Tutoriel : Consommation de modèles Azure Machine Learning dans Power BI

Ce tutoriel présente pas à pas la création d’un rapport Power BI basé sur un modèle Machine Learning. À la fin de ce tutoriel, vous serez en mesure d’effectuer les opérations suivantes :

  • Scorer des modèles Machine Learning (déployés avec Azure Machine Learning) dans Power BI
  • Se connecter à un modèle Azure Machine Learning dans l’Éditeur Power Query
  • Créer un rapport contenant une visualisation basée sur ce modèle
  • Publier ce rapport dans le service Power BI
  • Configurer l’actualisation planifiée du rapport

Prérequis

Avant de commencer ce tutoriel, vous devez effectuer les opérations suivantes :

Créer le modèle de données

Ouvrez Power BI Desktop et sélectionnez obtenir les données. Dans la boîte de dialogue Obtenir des données, recherchez Web. Sélectionnez la source Web > Se connecter.

Capture d’écran des données web

Dans la boîte de dialogue À partir du Web, copiez et collez l’URL suivante dans la zone :

https://www4.stat.ncsu.edu/~boos/var.select/diabetes.tab.txt

Capture d’écran de l’URL web

Sélectionnez OK.

Dans Accéder au contenu web, sélectionnez Anonyme > Se connecter.

Capture d’écran montrant l’accès anonyme pour le contenu web.

Sélectionnez Transformer les données pour ouvrir la fenêtre Éditeur Power Query.

Dans le ruban Accueil de l’Éditeur Power Query, sélectionnez le bouton Azure Machine Learning.

Capture d’écran de l’Éditeur Power Query

Connectez-vous à votre compte Azure avec l’authentification unique. La liste des services disponibles apparaît. Sélectionnez le service my-sklearn-service que vous avez créé dans le tutoriel Entraîner et déployer un modèle Machine Learning.

Power Query remplit automatiquement les colonnes. Pour rappel, dans le schéma du service, un élément décoratif Python spécifiait les entrées. Sélectionnez OK.

Capture d’écran des modèles Azure Machine Learning

Notes

Pour les modèles de série chronologique, Power BI peut ne pas détecter automatiquement le format de date de la colonne « time ». Pour continuer, convertissez la colonne « time » en type Date/heure dans Power BI avant d’appeler Azure Machine Learning.

Azure Machine Learning service est appelé. Il déclenche un avertissement de confidentialité pour les données et le point de terminaison.

Capture d’écran de l’avertissement de confidentialité

Sélectionnez Continuer. Dans l’écran suivant, sélectionnez Ignorer les contrôles des niveaux de confidentialité pour ce fichier > Enregistrer.

Une fois les données scorées, Power Query crée une colonne supplémentaire nommée AzureML.my-diabetes-model.

Capture d’écran de la colonne scorée ajoutée

Le service retourne une liste.

Notes

Si vous avez déployé un modèle de concepteur, vous voyez apparaître un enregistrement.

Pour accéder aux prédictions, sélectionnez la flèche à deux pointes dans l’en-tête de colonne AzureML.my-diabetes-model > Développer sur de nouvelles lignes.

Capture d’écran montrant l’icône de colonne Développer.

Après l’expansion, les prédictions apparaissent dans la colonne AzureML.my-diabetes-model.

Capture d’écran de l’expansion

Suivez les étapes ci-dessous pour terminer le nettoyage de votre modèle de données.

  1. Renommez la colonne AzureML.my-diabetes-model predicted.
  2. Renommez la colonne Y actual.
  3. Modifiez le type de la colonne actual : Sélectionnez la colonne, puis Type de données > Nombre décimal dans le ruban Transformer.
  4. Modifiez le type de la colonne predicted : Sélectionnez cette colonne, puis Type de données > Nombre décimal dans le ruban Transformer.
  5. Dans le ruban Accueil, sélectionnez Fermer et appliquer.

Création d’un rapport contenant des visualisations

Vous pouvez maintenant créer des visualisations pour afficher vos données.

  1. Dans le volet Visualisations, sélectionnez Graphique en courbes.
  2. Après avoir sélectionné le visuel de type graphique en courbes :
  3. Faites glisser le champ AGE dans Axe.
  4. Faites glisser le champ actual dans Valeurs.
  5. Faites glisser le champ predicted dans Valeurs.

Redimensionnez le graphique en courbes de sorte qu’il remplisse la page. Votre rapport contient maintenant un seul graphique en courbes avec deux lignes, l’une pour les valeurs prédites et l’autre pour les valeurs réelles, distribuées par âge.

Capture d’écran de la visualisation du rapport

Publier le rapport

Vous pouvez ajouter d’autres visualisations si vous le souhaitez. Dans un souci de concision, nous allons dans ce tutoriel publier le rapport.

  1. Enregistrez le rapport.

  2. Sélectionnez Fichier > Publier > Publier sur Power BI.

  3. Connectez-vous au service Power BI.

  4. Sélectionnez Mon espace de travail.

  5. Une fois le rapport publié, sélectionnez le lien Ouvrir <MON_FICHIER_PBIX.pbix> dans Power BI. Le rapport s’ouvre le rapport dans Power BI avec votre navigateur.

    Capture d’écran de la publication réussie

Actualisation des jeux de données

Dans un scénario où la source de données est actualisée avec de nouvelles données à scorer, vous devez mettre à jour vos informations d’identification afin que les données puissent être scorées.

Dans Mon espace de travail dans le service Power BI, sélectionnez Plus d’options (…) > Paramètres > Paramètres dans la barre d’en-tête noire.

Capture d’écran des paramètres

Sélectionnez Jeux de données, développez Informations d’identification de la source de données, puis sélectionnez Modifier les informations d’identification.

Capture d’écran de l’actualisation des informations d’identification

Suivez les instructions pour azureMLFunctions et Web. Veillez à sélectionner un niveau de confidentialité. Vous pouvez maintenant définir une Actualisation planifiée des données. Sélectionnez une Fréquence d’actualisation et un Fuseau horaire. Vous pouvez également sélectionner une adresse e-mail. Power BI enverra les notifications d’échec d’actualisation à cette adresse.

Capture d’écran de l’actualisation des jeux de données et des scores

Sélectionnez Appliquer.

Notes

Une fois les données actualisées, il les envoie également à votre point de terminaison Azure Machine Learning pour le scoring.

Nettoyer les ressources

Important

Vous pouvez utiliser les ressources que vous avez créées comme prérequis pour d’autres didacticiels et articles de guides pratiques Azure Machine Learning.

Si vous ne prévoyez pas d’utiliser les ressources que vous avez créées, supprimez-les afin de ne pas occasionner de frais.

  1. Dans le portail Azure, sélectionnez Groupes de ressources tout à gauche.

  2. Dans la liste, sélectionnez le groupe de ressources créé.

  3. Sélectionnez Supprimer le groupe de ressources.

    Capture d’écran des sélections permettant de supprimer un groupe de ressources dans le portail Azure.

  4. Entrez le nom du groupe de ressources. Puis sélectionnez Supprimer.

  5. Dans Mon espace de travail dans le service Power BI, supprimez le rapport et le jeu de données associé. Vous n’avez pas besoin de supprimer Power BI Desktop ni le rapport sur votre ordinateur. Power BI Desktop est gratuit.

Étapes suivantes

Dans cette série de tutoriels, vous avez appris à configurer une planification dans Power BI afin que les nouvelles données puissent être scorées par votre point de terminaison de scoring dans Azure Machine Learning.