Wdrażanie usługi internetowej Machine Learning Studio (klasycznej)

DOTYCZY: Machine Learning Studio (wersja klasyczna) Azure Machine Learning

Ważne

Obsługa programu Machine Learning Studio (wersja klasyczna) zakończy się 31 sierpnia 2024 r. Zalecamy przejście do usługi Azure Machine Learning przed tym terminem.

Od 1 grudnia 2021 r. nie będzie można tworzyć nowych zasobów programu Machine Learning Studio (wersja klasyczna). Do 31 sierpnia 2024 r. można będzie nadal korzystać z istniejących zasobów programu Machine Learning Studio (wersja klasyczna).

• Zobacz informacje na temat przenoszenia projektów uczenia maszynowego z usługi ML Studio (klasycznej) do usługi Azure Machine Learning.
• Dowiedz się więcej o usłudze Azure Machine Learning

Dokumentacja programu ML Studio (wersja klasyczna) jest wycofywana i może nie być aktualizowana w przyszłości.

Usługa Machine Learning Studio (wersja klasyczna) umożliwia tworzenie i testowanie rozwiązania analitycznego predykcyjnego. Następnie możesz wdrożyć rozwiązanie jako usługę internetową.

Usługi sieci Web Machine Learning Studio (klasyczne) zapewniają interfejs między aplikacją a modelem oceniania przepływu pracy usługi Machine Learning Studio (wersja klasyczna). Aplikacja zewnętrzna może komunikować się z modelem oceniania przepływu pracy usługi Machine Learning Studio (wersja klasyczna) w czasie rzeczywistym. Wywołanie usługi internetowej Machine Learning Studio (klasycznej) zwraca wyniki przewidywania do aplikacji zewnętrznej. Wywołanie usługi sieci Web polega na przekazaniu klucza interfejsu API utworzonego podczas wdrażania tej usługi. Usługa internetowa Machine Learning Studio (klasyczna) jest oparta na protokole REST, popularnym wyborem architektury dla projektów programowania internetowego.

Usługa Machine Learning Studio (klasyczna) ma dwa typy usług internetowych:

• Request-Response Service (RRS): mała opóźnienia, wysoce skalowalna usługa, która ocenia pojedynczy rekord danych.
• Usługa wykonywania wsadowego (BES): usługa asynchroniczna, która ocenia partię rekordów danych.

Dane wejściowe dla usługi BES przypominają dane wejściowe używane przez usługę RRS. Główna różnica polega na tym, że usługa BES odczytuje blok rekordów z różnych źródeł, takich jak usługa Azure Blob Storage, usługa Azure Table Storage, usługa Azure SQL Database, usługa HDInsight (zapytanie Hive) i źródła HTTP.

W ogólnym punkcie widzenia model jest wdrażany w trzech krokach:

• Tworzenie eksperymentu szkoleniowego — w programie Studio (klasycznym) można trenować i testować model analizy predykcyjnej przy użyciu danych treningowych, które są dostarczane, przy użyciu dużego zestawu wbudowanych algorytmów uczenia maszynowego.
• Przekonwertuj go na eksperyment predykcyjny — gdy model został wytrenowany przy użyciu istniejących danych i wszystko będzie gotowe do oceny nowych danych, przygotuj i usprawnij eksperyment pod kątem przewidywań.
• Wdróż ją jako nową usługę internetową lub klasyczną usługę internetową — podczas wdrażania eksperymentu predykcyjnego jako usługi internetowej platformy Azure użytkownicy mogą wysyłać dane do modelu i otrzymywać przewidywania modelu.

Tworzenie eksperymentu szkoleniowego

Aby wytrenować model analizy predykcyjnej, należy użyć usługi Azure Machine Learning Studio (klasycznej) do utworzenia eksperymentu szkoleniowego, w którym dołączysz różne moduły do ładowania danych treningowych, przygotuj dane zgodnie z potrzebami, zastosuj algorytmy uczenia maszynowego i ocenisz wyniki. Możesz wykonać iterację eksperymentu i wypróbować różne algorytmy uczenia maszynowego, aby porównać i ocenić wyniki.

Proces tworzenia eksperymentów szkoleniowych i zarządzania nimi jest dokładniej omówiony w innym miejscu. Więcej informacji można znaleźć w następujących artykułach:

• Tworzenie prostego eksperymentu w usłudze Machine Learning Studio (wersja klasyczna)
• Opracowywanie rozwiązania predykcyjnego za pomocą usługi Machine Learning Studio (wersja klasyczna)
• Importowanie danych szkoleniowych do usługi Machine Learning Studio (wersja klasyczna)
• Zarządzanie iteracjami eksperymentów w usłudze Machine Learning Studio (wersja klasyczna)

Konwertowanie eksperymentu trenowania w eksperyment predykcyjny

Po wytrenowanym modelu możesz przekonwertować eksperyment trenowania na eksperyment predykcyjny, aby ocenić nowe dane.

Konwertując na eksperyment predykcyjny, przygotowujesz wytrenowany model do wdrożenia jako usługę internetową oceniania. Użytkownicy usługi internetowej mogą wysyłać dane wejściowe do modelu, a model wyśle wyniki przewidywania. Podczas konwersji na eksperyment predykcyjny należy pamiętać, jak oczekujesz, że model będzie używany przez inne osoby.

Proces konwertowania eksperymentu szkoleniowego na eksperyment predykcyjny obejmuje trzy kroki:

1. Zastąp moduły algorytmów uczenia maszynowego w wytrenowanym modelem.
2. Przycinaj eksperyment tylko do tych modułów, które są potrzebne do oceniania. Eksperyment szkoleniowy obejmuje szereg modułów, które są niezbędne do trenowania, ale nie są potrzebne po wytrenowanym modelu.
3. Zdefiniuj sposób, w jaki model będzie akceptował dane od użytkownika usługi internetowej i jakie dane zostaną zwrócone.

Porada

W eksperymencie trenowania zajmujesz się trenowaniem i ocenianie modelu przy użyciu własnych danych. Jednak po wdrożeniu użytkownicy będą wysyłać nowe dane do modelu i będą zwracać wyniki przewidywania. Dlatego podczas konwertowania eksperymentu szkoleniowego na eksperyment predykcyjny w celu przygotowania go do wdrożenia należy pamiętać o tym, jak model będzie używany przez inne osoby.

Przycisk Skonfiguruj usługę internetową

Po uruchomieniu eksperymentu (kliknij pozycję URUCHOM w dolnej części kanwy eksperymentu), kliknij przycisk Skonfiguruj usługę internetową (wybierz opcję Predykcyjna usługa internetowa ). Konfigurowanie usługi internetowej wykonuje trzy kroki konwertowania eksperymentu szkoleniowego na eksperyment predykcyjny:

1. Zapisuje on wytrenowany model w sekcji Wytrenowane modele palety modułów (po lewej stronie kanwy eksperymentu). Następnie zastępuje algorytm uczenia maszynowego i moduły Train Model (Trenowanie modelu) zapisanym wytrenowanym modelem.
2. Analizuje eksperyment i usuwa moduły, które były wyraźnie używane tylko do trenowania i nie są już potrzebne.
3. Wstawia moduły wejściowe i wyjścioweusługi internetowej do domyślnych lokalizacji w eksperymencie (te moduły akceptują i zwracają dane użytkownika).

Na przykład poniższy eksperyment trenuje dwuklasowy model wzmocnionego drzewa decyzyjnego przy użyciu przykładowych danych spisu:

Moduły w tym eksperymencie wykonują zasadniczo cztery różne funkcje:

Po przekonwertowaniu tego eksperymentu szkoleniowego na eksperyment predykcyjny niektóre z tych modułów nie są już potrzebne lub teraz mają inny cel:

• Dane — dane w tym przykładowym zestawie danych nie są używane podczas oceniania — użytkownik usługi internetowej dostarczy dane do oceny. Jednak metadane z tego zestawu danych, takie jak typy danych, są używane przez wytrenowany model. Dlatego należy zachować zestaw danych w eksperymencie predykcyjnym, aby zapewnić te metadane.

• Przygotowanie — w zależności od danych użytkownika, które zostaną przesłane do oceniania, te moduły mogą lub nie muszą być konieczne do przetwarzania danych przychodzących. Przycisk Skonfiguruj usługę internetową nie dotyka tych elementów — musisz zdecydować, jak chcesz je obsługiwać.

  Na przykład w tym przykładzie przykładowy zestaw danych może mieć brakujące wartości, więc moduł Clean Missing Data (Czyszczenie brakujących danych ) został uwzględniony w celu radzenia sobie z nimi. Ponadto przykładowy zestaw danych zawiera kolumny, które nie są potrzebne do wytrenowania modelu. Moduł Select Columns in Dataset (Wybieranie kolumn w zestawie danych ) został uwzględniony, aby wykluczyć te dodatkowe kolumny z przepływu danych. Jeśli wiesz, że dane, które zostaną przesłane do oceniania za pośrednictwem usługi internetowej, nie będą miały brakujących wartości, możesz usunąć moduł Clean Missing Data (Czyszczenie brakujących danych ). Jednak ponieważ moduł Select Columns in Dataset (Wybieranie kolumn w zestawie danych ) pomaga zdefiniować kolumny danych, których oczekuje trenowany model, ten moduł musi pozostać.

• Trenowanie — te moduły są używane do trenowania modelu. Po kliknięciu pozycji Skonfiguruj usługę internetową te moduły zostaną zastąpione pojedynczym modułem zawierającym wytrenowany model. Ten nowy moduł jest zapisywany w sekcji Wytrenowane modele palety modułów.

• Wynik — w tym przykładzie moduł Split Data (Podział danych ) jest używany do dzielenia strumienia danych na dane testowe i dane treningowe. W eksperymencie predykcyjnym już nie trenujemy, więc można usunąć podział danych . Podobnie drugi moduł Score Model (Generowanie wyników dla modelu) i Evaluate Model (Ocena modelu ) są używane do porównywania wyników z danych testowych, więc te moduły nie są potrzebne w eksperymencie predykcyjnym. Jednak pozostały moduł Score Model (Generowanie wyników dla modelu) jest potrzebny do zwrócenia wyniku za pośrednictwem usługi internetowej.

Oto jak nasz przykład wygląda po kliknięciu pozycji Skonfiguruj usługę internetową:

Praca wykonana przez skonfigurowanie usługi internetowej może być wystarczająca do przygotowania eksperymentu do wdrożenia jako usługi internetowej. Możesz jednak wykonać dodatkową pracę specyficzną dla eksperymentu.

Dostosowywanie modułów wejściowych i wyjściowych

W eksperymencie trenowania użyto zestawu danych treningowych, a następnie wykonaliśmy pewne przetwarzanie w celu pobrania danych w postaci potrzebnej algorytmowi uczenia maszynowego. Jeśli dane, które mają być odbierane za pośrednictwem usługi internetowej, nie będą potrzebne tego przetwarzania, można je pominąć: połączyć dane wyjściowe modułu wejściowego usługi internetowej z innym modułem w eksperymencie. Dane użytkownika zostaną teraz dostarczone do modelu w tej lokalizacji.

Na przykład domyślnie skonfiguruj usługę internetową umieszcza moduł wejściowy usługi internetowej w górnej części przepływu danych, jak pokazano na rysunku powyżej. Możemy jednak ręcznie umieścić dane wejściowe usługi internetowej obok modułów przetwarzania danych:

Dane wejściowe udostępniane za pośrednictwem usługi internetowej będą teraz przekazywane bezpośrednio do modułu Score Model (Generowanie wyników dla modelu bez przetwarzania wstępnego).

Podobnie domyślnie ustawienie Skonfiguruj usługę internetową umieszcza moduł wyjściowy usługi internetowej w dolnej części przepływu danych. W tym przykładzie usługa internetowa zwróci użytkownikowi dane wyjściowe modułu Score Model (Generowanie wyników dla modelu), który zawiera pełny wektor danych wejściowych oraz wyniki oceniania. Jeśli jednak wolisz zwrócić coś innego, możesz dodać dodatkowe moduły przed modułem danych wyjściowych usługi internetowej .

Aby na przykład zwrócić tylko wyniki oceniania, a nie cały wektor danych wejściowych, dodaj moduł Select Columns in Dataset (Wybieranie kolumn w zestawie danych ), aby wykluczyć wszystkie kolumny z wyjątkiem wyników oceniania. Następnie przenieś moduł danych wyjściowych usługi internetowej do danych wyjściowych modułu Select Columns in Dataset (Wybieranie kolumn w zestawie danych ). Eksperyment wygląda następująco:

Dodawanie lub usuwanie dodatkowych modułów przetwarzania danych

Jeśli w eksperymencie znajduje się więcej modułów, które nie będą potrzebne podczas oceniania, można je usunąć. Na przykład ze względu na to, że moduł wejściowy usługi internetowej został przeniesiony do punktu po modułach przetwarzania danych, możemy usunąć moduł Clean Missing Data (Czyszczenie brakujących danych ) z eksperymentu predykcyjnego.

Nasz eksperyment predykcyjny wygląda teraz następująco:

Dodawanie opcjonalnych parametrów usługi sieci Web

W niektórych przypadkach może być konieczne zezwolenie użytkownikowi usługi internetowej na zmianę zachowania modułów podczas uzyskiwania dostępu do usługi. Parametry usługi sieci Web umożliwiają wykonanie tej czynności.

Typowym przykładem jest skonfigurowanie modułu Importuj dane , aby użytkownik wdrożonej usługi internetowej mógł określić inne źródło danych po korzystaniu z usługi internetowej. Można też skonfigurować moduł Eksportuj dane , aby można było określić inne miejsce docelowe.

Można zdefiniować parametry usługi sieci Web i skojarzyć je z co najmniej jednym parametrem modułu, a także określić, czy są one wymagane, czy opcjonalne. Użytkownik usługi internetowej udostępnia wartości tych parametrów podczas uzyskiwania dostępu do usługi, a akcje modułu są odpowiednio modyfikowane.

Aby uzyskać więcej informacji na temat parametrów usługi sieci Web i sposobu ich używania, zobacz Using Machine Learning Web Service Parameters (Używanie parametrów usługi sieci Web Machine Learning).

W poniższych krokach opisano wdrażanie eksperymentu predykcyjnego jako nową usługę internetową. Eksperyment można również wdrożyć jako klasyczną usługę internetową.

Wdrażanie jej jako nowej usługi internetowej

Po przygotowaniu eksperymentu predykcyjnego możesz wdrożyć go jako nową (opartą na Resource Manager) usługę internetową platformy Azure. Za pomocą usługi internetowej użytkownicy mogą wysyłać dane do modelu, a model zwróci przewidywania.

Aby wdrożyć eksperyment predykcyjny, kliknij pozycję Uruchom w dolnej części kanwy eksperymentu. Po zakończeniu eksperymentu kliknij pozycję Wdróż usługę internetową i wybierz pozycję Wdróż nową usługę internetową. Zostanie otwarta strona wdrażania portalu usługi sieci Web usługi Machine Learning Studio (klasycznej).

Uwaga

Aby wdrożyć nową usługę internetową, musisz mieć wystarczające uprawnienia w subskrypcji, w której wdrażasz usługę internetową. Aby uzyskać więcej informacji, zobacz Zarządzanie usługą internetową przy użyciu portalu usług sieci Web Machine Learning.

Portal usługi internetowej Wdrażanie strony eksperymentu

Na stronie Wdrażanie eksperymentu wprowadź nazwę usługi internetowej. Wybierz plan cenowy. Jeśli masz istniejący plan cenowy, możesz go wybrać, w przeciwnym razie musisz utworzyć nowy plan cenowy dla usługi.

1. Z listy rozwijanej Plan cen wybierz istniejący plan lub wybierz opcję Wybierz nowy plan .
2. W polu Nazwa planu wpisz nazwę, która zidentyfikuje plan na rachunku.
3. Wybierz jedną z warstw planu miesięcznego. Plan domyślnie jest dzielony na warstwy planów dla domyślnego regionu, a usługi internetowe są wdrażane dla tego regionu.

Kliknij pozycję Wdróż , a zostanie otwarta strona Szybki start dla usługi internetowej.

Strona Szybkiego startu usługi internetowej zapewnia dostęp i wskazówki dotyczące najczęściej wykonywanych zadań po utworzeniu usługi internetowej. W tym miejscu możesz łatwo uzyskać dostęp zarówno do strony Test, jak i zużyj.

Testowanie nowej usługi internetowej

Aby przetestować nową usługę internetową, kliknij pozycję Testuj usługę internetową w obszarze typowych zadań. Na stronie Test możesz przetestować usługę internetową jako usługę Request-Response (RRS) lub usługę wykonywania wsadowego (BES).

Na stronie testu RRS są wyświetlane dane wejściowe, wyjściowe i wszystkie parametry globalne zdefiniowane dla eksperymentu. Aby przetestować usługę internetową, możesz ręcznie wprowadzić odpowiednie wartości dla danych wejściowych lub podać sformatowany plik wartości rozdzielanej przecinkami (CSV) zawierający wartości testowe.

Aby przetestować użycie magazynu RRS, w trybie widoku listy wprowadź odpowiednie wartości dla danych wejściowych i kliknij pozycję Testuj żądanie-odpowiedź. Wyniki przewidywania są wyświetlane w kolumnie wyjściowej po lewej stronie.

Aby przetestować usługę BES, kliknij pozycję Batch. Na stronie Test usługi Batch kliknij przycisk Przeglądaj w obszarze danych wejściowych i wybierz plik CSV zawierający odpowiednie wartości przykładowe. Jeśli nie masz pliku CSV i utworzono eksperyment predykcyjny przy użyciu usługi Machine Learning Studio (klasycznej), możesz pobrać zestaw danych dla eksperymentu predykcyjnego i użyć go.

Aby pobrać zestaw danych, otwórz program Machine Learning Studio (wersja klasyczna). Otwórz eksperyment predykcyjny i kliknij prawym przyciskiem myszy dane wejściowe dla eksperymentu. Z menu kontekstowego wybierz pozycję zestaw danych , a następnie wybierz pozycję Pobierz.

Kliknij pozycję Testuj. Stan zadania wykonywania wsadowego jest wyświetlany po prawej stronie w obszarze Zadania testowe usługi Batch.

Na stronie KONFIGURACJA można zmienić opis, tytuł, zaktualizować klucz konta magazynu i włączyć przykładowe dane dla usługi internetowej.

Uzyskiwanie dostępu do nowej usługi internetowej

Po wdrożeniu usługi internetowej z usługi Machine Learning Studio (klasycznej) można programowo wysyłać dane do usługi i odbierać odpowiedzi.

Strona Consume (Korzystanie ) zawiera wszystkie informacje potrzebne do uzyskania dostępu do usługi internetowej. Na przykład klucz interfejsu API jest udostępniany w celu umożliwienia autoryzowanego dostępu do usługi.

Aby uzyskać więcej informacji na temat uzyskiwania dostępu do usługi sieci Web Machine Learning Studio (klasycznej), zobacz How to consume a Machine Learning Studio (classic) Web service (Jak korzystać z usługi sieci Web Machine Learning Studio (klasycznej).

Zarządzanie nową usługą internetową

Nowe usługi sieci Web można zarządzać przy użyciu portalu usług sieci Web Machine Learning Studio (wersja klasyczna). Na stronie głównej portalu kliknij pozycję Usługi sieci Web. Na stronie usług internetowych można usunąć lub skopiować usługę. Aby monitorować określoną usługę, kliknij usługę, a następnie kliknij pozycję Pulpit nawigacyjny. Aby monitorować zadania wsadowe skojarzone z usługą internetową, kliknij pozycję Dziennik żądań usługi Batch.

Wdrażanie nowej usługi internetowej w wielu regionach

Możesz łatwo wdrożyć nową usługę internetową w wielu regionach bez konieczności używania wielu subskrypcji lub obszarów roboczych.

Cennik jest specyficzny dla regionu, dlatego należy zdefiniować plan rozliczeniowy dla każdego regionu, w którym zostanie wdrożona usługa internetowa.

Tworzenie planu w innym regionie

1. Zaloguj się do usług sieci Web Machine Learning.
2. Kliknij opcję menu Plany .
3. Na stronie Plany nad widokiem kliknij pozycję Nowy.
4. Z listy rozwijanej Subskrypcja wybierz subskrypcję, w której będzie znajdować się nowy plan.
5. Z listy rozwijanej Region wybierz region dla nowego planu. Opcje planu dla wybranego regionu zostaną wyświetlone w sekcji Opcje planu na stronie.
6. Z listy rozwijanej Grupa zasobów wybierz grupę zasobów dla planu. Aby uzyskać więcej informacji na temat grup zasobów, zobacz Omówienie usługi Azure Resource Manager.
7. W polu Nazwa planu wpisz nazwę planu.
8. W obszarze Opcje planu kliknij poziom rozliczeniowy dla nowego planu.
9. Kliknij pozycję Utwórz.

Wdrażanie usługi internetowej w innym regionie

1. Na stronie Usługi sieci Web Machine Learning kliknij opcję menu Usługi sieci Web .
2. Wybierz usługę internetową, którą wdrażasz w nowym regionie.
3. Kliknij przycisk Kopiuj.
4. W polu Nazwa usługi sieci Web wpisz nową nazwę usługi sieci Web.
5. W polu Opis usługi sieci Web wpisz opis usługi sieci Web.
6. Z listy rozwijanej Subskrypcja wybierz subskrypcję, w której będzie znajdować się nowa usługa internetowa.
7. Z listy rozwijanej Grupa zasobów wybierz grupę zasobów dla usługi internetowej. Aby uzyskać więcej informacji na temat grup zasobów, zobacz Omówienie usługi Azure Resource Manager.
8. Z listy rozwijanej Region wybierz region, w którym ma zostać wdrożona usługa internetowa.
9. Z listy rozwijanej Konto magazynu wybierz konto magazynu, na którym ma być przechowywana usługa internetowa.
10. Z listy rozwijanej Plan cen wybierz plan w regionie wybranym w kroku 8.
11. Kliknij przycisk Kopiuj.

Wdrażanie jej jako klasycznej usługi internetowej

Teraz, gdy eksperyment predykcyjny został wystarczająco przygotowany, możesz wdrożyć go jako klasyczną usługę internetową platformy Azure. Za pomocą usługi internetowej użytkownicy mogą wysyłać dane do modelu, a model zwróci przewidywania.

Aby wdrożyć eksperyment predykcyjny, kliknij pozycję Uruchom w dolnej części kanwy eksperymentu, a następnie kliknij pozycję Wdróż usługę internetową. Usługa internetowa jest skonfigurowana i znajdujesz się na pulpicie nawigacyjnym usługi internetowej.

Testowanie klasycznej usługi internetowej

Usługę internetową można przetestować w portalu usług sieci Web usługi Machine Learning Studio (klasycznym) lub w usłudze Machine Learning Studio (klasycznym).

Aby przetestować usługę internetową Żądania odpowiedzi, kliknij przycisk Testuj na pulpicie nawigacyjnym usługi internetowej. Zostanie wyświetlone okno dialogowe z prośbą o podanie danych wejściowych dla usługi. Są to kolumny oczekiwane przez eksperyment oceniania. Wprowadź zestaw danych, a następnie kliknij przycisk OK. Wyniki wygenerowane przez usługę internetową są wyświetlane w dolnej części pulpitu nawigacyjnego.

Możesz kliknąć link Test preview ( Test preview), aby przetestować usługę w portalu usług sieci Web usługi Machine Learning Studio (wersja klasyczna), jak pokazano wcześniej w sekcji Nowa usługa internetowa.

Aby przetestować usługę Batch Execution Service, kliknij link Testuj podgląd. Na stronie Test usługi Batch kliknij przycisk Przeglądaj w obszarze danych wejściowych i wybierz plik CSV zawierający odpowiednie przykładowe wartości. Jeśli nie masz pliku CSV i utworzono eksperyment predykcyjny przy użyciu usługi Machine Learning Studio (klasycznej), możesz pobrać zestaw danych dla eksperymentu predykcyjnego i użyć go.

Na stronie KONFIGURACJA możesz zmienić nazwę wyświetlaną usługi i podać jej opis. Nazwa i opis są wyświetlane w Azure Portal, w którym zarządzasz usługami internetowymi.

Możesz podać opis danych wejściowych, danych wyjściowych i parametrów usługi internetowej, wprowadzając ciąg dla każdej kolumny w obszarze INPUT SCHEMA, OUTPUT SCHEMA i Web SERVICE PARAMETER. Te opisy są używane w przykładowej dokumentacji kodu udostępnionej dla usługi internetowej.

Możesz włączyć rejestrowanie, aby zdiagnozować wszelkie błędy, które są widoczne podczas uzyskiwania dostępu do usługi internetowej. Aby uzyskać więcej informacji, zobacz Włączanie rejestrowania dla usług sieci Web Machine Learning Studio (klasycznych).

Punkty końcowe dla usługi internetowej można również skonfigurować w portalu usług sieci Web Machine Learning podobnie jak procedura przedstawiona wcześniej w sekcji Nowa usługa internetowa. Opcje są różne, można dodać lub zmienić opis usługi, włączyć rejestrowanie i włączyć przykładowe dane do testowania.

Uzyskiwanie dostępu do klasycznej usługi internetowej

Po wdrożeniu usługi internetowej z usługi Machine Learning Studio (klasycznej) można programowo wysyłać dane do usługi i odbierać odpowiedzi.

Pulpit nawigacyjny zawiera wszystkie informacje potrzebne do uzyskania dostępu do usługi internetowej. Na przykład klucz interfejsu API jest udostępniany w celu umożliwienia autoryzowanego dostępu do usługi, a strony pomocy interfejsu API są udostępniane, aby ułatwić rozpoczęcie pisania kodu.

Aby uzyskać więcej informacji na temat uzyskiwania dostępu do usługi internetowej Machine Learning Studio (klasycznej), zobacz How to consume a Machine Learning Studio (classic) Web service (How to consume a Machine Learning Studio (classic) Web service (How to consume a Machine Learning Studio (classic) Web service (How to consume a Machine Learning Studio (classic).

Zarządzanie klasyczną usługą internetową

Istnieje wiele akcji, które można wykonać, aby monitorować usługę internetową. Można go zaktualizować i usunąć. Możesz również dodać dodatkowe punkty końcowe do klasycznej usługi internetowej oprócz domyślnego punktu końcowego utworzonego podczas wdrażania.

Aby uzyskać więcej informacji, zobacz Zarządzanie obszarem roboczym usługi Machine Learning Studio (klasycznym) i Zarządzanie usługą internetową przy użyciu portalu usług sieci Web usługi Machine Learning Studio (wersja klasyczna).

Aktualizowanie usługi internetowej

Możesz wprowadzić zmiany w usłudze internetowej, takie jak zaktualizowanie modelu przy użyciu dodatkowych danych szkoleniowych, i ponownie wdrożyć ją, zastępując oryginalną usługę internetową.

Aby zaktualizować usługę internetową, otwórz oryginalny eksperyment predykcyjny użyty do wdrożenia usługi internetowej i utwórz edytowalną kopię, klikając pozycję ZAPISZ JAKO. Wprowadź zmiany, a następnie kliknij pozycję Wdróż usługę internetową.

Ponieważ ten eksperyment został wdrożony wcześniej, zostanie wyświetlony monit o zastąpienie (klasycznej usługi sieci Web) lub zaktualizowanie istniejącej usługi (nowa usługa internetowa). Kliknięcie przycisku TAK lub aktualizacja zatrzymuje istniejącą usługę internetową i wdraża nowy eksperyment predykcyjny wdrożony w jego miejscu.

Uwaga

Jeśli wprowadzono zmiany konfiguracji w oryginalnej usłudze internetowej, na przykład wprowadzenie nowej nazwy wyświetlanej lub opisu, należy ponownie wprowadzić te wartości.

Jedną z opcji aktualizowania usługi internetowej jest ponowne trenowanie modelu programowo. Aby uzyskać więcej informacji, zobacz Programowe trenowanie modeli usługi Machine Learning Studio (klasycznych).

Następne kroki

• Aby uzyskać więcej informacji technicznych na temat sposobu działania wdrożenia, zobacz How a Machine Learning Studio (classic) model progresses from an experiment to an operationalized Web service (Jak model usługi Machine Learning Studio (wersja klasyczna) postępuje z eksperymentu na zoperalizowaną usługę sieci Web.

• Aby uzyskać szczegółowe informacje na temat przygotowania modelu do wdrożenia, zobacz Jak przygotować model do wdrożenia w usłudze Machine Learning Studio (wersja klasyczna).

• Istnieje kilka sposobów uzyskiwania dostępu do usługi sieci Web za pomocą interfejsu API REST. Zobacz Jak korzystać z usługi internetowej Machine Learning Studio (klasycznej).