Sdílet prostřednictvím


Migrace na obsluhu modelů

Tento článek ukazuje, jak povolit službu Model Serving ve vašem pracovním prostoru a přepnout modely na prostředí služby Rozhraní Pro obsluhu modelů Bez serveru.

Požadavky

Významné změny

  • Ve službě Model Serving se formát požadavku na koncový bod a odpověď z koncového bodu mírně liší od služby starší verze modelu MLflow. Podrobnosti o novém formátovacím protokolu najdete v bodování koncového bodu modelu.
  • V části Obsluha modelu adresa URL koncového serving-endpointsbodu obsahuje model místo .
  • Poskytování modelů zahrnuje plnou podporu správy prostředků pomocí pracovních postupů rozhraní API.
  • Obsluha modelů je připravená pro produkční prostředí a je zajištěná smlouvou SLA pro Azure Databricks.

Migrace starší verze modelu MLflow obsluhované modely na obsluhu modelů

Můžete vytvořit koncový bod obsluhy modelů a pružně přecházet model obsluhující pracovní postupy bez zakázání služby starších modelů MLflow.

Následující kroky ukazují, jak toho dosáhnout pomocí uživatelského rozhraní. Pro každý model, na kterém máte povolenou službu starší verze modelu MLflow:

  1. Zaregistrujte model do katalogu Unity.
  2. Na bočním panelu pracovního prostoru strojového učení přejděte na obsluhu koncových bodů.
  3. Postupujte podle pracovního postupu popsaného v tématu Vytvoření vlastních modelů, který obsluhuje koncové body při vytváření obslužného koncového bodu s vaším modelem.
  4. Převést aplikaci tak, aby používala novou adresu URL poskytnutou koncovým bodem obsluhy k dotazování modelu spolu s novým formátem bodování.
  5. Po přechodu modelů můžete přejít na boční panel pracovního prostoru strojového učení na bočním panelu.
  6. Vyberte model, pro který chcete zakázat poskytování starší verze modelu MLflow.
  7. Na kartě Obsluha vyberte Zastavit.
  8. Zobrazí se zpráva, která se zobrazí k potvrzení. Vyberte Přestat obsluhovat.

Migrace nasazených verzí modelu do obsluhy modelů

V předchozích verzích funkce obsluhy modelu se koncový bod obsluhy vytvořil na základě fáze registrované verze modelu: Staging nebo Production. Pokud chcete migrovat obsluhované modely z daného prostředí, můžete toto chování replikovat v novém prostředí pro obsluhu modelů.

Tato část ukazuje, jak vytvořit samostatný model obsluhující koncové body pro Staging verze modelu a Production verze modelu. Následující kroky ukazují, jak toho dosáhnout pomocí rozhraní API pro obsluhu koncových bodů pro každý z vašich obsluhovaných modelů.

V příkladu má registrovaný název modelA modelu verzi 1 ve fázi Production modelu a verzi 2 ve fázi Stagingmodelu .

  1. Vytvořte dva koncové body pro zaregistrovaný model, jeden pro verze modelu a druhý pro StagingProduction verze modelu.

    Pro Staging verze modelu:

    POST /api/2.0/serving-endpoints
      {
         "name":"modelA-Staging"
         "config":
         {
            "served_entities":
            [
               {
                  "entity_name":"model-A",
                  "entity_version":"2",  // Staging Model Version
                  "workload_size":"Small",
                  "scale_to_zero_enabled":true
               },
            ],
         },
      }
    

    Pro Production verze modelu:

    POST /api/2.0/serving-endpoints
      {
         "name":"modelA-Production"
         "config":
         {
            "served_entities":
            [
               {
                  "entity_name":"model-A",
                  "entity_version":"1",   // Production Model Version
                  "workload_size":"Small",
                  "scale_to_zero_enabled":true
               },
            ],
         },
      }
    
  2. Ověřte stav koncových bodů.

    Přípravný koncový bod: GET /api/2.0/serving-endpoints/modelA-Staging

    Pro produkční koncový bod: GET /api/2.0/serving-endpoints/modelA-Production

  3. Jakmile jsou koncové body připravené, zadejte dotaz na koncový bod pomocí:

    Přípravný koncový bod: POST /serving-endpoints/modelA-Staging/invocations

    Pro produkční koncový bod: POST /serving-endpoints/modelA-Production/invocations

  4. Aktualizujte koncový bod na základě přechodů verzí modelu.

    Ve scénáři, ve kterém je vytvořen nový model verze 3, může model verze 2 přejít na Production, zatímco model verze 3 může přejít na Staging a model verze 1 přejde na Archived. Tyto změny se dají promítnout do samostatných modelů obsluhujících koncové body následujícím způsobem:

    V případě koncového bodu Staging aktualizujte koncový bod tak, aby používal novou verzi modelu v Staging.

    PUT /api/2.0/serving-endpoints/modelA-Staging/config
    {
       "served_entities":
       [
          {
             "entity_name":"model-A",
             "entity_version":"3",  // New Staging model version
             "workload_size":"Small",
             "scale_to_zero_enabled":true
          },
       ],
    }
    

    V případě koncového bodu Production aktualizujte koncový bod tak, aby používal novou verzi modelu v Production.

    PUT /api/2.0/serving-endpoints/modelA-Production/config
    {
       "served_entities":
       [
          {
             "entity_name":"model-A",
             "entity_version":"2",  // New Production model version
             "workload_size":"Small",
             "scale_to_zero_enabled":true
          },
       ],
    }
    

Migrace pracovních postupů odvozování systému MosaicML do obsluhy modelů

Tato část obsahuje pokyny, jak migrovat nasazení odvozování systému MosaicML do obsluhy modelu Mosaic AI a obsahuje příklad poznámkového bloku.

Následující tabulka shrnuje paritu mezi inference MosaicML a nasazením modelů na platformě Azure Databricks.

Odvozovat do systému MosaicML Obsluhamodeluho
create_inference_deployment Vytvoření koncového bodu obsluhy modelu
update_inference_deployment aktualizace modelu obsluhujícího koncový bod
delete_inference_deployment Odstranění koncového bodu obsluhy modelu
get_inference_deployment Získání stavu koncového bodu obsluhujícího model

Následující poznámkový blok obsahuje příklad migrace modelu ze systému MosaicML na obsluhu modelu AI s architekturou llama-13b AI.

Migrace z odvozování z aplikace MosaicML na poznámkový blok obsluhy modelu AI s využitím systému MosaicML

Získání poznámkového bloku

Další materiály