Azure Machine Learning-modellen aanroepen

Voltooid

Het azure_ml-schema stelt uw database in staat om te communiceren met de mogelijkheden van aangepaste machine learning-modellen. Door gebruik te maken van het azure_ml schema, kunt u uw PostgreSQL-database naadloos integreren met Azure Machine Learning-services. Met deze integratie kunt u machine learning-modellen rechtstreeks vanuit uw database implementeren en bedienen, waardoor realtime deductie efficiënt en schaalbaar wordt.

Realtime deductie met het azure_ml schema

Wanneer u de azure_ai-extensie gebruikt, biedt het azure_ml schema een functie voor het rechtstreeks uitvoeren van realtime deductie vanuit de database. De inference functie in dit schema is ontworpen om voorspellingen te doen of uitvoer te genereren met behulp van een getraind model van Azure Machine Learning. Wanneer u een model implementeert, kunt u met de deductiefunctie het model aanroepen en voorspellingen over nieuwe gegevens verkrijgen.

azure_ml.inference(jsonb,integer,boolean,text)

De functie inference() verwacht de volgende invoerparameters:

Maatstaf	Typ	Verstek	Beschrijving
invoer	jsonb		Een JSON-object met het input_data-object dat is vereist voor interactie met Azure Machine Learning-modellen.
timeout_ms	integer	NULL::integer	De time-out...
throw_on_error	boolean	true	Desc...
deployment_name	text	NULL::text	(Optioneel) De naam van de modelimplementatie die moet worden gericht op het opgegeven Azure Machine Learning-eindpunt.

Azure Machine Learning-deductie-eindpunten verwachten een JSON-object (JavaScript Object Notation) als invoer. De structuur van dit object is echter afhankelijk van het onderliggende model. Een regressiemodel dat is getraind om de dagelijkse huurprijzen te voorspellen voor huurwoningen op korte termijn in de regio Seattle, met specifieke invoer zoals de buurt, postcode, aantal slaapkamers en het aantal badkamers, heeft de volgende vorm:

{
  "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]]
  }
}

De verwachte structuur van het invoerobject kan worden opgehaald door de Swagger-definitie te onderzoeken die is gekoppeld aan uw geïmplementeerde eindpunt. Deze definitie geeft de ServiceInput en ServiceOutput structuren op, die u kunt gebruiken om uw invoer en uitvoer te bepalen.

Een verbinding met Azure Machine Learning configureren

Voordat u de azure_ml.inference()-functie gebruikt om realtime deductie uit te voeren, moet u de extensie configureren met uw Azure Machine Learning-score-eindpunt en -sleutel. De waarde voor azure_ml.scoring_endpoint is het REST-eindpunt voor uw geïmplementeerde model. De waarde voor azure_ml.endpoint_key kan de primaire of de secundaire sleutel voor dit eindpunt zijn.

SELECT azure_ai.set_setting('azure_ml.scoring_endpoint', '{endpoint}');
SELECT azure_ai.set_setting('azure_ml.endpoint_key','{api-key}');