Os componentes Entrada de Serviço Web e Saída de Serviço Web

Este artigo descreve os componentes Entrada do Serviço Web e Saída do Serviço Web no designer do Azure Machine Learning Web.

O componente Entrada do Serviço Web só pode se conectar a uma porta de entrada com o tipo DataFrameDirectory. O componente Saída do Serviço Web só pode se conectar de uma porta de saída com o tipo DataFrameDirectory. Você pode encontrar os dois componentes na árvore de componentes, na categoria Serviço Web.

O componente Entrada do Serviço Web indica onde os dados do usuário entram no pipeline. O componente Saída do Serviço Web indica onde os dados do usuário são retornados em um pipeline de inferência em tempo real.

Como usar a Entrada e a Saída do Serviço Web

Quando você cria um pipeline de inferência em tempo real do pipeline de treinamento, os componentes Entrada do Serviço Web e Saída do Serviço Web serão adicionados automaticamente para mostrar onde os dados do usuário entram no pipeline e onde os dados são retornados.

Observação

Gerar automaticamente um pipeline de inferência em tempo real é um processo de melhor esforço baseado em regras. Não há nenhuma garantia de correção.

Você pode adicionar ou remover manualmente os componentes Entrada do Serviço Web e Saída do Serviço Web para atender às suas necessidades. Certifique-se de que seu pipeline de inferência em tempo real tenha pelo menos um componente Entrada de Serviço Web e um componente Saída do Serviço Web. Se você tiver vários componentes Entrada de Serviço Web ou Saída de Serviço Web, certifique-se de que eles têm nomes exclusivos. Você pode inserir o nome no painel direito do componente.

Você também pode criar manualmente um pipeline de inferência em tempo real adicionando componentes Entrada de Serviço Web e Saída de Serviço Web ao pipeline não confirmado.

Observação

O tipo de pipeline será determinado na primeira vez que você o enviar. Adicione os componentes Entrada do Serviço Web e Saída do Serviço Web antes de enviar pela primeira vez.

O exemplo a seguir mostra como criar manualmente o pipeline de inferência em tempo real do componente Executar Script Python.

Depois que você enviar o pipeline e a execução for concluída com êxito, você poderá implantar o ponto de extremidade em tempo real.

Observação

No exemplo anterior, Inserir dados manualmente fornece o esquema de dados para entrada do serviço Web e é necessário para implantar o ponto de extremidade em tempo real. Em geral, você sempre deve conectar um componente ou conjunto de dados à porta em que a Entrada do Serviço Web está conectada para fornecer o esquema de dados.

Próximas etapas

Saiba mais sobre como implantar o ponto de extremidade em tempo real.

Confira o conjunto de componentes disponíveis para o Azure Machine Learning.