Recompilar os serviços Web do Estúdio (clássico) no Azure Machine Learning

Importante

O suporte para o Azure Machine Learning Studio (clássico) terminará em 31 de agosto de 2024. Recomendamos que você faça a transição para o Azure Machine Learning até essa data.

Desde 1º de dezembro de 2021, não é possível criar recursos (workspace e plano do serviço Web) do Azure Machine Learning Studio (clássico). Até 31 de agosto de 2024, você poderá continuar usando os experimentos e os serviços Web existentes do Machine Learning Studio (clássico). Para saber mais, veja:

• Migrar do Machine Learning Studio (clássico) para o Azure Machine Learning
• O que é Azure Machine Learning?

A documentação do Machine Learning Studio (clássico) está sendo desativada e pode não ser atualizada no futuro.

Neste artigo, você aprende a recompilar um serviço Web do Estúdio ML (clássico) como um ponto de extremidade no Azure Machine Learning.

Use os pontos de extremidade de pipeline do Azure Machine Learning para fazer previsões, treinar novamente modelos ou executar qualquer pipeline genérico. O ponto de extremidade de REST permite executar pipelines em qualquer plataforma.

Este artigo faz parte da série sobre a migração do Estúdio (clássico) para o Azure Machine Learning. Para obter mais informações sobre a migração para o Azure Machine Learning, confira o artigo de visão geral da migração.

Observação

Esta série de migração se concentra no designer do tipo "arrastar e soltar". Veja mais informações sobre a implantação programática de modelos em Implantar modelos de machine learning no Azure.

Pré-requisitos

• Uma conta do Azure com uma assinatura ativa. Crie uma conta gratuitamente.
• Um Workspace do Azure Machine Learning. Criar recursos de workspace.
• Um pipeline de treinamento do Azure Machine Learning. Veja mais informações em Recompilar um experimento do Estúdio (clássico) no Azure Machine Learning.

Ponto de extremidade em tempo real vs. ponto de extremidade do pipeline

Os serviços Web do Estúdio (clássico) foram substituídos por pontos de extremidade no Azure Machine Learning. Use a seguinte tabela para escolher o tipo de ponto de extremidade a ser usado:

Serviço Web do Estúdio (clássico)	Substituição do Azure Machine Learning
Serviço Web de solicitação/resposta (previsão em tempo real)	Ponto de extremidade em tempo real
Serviço Web em lote (previsão em lote)	Ponto de extremidade de pipeline
Serviço Web de retreinamento (retreinamento)	Ponto de extremidade de pipeline

Implanta um ponto de extremidade em tempo real

No Estúdio (clássico), você usava um serviço Web de SOLICITAÇÃO/RESPOSTA para implantar um modelo para previsões em tempo real. No Azure Machine Learning, você usa um ponto de extremidade em tempo real.

Existem várias maneiras de implantar modelos no Azure Machine Learning. Uma das maneiras mais simples é usar o designer para automatizar o processo de implantação. Use as seguintes etapas para implantar um modelo como um ponto de extremidade em tempo real:

1. Execute seu pipeline de treinamento concluído pelo menos uma vez.

2. Depois que o trabalho for concluído, na parte superior da tela, selecione Criar pipeline de inferência>Pipeline de inferência em tempo real.

   

   O designer converte o pipeline de treinamento em um pipeline de inferência em tempo real. Uma conversão semelhante também ocorre no Estúdio (clássico).

   No designer, a etapa de conversão também registra o modelo treinado no workspace do Azure Machine Learning.

3. Selecione Enviar para executar o pipeline de inferência em tempo real e verifique se ele é executado com êxito.

4. Depois de verificar o pipeline de inferência, selecione Implantar.

5. Insira um nome para o ponto de extremidade e um tipo de computação.

   A seguinte tabela descreve as opções de computação de implantação no designer:

   Destino de computação	Usado para	Descrição	Criação
   AKS (Serviço de Kubernetes do Azure)	Inferência em tempo real	Implantações de produção em grande escala. Tempo de resposta rápido e dimensionamento automático de serviço.	Criado pelo usuário. Veja mais informações em Criar destinos de computação.
   Instâncias de Contêiner do Azure	Teste ou desenvolvimento	Cargas de trabalho baseadas em CPU de baixa escala que exigem menos de 48 GB de RAM.	Criado automaticamente pelo Azure Machine Learning.

Testar o ponto de extremidade em tempo real

Depois da implantação, você pode ver mais detalhes e testar o ponto de extremidade:

1. Clique na guia Pontos de extremidade.

2. Selecione seu ponto de extremidade.

3. Selecione a guia Testar.

   

Publicar um ponto de extremidade de pipeline para previsão de lote ou retreinamento

Você também pode usar o pipeline de treinamento para criar um ponto de extremidade de pipeline em vez de um ponto de extremidade em tempo real. Use pontos de extremidade de pipeline para executar a previsão ou o retreinamento em lote.

Os pontos de extremidade de pipeline substituem os pontos de extremidade de execução em lote e os serviços Web de retreinamento do Estúdio (clássico).

Publicar um ponto de extremidade de pipeline para previsão em lote

A publicação de um ponto de extremidade de previsão em lote é semelhante à do ponto de extremidade em tempo real.

Use as seguintes etapas para publicar um ponto de extremidade de pipeline para previsão em lote:

1. Execute seu pipeline de treinamento concluído pelo menos uma vez.

2. Depois que o trabalho for concluído, na parte superior da tela, selecione Criar pipeline de inferência>Pipeline de inferência em lote.

   

   O designer converte o pipeline de treinamento em um pipeline de inferência em lote. Uma conversão semelhante também ocorre no Estúdio (clássico).

   No designer, essa etapa também registra o modelo treinado no workspace do Azure Machine Learning.

3. Selecione Enviar para executar o pipeline de inferência em lote e verifique se ele é concluído com êxito.

4. Depois de verificar o pipeline de inferência, selecione Publicar.

5. Crie um ponto de extremidade de pipeline ou selecione um que já existe.

   Um novo ponto de extremidade de pipeline cria um ponto de extremidade REST para o pipeline.

   Se você selecionar um ponto de extremidade de pipeline já criado, não substituirá o pipeline existente. Em vez disso, o Azure Machine Learning cria versões de cada pipeline no ponto de extremidade. Você pode especificar qual versão deve ser executada na chamada REST. Você também deve definir um pipeline padrão caso a chamada REST não especifique uma versão.

Publicar um ponto de extremidade de pipeline para retreinamento

Para publicar um ponto de extremidade de pipeline para retreinamento, você já deve ter um rascunho de pipeline que treina um modelo. Para obter mais informações sobre como criar um pipeline de treinamento, confira Recompilar um experimento do Estúdio (clássico).

Para reutilizar o ponto de extremidade de pipeline para retreinamento, você deve criar um parâmetro de pipeline para o conjunto de dados de entrada. Dessa forma, você pode definir dinamicamente o conjunto de dados de treinamento para retreinar o modelo.

Use as seguintes etapas para publicar o ponto de extremidade do pipeline de retreinamento:

1. Execute o pipeline de treinamento pelo menos uma vez.

2. Após a conclusão da execução, selecione o módulo do conjunto de dados.

3. No painel de detalhes do módulo, selecione Definir como parâmetro de pipeline.

4. Dê um nome descritivo como "InputDataset".

   

   Isso cria um parâmetro de pipeline para o conjunto de dados de entrada. Ao chamar o ponto de extremidade de pipeline para treinamento, você pode especificar um novo conjunto de dados para retreinar o modelo.

5. Selecione Publicar.

   

Chamar o ponto de extremidade do pipeline no estúdio

Depois de criar um ponto de extremidade de inferência em lote ou de pipeline de retreinamento, você pode chamá-lo diretamente no navegador.

1. Acesse a guia Pipelines e selecione Pontos de extremidade de pipeline.

2. Selecione um ponto de extremidade de pipeline para executar.

3. Selecione Enviar.

   Você pode especificar qualquer parâmetro de pipeline depois de selecionar Enviar.

Próximas etapas

Neste artigo, você aprendeu a recompilar um serviço Web do Estúdio (clássico) no Azure Machine Learning. A próxima etapa é integrar seu serviço Web a aplicativos clientes.

Confira os outros artigos da série de migração do Estúdio (clássico):

1. Visão geral da migração.
2. Migrar um conjunto de dados.
3. Recompilar um pipeline de treinamento do Estúdio (clássico).
4. Recompilar um serviço Web do Studio (clássico).
5. Integrar um serviço Web do Azure Machine Learning a aplicativos cliente.
6. Migrar módulos Executar Script R.