Vyvolání modelů Učení Azure Machine

  • 3 min

Schéma azure_ml umožňuje vaší databázi pracovat s možnostmi vlastních modelů strojového 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

Při použití azure_ai rozšíření azure_ml poskytuje schéma funkci pro provádění odvozování v reálném čase přímo z 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 jsonb Objekt JSON obsahující input_data objekt požadovaný pro interakci s modely Učení Azure Machine.
timeout_ms integer NULL::integer Časový limit...
throw_on_error boolean true Desc...
deployment_name text NULL::text (Volitelné) Název nasazení modelu, které se má cílit na zadaný koncový bod azure machine Učení.

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 oblasti Seattlu, vzhledem ke konkrétním vstupům, jako jsou sousedství, PSČ, počet ložnic a počet koupelen, 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 primárním nebo sekundárním klíčem 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}');