Erstellen eines Modells für maschinelles Lernen in Azure – Schritt-für-Schritt-Anleitung für Anfänger

Das Azure Machine Learning (ML) Studio wurde umfassend erneuert. Hier ist eine Anleitung für Anfänger, wie Sie Ihr erstes ML-Modell erstellen, einschließlich der Einrichtung eines Kontos. Die Schritte sind etwas fummelig, und da sich ML Studio noch in der Entwicklung befindet, können sich die einzelnen Schritte ändern, sodass das, was Sie hier lesen, zum Zeitpunkt des Lesens möglicherweise nicht 100 % genau ist. Aber hoffentlich kann es Ihnen beim Einstieg helfen, wenn Sie sich mit der Erstellung von ML-Modellen zur Integration in Business Central befassen möchten.

Ein Konto erstellen

Wechseln Sie zu ml.azure.com, und melden Sie sich mit einem vorhandenen Azure-Konto an. Klicken Sie auf “Neues Abonnement erstellen” und folgen Sie dort. Warten Sie dann einige Minuten oder Stunden, bis das Konto betriebsbereit ist.

Gehen Sie zu Ihrem Azure-Portal (portal.azure.com), suchen Sie nach „Azure Machine Learning“ und klicken Sie hier auf „+erstellen“, um einen neuen Arbeitsbereich zu erstellen. Nach der Erstellung finden Sie es unter „Azure Machine Learning“. Klicken Sie auf „Launch Studio“, um es in „Microsoft Azure Machine Learning Studio“ zu öffnen.

Erstellen Sie Ihr erstes Modell

In MS Azure Machine Learning Studio haben Sie auf der linken Seite im Bereich „Autor“ drei Möglichkeiten:

  • Notebooks – meist Code-basierte Modelle (kompliziert)
  • Automatisiertes ML – Walkthroughs (Basic)
  • Designer – Drag-and-Drop-Low-Code-Modelle (Fortgeschrittene)

Klicken Sie für unser erstes Modell auf Designer und dann auf die Schaltfläche +. Klicken Sie auf „Komponente“, suchen Sie dann nach „Daten manuell eingeben“ und ziehen Sie diese Komponente per Drag-and-Drop in die leere Leinwand. Doppelklicken Sie darauf und legen Sie die folgenden Eigenschaften fest:

  • Datenformat = CSV
  • Hat Header = True
  • Daten =
    1 Nummer
    2 1

Bald werden wir einen eingehenden Webdienst einrichten, um Daten über die API zu empfangen, anstatt sie manuell einzugeben, aber wir brauchen diese Komponente, weil sie die erwartete Eingabe (eine Zahl) definiert.

Suchen Sie nach „Execute“ und wählen Sie „Execute R Script“ oder „Execute Python Script“ (wählen Sie einfach die gewünschte Sprache aus). In unserem Beispiel führen wir das folgende R-Skript aus:

azureml_main print(“R-Skript ausführen.”)
return(list(dataset1=dataframe1 * 2))
}

Es wird einfach die eingehende Zahl mit 2 multipliziert.

Fügen Sie nun zwei weitere Komponenten hinzu: „Web Service Input“ und „Web Service Output“. Verknüpfen Sie abschließend diese vier Komponenten: „Daten manuell eingeben“ und „Webservice-Eingabe“ mit Dataset1. Und das Ergebnis “Execute R Script” verlinkt auf “Web Service Output”.

Das ist unser fertiges Modell. Es nimmt einfach eine Zahl und multipliziert sie mit zwei und gibt dann das Ergebnis zurück.

Wenn Sie jetzt auf Validate klicken, werden Sie darauf hingewiesen, dass Sie Compute angeben müssen.

Compute hinzufügen

Klicken Sie oben rechts auf Einstellungen und wählen Sie dann „Compute Type“ – hier stellen wir es auf „Compute Instance“ ein und klicken Sie dann auf „Azure ML Compute Instance erstellen“. Wählen Sie eine geeignete Option. Wählen Sie testweise einfach den günstigsten aus. Klicken Sie auf „Weiter: Erweiterte Einstellungen“ und hier auf „Zeitplan hinzufügen“. Erstellen Sie dann jeden Tag einen Zeitplan zum Stoppen der Compute-Instanz, z. B. um 20:00 Uhr. Dieser Schritt ist natürlich optional, kann aber Ihr Azure-Guthaben vor dem Auslaufen schützen.

Verlassen Sie das Modell, gehen Sie dann in der linken Spalte auf “Compute”, und hier sollte ein neues mit state = Creating stehen. Warten Sie, bis dies ausgeführt wird. Gehen Sie dann zurück zu Designer, entwerfen Sie Ihr Modell und wählen Sie in den Einstellungen den richtigen “Compute-Typ” (hier “Compute-Instanz”) und dann Ihre neue Pendelstrecke aus.

Speichern Sie nun Ihr Modell und klicken Sie dann auf Validieren. Es sollte sagen, dass Ihre Pipeline gut aussieht und Sie sie jetzt einreichen oder veröffentlichen können. Klicken Sie also auf „Senden“. Klicken Sie auf „Neu erstellen“, geben Sie einen Namen ein und klicken Sie dann auf „Senden“. Beachten Sie, dass hier “Pipeline” erwähnt wird, also gehen wir als nächstes dorthin.

Klicken Sie im linken Menü auf Pipelines und wählen Sie dann Ihre neue Pipeline aus. Jetzt müssen wir das Modell bereitstellen (= Endpunkte erstellen, damit wir es erreichen können).

Veröffentlichen Sie das Modell

Klicken Sie im linken Bereich auf Jobs, wählen Sie Ihre Pipeline aus und klicken Sie dann auf Bereitstellen. Geben Sie einen Namen ein und wählen Sie als „Compute-Typ“ „Azure-Containerinstanz“ aus, und klicken Sie dann auf Bereitstellen. Dadurch wird ein Endpunkt erstellt.

Gehen Sie zu Endpunkte und klicken Sie dann auf Ihren neuen Endpunkt. Im Moment wird der „Bereitstellungsstatus“ als fehlerhaft gemeldet. Warten Sie also einige Minuten oder bis zu einer Stunde, bis der „Bereitstellungsstatus“ auf „Übergang“ und dann schließlich auf „Gesund“ wechselt.

Jetzt haben Sie ein bereitgestelltes Modell, das Sie aufrufen können.

Rufen Sie Ihr Modell von Postman an:

Klicken Sie auf Ihrem Ednpoint auf Consume, um den REST-Pin und den Schlüssel zu erhalten. Rufen Sie dann in Postman so an:

POST http://123abc7ef2a-1a05-4e12-8889-1f078a5abcd8.uksouth.azurecontainer.io/score

HEADER:
Genehmigungsinhaber hOzWAXsutkc0l2nChyrCB66QxfYQGaWn

KAROSSERIE
{
“Eingänge”: {
“Eingabe1”: [
{
“Number”: 1
}
]
},
“GlobaleParameter”: {}
}

Warten Sie, bis der Anruf abgeschlossen ist – dies kann etwa eine Minute dauern. Die Ausgabe sollte diese sein:
{
“Ergebnisse”: {
“Ausgang1”: [
{
“Number”: 2.0
}
]
}
}

Jetzt können Sie Ihren Computer einschalten, und er sollte immer noch funktionieren, aber Sie müssen Ihren Computer nicht am Laufen halten, was Sie Geld kostet.

Author: admin

Leave a Reply

Your email address will not be published.