Analiza tonacji za pomocą usługi Azure Stream Analytics i usługi Machine Learning Studio (wersja klasyczna)

Artykuł
06/14/2024

Ważne

Obsługa usługi Azure Machine Learning Studio (wersja klasyczna) zakończy się 31 sierpnia 2024 r. Zalecamy przejście do usługi Azure Machine Learning do tej daty.

Od 1 grudnia 2021 r. nie można utworzyć nowych zasobów usługi Machine Learning Studio (klasycznego) (obszaru roboczego i planu usługi internetowej). Do 31 sierpnia 2024 r. możesz nadal korzystać z istniejących eksperymentów i usług internetowych usługi Machine Learning Studio (klasycznych). Aby uzyskać więcej informacji, zobacz:

Dokumentacja usługi Machine Learning Studio (klasyczna) jest wycofywana i może nie zostać zaktualizowana w przyszłości.

W tym artykule pokazano, jak skonfigurować proste zadanie usługi Azure Stream Analytics, które używa usługi Machine Learning Studio (klasycznej) do analizy tonacji. Do analizowania danych tekstowych przesyłania strumieniowego i określania oceny tonacji używa się modelu analizy tonacji w galerii Cortany (klasycznej).

Napiwek

Zdecydowanie zaleca się używanie funkcji zdefiniowanej przez użytkownika usługi Azure Machine Learning zamiast funkcji UDF usługi Machine Learning Studio (klasycznej) w celu zwiększenia wydajności i niezawodności.

Możesz zastosować informacje z tego artykułu do scenariuszy, takich jak:

Analizowanie tonacji w czasie rzeczywistym na danych przesyłania strumieniowego X.
Analizowanie rekordów czatów klientów przy użyciu personelu pomocy technicznej.
Ocenianie komentarzy na forach, blogach i filmach wideo.
Wiele innych scenariuszy oceniania predykcyjnego w czasie rzeczywistym.

Utworzone zadanie analizy przesyłania strumieniowego stosuje model analizy tonacji jako funkcję zdefiniowaną przez użytkownika (UDF) na przykładowych danych tekstowych z magazynu obiektów blob. Dane wyjściowe (wynik analizy tonacji) są zapisywane w tym samym magazynie obiektów blob w innym pliku CSV.

Wymagania wstępne

Przed rozpoczęciem upewnij się, że dysponujesz następującymi elementami:

Aktywna subskrypcja platformy Azure.
Plik CSV z niektórymi danymi X. Możesz pobrać przykładowy plik z usługi GitHub lub utworzyć własny plik. W rzeczywistym scenariuszu dane są uzyskiwane bezpośrednio ze strumienia danych X.

Tworzenie kontenera magazynu i przekazywanie pliku wejściowego CSV

W tym kroku przekażesz plik CSV do kontenera magazynu.

W witrynie Azure Portal wybierz pozycję Utwórz konto magazynu magazynu>zasobów>.

Wypełnij kartę Podstawy następującymi szczegółami i pozostaw wartości domyślne pozostałych pól:

Pole	Wartość
Subskrypcja	Wybierz subskrypcję.
Grupa zasobów	Wybierz grupę zasobów.
Nazwa konta magazynu	Wprowadź nazwę konta magazynu. Nazwa musi być unikatowa na platformie Azure.
Lokalizacja	Wybierz lokalizację. Wszystkie zasoby powinny używać tej samej lokalizacji.
Rodzaj konta	BlobStorage

podaj szczegóły konta magazynu

Wybierz pozycję Przejrzyj i utwórz. Następnie wybierz pozycję Utwórz , aby wdrożyć konto magazynu.
Po zakończeniu wdrażania przejdź do konta magazynu. W obszarze Blob service wybierz pozycję Kontenery. Następnie wybierz pozycję + Kontener , aby utworzyć nowy kontener.
Podaj nazwę kontenera i sprawdź, czy poziom dostępu publicznego jest ustawiony na Prywatny. Po zakończeniu wybierz Utwórz.
Przejdź do nowo utworzonego kontenera i wybierz pozycję Przekaż. Przekaż pobrany wcześniej plik sampleinput.csv.

Dodawanie modelu analizy tonacji z galerii Cortana Intelligence

Teraz, gdy przykładowe dane są w obiekcie blob, możesz włączyć model analizy tonacji w galerii cortany analizy.

Przejdź do strony modelu analizy tonacji predykcyjnej w galerii Cortana Intelligence.
Wybierz pozycję Otwórz w programie Studio (wersja klasyczna).
Zaloguj się, aby przejść do obszaru roboczego. Wybierz lokalizację.
Wybierz pozycję Uruchom w dolnej części strony. Proces jest uruchamiany, co trwa około minuty.
Po pomyślnym uruchomieniu procesu wybierz pozycję Wdróż usługę internetową w dolnej części strony.
Aby sprawdzić, czy model analizy tonacji jest gotowy do użycia, wybierz przycisk Testuj. Podaj wprowadzanie tekstu, takie jak "Kocham firmę Microsoft".

Jeśli test działa, zostanie wyświetlony wynik podobny do następującego przykładu:
W kolumnie Aplikacje wybierz link skoroszytu programu Excel 2010 lub starszego, aby pobrać skoroszyt programu Excel. Skoroszyt zawiera klucz interfejsu API i adres URL, który należy później skonfigurować zadanie usługi Stream Analytics.

Tworzenie zadania usługi Stream Analytics korzystającego z modelu studio (klasycznego)

Teraz możesz utworzyć zadanie usługi Stream Analytics, które odczytuje przykładowe tweety z pliku CSV w magazynie obiektów blob.

Tworzenie zadania

Przejdź do witryny Azure Portal i utwórz zadanie usługi Stream Analytics. Jeśli nie znasz tego procesu, zobacz Tworzenie zadania usługi Stream Analytics przy użyciu witryny Azure Portal.

Konfigurowanie danych wejściowych zadania

Zadanie pobiera dane wejściowe z pliku CSV przekazanego wcześniej do magazynu obiektów blob.

Przejdź do zadania usługi Stream Analytics. W obszarze Topologia zadania wybierz opcję Dane wejściowe . Wybierz pozycję Dodaj wejściowy magazyn obiektów blob strumienia>.

Wypełnij szczegóły usługi Blob Storage następującymi wartościami:

Pole	Wartość
Alias danych wejściowych	Podaj nazwę danych wejściowych. Zapamiętaj ten alias podczas pisania zapytania.
Subskrypcja	Wybierz subskrypcję.
Konto magazynu	Wybierz konto magazynu utworzone w poprzednim kroku.
Kontener	Wybierz kontener utworzony w poprzednim kroku.
Format serializacji zdarzeń	CSV

Wybierz pozycję Zapisz.

Konfigurowanie danych wyjściowych zadania

Zadanie wysyła wyniki do tego samego magazynu obiektów blob, w którym pobiera dane wejściowe.

Przejdź do zadania usługi Stream Analytics. W obszarze Topologia zadania wybierz opcję Dane wyjściowe . Wybierz pozycję Dodaj>magazyn obiektów blob.

Wypełnij formularz usługi Blob Storage następującymi wartościami:

Pole	Wartość
Alias danych wejściowych	Podaj nazwę danych wejściowych. Zapamiętaj ten alias podczas pisania zapytania.
Subskrypcja	Wybierz subskrypcję.
Konto magazynu	Wybierz konto magazynu utworzone w poprzednim kroku.
Kontener	Wybierz kontener utworzony w poprzednim kroku.
Format serializacji zdarzeń	CSV

Wybierz pozycję Zapisz.

Dodawanie funkcji Studio (klasycznej)

Wcześniej opublikowano model programu Studio (klasyczny) w usłudze internetowej. W tym scenariuszu, gdy zadanie usługi Stream Analysis zostanie uruchomione, wysyła każdy przykładowy tweet z danych wejściowych do usługi internetowej na potrzeby analizy tonacji. Usługa internetowa Studio (klasyczna) zwraca tonację (positive, neutrallub negative) i prawdopodobieństwo, że tweet jest dodatni.

W tej sekcji zdefiniujesz funkcję w zadaniu usługi Stream Analysis. Funkcję można wywołać, aby wysłać tweet do usługi internetowej i uzyskać odpowiedź z powrotem.

Upewnij się, że masz adres URL usługi internetowej i klucz interfejsu API pobrany wcześniej w skoroszycie programu Excel.
Przejdź do zadania usługi Stream Analytics. Następnie wybierz pozycję Funkcje>+ Dodaj>program Azure ML Studio

Wypełnij formularz funkcji usługi Azure Machine Learning następującymi wartościami:

Pole	Wartość
Alias funkcji	Użyj nazwy `sentiment` i wybierz pozycję Podaj ustawienia funkcji usługi Azure Machine Learning ręcznie, co umożliwia wprowadzenie adresu URL i klucza.
URL	Wklej adres URL usługi internetowej.
Klucz	Wklej klucz interfejsu API.

wybierz pozycję Zapisz.

Tworzenie zapytania w celu przekształcenia danych

Usługa Stream Analytics używa deklaratywnego zapytania opartego na języku SQL, aby zbadać dane wejściowe i przetworzyć je. W tej sekcji utworzysz zapytanie, które odczytuje każdy tweet z danych wejściowych, a następnie wywołuje funkcję Studio (klasyczną) w celu przeprowadzenia analizy tonacji. Następnie zapytanie wysyła wynik do danych wyjściowych zdefiniowanych (magazyn obiektów blob).

Wróć do przeglądu zadania usługi Stream Analytics.
W obszarze Topologia zadania wybierz pozycję Zapytanie.
Wprowadź następujące zapytanie:
```
WITH sentiment AS (  
SELECT text, sentiment1(text) as result 
FROM <input>  
)  

SELECT text, result.[Score]  
INTO <output>
FROM sentiment  
```
Zapytanie wywołuje utworzoną wcześniej funkcję (sentiment) w celu przeprowadzenia analizy tonacji dla każdego tweetu w danych wejściowych.
wybierz pozycję Zapisz , aby zapisać zapytanie.

Uruchamianie zadania usługi Stream Analytics i sprawdzanie danych wyjściowych

Teraz możesz uruchomić zadanie usługi Stream Analytics.

Uruchamianie zadania

Wróć do przeglądu zadania usługi Stream Analytics.
wybierz pozycję Rozpocznij w górnej części strony.
W obszarze Zadanie uruchamiania wybierz pozycję Niestandardowy, a następnie wybierz jeden dzień przed przekazaniem pliku CSV do magazynu obiektów blob. Gdy wszystko będzie gotowe, wybierz pozycję Uruchom.

Sprawdzanie danych wyjściowych

Pozwól, aby zadanie było uruchamiane przez kilka minut, aż zobaczysz działanie w polu Monitorowanie .
Jeśli masz narzędzie, którego zwykle używasz do badania zawartości magazynu obiektów blob, użyj tego narzędzia do zbadania kontenera. Alternatywnie wykonaj następujące czynności w witrynie Azure Portal:
1. W witrynie Azure Portal znajdź konto magazynu i w ramach konta znajdź kontener. W kontenerze są widoczne dwa pliki: plik zawierający przykładowe tweety i plik CSV wygenerowany przez zadanie usługi Stream Analytics.
2. Kliknij prawym przyciskiem myszy wygenerowany plik, a następnie wybierz polecenie Pobierz.
Otwórz wygenerowany plik CSV. Zobaczysz coś podobnego do następującego przykładu:

Wyświetlanie metryk

Możesz również wyświetlić metryki związane z funkcją programu Studio (wersja klasyczna). Następujące metryki związane z funkcją są wyświetlane w polu Monitorowanie przeglądu zadania:

Żądania funkcji wskazują liczbę żądań wysyłanych do usługi internetowej studio (klasycznej).
Zdarzenia funkcji wskazują liczbę zdarzeń w żądaniu. Domyślnie każde żądanie do usługi internetowej Studio (klasycznej) zawiera maksymalnie 1000 zdarzeń.

Udostępnij za pośrednictwem