Exemplo: Criar e implementar uma competência personalizada com o Azure Machine Learning (Arquivado)

Este exemplo é arquivado e não é suportado. Explicou como criar uma competência personalizada com o Azure Machine Learning para extrair sentimentos baseados em aspetos das críticas. Isto permitiu que a atribuição de sentimentos positivos e negativos na mesma revisão fosse corretamente atribuída a entidades identificadas, como pessoal, sala, sala ou agrupamento.

Para preparar o modelo de sentimento baseado em aspetos no Azure Machine Learning, irá utilizar o repositório de receitas nlp. Em seguida, o modelo será implementado como um ponto final num cluster do Azure Kubernetes. Depois de implementado, o ponto final é adicionado ao pipeline de melhoramento como uma competência de AML para utilização pela Serviço de pesquisa Cognitiva.

Existem dois conjuntos de dados fornecidos. Se quiser preparar o modelo manualmente, é necessário o ficheiro de hotel_reviews_1000.csv. Prefere ignorar o passo de preparação? Transfira o hotel_reviews_100.csv.

• Criar uma instância Azure Cognitive Search
• Criar uma área de trabalho do Azure Machine Learning (o serviço de pesquisa e a área de trabalho devem estar na mesma subscrição)
• Preparar e implementar um modelo num cluster do Azure Kubernetes
• Ligar um pipeline de melhoramento de IA ao modelo implementado
• Ingerir saída do modelo implementado como uma competência personalizada

Importante

Esta competência está em pré-visualização pública nos termos suplementares de utilização. A API REST de pré-visualização suporta esta competência.

Pré-requisitos

• Subscrição do Azure – obtenha uma subscrição gratuita.
• Serviço de pesquisa Cognitivo
• Recurso dos Serviços Cognitivos
• Conta de Armazenamento do Azure)
• Área de trabalho do Azure Machine Learning

Configuração

• Clone ou transfira o conteúdo do repositório de exemplo.
• Extraia conteúdos se a transferência for um ficheiro zip. Certifique-se de que os ficheiros são de leitura/escrita.
• Ao configurar as contas e os serviços do Azure, copie os nomes e as chaves para um ficheiro de texto facilmente acedido. Os nomes e chaves serão adicionados à primeira célula do bloco de notas onde são definidas variáveis para aceder aos serviços do Azure.
• Se não estiver familiarizado com o Azure Machine Learning e os respetivos requisitos, deverá rever estes documentos antes de começar:
• Configurar um ambiente de desenvolvimento para o Azure Machine Learning
• Criar e gerir áreas de trabalho do Azure Machine Learning no portal do Azure
• Ao configurar o ambiente de desenvolvimento para o Azure Machine Learning, considere utilizar a instância de computação baseada na cloud para acelerar e facilitar a introdução.
• Carregue o ficheiro do conjunto de dados para um contentor na conta de armazenamento. O ficheiro maior é necessário se pretender efetuar o passo de preparação no bloco de notas. Se preferir ignorar o passo de preparação, recomenda-se o ficheiro mais pequeno.

Abrir o bloco de notas e ligar aos serviços do Azure

1. Coloque todas as informações necessárias para as variáveis que permitirão o acesso aos serviços do Azure na primeira célula e execute a célula.
2. Executar a segunda célula confirmará que se ligou ao serviço de pesquisa da sua subscrição.
3. As secções 1.1 - 1.5 irão criar o arquivo de dados, conjunto de competências, índice e indexador do serviço de pesquisa.

Neste momento, pode optar por ignorar os passos para criar o conjunto de dados de preparação e a experimentação no Azure Machine Learning e avançar diretamente para registar os dois modelos fornecidos na pasta modelos do repositório do GitHub. Se ignorar estes passos, no bloco de notas irá avançar para a secção 3.5, Escrever script de classificação. Isto poupará tempo; os passos de transferência e carregamento de dados podem demorar até 30 minutos a concluir.

Criar e preparar os modelos

A secção 2 tem seis células que transferem o ficheiro de incorporações de luva do repositório de receitas nlp. Após a transferência, o ficheiro é carregado para o arquivo de dados do Azure Machine Learning. O ficheiro .zip é de cerca de 2G e irá demorar algum tempo a efetuar estas tarefas. Depois de carregados, os dados de preparação são extraídos e agora está pronto para avançar para a secção 3.

Preparar o modelo de sentimento baseado em aspetos e implementar o ponto final

A secção 3 do bloco de notas irá preparar os modelos que foram criados na secção 2, registar esses modelos e implementá-los como um ponto final num cluster do Azure Kubernetes. Se não estiver familiarizado com o Azure Kubernetes, recomenda-se vivamente que reveja os seguintes artigos antes de tentar criar um cluster de inferência:

• Descrição geral do serviço Kubernetes do Azure
• Conceitos principais do Kubernetes para Azure Kubernetes Service (AKS)
• Quotas, restrições de tamanho de máquina virtual e disponibilidade de região no Azure Kubernetes Service (AKS)

A criação e implementação do cluster de inferência pode demorar até 30 minutos. É recomendado testar o serviço Web antes de avançar para os passos finais, atualizar o conjunto de competências e executar o indexador.

Atualizar o conjunto de competências

A secção 4 do bloco de notas tem quatro células que atualizam o conjunto de competências e o indexador. Em alternativa, pode utilizar o portal para selecionar e aplicar a nova competência ao conjunto de competências e, em seguida, executar o indexador para atualizar o serviço de pesquisa.

No portal, aceda a Conjunto de competências e selecione a ligação Definição do Conjunto de Competências (JSON). O portal apresentará o JSON do conjunto de competências que foi criado nas primeiras células do bloco de notas. À direita do ecrã, existe um menu pendente onde pode selecionar o modelo de definição de competências. Selecione o modelo do Azure Machine Learning (AML). indique o nome da área de trabalho do Azure ML e o ponto final do modelo implementado no cluster de inferência. O modelo será atualizado com o URI e a chave do ponto final.

Copie o modelo do conjunto de competências da janela e cole-o na definição do conjunto de competências à esquerda. Edite o modelo para fornecer os valores em falta para:

• Nome
• Descrição
• Contexto
• Nome e origem das "entradas"
• Nome e nome de "saídas" e targetName

Guarde o conjunto de competências.

Depois de guardar o conjunto de competências, aceda ao indexador e selecione a ligação Definição do Indexador (JSON). O portal apresentará o JSON do indexador que foi criado nas primeiras células do bloco de notas. Os mapeamentos de campos de saída terão de ser atualizados com mapeamentos de campo adicionais para garantir que o indexador consegue processá-los e transmiti-los corretamente. Guarde as alterações e, em seguida, selecione Executar.

Limpar os recursos

Ao trabalhar na sua própria subscrição, recomendamos que verifique, depois de concluir um projeto, se irá precisar dos recursos que criou. Os recursos que deixar em execução podem custar-lhe dinheiro. Pode eliminar recursos individualmente ou eliminar o grupo de recursos para eliminar todo o conjunto de recursos.

Pode encontrar e gerir recursos no portal com a ligação Todos os recursos ou Grupos de recursos no painel de navegação esquerdo.

Se estiver a utilizar um serviço gratuito, lembre-se de que está limitado a três índices, indexadores e origens de dados. Pode eliminar itens individuais no portal para se manter abaixo do limite.