Udostępnij za pośrednictwem

Przykład: tworzenie i wdrażanie niestandardowej umiejętności za pomocą usługi Azure Machine Learning (zarchiwizowana)

  • Artykuł

Ten przykład jest zarchiwizowane i poza pomocą techniczną. Wyjaśniono, jak utworzyć niestandardową umiejętność przy użyciu usługi Azure Machine Learning, aby wyodrębnić tonację opartą na aspektach z recenzji. Umożliwiło to przypisanie pozytywnej i negatywnej tonacji w ramach tego samego przeglądu, aby było poprawnie przypisane do zidentyfikowanych jednostek, takich jak personel, pokój, lobby lub pula.

Aby wytrenować model tonacji oparty na aspektach w usłudze Azure Machine Learning, będziesz używać repozytorium przepisów nlp. Następnie model zostanie wdrożony jako punkt końcowy w klastrze Azure Kubernetes. Po wdrożeniu punkt końcowy zostanie dodany do potoku wzbogacania jako umiejętność AML do użycia przez usługę Cognitive usługa wyszukiwania.

Dostępne są dwa zestawy danych. Jeśli chcesz samodzielnie wytrenować model, wymagany jest plik hotel_reviews_1000.csv. Czy chcesz pominąć krok trenowania? Pobierz hotel_reviews_100.csv.

  • Tworzenie wystąpienia Azure Cognitive Search
  • Tworzenie obszaru roboczego usługi Azure Machine Learning (usługa wyszukiwania i obszar roboczy powinny znajdować się w tej samej subskrypcji)
  • Trenowanie i wdrażanie modelu w klastrze Usługi Azure Kubernetes
  • Łączenie potoku wzbogacania sztucznej inteligencji z wdrożonym modelem
  • Pozyskiwanie danych wyjściowych z wdrożonego modelu jako umiejętności niestandardowej

Ważne

Ta umiejętność jest dostępna w publicznej wersji zapoznawczej w ramach dodatkowych warunków użytkowania. Interfejs API REST w wersji zapoznawczej obsługuje tę umiejętność.

Wymagania wstępne

  • Subskrypcja platformy Azure — uzyskaj bezpłatną subskrypcję.
  • Cognitive usługa wyszukiwania
  • Zasób usług Cognitive Services
  • Konto usługi Azure Storage)
  • Obszar roboczy usługi Azure Machine Learning

Konfigurowanie

Otwieranie notesu i nawiązywanie połączenia z usługami platformy Azure

  1. Umieść wszystkie wymagane informacje dla zmiennych, które umożliwią dostęp do usług platformy Azure w pierwszej komórce i uruchom komórkę.
  2. Uruchomienie drugiej komórki potwierdzi, że masz połączenie z usługą wyszukiwania dla subskrypcji.
  3. Sekcje 1.1 – 1.5 tworzą magazyn danych usługi wyszukiwania, zestaw umiejętności, indeks i indeksator.

W tym momencie możesz pominąć kroki tworzenia zestawu danych trenowania i eksperymentowania w usłudze Azure Machine Learning i przejść bezpośrednio do rejestrowania dwóch modeli dostępnych w folderze modeli repozytorium GitHub. Jeśli pominiesz te kroki, w notesie przejdziesz do sekcji 3.5 Pisanie skryptu oceniania. Pozwoli to zaoszczędzić czas; wykonanie kroków pobierania i przekazywania danych może potrwać do 30 minut.

Tworzenie i trenowanie modeli

Sekcja 2 zawiera sześć komórek, które pobierają plik osadzania rękawic z repozytorium przepisów nlp. Po pobraniu plik zostanie następnie przekazany do magazynu danych usługi Azure Machine Learning. Plik .zip jest około 2G i wykonanie tych zadań zajmie trochę czasu. Po przekazaniu dane szkoleniowe są następnie wyodrębniane, a teraz możesz przejść do sekcji 3.

Trenowanie modelu tonacji opartego na aspektach i wdrażanie punktu końcowego

Sekcja 3 notesu przeprowadzi szkolenie modeli utworzonych w sekcji 2, zarejestrowanie tych modeli i wdrożenie ich jako punktu końcowego w klastrze Usługi Azure Kubernetes. Jeśli nie znasz platformy Azure Kubernetes, zdecydowanie zaleca się przejrzenie następujących artykułów przed podjęciem próby utworzenia klastra wnioskowania:

Tworzenie i wdrażanie klastra wnioskowania może potrwać do 30 minut. Zaleca się przetestowanie usługi internetowej przed przejściem do ostatnich kroków, zaktualizowanie zestawu umiejętności i uruchomienie indeksatora.

Aktualizowanie zestawu umiejętności

Sekcja 4 w notesie zawiera cztery komórki, które aktualizują zestaw umiejętności i indeksator. Alternatywnie możesz użyć portalu, aby wybrać i zastosować nowe umiejętności do zestawu umiejętności, a następnie uruchomić indeksator, aby zaktualizować usługę wyszukiwania.

W portalu przejdź do obszaru Zestaw umiejętności i wybierz link Definicja zestawu umiejętności (JSON). W portalu zostanie wyświetlony kod JSON zestawu umiejętności, który został utworzony w pierwszych komórkach notesu. Po prawej stronie ekranu znajduje się menu rozwijane, w którym można wybrać szablon definicji umiejętności. Wybierz szablon usługi Azure Machine Learning (AML). podaj nazwę obszaru roboczego usługi Azure ML i punkt końcowy dla modelu wdrożonego w klastrze wnioskowania. Szablon zostanie zaktualizowany przy użyciu identyfikatora URI i klucza punktu końcowego.

Szablon definicji zestawu umiejętności

Skopiuj szablon zestawu umiejętności z okna i wklej go do definicji zestawu umiejętności po lewej stronie. Edytuj szablon, aby podać brakujące wartości dla:

  • Nazwa
  • Opis
  • Kontekst
  • Nazwa i źródło "dane wejściowe"
  • Nazwa "outputs" i targetName

Zapisz zestaw umiejętności.

Po zapisaniu zestawu umiejętności przejdź do indeksatora i wybierz link Definicja indeksatora (JSON). W portalu zostanie wyświetlony kod JSON indeksatora utworzonego w pierwszych komórkach notesu. Mapowania pól wyjściowych należy zaktualizować przy użyciu dodatkowych mapowań pól, aby upewnić się, że indeksator może obsłużyć je i przekazać je poprawnie. Zapisz zmiany, a następnie wybierz pozycję Uruchom.

Czyszczenie zasobów

W przypadku pracy w ramach własnej subskrypcji warto sprawdzić po zakończeniu projektu, czy dalej potrzebuje się utworzonych zasobów. Uruchomione zasoby mogą generować koszty. Zasoby możesz usuwać pojedynczo lub możesz usunąć grupę zasobów, aby usunąć cały ich zestaw.

Zasoby można znaleźć w portalu i zarządzać nimi, korzystając z linku Wszystkie zasoby lub Grupy zasobów w okienku nawigacji po lewej stronie.

Jeśli używasz bezpłatnej usługi, pamiętaj, że masz ograniczenie do trzech indeksów, indeksatorów i źródeł danych. Możesz usunąć poszczególne elementy w portalu, aby pozostać w limicie.