Format à respecter par les demandes JSON envoyées aux services web

• Le corps de la demande envoyée à l'API REST doit être un document JSON contenant un unique tableau JSON d'objets JSON.
• Le tableau JSON doit être nommé "input".
• Chaque objet JSON peut inclure uniquement des paires de valeurs de clé simple, où les valeurs peuvent être une chaîne, un nombre, true, falseou null
• Les valeurs ne peuvent pas elles-mêmes être des objets ou des tableaux JSON.
• Chaque objet JSON du tableau doit tous avoir les mêmes clés (et donc le même nombre de clés) spécifiés, qu'il existe une valeur nonnull disponible

L'exemple de fichier JSON suivant remplit les conditions énoncées ci-dessus. Vous pouvez l'utiliser comme modèle pour créer vos propres fichiers de demande JSON :

{
  "input": [
    {
      "field1": "value1",
      "field2": 31,
      "field3": true,
      "field4": 2.3
    },
    {
      "field1": "value2",
      "field2": 15,
      "field3": false,
      "field4": 0.1
    },
    {
      "field1": null,
      "field2": 5,
      "field3": true,
      "field4": 6.1
    }
  ]
}

Format à respecter par les réponses JSON reçues des services web

Tenez compte des points suivants lorsque vous créez un fichier de réponse JSON :

• Le corps de la réponse reçue de l'API REST doit être un document JSON contenant un unique tableau JSON d'objets JSON.

• Le tableau JSON doit être nommé "output".

• Chaque objet JSON peut inclure uniquement des paires clé-valeur, où les valeurs peuvent être une chaîne, un nombre, true, false, nullou un tableau qui ne contient aucun autre objet JSON ou tableau

• Les valeurs ne peuvent pas elles-mêmes être des objets JSON.

• Chaque objet JSON du tableau doit tous avoir les mêmes clés (et le nombre de clés) spécifiés, qu'il existe une valeur nonnull disponible

• Pour les modèles de classification : le service web doit retourner un tableau de probabilités pour chaque classe, et l'ordre des probabilités doit être le même pour les différents objets JSON du tableau

  • Exemple : supposons que vous ayez un modèle de classification binaire qui prédit le risque de crédit, les deux classes possibles étant Risk ou No Risk
  • Pour chaque résultat retourné dans le tableau "output", les objets doivent contenir une paire clé-valeur incluant les probabilités dans un ordre fixe, sous la forme :

  {
  "output": [
    {
      "Scored Probabilities": ["Risk" probability,"No Risk" probability
      ]
      },
      {
        "Scored Probabilities": ["Risk" probability,"No Risk" probability
          ]
         }
      ]
  

Pour être cohérent avec les outils visuels Azure ML utilisés dans Azure ML Studio et Azure ML Service, utilisez les noms de clé suivants :

• le nom de clé "Scored Labels" pour la clé de sortie qui indique la valeur prédite du modèle
• le nom de clé "Scored Probabilities" pour la clé de sortie qui indique un tableau de probabilités pour chaque classe

L'exemple de fichier JSON suivant remplit les conditions énoncées ci-dessus. Vous pouvez l'utiliser comme modèle pour créer vos propres fichiers de réponse JSON :

{
  "output": [
    {
      "Scored Labels": "No Risk",
      "Scored Probabilities": [
        0.8922524675865824,
        0.10774753241341757
      ]
    },
    {
      "Scored Labels": "No Risk",
      "Scored Probabilities": [
        0.8335192848546905,
        0.1664807151453095
      ]
    }
  ]
}

Ajouter votre moteur Microsoft Azure ML Service

Un moteur d'exécution watsonx.ai non IBM est lié en tant que Custom, et consiste en des métadonnées. Il n'y a pas d'intégration directe avec le service Runtime watsonx.ai non IBM.

service_type = "azure_machine_learning_service"
added_service_provider_result = wos_client.service_providers.add(
        name=SERVICE_PROVIDER_NAME,
        description=SERVICE_PROVIDER_DESCRIPTION,
        service_type = service_type,
        credentials=AzureCredentials(
            subscription_id= AZURE_ENGINE_CREDENTIALS['subscription_id'],
            client_id = AZURE_ENGINE_CREDENTIALS['client_id'],
            client_secret= AZURE_ENGINE_CREDENTIALS['client_secret'],
            tenant = AZURE_ENGINE_CREDENTIALS['tenant']
        ),
        background_mode=False
    ).result

Vous pouvez voir votre liaison de service avec la commande suivante :

client.service_providers.list()

Exemple de sortie :

uid	                                   name	                      service_type	                   created
410e730f-8462-45fe-8b41-a029d6d6043a	My Azure ML Service engine azure_machine_learning_service2019-06-10T22:10:29.398Z

Ajouter un abonnement Microsoft Azure ML Service

Ajouter un abonnement

asset_deployment_details = wos_client.service_providers.list_assets(data_mart_id=data_mart_id, service_provider_id=service_provider_id).result
asset_deployment_details
 
deployment_id=''
for model_asset_details in asset_deployment_details['resources']:
    if model_asset_details['metadata']['guid']==deployment_id:
        break
 
azure_asset = Asset(
            asset_id=model_asset_details["entity"]["asset"]["asset_id"],
            name=model_asset_details["entity"]["asset"]["name"],
            url=model_asset_details["entity"]["asset"]["url"],
            asset_type=model_asset_details['entity']['asset']['asset_type'] if 'asset_type' in model_asset_details['entity']['asset'] else 'model',
            input_data_type=InputDataType.STRUCTURED,
            problem_type=ProblemType.BINARY_CLASSIFICATION
        )
 
deployment_scoring_endpoint = model_asset_details['entity']['scoring_endpoint']
scoring_endpoint = ScoringEndpointRequest(url = model_asset_details['entity']['scoring_endpoint']['url'],request_headers = model_asset_details['entity']['scoring_endpoint']['request_headers'],
                                                 credentials = None)  
 
deployment = AssetDeploymentRequest(
    deployment_id=model_asset_details['metadata']['guid'],
    url=model_asset_details['metadata']['url'],
    name=model_asset_details['entity']['name'],
    description=model_asset_details['entity']['description'],
    deployment_type=model_asset_details['entity']['type'],
    scoring_endpoint = scoring_endpoint
)
 
asset_properties = AssetPropertiesRequest(
        label_column="Risk ",
        prediction_field='Scored Labels',
        probability_fields=['Scored Probabilities'],
        training_data_reference=training_data_reference,
        training_data_schema=None,
        input_data_schema=None,
        output_data_schema=None,
    )
 
subscription_details = wos_client.subscriptions.add(
        data_mart_id=data_mart_id,
        service_provider_id=service_provider_id,
        asset=azure_asset,
        deployment=deployment,
        asset_properties=asset_properties,
        background_mode=False
).result

Obtenir la liste des abonnements

subscription_id = subscription_details.metadata.id
subscription_id
 
details: wos_client.subscriptions.get(subscription_id).result.to_dict()

Activer la journalisation du contenu utile

Activer la journalisation du contenu utile dans l'abonnement

payload_data_set_id = None
payload_data_set_id = wos_client.data_sets.list(type=DataSetTypes.PAYLOAD_LOGGING, 
                                                target_target_id=subscription_id, 
                                                target_target_type=TargetTypes.SUBSCRIPTION).result.data_sets[0].metadata.id

Obtenir les détails de la journalisation

subscription.payload_logging.get_details()

Evaluation et journalisation du contenu

Evaluez votre modèle. Pour un exemple complet, consultez le Bloc-notes Working with Azure Machine Learning Service Engine.

Stocker la demande et la réponse dans la table de journalisation du contenu :

wos_client.data_sets.store_records(data_set_id=payload_data_set_id, request_body=[PayloadRecord(
           scoring_id=str(uuid.uuid4()),
           request=request_data,
           response=response_data,
           response_time=460
)])

Pour les langages autres que Python, vous pouvez également journaliser le contenu utile en utilisant une API REST.

Rubrique parent : Moteurs d'apprentissage automatiques, infrastructures et modèles pris en charge