Inleiding
Stel dat u een model hebt getraind om restaurants aan te bevelen. Het model is getraind en bijgehouden in Azure Machine Learning. U wilt het model in uw toepassing gebruiken waar consumenten in hun omgeving door restaurants kunnen bladeren. Telkens wanneer een consument een restaurant in de toepassing selecteert, wilt u dat het model andere restaurants aanbeveelt die mogelijk ook van belang zijn voor de consument om de gebruikerservaring te verbeteren.
Wanneer u een model traint, wilt u uiteindelijk het model gebruiken. U wilt het getrainde model gebruiken om labels te voorspellen voor nieuwe gegevens waarop het model niet is getraind.
Als u het model wilt gebruiken, moet u het implementeren . Een manier om een model te implementeren, is het integreren met een service waarmee toepassingen direct of realtime voorspellingen kunnen aanvragen voor afzonderlijke of kleine sets gegevenspunten.
In Azure Machine Learning kunt u online-eindpunten gebruiken om uw model te implementeren en te gebruiken.
Leerdoelen
In deze module wordt het volgende behandeld:
- Beheerde online-eindpunten maken.
- Implementeer uw MLflow-model naar een beheerd online-eindpunt.
- Implementeer een aangepast model naar een beheerd online-eindpunt.
- Online-eindpunten testen.