Machine Learning Studio (classic) Web サービスを使用する方法

[アーティクル]
05/29/2020

APPLIES TO: これはチェックマークです。つまり、この記事は Machine Learning Studio (クラシック) を対象としています。 Machine Learning Studio (クラシック) これは × 印です。つまり、この記事は Azure Machine Learning を対象としています。 Azure Machine Learning

重要

Machine Learning Studio (クラシック) のサポートは、2024 年 8 月 31 日に終了します。その日までに、Azure Machine Learning に切り替えすることをお勧めします。

2021 年 12 月 1 日以降、新しい Machine Learning Studio (クラシック) リソースは作成できません。 2024 年 8 月 31 日まで、既存の Machine Learning Studio (クラシック) リソースを引き続き使用できます。

ML Studio (クラシック) から Azure Machine Learning への機械学習プロジェクトの移動に関する情報を参照してください。
Azure Machine Learning についての詳細を参照してください

ML Studio (クラシック) のドキュメントは廃止予定であり、今後更新されない可能性があります。

Machine Learning Studio (クラシック) の予測モデルを Web サービスとしてデプロイすると、REST API を使用してデータを送信し、予測を取得することができます。リアルタイムまたはバッチモードでデータを送信できます。

Machine Learning Studio (クラシック) を使用して Machine Learning Web サービスを作成してデプロイする方法の詳細については、次を参照してください。

Machine Learning Studio (クラシック) で実験を作成する方法については、初めての実験の作成に関する記事をご覧ください。
Web サービスをデプロイする方法の詳細については、「 Azure Machine Learning Web サービスをデプロイする」をご覧ください。
Machine Learning 全般の詳細については、 Machine Learning ドキュメントセンターをご覧ください。

概要

Machine Learning Web サービスを使用して、外部のアプリケーションが Machine Learning のワークフローのスコア付けモデルとリアルタイムで通信します。 Machine Learning Web サービスの呼び出しは、予測結果を外部のアプリケーションに返します。 Machine Learning Web サービスの呼び出しを実行するために、予測のデプロイ時に作成される API キーを渡します。 Machine Learning Web サービスは、Web プログラミングプロジェクトでよく選択されるアーキテクチャの REST に基づいています。

Machine Learning Studio (クラシック) には、2 種類のサービスがあります。

要求応答サービス (RRS) – 待ち時間が短く拡張性の高い、Machine Learning Studio (クラシック) から作成およびデプロイされるステートレスなモデルへのインターフェイスを提供するサービス。
バッチ実行サービス (BES) – データレコードのバッチをスコア付けする非同期のサービス。

Machine Learning Web サービスの詳細については、「Azure Machine Learning Web サービスをデプロイする」をご覧ください。

承認キーを取得する

実験をデプロイすると、Web サービスの API キーが生成されます。複数の場所からキーを取得できます。

Machine Learning Web サービスポータルから

Machine Learning Web サービスポータルにサインインします。

新しい Machine Learning Web サービスの API キーを取得するには:

Machine Learning Web サービスポータルで、上部メニューの [Web サービス] をクリックします。
キーを取得する Web サービスをクリックします。
上部のメニューで [Consume(使用)] をクリックします。
主キーをコピーして保存します。

従来の Machine Learning Web サービスの API キーを取得するには:

Azure Machine Learning Web サービスポータルで、上部メニューの [Classic Web Services (クラシック Web サービス)] をクリックします。
使用する Web サービスをクリックします。
キーを取得するエンドポイントをクリックします。
上部のメニューで [Consume(使用)] をクリックします。
主キーをコピーして保存します。

従来の Web サービス

Machine Learning Studio (クラシック) からクラシック Web サービスのキーを取得することもできます。

Machine Learning Studio (クラシック)

Machine Learning Studio (クラシック) で、左側の [Web サービス] をクリックします。
Web サービスをクリックします。 [ダッシュボード] タブに [API キー] があります。

Machine Learning Web サービスに接続する

HTTP 要求と応答をサポートする任意のプログラミング言語を使用して、Machine Learning Web サービスに接続することができます。 Machine Learning Web サービスヘルプページから、C#、Python、および R の例を表示できます。

Machine Learning API ヘルプ Machine Learning API ヘルプは、Web サービスをデプロイするときに作成されます。チュートリアル 3: 信用リスクモデルのデプロイを参照してください。 Machine Learning API ヘルプには、予測 Web サービスの詳細が含まれます。

使用する Web サービスをクリックします。
API のヘルプページを表示するエンドポイントをクリックします。
上部のメニューで [Consume(使用)] をクリックします。
[要求/応答] または [バッチの実行] の [API ヘルプページ] をクリックします。

新しい Web サービスの Machine Learning API ヘルプを表示するには

Machine Learning Web サービスポータルで:

上部のメニューで [Web サービス] をクリックします。
キーを取得する Web サービスをクリックします。

[Use Web Service]\(Web サービスの使用\) をクリックして、[要求/応答] および [バッチの実行] サービスの URI と、C#、R、および Python のサンプルコードを取得します。

Swagger API をクリックして、指定した URI から呼び出される API の Swagger ベースのドキュメントを取得します。

C# のサンプル

Machine Learning Web サービスに接続するには、ScoreData を渡す HttpClient を使用します。 ScoreData には、ScoreData を表す数値機能の n 次元ベクトルである FeatureVector が含まれています。 Machine Learning サービスの認証には、API キーを使用します。

Machine Learning Web サービスに接続するには、Microsoft.AspNet.WebApi.Client NuGet パッケージをインストールする必要があります。

Microsoft.AspNet.WebApi.Client NuGet in Visual Studio をインストールする

Web Service "UCI からデータセットをダウンロード: Adult 2 class dataset" を公開します。
[ツール]>[NuGet パッケージマネージャー]>[パッケージマネージャーコンソール] の順にクリックします。
[Install-Package Microsoft.AspNet.WebApi.Client] を選択します。

サンプルコードを実行するには

Machine Learning サンプルコレクションに含まれる "サンプル 1: UCI からデータセットをダウンロード: Adult 2 class dataset" 実験を公開します。
Web サービスからのキーを持つ apiKey を割り当てます。上記の「承認キーを取得する」を参照してください。
要求の URI を含む serviceUri を割り当てます。

完成した要求は次のようになります。

using System;
using System.Collections.Generic;
using System.IO;
using System.Net.Http;
using System.Net.Http.Formatting;
using System.Net.Http.Headers;
using System.Text;
using System.Threading.Tasks;

namespace CallRequestResponseService
{
    class Program
    {
        static void Main(string[] args)
        {
            InvokeRequestResponseService().Wait();
        }

        static async Task InvokeRequestResponseService()
        {
            using (var client = new HttpClient())
            {
                var scoreRequest = new
                {
                    Inputs = new Dictionary<string, List<Dictionary<string, string>>> () {
                        {
                            "input1",
                            // Replace columns labels with those used in your dataset
                            new List<Dictionary<string, string>>(){new Dictionary<string, string>(){
                                    {
                                        "column1", "value1"
                                    },
                                    {
                                        "column2", "value2"
                                    },
                                    {
                                        "column3", "value3"
                                    }
                                }
                            }
                        },
                    },
                    GlobalParameters = new Dictionary<string, string>() {}
                };

                // Replace these values with your API key and URI found on https://services.azureml.net/
                const string apiKey = "<your-api-key>"; 
                const string apiUri = "<your-api-uri>";
                
                client.DefaultRequestHeaders.Authorization = new AuthenticationHeaderValue( "Bearer", apiKey);
                client.BaseAddress = new Uri(apiUri);

                // WARNING: The 'await' statement below can result in a deadlock
                // if you are calling this code from the UI thread of an ASP.NET application.
                // One way to address this would be to call ConfigureAwait(false)
                // so that the execution does not attempt to resume on the original context.
                // For instance, replace code such as:
                //      result = await DoSomeTask()
                // with the following:
                //      result = await DoSomeTask().ConfigureAwait(false)

                HttpResponseMessage response = await client.PostAsJsonAsync("", scoreRequest);

                if (response.IsSuccessStatusCode)
                {
                    string result = await response.Content.ReadAsStringAsync();
                    Console.WriteLine("Result: {0}", result);
                }
                else
                {
                    Console.WriteLine(string.Format("The request failed with status code: {0}", response.StatusCode));

                    // Print the headers - they include the request ID and the timestamp,
                    // which are useful for debugging the failure
                    Console.WriteLine(response.Headers.ToString());

                    string responseContent = await response.Content.ReadAsStringAsync();
                    Console.WriteLine(responseContent);
                }
            }
        }
    }
}

Python サンプル

Machine Learning Web サービスに接続するには、Python 2.X の場合は urllib2 ライブラリ、Python 3.X の場合は urllib.request ライブラリを使用します。 ScoreData を渡します。この ScoreData には、ScoreData を表す数値機能の n 次元ベクトルである FeatureVector が含まれています。 Machine Learning サービスの認証には、API キーを使用します。

サンプルコードを実行するには

Machine Learning サンプルコレクションに含まれる "Sample 1: UCI からデータセットをダウンロード: Adult 2 class dataset" 実験を公開します。
Web サービスからのキーを持つ apiKey を割り当てます。この記事の始めのほうにある「承認キーを取得する」セクションをご覧ください。
要求の URI を含む serviceUri を割り当てます。

完成した要求は次のようになります。

import urllib2 # urllib.request and urllib.error for Python 3.X
import json

data = {
    "Inputs": {
        "input1":
        [
            {
                'column1': "value1",   
                'column2': "value2",   
                'column3': "value3"
            }
        ],
    },
    "GlobalParameters":  {}
}

body = str.encode(json.dumps(data))

# Replace this with the URI and API Key for your web service
url = '<your-api-uri>'
api_key = '<your-api-key>'
headers = {'Content-Type':'application/json', 'Authorization':('Bearer '+ api_key)}

# "urllib.request.Request(url, body, headers)" for Python 3.X
req = urllib2.Request(url, body, headers)

try:
    # "urllib.request.urlopen(req)" for Python 3.X
    response = urllib2.urlopen(req)

    result = response.read()
    print(result)
# "urllib.error.HTTPError as error" for Python 3.X
except urllib2.HTTPError, error: 
    print("The request failed with status code: " + str(error.code))

    # Print the headers - they include the request ID and the timestamp, which are useful for debugging the failure
    print(error.info())
    print(json.loads(error.read()))

R サンプル

Machine Learning Web サービスに接続するには、RCurl および rjson ライブラリを使用して要求を作成し、返された JSON 応答を処理します。 ScoreData を渡します。この ScoreData には、ScoreData を表す数値機能の n 次元ベクトルである FeatureVector が含まれています。 Machine Learning サービスの認証には、API キーを使用します。

完成した要求は次のようになります。

library("curl")
library("httr")
library("rjson")

requestFailed = function(response) {
    return (response$status_code >= 400)
}

printHttpResult = function(response, result) {
    if (requestFailed(response)) {
        print(paste("The request failed with status code:", response$status_code, sep=" "))
    
        # Print the headers - they include the request ID and the timestamp, which are useful for debugging the failure
        print(response$headers)
    }
    
    print("Result:") 
    print(fromJSON(result))  
}

req = list(
        Inputs = list( 
            "input1" = list(
                "ColumnNames" = list("Col1", "Col2", "Col3"),
                "Values" = list( list( "0", "value", "0" ),  list( "0", "value", "0" )  )
            )                ),
        GlobalParameters = setNames(fromJSON('{}'), character(0))
)

body = enc2utf8(toJSON(req))
api_key = "abc123" # Replace this with the API key for the web service
authz_hdr = paste('Bearer', api_key, sep=' ')

response = POST(url= "<your-api-uri>",
        add_headers("Content-Type" = "application/json", "Authorization" = authz_hdr),
        body = body)

result = content(response, type="text", encoding="UTF-8")

printHttpResult(response, result)

JavaScript のサンプル

Machine Learning Web サービスに接続するには、プロジェクトで request npm パッケージを使用します。また、JSON オブジェクトを使用して入力の書式を設定し、結果を解析します。 npm install request --save を使用してインストールするか、"request": "*" を dependencies 以下の package.json に追加し、npm install を実行します。

完成した要求は次のようになります。

let req = require("request");

const uri = "<your-api-uri>";
const apiKey = "<your-api-key>";

let data = {
    "Inputs": {
        "input1":
        [
            {
                'column1': "value1",
                'column2': "value2",
                'column3': "value3"
            }
        ],
    },
    "GlobalParameters": {}
}

const options = {
    uri: uri,
    method: "POST",
    headers: {
        "Content-Type": "application/json",
        "Authorization": "Bearer " + apiKey,
    },
    body: JSON.stringify(data)
}

req(options, (err, res, body) => {
    if (!err && res.statusCode == 200) {
        console.log(body);
    } else {
        console.log("The request failed with status code: " + res.statusCode);
    }
});

Machine Learning Studio (classic) Web サービスを使用する方法

概要

承認キーを取得する

Machine Learning Web サービス ポータルから

従来の Web サービス

Machine Learning Studio (クラシック)

Machine Learning Web サービスに接続する

C# のサンプル

Python サンプル

R サンプル

JavaScript のサンプル

その他のリソース

Machine Learning Web サービスポータルから