    ]
  }
}

Pojďme odvodit sample_score.json. Změňte umístění podle umístění, kam jste uložili ukázkový soubor JSON.

scoring_file = "./sample_score.json" 
response = workspace_ml_client.online_endpoints.invoke(
    endpoint_name=online_endpoint_name,
    deployment_name="demo",
    request_file=scoring_file,
)
response_json = json.loads(response)
print(json.dumps(response_json, indent=2))

Odstranění koncového bodu nasazení

Pokud chcete odstranit nasazení na portálu Azure AI Foundry, vyberte na horním panelu stránky s podrobnostmi o nasazení tlačítko Odstranit .

Důležité informace o kvótách

Pokud chcete nasadit a provést odvozování s koncovými body v reálném čase, spotřebujete kvótu jader virtuálního počítače, která je přiřazená k vašemu předplatnému na základě jednotlivých oblastí. Když si zaregistrujete Azure AI Foundry, obdržíte výchozí kvótu virtuálních počítačů pro několik rodin virtuálních počítačů dostupných v dané oblasti. Nasazení můžete dál vytvářet, dokud nedosáhnete limitu kvóty. Jakmile k tomu dojde, můžete požádat o navýšení kvóty.

Další kroky

Další informace o tom, co můžete dělat v Azure AI Foundry
Získejte odpovědi na nejčastější dotazy v článku Nejčastější dotazy k Azure AI

Sdílet prostřednictvím