Endpoint per l'inferenza nell'ambiente di produzione

Articolo
05/21/2024

SI APPLICA A:Estensione ml dell'interfaccia della riga di comando di Azure v2 (corrente)Python SDK azure-ai-ml v2 (corrente)

Dopo aver eseguito il training di modelli o pipeline di apprendimento automatico o aver trovato modelli dal catalogo dei modelli in base alle proprie esigenze, è necessario distribuirli nell'ambiente di produzione in modo che altri utenti possano usarli per l'inferenza. L'inferenza è il processo di applicazione di nuovi dati di input a un modello o a una pipeline di Machine Learning per generare output. Anche se questi output vengono in genere definiti "previsioni", l'inferenza può essere usata per generare output per altre attività di Machine Learning, come la classificazione e il clustering. In Azure Machine Learning, si esegue l'inferenza usando endpoint .

Endpoint e distribuzioni

Un endpoint è un URL stabile e durevole che può essere usato per richiedere o richiamare un modello. Vengono forniti gli input necessari per l'endpoint e vengono restituiti gli output. Un endpoint fornisce:

un URL stabile e durevole (ad esempio endpoint-name.region.inference.ml.azure.com),
un meccanismo di autenticazione e
un meccanismo di autorizzazione.

Una distribuzione è un set di risorse e ambienti di calcolo necessari per ospitare il modello o un componente che esegue l'inferenza effettiva. Un singolo endpoint può contenere una o più distribuzioni (ad eccezione di endpoint API serverless). Le distribuzioni possono ospitare asset indipendenti e utilizzare risorse diverse in base alle esigenze degli asset. Inoltre, gli endpoint dispongono di un meccanismo di routing che può indirizzare le richieste a distribuzioni specifiche nell'endpoint.

Alcuni tipi di endpoint in Azure Machine Learning usano risorse dedicate nelle distribuzioni. Affinché questi endpoint vengano eseguiti, è necessario disporre della quota di calcolo nella sottoscrizione. Tuttavia, alcuni modelli supportano una distribuzione serverless che non utilizza alcuna quota dalla sottoscrizione, ma vengono fatturati in base all'utilizzo.

Intuizione

Si supponga di lavorare su un'applicazione che prevede il tipo e il colore di un'auto, data la foto. Per questa applicazione, un utente con determinate credenziali effettua una richiesta HTTP a un URL e fornisce un'immagine di un'automobile come parte della richiesta. In cambio, l'utente ottiene una risposta che include il tipo e il colore dell'auto come valori stringa. In questo scenario, l'URL funge da endpoint.

Diagramma che mostra il concetto di endpoint.

Si supponga inoltre che una scienziata dei dati, Martina, stia lavorando all'implementazione dell'applicazione. Martina conosce bene TensorFlow e decide di implementare il modello usando un classificatore sequenziale Keras con un'architettura RestNet dall'hub TensorFlow. Dopo averlo testato, Martina è soddisfatta dei risultati e decide di usare il modello per risolvere il problema di previsione dell'auto. Il modello è di grandi dimensioni e richiede 8 GB di memoria con 4 core per essere eseguito. In questo scenario, il modello e le risorse di Martina, ad esempio il codice e il calcolo, necessari per eseguire il modello costituiscono una distribuzione sotto l'endpoint.

Diagramma che mostra il concetto di distribuzione.

Si supponga che dopo un paio di mesi l'organizzazione scopra che l'applicazione ha prestazioni scarse sulle immagini con condizioni di illuminazione non ideali. Luca, un altro scienziato dei dati, conosce molte tecniche di aumento dei dati che consentono a un modello di creare affidabilità su tale fattore. Tuttavia, Luca preferisce usare Torch per implementare il modello ed esegue il training di un nuovo modello con Torch. Luca vuole provare gradualmente questo modello nella produzione fino a quando l'organizzazione non è pronta a ritirare il vecchio modello. Il nuovo modello mostra anche prestazioni migliori durante la distribuzione in GPU, quindi la distribuzione deve includerne una. In questo scenario, il modello e le risorse di Luca, ad esempio il codice e il calcolo, necessari per eseguire il modello costituiscono un'altra distribuzione sotto lo stesso endpoint.

Diagramma che mostra il concetto di endpoint con più distribuzioni.

Endpoint: API serverless, online e batch

Azure Machine Learning consente di implementare endpoint API serverless, endpoint onlinee endpoint batch. Gli endpoint API serverless e gli endpoint online sono progettati per l'inferenza in tempo reale: quando si richiama l'endpoint, i risultati vengono restituiti nella risposta dell'endpoint. Gli endpoint API serverless non utilizzano la quota dalla sottoscrizione; vengono invece fatturati con fatturazione con pagamento in base al consumo.

Gli endpoint batch, d'altra parte, sono progettati per l'inferenza batch a esecuzione prolungata. Ogni volta che si richiama un endpoint batch si genera un processo batch che esegue il lavoro effettivo.

Quando usare l'API serverless, gli endpoint online e batch

endpoint API serverless:

Usare endpoint API serverless per usare modelli di base di grandi dimensioni per l'inferenza in tempo reale pronti all’uso o per ottimizzare tali modelli. Non tutti i modelli sono disponibili per la distribuzione in endpoint API serverless. È consigliabile usare questa modalità di distribuzione quando:

il modello è un modello di base o una versione ottimizzata di esso è disponibile per le distribuzioni di API serverless.
È possibile trarre vantaggio da una distribuzione senza quota.
Non è necessario personalizzare lo stack di inferenza usato per eseguire il modello.

Endpoint online:

Usare gli endpoint online per rendere operativi i modelli per l'inferenza in tempo reale nelle richieste sincrone a bassa latenza. È consigliabile usarli quando:

il modello è un modello di base o una versione ottimizzata di esso, ma non è supportato negli endpoint API serverless.
Si dispone di requisiti di bassa latenza.
Il modello può rispondere alla richiesta in un periodo di tempo relativamente breve.
Gli input del modello si adattano al payload HTTP della richiesta.
È necessario aumentare le prestazioni in termini di numero di richieste.

Endpoint batch:

Usare endpoint batch per rendere operativi modelli o pipeline per l'inferenza asincrona a esecuzione prolungata. È consigliabile usarli quando:

Si dispone di modelli o pipeline dispendiosi che richiedono tempi di esecuzione più lunghi.
Si vogliono rendere operative le pipeline di Machine Learning e riutilizzare i componenti.
È necessario eseguire l'inferenza su grandi quantità di dati, distribuiti in più file.
Non si dispone di requisiti di bassa latenza.
Gli input del modello vengono archiviati in un account di archiviazione o in un asset di dati di Azure Machine Learning.
È possibile sfruttare la parallelizzazione.

Confronto tra API serverless, endpoint online e batch

Tutti gli endpoint serverless, online e batch si basano sull'idea degli endpoint, che consentono di passare facilmente da uno all'altro. Gli endpoint online e batch introducono anche la funzionalità di gestione di più distribuzioni per lo stesso endpoint. La sezione seguente illustra le diverse funzionalità di ogni opzione di distribuzione:

Endpoint

La tabella seguente mostra un riepilogo delle diverse funzionalità disponibili per gli endpoint serverless, online e batch.

Funzionalità	Endpoint API serverless	Endpoint online	Endpoint batch
URL di chiamata stabile	Sì	Sì	Sì
Supporto per più distribuzioni	No	Sì	Sì
Routing di distribuzione	None	Divisione del traffico	Passare all'impostazione predefinita
Eseguire il mirroring del traffico per un'implementazione sicura	No	Sì	No
Supporto di Swagger	Sì	Sì	No
Autenticazione	Chiave	Chiave e Microsoft Entra ID (anteprima)	Microsoft Entra ID
Supporto della rete privata (legacy)	No	Sì	Sì
Isolamento network gestito	Sì	Sì	Sì (vedere configurazione aggiuntiva richiesta)
Chiavi gestite dal cliente	N/D	Sì	Sì
Base costi	Per endpoint, al minuto¹	None	None

¹Viene addebitata una piccola frazione per gli endpoint API serverless al minuto. Vedere la sezione distribuzioni per gli addebiti relativi al consumo, fatturati per token.

Deployments

La tabella seguente mostra un riepilogo delle diverse funzionalità disponibili per le API serverless. gli endpoint online e batch a livello di distribuzione. Questi concetti si applicano a ogni distribuzione nell'endpoint (per gli endpoint online e batch) e si applicano agli endpoint API serverless (in cui il concetto di distribuzione è integrato nell'endpoint).

Funzionalità	Endpoint API serverless	Endpoint online	Endpoint batch
Tipi distribuzione	Modelli	Modelli	Modelli e componenti della pipeline
Distribuzione modello MLflow	No, solo modelli specifici nel catalogo	Sì	Sì
Distribuzione di modelli personalizzati	No, solo modelli specifici nel catalogo	Sì, con lo script di assegnazione punteggio	Sì, con lo script di assegnazione punteggio
Distribuzione del pacchetto modello ¹	Predefinito	Sì (anteprima)	No
Server di inferenza ²	API di inferenza del modello di Azure per intelligenza artificiale	- Server di inferenza di Azure Machine Learning - Triton - Personalizzato (tramite BYOC)	Inferenza batch
Risorsa di calcolo utilizzata	Nessuno (serverless)	Istanze o risorse granulari	Istanze del cluster
Tipo di calcolo	Nessuno (serverless)	Calcolo gestito e Kubernetes	Calcolo gestito e Kubernetes
Calcolo con priorità bassa	ND	No	Sì
Ridimensionamento delle risorse di calcolo a zero	Predefinito	No	Sì
Calcolo con scalabilità automatica³	Predefinito	Sì, in base al carico delle risorse	Sì, in base al numero di processi
Gestione capacità eccessiva	Limitazione	Limitazione	Accodamento
Base costi⁴	Per token	Per ogni distribuzione: istanze di calcolo in esecuzione	Per ogni processo: l'istanza di calcolo usata nel processo (limitata al numero massimo di istanze del cluster).
Test locali delle distribuzioni	No	Sì	No

¹ La distribuzione di modelli MLflow in endpoint senza connettività di Internet o reti private in uscita richiede innanzitutto di creare il pacchetto del modello.

²Il server di inferenza fa riferimento alla tecnologia di gestione che accetta richieste, le elabora e crea risposte. Il server di inferenza determina anche il formato dell'input e degli output previsti.

³La scalabilità automatica è la possibilità di aumentare o ridurre in modo automatico le risorse allocate della distribuzione in base al carico. Le distribuzioni online e batch usano strategie diverse per la scalabilità automatica. Le distribuzioni online aumentano e si riducono in base all'utilizzo delle risorse (ad esempio CPU, memoria, richieste e così via), gli endpoint batch aumentano o si riducono in base al numero di processi creati.

⁴ Le distribuzioni sia online che batch vengono addebitate dalle risorse utilizzate. Nelle distribuzioni online, viene effettuato il provisioning delle risorse in fase di distribuzione. Tuttavia, nella distribuzione batch, non vengono utilizzate risorse in fase di distribuzione ma quando viene eseguito il processo. Di conseguenza, non è previsto alcun costo associato alla distribuzione stessa. Si noti che neanche i processi in coda utilizzano le risorse.

Interfacce per sviluppatori

Gli endpoint sono progettati per aiutare le organizzazioni a rendere operativi i carichi di lavoro a livello di produzione in Azure Machine Learning. Gli endpoint sono risorse affidabili e scalabili, e offrono le migliori funzionalità per implementare flussi di lavoro MLOps.

È possibile creare e gestire endpoint batch e online con numerosi strumenti di sviluppo:

Interfaccia della riga di comando di Azure e SDK Python
Azure Resource Manager o API REST
Portale Web di studio di Azure Machine Learning
Portale di Azure (IT/Admin)
Supporto per le pipeline CI/CD MLOps tramite l'interfaccia dell'interfaccia della riga di comando di Azure e le interfacce REST/ARM

Share via