Badanie schematu usługi Azure Machine Edukacja

  • 4 min

azure_ml Schemat azure_ai rozszerzenia umożliwia bazie danych interakcję z możliwościami niestandardowych modeli uczenia maszynowego. Korzystając ze schematuazure_ml, możesz bezproblemowo zintegrować bazę danych PostgreSQL z usługami Azure Machine Edukacja. Ta integracja umożliwia wdrażanie i udostępnianie modeli uczenia maszynowego bezpośrednio z bazy danych, dzięki czemu wnioskowanie w czasie rzeczywistym jest wydajne i skalowalne.

Wnioskowanie w czasie rzeczywistym ze schematem azure_ml

Usługa Azure Machine Edukacja to oparta na chmurze platforma usprawniająca kompleksowe przepływy pracy uczenia maszynowego. W ramach usługi Azure Machine Edukacja modele są opracowywane przy użyciu popularnych struktur, takich jak PyTorch i TensorFlow. Po wytrenowanym modelu te modele są wdrażane jako punkty końcowe, stabilne adresy URL, w których można żądać przewidywań.

Dzięki punktom końcowym online zapewniającym wnioskowanie w czasie rzeczywistym usługa Azure Machine Edukacja zintegrowana z azure_ai rozszerzeniem umożliwia tworzenie dokładnych przewidywań bezpośrednio z bazy danych. Funkcja w tym schemacie została zaprojektowana inference tak, aby ułatwić przewidywanie lub generowanie danych wyjściowych przy użyciu wytrenowanego modelu z usługi Azure Machine Edukacja. Podczas wdrażania modelu funkcja wnioskowania umożliwia wywoływanie modelu i uzyskiwanie przewidywań na nowych danych.

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

Funkcja inference() oczekuje następujących parametrów wejściowych:

Parametr Typ Domyślny opis
input_data jsonb Obiekt JSON zawierający input_data obiekt wymagany do interakcji z modelami usługi Azure Machine Edukacja.
deployment_name text NULL::text (Opcjonalnie) Nazwa wdrożenia modelu docelowego dla określonego punktu końcowego usługi Azure Machine Edukacja.
timeout_ms integer NULL::integer Limit czasu...
throw_on_error boolean true Desc...
max_attempts integer 1 Liczba ponownych prób wywołania usługi Azure OpenAI w przypadku awarii.
retry_delay_ms integer 1000 Czas oczekiwania (w milisekundach) przed podjęciem próby ponownego wywołania punktu końcowego usługi Azure OpenAI.

Usługa Azure Machine Edukacja wnioskowanie punktów końcowych oczekuje obiektu JavaScript Object Notation (JSON) jako danych wejściowych. Jednak struktura tego obiektu zależy od modelu bazowego. Na przykład model regresji przeszkolony w celu przewidywania dziennych cen wynajmu mieszkań krótkoterminowych w Seattle w stanie Waszyngton, biorąc pod uwagę określone dane wejściowe, takie jak sąsiedztwo, kod pocztowy, liczba sypialni, liczba łazienek i nie tylko, ma następujący kształt:

{
  "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]]
  }
}

Oczekiwaną strukturę obiektu wejściowego można pobrać, sprawdzając definicję struktury Swagger skojarzona z wdrożonym punktem końcowym. Ta definicja określa ServiceInput struktury i ServiceOutput , których można użyć do określania danych wejściowych i wyjściowych.

Konfigurowanie połączenia z usługą Azure Machine Edukacja

Przed użyciem azure_ml.inference() funkcji do wnioskowania w czasie rzeczywistym należy skonfigurować rozszerzenie za pomocą usługi Azure Machine Edukacja oceniania punktu końcowego i klucza. Wartość parametru azure_ml.scoring_endpoint to punkt końcowy REST dla wdrożonego modelu. Wartość azure_ml.endpoint_key może być kluczem podstawowym lub pomocniczym dla tego punktu końcowego.

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