Recompilación de un servicio web de Studio (clásico) en Azure Machine Learning

Importante

La compatibilidad con Azure Machine Learning Studio (clásico) finalizará el 31 de agosto de 2024. Se recomienda realizar la transición a Azure Machine Learning por esa fecha.

A partir del 1 de diciembre de 2021, no puede crear nuevos recursos de Machine Learning Studio (clásico) (área de trabajo y plan de servicio web). Hasta el 31 de agosto de 2024, puede seguir usando los experimentos y servicios web existentes de Machine Learning Studio (clásico). Para más información, vea:

• Migración a Azure Machine Learning desde Machine Learning Studio (clásico)
• ¿Qué es Azure Machine Learning?

La documentación de Machine Learning Studio (clásico) se está retirando y es posible que no se actualice en el futuro.

En este artículo, veremos cómo recompilar un servicio web de ML Studio (clásico) como punto de conexión en Azure Machine Learning.

Los puntos de conexión de canalización de Azure Machine Learning se usan para realizar predicciones, volver a entrenar modelos o ejecutar cualquier canalización genérica. El punto de conexión REST permite ejecutar canalizaciones desde cualquier plataforma.

Este artículo forma parte de la serie de migración de Studio (clásico) a Azure Machine Learning. Para obtener más información sobre cómo migrar a Azure Machine Learning, consulte el artículo de información general sobre la migración.

Nota

Esta serie sobre la migración se centra en el diseñador de arrastrar y colocar. Para obtener más información sobre la implementación de modelos mediante programación, consulte Implementación de modelos de aprendizaje automático en Azure.

Requisitos previos

• Una cuenta de Azure con una suscripción activa. Cree una cuenta gratuita.
• Un área de trabajo de Azure Machine Learning. Creación de recursos para el área de trabajo.
• Una canalización de entrenamiento de Azure Machine Learning. Para más información, consulte Recompilación de un experimento de Studio (clásico) en Azure Machine Learning.

Punto de conexión en tiempo real y punto de conexión de canalización

Los servicios web de Studio (clásico) se han reemplazado por puntos de conexión en Azure Machine Learning. Use la tabla siguiente para elegir el tipo de punto de conexión que desea usar:

Servicio web de Studio (clásico)	Reemplazo en Azure Machine Learning
Servicio web de solicitud/respuesta (predicción en tiempo real)	Punto de conexión en tiempo real
Servicio web de lotes (predicción por lotes)	Punto de conexión de canalización
Servicio web de nuevo entrenamiento (nuevo entrenamiento)	Punto de conexión de canalización

Implementar un punto de conexión en tiempo real

En Studio (clásico), usaba un servicio web REQUEST/RESPOND para implementar un modelo para las predicciones en tiempo real. En Azure Machine Learning, se usa un punto de conexión en tiempo real.

Hay varias maneras de implementar un modelo en Azure Machine Learning. Una de las maneras más sencillas es usar el diseñador para automatizar el proceso de implementación. Siga estos pasos para implementar un modelo como un punto de conexión en tiempo real:

1. Ejecute la canalización de entrenamiento finalizada al menos una vez.

2. Cuando finalice la ejecución, en la parte superior del lienzo, seleccione Crear canalización de inferencia>Canalización de inferencia en tiempo real.

   

   El diseñador convierte la canalización de entrenamiento en una canalización de inferencia en tiempo real. También se produce una conversión similar en Studio (clásico).

   En el diseñador, el paso de conversión también registra el modelo entrenado en el área de trabajo de Azure Machine Learning.

3. Seleccione Enviar para ejecutar la canalización de inferencia en tiempo real y compruebe que se ejecuta correctamente.

4. Después de comprobar la canalización de inferencia, seleccione Implementar.

5. Escriba un nombre para el punto de conexión y un tipo de proceso.

   En la tabla siguiente se describen las opciones de proceso de implementación en el diseñador:

   Destino de proceso	Se usa para	Descripción	Creación
   Azure Kubernetes Service (AKS)	Inferencia en tiempo real	Implementaciones de producción a gran escala. Tiempo de respuesta rápido y escalado automático del servicio.	Creado por el usuario. Para más información, consulte el artículo sobre creación de destinos de proceso.
   Azure Container Instances	Pruebas o desarrollo	Cargas de trabajo basadas en CPU a pequeña escala que requieren menos de 48 GB de RAM.	Azure Machine Learning lo crea automáticamente.

Prueba del punto de conexión en tiempo real

Una vez finalizada la implementación, puede ver más detalles y probar el punto de conexión:

1. Haga clic en la pestaña Puntos de conexión.

2. Seleccione el punto de conexión.

3. Seleccione la pestaña Prueba.

   

Publicación de un punto de conexión de canalización para un nuevo entrenamiento o la predicción por lotes

También puede usar la canalización de entrenamiento para crear un punto de conexión de canalización en lugar de un punto de conexión en tiempo real. Use puntos de conexión de canalización para realizar nuevos entrenamientos o predicciones por lotes.

Los puntos de conexión de canalización reemplazan los puntos de conexión de ejecución por lotes de Studio (clásico) y los servicios web de nuevo entrenamiento.

Publicación de un punto de conexión de canalización para la predicción por lotes

La publicación de un punto de conexión de predicción por lotes es similar a la del punto de conexión en tiempo real.

Siga estos pasos para publicar un punto de conexión de canalización para la predicción por lotes:

1. Ejecute la canalización de entrenamiento finalizada al menos una vez.

2. Cuando finalice la ejecución, en la parte superior del lienzo, seleccione Crear canalización de inferencia>Canalización de inferencia por lotes.

   

   El diseñador convierte la canalización de entrenamiento en una canalización de inferencia por lotes. También se produce una conversión similar en Studio (clásico).

   En el diseñador, este paso también registra el modelo entrenado en el área de trabajo de Azure Machine Learning.

3. Seleccione Enviar para ejecutar la canalización de inferencia por lotes y compruebe que se ejecuta correctamente.

4. Después de comprobar la canalización de inferencia, seleccione Publicar.

5. Cree un nuevo punto de conexión de canalización o seleccione uno existente.

   Un nuevo punto de conexión de canalización crea un nuevo punto de conexión REST para la canalización.

   Si selecciona un punto de conexión de canalización existente, no se sobrescribirá la canalización existente. En su lugar, Azure Machine Learning crea una versión de cada canalización en el punto de conexión. Puede especificar la versión que se ejecutará en la llamada REST. También debe establecer una canalización predeterminada si la llamada REST no especifica una versión.

Publicación de un punto de conexión de canalización para el nuevo entrenamiento

Para publicar un punto de conexión de canalización para el nuevo entrenamiento, ya debe tener un borrador de canalización que entrene un modelo. Para más información sobre cómo compilar una canalización de entrenamiento, consulte Recompilación de un experimento de Studio (clásico).

Para volver a usar el punto de conexión de la canalización para el nuevo entrenamiento, debe crear un parámetro de canalización para el conjunto de datos de entrada. Esto le permite establecer de forma dinámica el conjunto de datos de entrenamiento, para que pueda volver a entrenar el modelo.

Siga estos pasos para publicar el punto de conexión de canalización del nuevo entrenamiento:

1. Ejecute la canalización de entrenamiento al menos una vez.

2. Una vez finalizada la ejecución, seleccione el módulo del conjunto de datos.

3. En el panel de detalles del módulo, seleccione Set as pipeline parameter (Establecer como parámetro de canalización).

4. Proporcione un nombre descriptivo, como "InputDataset".

   

   De este modo crea un parámetro de canalización para el conjunto de datos de entrada. Cuando llame al punto de conexión de la canalización para el entrenamiento, puede especificar un nuevo conjunto de datos para volver a entrenar el modelo.

5. Seleccione Publicar.

   

Llamada al punto de conexión de la canalización desde Studio

Después de crear la inferencia de lotes o el punto de conexión de la canalización de nuevo entrenamiento, puede llamar al punto de conexión directamente desde el explorador.

1. Vaya a la pestaña Canalizaciones y seleccione Puntos de conexión de canalización.

2. Seleccione el punto de conexión de canalización que desea ejecutar.

3. Seleccione Submit (Enviar).

   Puede especificar cualquier parámetro de canalización después de seleccionar Enviar.

Pasos siguientes

En este artículo, ha aprendido a recompilar un servicio web de Studio (clásico) en Azure Machine Learning. El siguiente paso consiste en integrar el servicio web con las aplicaciones cliente.

Consulte los demás artículos de la serie de migración de Studio (clásico):

1. Información general sobre la migración.
2. Migración de un conjunto de datos de Studio a Azure Machine Learning.
3. Recompilación de una canalización de entrenamiento de Studio (clásico).
4. Recompilación de un servicio web de Studio (clásico).
5. Integración de un servicio web de Azure Machine Learning con aplicaciones cliente.
6. Migración de los módulos Execute R Script (Ejecutar script R) de Studio (Clásico).