例: Azure Machine Learning デザイナーを使用してカスタムスキルを構築してデプロイする (アーカイブ済み)

[アーティクル]
02/01/2023

この例はアーカイブされ、サポート対象外です。 Azure Machine Learning デザイナーを使用する方法は、回帰や分類などのタスクの機械学習モデルを作成するために使いやすい対話型キャンバスです。 Cognitive Search エンリッチメントパイプラインでデザイナーによって作成されたモデルを呼び出すには、いくつかの追加の手順が必要です。この例では、自動車の価格を予測し、推論エンドポイントを AML スキルとして呼び出すシンプルな回帰モデルを作成します。

パイプラインとデータセットのサンプルに関するドキュメントページの回帰 - 自動車価格の予測 (詳細) についてのチュートリアルに従って、さまざまな機能を指定して自動車の価格を予測するモデルを作成します。

重要

リアルタイムの推論プロセスに従ってモデルをデプロイすると、有効なエンドポイントが得られますが、Cognitive Search の AML スキルで使用できるものではありません。

モデルを登録して資産をダウンロードする

モデルをトレーニングしたら、そのトレーニング済みのモデルを登録し、手順に従って trained_model_outputs フォルダー内のすべてのファイルをダウンロードするか、モデル成果物ページから score.py および conda_env.yml ファイルのみをダウンロードします。スコア付けスクリプトは、モデルがリアルタイムの推論エンドポイントとしてデプロイされる前に編集します。

Cognitive Search で使用するスコア付けスクリプトを編集する

Cognitive Search エンリッチメントパイプラインは単一のドキュメントに対して機能し、単一の予測の入力を含む要求が生成されます。ダウンロードした score.py ではレコードのリストを受け入れ、シリアル化された JSON 文字列として予測のリストを返します。 score.py に対して、次の 2 つの変更を行います

リストではなく、単一の入力レコードを操作するようにスクリプトを編集する
単一のプロパティ (予測価格) を含む JSON オブジェクトを返すようにスクリプトを編集する。

ダウンロードした score.py を開き、run(data) 関数を編集します。この関数は現在、モデルの _samples.json ファイルで説明されているように、次の入力を予測するように設定されています。

[
  {
    "symboling": 2,
    "make": "mitsubishi",
    "fuel-type": "gas",
    "aspiration": "std",
    "num-of-doors": "two",
    "body-style": "hatchback",
    "drive-wheels": "fwd",
    "engine-location": "front",
    "wheel-base": 93.7,
    "length": 157.3,
    "width": 64.4,
    "height": 50.8,
    "curb-weight": 1944,
    "engine-type": "ohc",
    "num-of-cylinders": "four",
    "engine-size": 92,
    "fuel-system": "2bbl",
    "bore": 2.97,
    "stroke": 3.23,
    "compression-ratio": 9.4,
    "horsepower": 68.0,
    "peak-rpm": 5500.0,
    "city-mpg": 31,
    "highway-mpg": 38,
    "price": 6189.0
  },
  {
    "symboling": 0,
    "make": "toyota",
    "fuel-type": "gas",
    "aspiration": "std",
    "num-of-doors": "four",
    "body-style": "wagon",
    "drive-wheels": "fwd",
    "engine-location": "front",
    "wheel-base": 95.7,
    "length": 169.7,
    "width": 63.6,
    "height": 59.1,
    "curb-weight": 2280,
    "engine-type": "ohc",
    "num-of-cylinders": "four",
    "engine-size": 92,
    "fuel-system": "2bbl",
    "bore": 3.05,
    "stroke": 3.03,
    "compression-ratio": 9.0,
    "horsepower": 62.0,
    "peak-rpm": 4800.0,
    "city-mpg": 31,
    "highway-mpg": 37,
    "price": 6918.0
  },
  {
    "symboling": 1,
    "make": "honda",
    "fuel-type": "gas",
    "aspiration": "std",
    "num-of-doors": "two",
    "body-style": "sedan",
    "drive-wheels": "fwd",
    "engine-location": "front",
    "wheel-base": 96.5,
    "length": 169.1,
    "width": 66.0,
    "height": 51.0,
    "curb-weight": 2293,
    "engine-type": "ohc",
    "num-of-cylinders": "four",
    "engine-size": 110,
    "fuel-system": "2bbl",
    "bore": 3.15,
    "stroke": 3.58,
    "compression-ratio": 9.1,
    "horsepower": 100.0,
    "peak-rpm": 5500.0,
    "city-mpg": 25,
    "highway-mpg": 31,
    "price": 10345.0
  }
]

変更により、インデックス作成時に Cognitive Search によって生成された入力 (単一のレコード) が確実にモデルで受け入れられるようになります。

{
    "symboling": 2,
    "make": "mitsubishi",
    "fuel-type": "gas",
    "aspiration": "std",
    "num-of-doors": "two",
    "body-style": "hatchback",
    "drive-wheels": "fwd",
    "engine-location": "front",
    "wheel-base": 93.7,
    "length": 157.3,
    "width": 64.4,
    "height": 50.8,
    "curb-weight": 1944,
    "engine-type": "ohc",
    "num-of-cylinders": "four",
    "engine-size": 92,
    "fuel-system": "2bbl",
    "bore": 2.97,
    "stroke": 3.23,
    "compression-ratio": 9.4,
    "horsepower": 68.0,
    "peak-rpm": 5500.0,
    "city-mpg": 31,
    "highway-mpg": 38,
    "price": 6189.0
}

27 行目から 30 行目までを以下に置き換えます


    for key, val in data.items():
        input_entry[key].append(decode_nan(val))

また、スクリプトで生成された出力を編集し、文字列から JSON オブジェクトにする必要があります。元のファイルの return ステートメント (37 行目) を次のように編集します。

    output = result.data_frame.values.tolist()
    return {
        "predicted_price": output[0][-1]
    }

これは、入力形式と予測される出力が変更された更新済みの run 関数であり、単一のレコードを入力として受け入れ、予測される価格を含む JSON オブジェクトが返されます。

def run(data):
    data = json.loads(data)
    input_entry = defaultdict(list)
    # data is now a JSON object not a list of JSON objects
    for key, val in data.items():
        input_entry[key].append(decode_nan(val))

    data_frame_directory = create_dfd_from_dict(input_entry, schema_data)
    score_module = ScoreModelModule()
    result, = score_module.run(
        learner=model,
        test_data=DataTable.from_dfd(data_frame_directory),
        append_or_result_only=True)
    #return json.dumps({"result": result.data_frame.values.tolist()})
    output = result.data_frame.values.tolist()
    # return the last column of the the first row of the dataframe
    return  {
        "predicted_price": output[0][-1]
    }

モデルを登録してデプロイする

変更が保存されたので、ポータルでモデルを登録できるようになりました。 [モデルの登録] を選択し、有効な名前を指定します。モデルフレームワークには Other、フレームワーク名には Custom、フレームワークバージョンには 1.0 を選びます。 Upload folder オプションを選択し、score.py と conda_env.yaml が更新されているフォルダーを選びます。

モデルを選び、Deploy アクションを選択します。デプロイ手順は、AKS 推論クラスターがプロビジョニングされていることを前提としています。現在、Cognitive Search では、コンテナーインスタンスはサポートされていません。

有効なエンドポイント名を指定します
コンピューティングの種類として Azure Kubernetes Service を選択します
推論クラスターのコンピューティング名を選択します
enable authentication をオンに切り替えます
その種類には Key-based authentication を選択します
entry script file には更新された score.py を選択します
conda dependencies file には conda_env.yaml を選択します
デプロイボタンを選択して、新しいエンドポイントをデプロイします。

Cognitive Search と統合する

新しく作成されたエンドポイントを Cognitive Search と統合するには、次のようにします

単一の自動車レコードを含む JSON ファイルを BLOB コンテナーに追加します
データのインポートウィザードを使用して AI エンリッチメントパイプラインを構成します。必ず、parsing mode として JSON を選択してください
Add Enrichments タブで、プレースホルダーとして単一のスキル Extract people names を選択します。
種類が Edm.Double の predicted_price というインデックスに新しいフィールドを追加し、Retrievable プロパティを true に設定します。
データのインポートプロセスを完了します

AML スキルをスキルセットに追加する

スキルセットのリストから、作成したスキルセットを選択します。次に、スキルセットを編集してユーザー識別スキルを AML スキルに置き換え、価格を予測します。 [スキルセットの定義 (JSON)] タブで、スキルドロップダウンから [Azure Machine Learning (AML)] を選択します。ワークスペースを選択します。AML スキルでエンドポイントを検出するには、ワークスペースと検索サービスが同じ Azure サブスクリプションにある必要があります。チュートリアルの前の手順で作成したエンドポイントを選択します。エンドポイントをデプロイしたときに構成された URI と認証情報がスキルに設定されていることを確認します。スキルテンプレートをコピーし、スキルセットのスキルを置き換えます。スキルを編集して次のようにします。

名前を有効な名前に設定します
説明を追加します
degreesOfParallelism を 1 に設定します
コンテキストを /document に設定します
入力をすべての必須入力に設定します。以下のスキル定義のサンプルを参照してください
返される予測価格を取り込むように出力を設定します。

{
      "@odata.type": "#Microsoft.Skills.Custom.AmlSkill",
      "name": "AMLdemo",
      "description": "AML Designer demo",
      "context": "/document",
      "uri": "Your AML endpoint",
      "key": "Your AML endpoint key",
      "resourceId": null,
      "region": null,
      "timeout": "PT30S",
      "degreeOfParallelism": 1,
      "inputs": [
        {
          "name": "symboling",
          "source": "/document/symboling"
        },
        {
          "name": "make",
          "source": "/document/make"
        },
        {
          "name": "fuel-type",
          "source": "/document/fuel-type"
        },
        {
          "name": "aspiration",
          "source": "/document/aspiration"
        },
        {
          "name": "num-of-doors",
          "source": "/document/num-of-doors"
        },
        {
          "name": "body-style",
          "source": "/document/body-style"
        },
        {
          "name": "drive-wheels",
          "source": "/document/drive-wheels"
        },
        {
          "name": "engine-location",
          "source": "/document/engine-location"
        },
        {
          "name": "wheel-base",
          "source": "/document/wheel-base"
        },
        {
          "name": "length",
          "source": "/document/length"
        },
        {
          "name": "width",
          "source": "/document/width"
        },
        {
          "name": "height",
          "source": "/document/height"
        },
        {
          "name": "curb-weight",
          "source": "/document/curb-weight"
        },
        {
          "name": "engine-type",
          "source": "/document/engine-type"
        },
        {
          "name": "num-of-cylinders",
          "source": "/document/num-of-cylinders"
        },
        {
          "name": "engine-size",
          "source": "/document/engine-size"
        },
        {
          "name": "fuel-system",
          "source": "/document/fuel-system"
        },
        {
          "name": "bore",
          "source": "/document/bore"
        },
        {
          "name": "stroke",
          "source": "/document/stroke"
        },
        {
          "name": "compression-ratio",
          "source": "/document/compression-ratio"
        },
        {
          "name": "horsepower",
          "source": "/document/horsepower"
        },
        {
          "name": "peak-rpm",
          "source": "/document/peak-rpm"
        },
        {
          "name": "city-mpg",
          "source": "/document/city-mpg"
        },
        {
          "name": "highway-mpg",
          "source": "/document/highway-mpg"
        },
        {
          "name": "price",
          "source": "/document/price"
        }
      ],
      "outputs": [
        {
          "name": "predicted_price",
          "targetName": "predicted_price"
        }
      ]
    }

インデクサーの出力フィールドマッピングを更新する

インデクサーの出力フィールドマッピングによって、インデックスに保存されるエンリッチメントが決まります。インデクサーの出力フィールドマッピングセクションを以下のスニペットに置き換えます。

"outputFieldMappings": [
    {
      "sourceFieldName": "/document/predicted_price",
      "targetFieldName": "predicted_price"
    }
  ]

これでインデクサーを実行し、AML スキル出力からの結果を使用して、インデックスに predicted_price プロパティが設定されていることを確認できます。

次の方法で共有

例: Azure Machine Learning デザイナーを使用してカスタムスキルを構築してデプロイする (アーカイブ済み)

モデルを登録して資産をダウンロードする

Cognitive Search で使用するスコア付けスクリプトを編集する

モデルを登録してデプロイする

Cognitive Search と統合する

AML スキルをスキルセットに追加する

インデクサーの出力フィールドマッピングを更新する

その他のリソース

次の方法で共有

例: Azure Machine Learning デザイナーを使用してカスタム スキルを構築してデプロイする (アーカイブ済み)

モデルを登録して資産をダウンロードする

Cognitive Search で使用するスコア付けスクリプトを編集する

モデルを登録してデプロイする

Cognitive Search と統合する

AML スキルをスキルセットに追加する

インデクサーの出力フィールド マッピングを更新する

その他のリソース

例: Azure Machine Learning デザイナーを使用してカスタムスキルを構築してデプロイする (アーカイブ済み)

インデクサーの出力フィールドマッピングを更新する