Prozkoumání schématu azure machine Učení

  • 4 min

Schéma azure_ml rozšíření umožňuje vaší databázi pracovat s možnostmi vlastních modelů strojového azure_ai učení. Pomocí schématu azure_ml můžete bezproblémově integrovat databázi PostgreSQL se službami Azure Machine Učení. Díky této integraci můžete nasazovat a obsluhovat modely strojového učení přímo z vaší databáze, což umožňuje efektivní a škálovatelné odvozování v reálném čase.

Odvození schématu azure_ml v reálném čase

Azure Machine Učení je cloudová platforma, která streamuje kompletní pracovní postupy strojového učení. V rámci služby Azure Machine Učení se modely vyvíjejí pomocí oblíbených architektur, jako jsou PyTorch a TensorFlow. Po vytrénování se tyto modely nasadí jako koncové body a stabilní adresy URL, kde je možné vyžádat předpovědi.

Díky online koncovým bodům, které poskytují odvození v reálném čase, služba Azure Machine Učení integrovaná s azure_ai rozšířením vám poskytne přesné předpovědi přímo z vaší databáze. Funkce inference v rámci tohoto schématu je navržená tak, aby usnadnila vytváření předpovědí nebo generování výstupů pomocí natrénovaného modelu ze služby Azure Machine Učení. Když nasadíte model, funkce odvozování umožňuje vyvolat model a získat předpovědi pro nová data.

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

Funkce inference() očekává následující vstupní parametry:

Parametr Typ Výchozí Popis
input_data jsonb Objekt JSON obsahující input_data objekt požadovaný pro interakci s modely Učení Azure Machine.
deployment_name text NULL::text (Volitelné) Název nasazení modelu, které se má cílit na zadaný koncový bod azure machine Učení.
timeout_ms integer NULL::integer Časový limit...
throw_on_error boolean true Desc...
max_attempts integer 1 Počet opakování volání služby Azure OpenAI v případě selhání
retry_delay_ms integer 1000 Doba čekání v milisekundách, než se pokusíte znovu volat koncový bod služby Azure OpenAI.

Azure Machine Učení koncové body odvozování očekávají jako vstup objekt JSON (JavaScript Object Notation). Struktura tohoto objektu je však závislá na podkladovém modelu. Například regresní model natrénovaný tak, aby předpověděl denní ceny pronájmu krátkodobých pronájmů v Seattlu, Washingtonu, vzhledem ke konkrétním vstupům, jako jsou sousedství, PSČ, počet ložnic, počet koupelen a další, má následující tvar:

{
  "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]]
  }
}

Očekávanou vstupní strukturu objektu lze načíst prozkoumáním definice Swaggeru přidruženého k nasazeným koncovému bodu. Tato definice určuje ServiceInput a ServiceOutput struktury, které můžete použít k určení vstupů a výstupů.

Konfigurace připojení ke službě Azure Machine Učení

Než funkci použijete azure_ml.inference() k odvozování v reálném čase, musíte nakonfigurovat rozšíření s vaším koncovým bodem a klíčem bodování azure machine Učení. Hodnota azure_ml.scoring_endpoint je koncový bod REST pro nasazený model. Hodnota azure_ml.endpoint_key může být primární nebo sekundární klíč pro tento koncový bod.

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