Wywoływanie modeli usługi Azure Machine Edukacja

  • 3 min

Schemat azure_ml 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

W przypadku korzystania z azure_ai rozszerzenia azure_ml schemat udostępnia funkcję do wykonywania wnioskowania w czasie rzeczywistym 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 jsonb Obiekt JSON zawierający input_data obiekt wymagany do interakcji z modelami usługi Azure Machine Edukacja.
timeout_ms integer NULL::integer Limit czasu...
throw_on_error boolean true Desc...
deployment_name text NULL::text (Opcjonalnie) Nazwa wdrożenia modelu docelowego dla określonego punktu końcowego usługi Azure Machine Edukacja.

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 obszarze Seattle, biorąc pod uwagę określone dane wejściowe, takie jak sąsiedztwo, kod pocztowy, liczba sypialni i liczba łazienek, mają 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 parametru 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}');