Services web Machine Learning Studio (classique) : Déploiement et consommation

Article
04/19/2017

S’APPLIQUE À : S’applique à. Machine Learning Studio (classique) Ne s’applique pas à. Azure Machine Learning

Important

Le support de Machine Learning Studio (classique) prend fin le 31 août 2024. Nous vous recommandons de passer à Azure Machine Learning avant cette date.

À partir du 1er décembre 2021, vous ne pourrez plus créer de nouvelles ressources Machine Learning Studio (classique). Jusqu’au 31 août 2024, vous pouvez continuer à utiliser les ressources Machine Learning Studio (classique) existantes.

Consultez les informations sur le déplacement des projets de machine learning de ML Studio (classique) à Azure Machine Learning.
En savoir plus sur Azure Machine Learning

La documentation ML Studio (classique) est en cours de retrait et ne sera probablement plus mise à jour.

Vous pouvez utiliser Machine Learning Studio (classique) pour déployer des workflows et des modèles de Machine Learning en tant que services web. Ces services web peuvent ensuite servir à appeler les modèles de machine learning à partir d’applications via Internet pour effectuer des prévisions en temps réel ou par lots. Les services web, RESTful, peuvent être appelés avec divers langages et plateformes de programmation, notamment Java, .NET et des applications comme Excel.

Les sections suivantes fournissent des liens vers des procédures pas à pas, du code et de la documentation pour vous aider à démarrer.

Déployer un service web

Avec Machine Learning Studio (classique)

Le portail Studio (classique) et le portail des services web Machine Learning vous permettent de déployer et de gérer un service web sans écrire de code.

Les liens suivants fournissent des informations générales sur le processus de déploiement d’un nouveau service web :

Pour une vue d’ensemble du déploiement d’un nouveau service web basé sur Azure Resource Manager, consultez Déployer un nouveau service web.
Pour une présentation du déploiement d’un service web, consultez Déployer un service web Machine Learning.
Pour obtenir une procédure pas à pas complète sur la création et le déploiement d’un service web, commencez par le tutoriel 1 : Prédire le risque de crédit.
Pour des exemples spécifiques de déploiement d’un service web, consultez :
- Tutoriel 3 : Déployer le modèle de risque de crédit
- Comment déployer un service web dans plusieurs régions

Avec les API du fournisseur de ressources des services web (API Azure Resource Manager)

Le fournisseur de ressources Machine Learning Studio (classique) pour les services web permet le déploiement et la gestion des services web au moyen d’appels de l’API REST. Pour plus d'informations, consultez la référence Service web Machine Learning (REST).

Avec des applets de commande PowerShell

Le fournisseur de ressources Machine Learning Studio (classique) pour les services web permet le déploiement et la gestion des services web au moyen d’applets de commande PowerShell.

Pour utiliser les cmdlets, vous devez d’abord vous connecter à votre compte Azure à partir de l’environnement PowerShell à l’aide de la cmdlet Connect-AzAccount. Si vous ne savez pas comment appeler les commandes PowerShell basées sur Resource Manager, consultez Utilisation d’Azure PowerShell avec Azure Resource Manager.

Pour exporter votre expérience prédictive, utilisez cet exemple de code. Après avoir créé le fichier .exe à partir du code, vous pouvez taper :

C:\<folder>\GetWSD <experiment-url> <workspace-auth-token>

L’exécution de l’application crée un modèle JSON de service web. Pour utiliser le modèle afin de déployer un service web, vous devez ajouter les informations suivantes :

Nom et clé du compte de stockage

Vous pouvez récupérer le nom et la clé du compte de stockage à partir du portail Azure.
ID de plan d’engagement

Vous pouvez récupérer l’ID du plan sur le portail des services web Machine Learning en vous connectant et en cliquant sur le nom d’un plan.

Ajoutez-les au modèle JSON en tant qu’enfants du nœud Propriétés au même niveau que le nœud MachineLearningWorkspace.

Voici un exemple :

"StorageAccount": {
        "name": "YourStorageAccountName",
        "key": "YourStorageAccountKey"
},
"CommitmentPlan": {
    "id": "subscriptions/YouSubscriptionID/resourceGroups/YourResourceGroupID/providers/Microsoft.MachineLearning/commitmentPlans/YourPlanName"
}

Consultez les articles et les exemples de code suivants pour plus de détails :

Informations de référence sur les applets de commande Machine Learning Studio (classique) sur MSDN

Utiliser des services web

À partir de l’interface utilisateur des services web Machine Learning (test)

Vous pouvez tester votre service web sur le portail de services web Machine Learning. Cela comprend le test du service de requête-réponse (RRS) et des interfaces de service d’exécution de lots (BES).

À partir d’Excel

Vous pouvez télécharger un modèle Excel qui consomme le service web :

À partir d’un client basé sur REST

Les services web Machine Learning sont des API RESTful. Vous pouvez consommer ces API à partir de différentes plateformes, notamment .NET, Python, R, Java, etc. La page Consommer de votre service web sur le portail des services web Machine Learning contient des exemples de code susceptibles de vous aider à démarrer. Pour plus d’informations, consultez Guide pratique pour utiliser un service web Machine Learning.

Partager via