Kurz 3: nasazení modelu úvěrového rizika – Azure Machine Learning Studio (Classic)Tutorial 3: Deploy credit risk model - Azure Machine Learning Studio (classic)

platí pro:  Toto je značka zaškrtnutí, což znamená, že se tento článek týká Machine Learning Studio (Classic). Machine Learning Studio (Classic)  Toto je X, což znamená, že se tento článek týká Azure Machine Learning. Azure Machine Learning APPLIES TO: This is a check mark, which means that this article applies to Machine Learning Studio (classic).Machine Learning Studio (classic) This is an X, which means that this article applies to Azure Machine Learning.Azure Machine Learning

V tomto kurzu se podíváme na proces vývoje řešení prediktivní analýzy.In this tutorial, you take an extended look at the process of developing a predictive analytics solution. V Machine Learning Studio (Classic) vyvíjíte jednoduchý model.You develop a simple model in Machine Learning Studio (classic). Model pak nasadíte jako Azure Machine Learning webovou službu.You then deploy the model as an Azure Machine Learning web service. Tento nasazený model může vytvářet předpovědi s využitím nových dat.This deployed model can make predictions using new data. Tento kurz je třetí částí série kurzů s třemi částmi.This tutorial is part three of a three-part tutorial series.

Předpokládejme, že potřebujete předpovědět úvěrové riziko u jednotlivých zákazníků na základě údajů, které uvedli v žádosti o úvěr.Suppose you need to predict an individual's credit risk based on the information they gave on a credit application.

Posouzení úvěrového rizika je složitý problém, ale v tomto kurzu se tento kurz zjednodušuje.Credit risk assessment is a complex problem, but this tutorial will simplify it a bit. Použijete ho jako příklad, jak můžete vytvořit řešení prediktivní analýzy pomocí Microsoft Azure Machine Learning Studio (Classic).You'll use it as an example of how you can create a predictive analytics solution using Microsoft Azure Machine Learning Studio (classic). Pro toto řešení použijete Azure Machine Learning Studio (Classic) a Machine Learning webovou službu.You'll use Azure Machine Learning Studio (classic) and a Machine Learning web service for this solution.

V tomto kurzu se třemi částmi začínáte veřejně dostupnými daty o úvěrovém riziku.In this three-part tutorial, you start with publicly available credit risk data. Pak vyvíjíte a naučíte prediktivní model.You then develop and train a predictive model. Nakonec model nasadíte jako webovou službu.Finally you deploy the model as a web service.

V první části kurzujste vytvořili pracovní prostor Machine Learning Studio (klasický), nahráli jste data a vytvořili experiment.In part one of the tutorial, you created a Machine Learning Studio (classic) workspace, uploaded data, and created an experiment.

Ve druhé části kurzujste prohodnotili a vyhodnotili modely.In part two of the tutorial, you trained and evaluated models.

V této části kurzu:In this part of the tutorial you:

  • Příprava nasazeníPrepare for deployment
  • Nasazení webové službyDeploy the web service
  • Otestování webové službyTest the web service
  • Správa webové službyManage the web service
  • Nastavení přístupu k webové služběAccess the web service

PředpokladyPrerequisites

Vyplňte druhou část kurzu.Complete part two of the tutorial.

Příprava nasazeníPrepare for deployment

Pokud chcete ostatním umožnit používání prediktivního modelu, který jste vytvořili v tomto kurzu, můžete ho nasadit jako webovou službu v Azure.To give others a chance to use the predictive model you've developed in this tutorial, you can deploy it as a web service on Azure.

Až do tohoto okamžiku jste se seznámili s školením našeho modelu.Up to this point you've been experimenting with training our model. Nicméně nasazená služba již neprovádí školení – vygeneruje nové předpovědi vyhodnocením vstupu uživatele na základě našeho modelu.But the deployed service is no longer going to do training - it's going to generate new predictions by scoring the user's input based on our model. Provedeme si ale nějaké přípravy na převod tohoto experimentu z experimentu školení _ na _prediktivní*_ experiment.So we're going to do some preparation to convert this experiment from a training _ experiment to a _predictive*_ experiment.

Příprava na nasazení je proces tří kroků:Preparation for deployment is a three-step process:

  1. Odebrat jeden z modelůRemove one of the models
  2. Převedení _training experimentu *, který jste vytvořili, do prediktivního experimentuConvert the _training experiment* you've created into a predictive experiment
  3. Nasazení prediktivního experimentu jako webové službyDeploy the predictive experiment as a web service

Odebrat jeden z modelůRemove one of the models

Nejdřív je potřeba zkrátit tento experiment trochu.First, you need to trim this experiment down a little. v současné době máte dva různé modely v experimentu, ale chcete použít jenom jeden model, když ho nasadíte jako webovou službu.you currently have two different models in the experiment, but you only want to use one model when you deploy this as a web service.

Řekněme, že jste se rozhodli, že se zesílený stromový model vypnul lépe než model SVM.Let's say you've decided that the boosted tree model performed better than the SVM model. První věc, kterou je potřeba udělat, je odebrat modul vektorového počítače podpory dvou tříd a moduly, které se použily k jeho školení.So the first thing to do is remove the Two-Class Support Vector Machine module and the modules that were used for training it. Kopii experimentu můžete vytvořit nejdřív tak, že kliknete na Uložit jako v dolní části plátna experimentu.You may want to make a copy of the experiment first by clicking Save As at the bottom of the experiment canvas.

je nutné odstranit následující moduly:you need to delete the following modules:

Vyberte jednotlivé moduly a stiskněte klávesu DELETE nebo klikněte pravým tlačítkem na modul a vyberte Odstranit.Select each module and press the Delete key, or right-click the module and select Delete.

Zvýrazní moduly, které se mají odstranit, aby se odstranil model podpory Vector.

Náš model by teď měl vypadat nějak takto:Our model should now look something like this:

Výsledný experiment při odstranění modelu podpory vektorového počítače

Nyní jsme připraveni nasadit tento model pomocí rozřízeného rozhodovacího stromu se dvěma třídami.Now we're ready to deploy this model using the Two-Class Boosted Decision Tree.

Převod školicího experimentu na prediktivní experimentConvert the training experiment to a predictive experiment

Chcete-li získat tento model připravený pro nasazení, je třeba převést tento experiment školení na prediktivní experiment.To get this model ready for deployment, you need to convert this training experiment to a predictive experiment. Zahrnuje tři kroky:This involves three steps:

  1. Uložte si model, který jste pronaučili, a potom nahraďte naše školicí moduly.Save the model you've trained and then replace our training modules
  2. Oříznout experiment a odebrat moduly, které byly pro školení nutné.Trim the experiment to remove modules that were only needed for training
  3. Definujte, kde bude webová služba přijímat vstup a kde vygeneruje výstup.Define where the web service will accept input and where it generates the output

Můžete to provést ručně, ale naštěstí všechny tři kroky můžete provést kliknutím na nastavit webovou službu ve spodní části plátna experimentu (a výběrem možnosti prediktivní webová služba ).you could do this manually, but fortunately all three steps can be accomplished by clicking Set Up Web Service at the bottom of the experiment canvas (and selecting the Predictive Web Service option).

Tip

Pokud potřebujete další podrobnosti o tom, co se stane, když převedete školicí experiment na prediktivní experiment, přečtěte si téma Příprava modelu pro nasazení v Azure Machine Learning Studio (Classic).If you want more details on what happens when you convert a training experiment to a predictive experiment, see How to prepare your model for deployment in Azure Machine Learning Studio (classic).

Když kliknete na nastavit webovou službu, stane se několik věcí:When you click Set Up Web Service, several things happen:

  • Vycvičený model se převede na jeden modul trained model a uloží se do palety modulu nalevo od plátna experimentu (můžete ho najít v části trained Models).The trained model is converted to a single Trained Model module and stored in the module palette to the left of the experiment canvas (you can find it under Trained Models)
  • Moduly, které se použily pro školení, se odeberou. určenModules that were used for training are removed; specifically:
  • Uložený vycvičený model se přidá zpátky do experimentu.The saved trained model is added back into the experiment
  • Jsou přidány výstupní moduly webové služby a výstupní webové služby (které určují, kde budou data uživatele zadávat model a jaká data se vrátí, když je webová služba dostupná).Web service input and Web service output modules are added (these identify where the user's data will enter the model, and what data is returned, when the web service is accessed)

Poznámka

Na kartách, které byly přidány v horní části plátna experimentu, vidíte, že je experiment uložený ve dvou částech.You can see that the experiment is saved in two parts under tabs that have been added at the top of the experiment canvas. Původní školicí experiment je pod experimentem školení na kartě a nově vytvořený prediktivní experiment je v rámci prediktivního experimentu.The original training experiment is under the tab Training experiment, and the newly created predictive experiment is under Predictive experiment. Prediktivní experiment je ten, který nasadíte jako webovou službu.The predictive experiment is the one you'll deploy as a web service.

v rámci tohoto konkrétního experimentu je třeba provést jeden další krok.you need to take one additional step with this particular experiment. Přidali jste dva moduly spuštění skriptu R , které poskytují funkci váhy dat.you added two Execute R Script modules to provide a weighting function to the data. To bylo pouze štych, které jste potřebovali pro školení a testování, takže tyto moduly můžete vzít v konečném modelu.That was just a trick you needed for training and testing, so you can take out those modules in the final model. Machine Learning Studio (Classic) odebraly při odebrání rozděleného modulu jeden modul pro spuštění skriptu R .Machine Learning Studio (classic) removed one Execute R Script module when it removed the Split module. Nyní můžete odebrat Editor metadat druhý a připojit přímo ke bodovému modelu.Now you can remove the other and connect Metadata Editor directly to Score Model.

Náš experiment by teď měl vypadat takto:Our experiment should now look like this:

Bodování výukového modelu

Poznámka

Možná vás zajímá, proč jste v prediktivním experimentu opustili datovou sadu dat platební karty v sadě UCI němčina.You may be wondering why you left the UCI German Credit Card Data dataset in the predictive experiment. Služba bude pohodnocovat data uživatelů, ne původní datovou sadu, takže proč ponechat původní datovou sadu v modelu?The service is going to score the user's data, not the original dataset, so why leave the original dataset in the model?

Je true, že služba nepotřebuje původní data kreditní karty.It's true that the service doesn't need the original credit card data. Ale potřebuje schéma pro tato data, včetně informací o tom, kolik sloupců existují a které sloupce jsou číselné.But it does need the schema for that data, which includes information such as how many columns there are and which columns are numeric. Tyto informace o schématu jsou nezbytné k interpretaci dat uživatele.This schema information is necessary to interpret the user's data. Tyto součásti se nechají připojené, takže modul bodování má při spuštění služby schéma datové sady.you leave these components connected so that the scoring module has the dataset schema when the service is running. Data se nepoužívají, stačí pouze ze schématu.The data isn't used, just the schema.

Je důležité si uvědomit, že pokud vaše původní datová sada obsahovala popisek, očekává se také očekávané schéma z webového vstupu, které bude mít sloupec s popiskem.One important thing to note is that if your original dataset contained the label, then the expected schema from the web input will also expect a column with the label! Takovým způsobem je odebrání popisku a všech dalších dat, která byla v datové sadě pro školení, ale nebudou ve webových vstupech před připojením datové sady webových vstupů a školení ke společnému modulu.A way around this is to remove the label, and any other data that was in the training dataset, but will not be in the web inputs, before connecting the web input and training dataset into a common module.

Spusťte experiment jednou, a to tak, že kliknete na Spustit. Pokud chcete ověřit, že model stále pracuje, klikněte na výstup modulu určení skóre modelu a vyberte Zobrazit výsledky.Run the experiment one last time (click Run.) If you want to verify that the model is still working, click the output of the Score Model module and select View Results. Vidíte, že se zobrazují původní data, spolu s hodnotou úvěrového rizika ("popisky s skóre") a hodnotou pravděpodobnosti bodování ("pravděpodobnosti skóre".)You can see that the original data is displayed, along with the credit risk value ("Scored Labels") and the scoring probability value ("Scored Probabilities".)

Nasazení webové službyDeploy the web service

Experiment můžete nasadit jako klasickou webovou službu nebo jako novou webovou službu založenou na Azure Resource Manager.You can deploy the experiment as either a Classic web service, or as a New web service that's based on Azure Resource Manager.

Nasazení jako klasické webové službyDeploy as a Classic web service

Pokud chcete nasadit klasickou webovou službu odvozenou z našeho experimentu, klikněte na nasadit webovou službu pod plátno a vyberte nasadit webovou službu [Classic].To deploy a Classic web service derived from our experiment, click Deploy Web Service below the canvas and select Deploy Web Service [Classic]. Machine Learning Studio (Classic) nasadí experiment jako webovou službu a přejde na řídicí panel pro tuto webovou službu.Machine Learning Studio (classic) deploys the experiment as a web service and takes you to the dashboard for that web service. Na této stránce se můžete vrátit do experimentu (Zobrazit snímek nebo Zobrazit nejnovější) a spustit jednoduchý test webové služby (viz testování webové služby níže).From this page, you can return to the experiment (View snapshot or View latest) and run a simple test of the web service (see Test the web service below). Zde najdete také informace pro vytváření aplikací, které mají přístup k webové službě (Další informace najdete v dalším kroku tohoto kurzu).There is also information here for creating applications that can access the web service (more on that in the next step of this tutorial).

Řídicí panel webové služby

Službu můžete nakonfigurovat kliknutím na kartu Konfigurace . Tady můžete upravit název služby (ve výchozím nastavení se mu přidělí název experimentu) a pojmenujte ho.You can configure the service by clicking the CONFIGURATION tab. Here you can modify the service name (it's given the experiment name by default) and give it a description. Pro vstupní a výstupní data můžete také zadat výstižnější popisky.You can also give more friendly labels for the input and output data.

Konfigurace webové služby

Nasadit jako novou webovou službuDeploy as a New web service

Poznámka

Nasazení nové webové služby vyžaduje dostatečná oprávnění v předplatném, do kterého nasazujete webovou službu.To deploy a New web service you must have sufficient permissions in the subscription to which you are deploying the web service. Další informace najdete v tématu Správa webové služby pomocí portálu Azure Machine Learning Web Services.For more information, see Manage a web service using the Azure Machine Learning Web Services portal.

Nasazení nové webové služby odvozené z našeho experimentu:To deploy a New web service derived from our experiment:

  1. Klikněte na nasadit webovou službu pod plátno a vyberte nasadit webovou službu [New].Click Deploy Web Service below the canvas and select Deploy Web Service [New]. Machine Learning Studio (Classic) vás přenáší na stránku experimentu nasazení webové služby Azure Machine Learning Web Services.Machine Learning Studio (classic) transfers you to the Azure Machine Learning web services Deploy Experiment page.

  2. Zadejte název webové služby.Enter a name for the web service.

  3. V případě cenového plánu můžete vybrat existující Cenový tarif nebo vybrat vytvořit nové a zadat název nového plánu a vybrat možnost měsíčního plánu.For Price Plan, you can select an existing pricing plan, or select "Create new" and give the new plan a name and select the monthly plan option. Plány plánu se ve výchozím nastavení naplánují pro výchozí oblast a vaše webová služba se v této oblasti nasadí.The plan tiers default to the plans for your default region and your web service is deployed to that region.

  4. Klikněte na Deploy (Nasadit).Click Deploy.

Po několika minutách se otevře stránka rychlý Start pro vaši webovou službu.After a few minutes, the Quickstart page for your web service opens.

Službu můžete nakonfigurovat kliknutím na kartu Konfigurovat . Tady můžete upravit název služby a zadat pro něj popis.You can configure the service by clicking the Configure tab. Here you can modify the service title and give it a description.

Chcete-li otestovat webovou službu, klikněte na kartu test (viz Test webové služby níže).To test the web service, click the Test tab (see Test the web service below). Informace o vytváření aplikací, které mají přístup k webové službě, získáte tak, že kliknete na kartu spotřebování (další krok v tomto kurzu se zobrazí podrobněji).For information on creating applications that can access the web service, click the Consume tab (the next step in this tutorial will go into more detail).

Tip

Webovou službu můžete po nasazení aktualizovat.You can update the web service after you've deployed it. Například pokud chcete změnit svůj model, můžete upravit experiment pro školení, upravit parametry modelu a kliknout na nasadit webovou službu, vybrat nasadit webovou službu [Classic] nebo nasadit webovou službu [New].For example, if you want to change your model, then you can edit the training experiment, tweak the model parameters, and click Deploy Web Service, selecting Deploy Web Service [Classic] or Deploy Web Service [New]. Když znovu nasadíte experiment, nahradí se tím webová služba, která teď používá aktualizovaný model.When you deploy the experiment again, it replaces the web service, now using your updated model.

Otestování webové službyTest the web service

Když je k webové službě přistupovaná, data uživatele se doplní přes Vstupní modul webové služby , ve kterém se předají do modulu skóre modelu a skóre.When the web service is accessed, the user's data enters through the Web service input module where it's passed to the Score Model module and scored. Způsob, jakým jste nastavili prediktivní experiment, model očekává data ve stejném formátu jako v původní datové sadě úvěrového rizika.The way you've set up the predictive experiment, the model expects data in the same format as the original credit risk dataset. Výsledky se vrátí uživateli z webové služby přes výstupní modul webové služby .The results are returned to the user from the web service through the Web service output module.

Tip

Jak máte nakonfigurované prediktivní experiment, vrátí se celý výsledek z modulu skóre modelu .The way you have the predictive experiment configured, the entire results from the Score Model module are returned. To zahrnuje všechna vstupní data plus hodnotu úvěrového rizika a pravděpodobnost bodování.This includes all the input data plus the credit risk value and the scoring probability. Můžete ale vracet něco jiného, pokud chcete – například můžete vracet pouze hodnotu úvěrového rizika.But you can return something different if you want - for example, you could return just the credit risk value. Provedete to tak, že vložíte modul Vybrat sloupce mezi modelem skóre a výstupem webové služby , aby se vyloučily sloupce, které nechcete, aby webová služba vracela.To do this, insert a Select Columns module between Score Model and the Web service output to eliminate columns you don't want the web service to return.

Klasickou webovou službu můžete testovat buď v Machine Learning Studio (Classic) , nebo na portálu Azure Machine Learning Web Services .You can test a Classic web service either in Machine Learning Studio (classic) or in the Azure Machine Learning Web Services portal. Novou webovou službu můžete testovat jenom na portálu Machine Learning Web Services .You can test a New web service only in the Machine Learning Web Services portal.

Tip

Při testování na portálu Azure Machine Learning Web Services můžete mít portál vytvořit ukázková data, která můžete použít k otestování služby Request-Response.When testing in the Azure Machine Learning Web Services portal, you can have the portal create sample data that you can use to test the Request-Response service. Na stránce Konfigurace vyberte možnost Ano, pokud chcete ukázková data povolit?.On the Configure page, select "Yes" for Sample Data Enabled?. Když na stránce test otevřete kartu Request-Response, na portálu se vyplní ukázková data z původní datové sady úvěrového rizika.When you open the Request-Response tab on the Test page, the portal fills in sample data taken from the original credit risk dataset.

Testování klasické webové službyTest a Classic web service

Klasickou webovou službu můžete testovat v Machine Learning Studio (Classic) nebo na portálu Machine Learning Web Services.You can test a Classic web service in Machine Learning Studio (classic) or in the Machine Learning Web Services portal.

Test v Machine Learning Studio (klasický)Test in Machine Learning Studio (classic)

  1. Na stránce řídicího panelu webové služby klikněte na tlačítko test pod výchozím koncovým bodem.On the DASHBOARD page for the web service, click the Test button under Default Endpoint. Zobrazí se dialogové okno se žádostí o zadání vstupních dat pro službu.A dialog pops up and asks you for the input data for the service. Jedná se o stejné sloupce, které se objevily v původní datové sadě úvěrového rizika.These are the same columns that appeared in the original credit risk dataset.

  2. Zadejte sadu dat a pak klikněte na OK.Enter a set of data and then click OK.

Testování na portálu Machine Learning Web ServicesTest in the Machine Learning Web Services portal

  1. Na stránce řídicího panelu webové služby klikněte na odkaz test Preview pod výchozím koncovým bodem.On the DASHBOARD page for the web service, click the Test preview link under Default Endpoint. Stránka test na portálu Azure Machine Learning Web Services pro koncový bod webové služby se otevře a zobrazí dotaz na vstupní data pro danou službu.The test page in the Azure Machine Learning Web Services portal for the web service endpoint opens and asks you for the input data for the service. Jedná se o stejné sloupce, které se objevily v původní datové sadě úvěrového rizika.These are the same columns that appeared in the original credit risk dataset.

  2. Klikněte na testovat požadavek-odpověď.Click Test Request-Response.

Testování nové webové službyTest a New web service

Novou webovou službu můžete testovat jenom na portálu Machine Learning Web Services.You can test a New web service only in the Machine Learning Web Services portal.

  1. Na portálu Azure Machine Learning Web Services klikněte v horní části stránky na test .In the Azure Machine Learning Web Services portal, click Test at the top of the page. Otevře se stránka test a můžete zadat data pro službu.The Test page opens and you can input data for the service. Zobrazená vstupní pole odpovídají sloupcům, které se objevily v původní datové sadě úvěrového rizika.The input fields displayed correspond to the columns that appeared in the original credit risk dataset.

  2. Zadejte sadu dat a pak klikněte na testovat požadavek-odpověď.Enter a set of data and then click Test Request-Response.

Výsledky testu se zobrazí na pravé straně stránky ve sloupci Output (výstup).The results of the test are displayed on the right-hand side of the page in the output column.

Správa webové službyManage the web service

Po nasazení webové služby, ať už jde o klasickou nebo novou, ji můžete spravovat z portálu Microsoft Azure Machine Learning webové služby .Once you've deployed your web service, whether Classic or New, you can manage it from the Microsoft Azure Machine Learning Web Services portal.

Chcete-li monitorovat výkon webové služby:To monitor the performance of your web service:

  1. Přihlaste se k portálu Microsoft Azure Machine Learning Web ServicesSign in to the Microsoft Azure Machine Learning Web Services portal
  2. Klikněte na webové služby .Click Web services
  3. Klikněte na svou webovou službu.Click your web service
  4. Klikněte na řídicí panel .Click the Dashboard

Nastavení přístupu k webové služběAccess the web service

V předchozím kroku tohoto kurzu jste nasadili webovou službu, která využívá model předpovědi úvěrového rizika.In the previous step in this tutorial, you deployed a web service that uses your credit risk prediction model. Nyní se uživatelé můžou do IT posílat data a získat výsledky.Now users are able to send data to it and receive results.

Webová služba je webová služba Azure, která může přijímat a vracet data pomocí rozhraní REST API jedním ze dvou způsobů:The Web service is an Azure web service that can receive and return data using REST APIs in one of two ways:

  • Požadavek nebo odpověď – uživatel odešle do služby jeden nebo více řádků kreditních dat pomocí protokolu HTTP a služba odpoví jednou nebo více sadami výsledků.Request/Response - The user sends one or more rows of credit data to the service by using an HTTP protocol, and the service responds with one or more sets of results.
  • Dávkové spuštění – uživatel ukládá jeden nebo více řádků kreditních dat do objektu blob Azure a pak odešle umístění objektu blob do služby.Batch Execution - The user stores one or more rows of credit data in an Azure blob and then sends the blob location to the service. Služba porovnává všechny řádky dat ve vstupním objektu blob, uloží výsledky do jiného objektu BLOB a vrátí adresu URL tohoto kontejneru.The service scores all the rows of data in the input blob, stores the results in another blob, and returns the URL of that container.

Poznámka

Názvy sloupců funkcí v studiu (Classic) rozlišují velká a malá písmena.Feature column names in Studio (classic) are case sensitive. Ujistěte se, že vstupní data pro vyvolání webové služby mají stejné názvy sloupců jako v datové sadě školení.Make sure your input data for invoking the web service has the same column names as in the training dataset.

Další informace o přístupu a používání webové služby najdete v tématu věnovaném využívání Azure Machine Learning webové služby pomocí šablony webové aplikace.For more information on accessing and consuming the web service, see Consume an Azure Machine Learning Web service with a web app template.

Vyčištění prostředkůClean up resources

Pokud už nepotřebujete prostředky, které jste vytvořili pomocí tohoto článku, odstraňte je, abyste se vyhnuli poplatkům.If you no longer need the resources you created using this article, delete them to avoid incurring any charges. Naučte se, jak v článku exportovat a odstranit data uživatelů v produktu.Learn how in the article, Export and delete in-product user data.

Další krokyNext steps

V tomto kurzu jste dokončili tyto kroky:In this tutorial, you completed these steps:

  • Příprava nasazeníPrepare for deployment
  • Nasazení webové službyDeploy the web service
  • Otestování webové službyTest the web service
  • Správa webové službyManage the web service
  • Nastavení přístupu k webové služběAccess the web service

Můžete také vyvinout vlastní aplikaci pro přístup k webové službě pomocí počátečního kódu, který je k dispozici v programovacích jazycích R, C# a Python.You can also develop a custom application to access the web service using starter code provided for you in R, C#, and Python programming languages.