Een Machine Learning Studio-webservice (klassiek) implementeren

VAN TOEPASSING OP: Machine Learning Studio (klassiek) Dit is een X, wat betekent dat dit artikel niet van toepassing is op Azure Machine Learning

Machine Learning Met Studio (klassiek) kunt u een predictive analytic-oplossing bouwen en testen. Vervolgens kunt u de oplossing implementeren als een webservice.

Machine Learning Studio-webservices (klassiek) bieden een interface tussen een toepassing en een Machine Learning Studio-werkstroomscoremodel (klassiek). Een externe toepassing kan in realtime communiceren met een Machine Learning Studio-werkstroomscoremodel (klassiek). Een aanroep van een Machine Learning Studio-webservice (klassiek) retourneert voorspellingsresultaten naar een externe toepassing. Tijdens een aanroep aan een webservice wordt een API-sleutel doorgegeven die is gemaakt tijdens de implementatie van de webservice. Een Machine Learning Studio-webservice (klassiek) is gebaseerd op REST, een populaire architectuurkeuze voor webprogrammeringsprojecten.

Machine Learning Studio (klassiek) heeft twee typen webservices:

• Request-Response Service (RRS): een zeer schaalbare service met lage latentie die één gegevensrecord scoort.
• Batch Execution Service (BES): een asynchrone service die een batch met gegevensrecords scoort.

De invoer voor BES is net als de gegevensinvoer die door RRS wordt gebruikt. Het belangrijkste verschil is dat BES een blok records uit diverse bronnen leest, zoals Azure Blob Storage, Azure Table Storage, Azure SQL Database, HDInsight (hive query) en HTTP-bronnen.

Vanuit een oogpunt van hoog niveau implementeert u uw model in drie stappen:

• [Een trainingsexperiment] maken: in Studio (klassiek) kunt u een predictive analytics-model trainen en testen met behulp van trainingsgegevens die u oplevert, met behulp van een grote set ingebouwde machine learning algoritmen.
• [Converteren naar een voorspellend experiment:] zodra uw model is getraind met bestaande gegevens en u klaar bent om deze te gebruiken om nieuwe gegevens te scoren, bereidt u uw experiment voor op voorspellingen en stroomlijnt u het.
• Implementeren als een nieuwe [webservice] of een klassieke [webservice:] wanneer u uw voorspellende experiment implementeert als een Azure-webservice, kunnen gebruikers gegevens naar uw model verzenden en de voorspellingen van uw model ontvangen.

Een trainingsexperiment maken

Als u een predictive analytics-model wilt trainen, gebruikt u Azure Machine Learning Studio (klassiek) om een trainingsexperiment te maken waarin u verschillende modules kunt opnemen om trainingsgegevens te laden, de gegevens zo nodig voor te bereiden, machine learning-algoritmen toe te passen en de resultaten te evalueren. U kunt een experiment opnieuw uitvoeren en verschillende algoritmen machine learning om de resultaten te vergelijken en te evalueren.

Het proces voor het maken en beheren van trainingsexperimenten wordt elders uitgebreider behandeld. Raadpleeg deze artikelen voor meer informatie:

• Een eenvoudig experiment maken in Machine Learning Studio (klassiek)
• Een voorspellende oplossing ontwikkelen met Machine Learning Studio (klassiek)
• Uw trainingsgegevens importeren in Machine Learning Studio (klassiek)
• Iteraties van experimenten beheren in Machine Learning Studio (klassiek)

Het trainingsexperiment converteren naar een voorspellend experiment

Zodra u uw model hebt getraind, bent u klaar om uw trainingsexperiment te converteren naar een voorspellend experiment om nieuwe gegevens te scoren.

Door te converteren naar een voorspellend experiment, kunt u uw getrainde model voorbereiden om te worden geïmplementeerd als een scorende webservice. Gebruikers van de webservice kunnen invoergegevens naar uw model verzenden en uw model stuurt de voorspellingsresultaten terug. Houd bij het converteren naar een voorspellend experiment rekening met de verwachting dat uw model door anderen wordt gebruikt.

Het proces van het converteren van een trainingsexperiment naar een voorspellend experiment bestaat uit drie stappen:

1. Vervang de machine learning algoritmemodules door uw getrainde model.
2. Bekort het experiment tot alleen de modules die nodig zijn om te scoren. Een trainingsexperiment bevat een aantal modules die nodig zijn voor de training, maar die niet nodig zijn wanneer het model is getraind.
3. Definieer hoe uw model gegevens van de webservicegebruiker accepteert en welke gegevens worden geretourneerd.

Knop Webservice instellen

Nadat u het experiment hebt uitgevoerd (klik onder aan het experimentvas op UITVOEREN), klikt u op de knop Webservice instellen (selecteer de optie Voorspellende webservice). Webservice instellen voert de drie stappen uit om uw trainingsexperiment te converteren naar een voorspellend experiment:

1. Hiermee slaat u uw getrainde model op in de sectie Getrainde modellen van het modulepalet (links van het experiment-canvas). Vervolgens worden de modules machine learning algoritme en Train Model vervangen door het opgeslagen getrainde model.
2. Het analyseert uw experiment en verwijdert modules die duidelijk alleen zijn gebruikt voor training en die niet meer nodig zijn.
3. De webservice voegt invoer- en uitvoermodules toe aan de standaardlocaties in uw experiment (deze modules accepteren en retourneren gebruikersgegevens).

Het volgende experiment traint bijvoorbeeld een boosted beslissingsstructuurmodel met twee klassen met behulp van voorbeeldgegevens van volkstelling:

De modules in dit experiment voeren in principe vier verschillende functies uit:

Wanneer u dit trainingsexperiment converteert naar een voorspellend experiment, zijn sommige van deze modules niet meer nodig of hebben ze nu een ander doel:

• Gegevens: de gegevens in deze voorbeeldgegevensset worden niet gebruikt tijdens het scoren. De gebruiker van de webservice levert de gegevens die moeten worden gescored. De metagegevens van deze gegevensset, zoals gegevenstypen, worden echter gebruikt door het getrainde model. Daarom moet u de gegevensset in het voorspellende experiment houden, zodat deze deze metagegevens kan leveren.

• Voorbereiding: afhankelijk van de gebruikersgegevens die worden verzonden om te scoren, zijn deze modules al dan niet nodig om de binnenkomende gegevens te verwerken. De knop Webservice instellen raakt deze niet. U moet zelf bepalen hoe u ze wilt afhandelen.

  In dit voorbeeld bevatten de voorbeeldgegevensset mogelijk ontbrekende waarden, dus is er een module Clean Missing Data opgenomen om ermee om te gaan. De voorbeeldgegevensset bevat ook kolommen die niet nodig zijn om het model te trainen. Er is dus een module Kolommen in gegevensset selecteren opgenomen om die extra kolommen uit te sluiten van de gegevensstroom. Als u weet dat de gegevens die worden verzonden voor scoren via de webservice geen ontbrekende waarden bevatten, kunt u de module Ontbrekende gegevens ops schonen verwijderen. Omdat de module Select Columns in Dataset (Kolommen in gegevensset selecteren) echter helpt bij het definiëren van de kolommen met gegevens die het getrainde model verwacht, moet die module blijven bestaan.

• Trainen: deze modules worden gebruikt om het model te trainen. Wanneer u op Webservice instellen klikt, worden deze modules vervangen door één module die het model bevat dat u hebt getraind. Deze nieuwe module wordt opgeslagen in de sectie Getrainde modellen van het modulepalet.

• Score: in dit voorbeeld wordt de module Split Data gebruikt om de gegevensstroom te verdelen in testgegevens en trainingsgegevens. In het voorspellende experiment trainen we niet meer, dus Gegevens splitsen kan worden verwijderd. Op dezelfde manier worden de tweede module Score Model en de module Evaluate Model gebruikt om de resultaten van de testgegevens te vergelijken, zodat deze modules niet nodig zijn in het voorspellende experiment. De resterende module Score Model is echter nodig om een scoreresultaat te retourneren via de webservice.

Dit is hoe ons voorbeeld eruitziet nadat u op Webservice instellen hebt geklikt:

Het werk dat door Webservice instellen wordt uitgevoerd, is mogelijk voldoende om uw experiment voor te bereiden op de geïmplementeerde webservice. Mogelijk wilt u echter wat extra werk doen dat specifiek is voor uw experiment.

Invoer- en uitvoermodules aanpassen

In uw trainingsexperiment hebt u een set trainingsgegevens gebruikt en vervolgens enige verwerking uitgevoerd om de gegevens op te halen in een vorm die het machine learning algoritme nodig heeft. Als de gegevens die u verwacht te ontvangen via de webservice deze verwerking niet nodig hebben, kunt u deze omzeilen: verbind de uitvoer van de module Webservice-invoer met een andere module in uw experiment. De gegevens van de gebruiker komen nu in het model op deze locatie aan.

Met Webservice instellen wordt bijvoorbeeld standaard de module Webserviceinvoer boven aan uw gegevensstroom geplaatst, zoals wordt weergegeven in de bovenstaande afbeelding. Maar we kunnen de invoer van de webservice handmatig plaatsen voorbij de modules voor gegevensverwerking:

De invoergegevens die via de webservice worden verstrekt, worden nu zonder voorverwerking rechtstreeks door gegeven aan de module Score Model.

Op dezelfde manier wordt standaard de module Webservice-uitvoer instellen onderaan uw gegevensstroom geplaatst. In dit voorbeeld keert de webservice terug naar de gebruiker met de uitvoer van de module Score Model, die de volledige invoergegevensvector plus de scoreresultaten bevat. Als u echter liever iets anders wilt retourneren, kunt u extra modules toevoegen vóór de module Webservice-uitvoer.

Als u bijvoorbeeld alleen de scoreresultaten en niet de volledige vector van invoergegevens wilt retourneren, voegt u een module Select Columns in Dataset toe om alle kolommen uit te sluiten, met uitzondering van de scoreresultaten. Verplaats vervolgens de module Webservice-uitvoer naar de uitvoer van de module Kolommen in gegevensset selecteren. Het experiment ziet er als volgende uit:

Aanvullende modules voor gegevensverwerking toevoegen of verwijderen

Als uw experiment meer modules heeft die niet nodig zijn tijdens het scoren, kunnen deze worden verwijderd. Omdat we bijvoorbeeld de module Webservice-invoer hebben verplaatst naar een punt na de modules voor gegevensverwerking, kunnen we de module Clean Missing Data uit het voorspellende experiment verwijderen.

Ons voorspellende experiment ziet er nu als volgende uit:

Optionele webserviceparameters toevoegen

In sommige gevallen wilt u de gebruiker van uw webservice toestaan het gedrag van modules te wijzigen wanneer de service wordt gebruikt. Met webserviceparameters kunt u dit doen.

Een veelvoorkomende voorbeeld is het instellen van een module Gegevens importeren, zodat de gebruiker van de geïmplementeerde webservice een andere gegevensbron kan opgeven wanneer de webservice wordt gebruikt. Of een module Gegevens exporteren configureren zodat een andere bestemming kan worden opgegeven.

U kunt webserviceparameters definiëren en deze koppelen aan een of meer moduleparameters en u kunt opgeven of ze vereist of optioneel zijn. De gebruiker van de webservice levert waarden voor deze parameters wanneer de service wordt gebruikt en de moduleacties dienovereenkomstig worden gewijzigd.

Zie Using Machine Learning Web Service Parameters (Webserviceparameters gebruiken) voor meer informatie over wat webserviceparameters zijn en hoe u deze kunt gebruiken.

In de volgende stappen wordt beschreven hoe u een voorspellend experiment implementeert als een nieuwe webservice. U kunt het experiment ook implementeren als klassieke webservice.

Implementeren als een nieuwe webservice

Nu het voorspellende experiment is voorbereid, kunt u het implementeren als een nieuwe (Resource Manager) Azure-webservice. Met behulp van de webservice kunnen gebruikers gegevens naar uw model verzenden en retourneert het model de voorspellingen.

Als u uw voorspellende experiment wilt implementeren, klikt u op Uitvoeren onder aan het experiment-canvas. Zodra het experiment is voltooid, klikt u op Webservice implementeren en selecteert u Webservice [implementeren Nieuwe]. De implementatiepagina van de webserviceportal Machine Learning Studio (klassiek) wordt geopend.

Pagina Experiment implementeren in webserviceportal

Voer op de pagina Experiment implementeren een naam in voor de webservice. Selecteer een prijsplan. Als u een bestaand prijsplan hebt, kunt u dit selecteren, anders moet u een nieuw prijsplan voor de service maken.

1. Selecteer een bestaand abonnement of selecteer de optie Nieuw abonnement selecteren in de vervolgkeuzeoptie Prijsplan.
2. In Plannaam typt u een naam die het plan op uw factuur identificeert.
3. Selecteer een van de maandelijkse abonnementslagen. Standaard worden de prijscategorieën voor uw standaardregio gebruikt en de webservice wordt ook in die regio geïmplementeerd.

Klik op Implementeren en de pagina Quickstart voor uw webservice wordt geopend.

De snelstartpagina van de webservice biedt u toegang en richtlijnen voor de meest voorkomende taken die u gaat uitvoeren nadat u een webservice hebt gemaakt. Hier hebt u eenvoudig toegang tot zowel de pagina Testen als de pagina Verbruiken.

Uw nieuwe webservice testen

Als u de nieuwe webservice wilt testen, klikt u op Webservice testen onder algemene taken. Op de pagina Testen kunt u uw webservice testen als een Request-Response Service (RRS) of een Batch Execution Service (BES).

Op de RRS-testpagina worden de invoer, uitvoer en algemene parameters weergegeven die u voor het experiment hebt gedefinieerd. Als u de webservice wilt testen, kunt u handmatig de juiste waarden voor de invoer invoeren of een bestand met door komma's gescheiden waarden (CSV) met de testwaarden invoeren.

Als u RRS wilt testen, voert u in de lijstweergavemodus de juiste waarden in voor de invoer en klikt u op Aanvraag/antwoord testen. De voorspellingsresultaten worden weergegeven in de uitvoerkolom aan de linkerkant.

Klik op Batch om uw BES te testen. Klik op de pagina Batch-test op Bladeren onder uw invoer en selecteer een CSV-bestand met de juiste voorbeeldwaarden. Als u geen CSV-bestand hebt en u uw voorspellende experiment hebt gemaakt met behulp van Machine Learning Studio (klassiek), kunt u de gegevensset voor uw voorspellende experiment downloaden en gebruiken.

Als u de gegevensset wilt downloaden, opent u Machine Learning Studio (klassiek). Open uw voorspellende experiment en klik met de rechtermuisknop op de invoer voor uw experiment. Selecteer gegevensset in het contextmenu en selecteer vervolgens Downloaden.

Klik op Testen. De status van uw batchuitvoeringstaken wordt rechts weergegeven onder Batch-taken testen.

Op de pagina CONFIGURATIE kunt u de beschrijving en titel wijzigen, de sleutel van het opslagaccount bijwerken en voorbeeldgegevens voor uw webservice inschakelen.

Toegang tot uw nieuwe webservice

Zodra u uw webservice vanuit Machine Learning Studio (klassiek) hebt geïmplementeerd, kunt u gegevens naar de service verzenden en programmatisch antwoorden ontvangen.

Op de pagina Verbruiken vindt u alle informatie die u nodig hebt voor toegang tot uw webservice. De API-sleutel wordt bijvoorbeeld verstrekt om geautoriseerde toegang tot de service toe te staan.

Zie How to consume a Machine Learning Studio (classic) Web service (Een Machine Learning Studio-webservice gebruiken) voor meer informatie over het openen van een Machine Learning Studio-webservice (klassiek).

Uw nieuwe webservice beheren

U kunt uw nieuwe webservices beheren met Machine Learning Studio -webservicesportal (klassiek). Klik op de hoofdpagina vande portal op Webservices. Op de pagina met webservices kunt u een service verwijderen of kopiëren. Als u een specifieke service wilt bewaken, klikt u op de service en vervolgens op Dashboard. Als u batchtaken wilt controleren die zijn gekoppeld aan de webservice, klikt u op Batch-aanvraaglogboek.

Uw nieuwe webservice implementeren in meerdere regio's

U kunt eenvoudig een nieuwe webservice implementeren in meerdere regio's zonder dat u meerdere abonnementen of werkruimten nodig hebt.

De prijzen zijn specifiek voor de regio, dus u moet een factureringsplan definiëren voor elke regio waarin u de webservice gaat implementeren.

Een plan maken in een andere regio

1. Meld u aan bij Machine Learning Web Services.
2. Klik op de menuoptie Plannen.
3. Klik op de pagina Abonnementen over weergave op Nieuw.
4. Selecteer het abonnement waarin het nieuwe abonnement wordt op abonneert in de vervolgkeuzekeuze selecteren.
5. Selecteer een regio voor het nieuwe plan in de vervolgkeuze voor Regio. Planopties voor de geselecteerde regio worden weergegeven in de sectie Planopties van de pagina.
6. Selecteer een resourcegroep voor het plan in de vervolgkeuzekeuze selecteren. Zie voor meer informatie over resourcegroepen Azure Resource Manager overzicht.
7. Typ bij Plannaam de naam van het plan.
8. Klik onder Planopties op het factureringsniveau voor het nieuwe abonnement.
9. Klik op Create.

De webservice implementeren in een andere regio

1. Klik op Machine Learning webservices op de menuoptie Webservices.
2. Selecteer de webservice die u in een nieuwe regio implementeert.
3. Klik op Kopiëren.
4. In Webservicenaam typt u een nieuwe naam voor de webservice.
5. Typ in Beschrijving van webservice een beschrijving voor de webservice.
6. Selecteer het abonnement waarin de nieuwe webservice zich zal bevinden in de vervolgkeuzekeuze selecteren.
7. Selecteer een resourcegroep voor de webservice in de vervolgkeuzebrongroep. Zie voor meer informatie over resourcegroepen Azure Resource Manager overzicht.
8. Selecteer in de vervolgkeuzehoek Regio de regio waarin u de webservice wilt implementeren.
9. Selecteer in Storage opslagaccount een opslagaccount waarin u de webservice wilt opslaan.
10. Selecteer in de vervolgkeuze prijsplan een plan in de regio die u in stap 8 hebt geselecteerd.
11. Klik op Kopiëren.

Implementeren als een klassieke webservice

Nu het voorspellende experiment voldoende is voorbereid, kunt u het implementeren als een klassieke Azure-webservice. Met behulp van de webservice kunnen gebruikers gegevens naar uw model verzenden en retourneert het model de voorspellingen.

Als u uw voorspellende experiment wilt implementeren, klikt u op Uitvoeren onder aan het experiment-canvas en vervolgens op Webservice implementeren. De webservice is ingesteld en u wordt in het dashboard van de webservice geplaatst.

Uw klassieke webservice testen

U kunt de webservice testen in de Machine Learning Studio (klassiek) Web Services-portal of Machine Learning Studio (klassiek).

Als u de webservice Aanvraagreactie wilt testen, klikt u op de knop Testen in het dashboard van de webservice. Er verschijnt een dialoogvenster waarin u wordt gevraagd om de invoergegevens voor de service. Dit zijn de kolommen die worden verwacht door het score-experiment. Voer een set gegevens in en klik vervolgens op OK. De resultaten die door de webservice worden gegenereerd, worden onderaan het dashboard weergegeven.

U kunt klikken op de koppeling Voorbeeld testen om uw service te testen in de webserviceportal van Machine Learning Studio (klassiek), zoals eerder is weergegeven in de sectie Nieuwe webservice.

Als u de Batch Execution Service wilt testen, klikt u op de koppeling Testvoorbeeld. Klik op de pagina Batch-test op Bladeren onder uw invoer en selecteer een CSV-bestand met de juiste voorbeeldwaarden. Als u geen CSV-bestand hebt en u uw voorspellende experiment hebt gemaakt met behulp van Machine Learning Studio (klassiek), kunt u de gegevensset voor uw voorspellende experiment downloaden en gebruiken.

Op de pagina CONFIGURATIE kunt u de weergavenaam van de service wijzigen en een beschrijving opgeven. De naam en beschrijving worden weergegeven in de Azure Portal waar u uw webservices beheert.

U kunt een beschrijving opgeven voor uw invoergegevens, uitvoergegevens en webserviceparameters door een tekenreeks in te geven voor elke kolom onder INPUT SCHEMA, OUTPUT SCHEMA en Web SERVICE PARAMETER. Deze beschrijvingen worden gebruikt in de voorbeeldcodedocumentatie voor de webservice.

U kunt logboekregistratie inschakelen om fouten te diagnosticeren die u ziet wanneer uw webservice wordt ingeschakeld. Zie Logboekregistratie inschakelen voor webservices Machine Learning Studio (klassiek) voor meer informatie.

U kunt de eindpunten voor de webservice ook configureren in de Machine Learning Web Services-portal, vergelijkbaar met de procedure die eerder is weergegeven in de sectie Nieuwe webservice. De opties zijn verschillend. U kunt de servicebeschrijving toevoegen of wijzigen, logboekregistratie inschakelen en voorbeeldgegevens inschakelen voor testen.

Toegang tot uw klassieke webservice

Zodra u uw webservice vanuit Machine Learning Studio (klassiek) hebt geïmplementeerd, kunt u gegevens naar de service verzenden en programmatisch antwoorden ontvangen.

Het dashboard bevat alle informatie die u nodig hebt voor toegang tot uw webservice. De API-sleutel wordt bijvoorbeeld verstrekt om geautoriseerde toegang tot de service toe te staan en er worden API-helppagina's aangeboden om u te helpen aan de slag te gaan met het schrijven van uw code.

Zie How to consume a Machine Learning Studio (classic) Web service (Een Machine Learning Studio-webservice gebruiken)voor meer informatie over het openen van een Machine Learning Studio-webservice (klassiek).

Uw klassieke webservice beheren

Er zijn verschillende acties die u kunt uitvoeren om een webservice te bewaken. U kunt deze bijwerken en verwijderen. U kunt ook extra eindpunten toevoegen aan een klassieke webservice naast het standaard eindpunt dat wordt gemaakt wanneer u deze implementeert.

Zie Manage a Machine Learning Studio (classic) workspace (een Machine Learning Studio-werkruimte beheren) en Manage a web service using the Machine Learning Studio (classic) Web Services portal (Een webservice beheren met behulp van de Machine Learning Studio-webserviceportal).

De webservice bijwerken

U kunt wijzigingen aanbrengen in uw webservice, zoals het bijwerken van het model met aanvullende trainingsgegevens en het model opnieuw implementeren, zodat de oorspronkelijke webservice wordt overschreven.

Als u de webservice wilt bijwerken, opent u het oorspronkelijke voorspellende experiment dat u hebt gebruikt om de webservice te implementeren en maakt u een bewerkbare kopie door op OPSLAAN ALS te klikken. Maak uw wijzigingen en klik vervolgens op Webservice implementeren.

Omdat u dit experiment al eerder hebt geïmplementeerd, wordt u gevraagd of u de bestaande service wilt overschrijven (klassieke webservice) of wilt bijwerken (nieuwe webservice). Als u op JA of Bijwerken klikt, wordt de bestaande webservice gestopt en wordt het nieuwe voorspellende experiment geïmplementeerd.

Een optie voor het bijwerken van uw webservice is het programmatisch opnieuw trainen van het model. Zie Retrain Machine Learning Studio -modellen (klassiek) programmatisch voor meer informatie.

Volgende stappen

• Zie How a Machine Learning Studio (classic) model progresses from an experiment to an operationalized Web service (Hoe een Machine Learning Studio-modelverloopt van een experiment naar een operationeel webservice) voor meer technische informatie over hoe de implementatie werkt.

• Zie Uw model voorbereiden voor implementatie in Machine Learning Studio (klassiek)voor meer informatie over het voorbereiden van uw model voor implementatie.

• Er zijn verschillende manieren om de REST-API te gebruiken en toegang te krijgen tot de webservice. Zie Een webservice van Machine Learning Studio (klassiek) gebruiken.