Azure Machine Learning 스키마 검사
azure_ai 확장의 azure_ml 스키마를 사용하면 데이터베이스가 사용자 지정 컴퓨터 학습 모델의 기능과 상호 작용할 수 있습니다. azure_ml 스키마를 활용하면 PostgreSQL 데이터베이스를 Azure Machine Learning Service와 원활하게 통합할 수 있습니다. 이러한 통합을 통해 데이터베이스에서 직접 기계 학습 모델을 배포하고 제공할 수 있으므로 실시간 유추가 효율적이고 확장 가능해집니다.
azure_ml 스키마를 사용한 실시간 유추
Azure Machine Learning은 엔드투엔드 Machine Learning 워크플로를 간소화하는 클라우드 기반 플랫폼입니다. Azure Machine Learning 내에서 모델은 PyTorch 및 TensorFlow와 같은 널리 사용되는 프레임워크를 사용하여 개발됩니다. 일단 학습되면 이러한 모델은 예측을 요청할 수 있는 안정적인 URL인 엔드포인트로 배포됩니다.
실시간 유추를 제공하는 온라인 엔드포인트를 통해 azure_ai 확장과 통합된 Azure Machine Learning을 통해 데이터베이스에서 직접 정확한 예측을 수행할 수 있습니다. 이 스키마 내의 inference 함수는 Azure Machine Learning에서 학습된 모델을 사용하여 예측을 수행하거나 출력을 생성하는 것을 용이하게 하도록 설계되었습니다. 모델을 배포할 때 유추 함수를 사용하면 모델을 호출하고 새 데이터에 대한 예측을 가져올 수 있습니다.
azure_ml.inference(jsonb,integer,boolean,text)
inference() 함수에는 다음 입력 매개 변수가 필요합니다.
| 매개 변수 | Type | 기본값 | 설명 |
|---|---|---|---|
| input_data | jsonb |
Azure Machine Learning 모델과 상호 작용하는 데 필요한 input_data 개체가 포함된 JSON 개체입니다. |
|
| deployment_name | text |
NULL::text |
(선택 사항) 지정된 Azure Machine Learning 엔드포인트를 대상으로 하는 모델 배포의 이름. |
| timeout_ms | integer |
NULL::integer |
시간 초과... |
| throw_on_error | boolean |
true |
desc... |
| max_attempts | integer |
1 |
오류가 발생한 경우 Azure OpenAI 서비스 호출을 다시 시도하는 횟수입니다. |
| retry_delay_ms | integer |
1000 |
Azure OpenAI 서비스 엔드포인트 호출을 다시 시도하기 전에 대기하는 시간(밀리초)입니다. |
Azure Machine Learning 유추 엔드포인트는 JSON(JavaScript Object Notation) 개체를 입력으로 예상합니다. 그러나 이 개체의 구조는 기본 모델에 따라 달라집니다. 예를 들어, 이웃, 우편 번호, 침실 수, 욕실 수 등과 같은 특정 입력을 바탕으로 워싱턴주 시애틀 지역의 단기 주택 임대에 대한 일별 임대 가격을 예측하도록 학습된 회귀 모델은 다음과 같은 형태를 갖습니다.
{
"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]]
}
}
예상되는 입력 개체 구조는 배포된 엔드포인트와 연결된 Swagger 정의를 검사하여 검색할 수 있습니다. 이 정의는 입력과 출력을 결정하는 데 사용할 수 있는 ServiceInput 및 ServiceOutput 구조를 지정합니다.
Azure Machine Learning에 대한 연결 구성
실시간 유추를 수행하기 위해 azure_ml.inference() 함수를 사용하기 전에 Azure Machine Learning 채점 엔드포인트 및 키를 사용하여 확장을 구성해야 합니다. azure_ml.scoring_endpoint의 값은 배포된 모델의 REST 엔드포인트입니다. azure_ml.endpoint_key의 값은 이 엔드포인트의 기본 키 또는 보조 키일 수 있습니다.
SELECT azure_ai.set_setting('azure_ml.scoring_endpoint', '{endpoint}');
SELECT azure_ai.set_setting('azure_ml.endpoint_key', '{api-key}');