# Fonte de análises do Azure ML

O Azure ML é uma plataforma de aprendizado de máquina para automatizar, garantir e acelerar análises preditivas, ajudando cientistas e analistas de dados a construir e implantar modelos preditivos precisos.

Os seguintes serviços Azure ML são suportados:

* ML automatizada

* Designer

Para se conectar ao Azure ML , você deve ter criado ou ter acesso a um modelo e implantado em um endpoint na plataforma Azure ML. Este endpoint deve ser acessível publicamente pelo Qlik Cloud.

[Aprendizado de máquina do Azure](https://azure.microsoft.com/en-us/services/machine-learning/)

## Ativando endpoints de ML no Qlik Cloud

Para trabalhar com esse conector, os endpoints de aprendizado de máquina devem ser habilitados no centro de atividades de Administração. O interruptor está localizado em Controle de recursos na seção Configurações.

Para obter mais informações, consulte [Habilitando conexões analíticas para endpoints de aprendizado de máquina](https://help.qlik.com/pt-BR/cloud-services/Subsystems/Hub/Content/Sense_Hub/LoadData/load-data-from-advanced-analytic-connections.htm#Enabling).

## Limitações

* O Azure ML usa limites e cotas:

  [Gerencie e aumente as cotas de recursos com o Azure Machine Learning](https://docs.microsoft.com/en-us/azure/machine-learning/how-to-manage-quotas)

* Cotas do Azure de modelos implementados e solicitações afetarão e limitarão o desempenho no carregamento do Qlik Sense e na capacidade de resposta do gráfico ao chamar endpoints do Azure ML.

* O conector Azure ML está limitado a 200 mil linhas por solicitação. Eles são enviados ao serviço de endpoint em lotes de 2 mil linhas. Em cenários em que mais linhas precisam ser processadas, use um Ciclo dentro do script de carregamento de dados para processar mais linhas em lotes

* Em um cenário em que um aplicativo é recarregado regularmente, é uma prática recomendada armazenar em cache as previsões usando um arquivo QVD e enviar apenas as novas linhas para o endpoint de previsão. Isso melhorará o desempenho do carregamento do aplicativo do Qlik Sense e reduzirá a carga no endpoint Azure ML.

* Ao usar o Azure ML em uma expressão de gráfico, é importante fornecer os tipos de dados dos campos, pois o modelo precisa processá-los no formato numérico/string correto. Uma limitação das extensões no lado do servidor em expressões de gráfico é que os tipos de dados não são detectados automaticamente, pois são no script de carregamento.

* Se estiver usando um nome de conexão relativo e decidir mover seu aplicativo de um espaço compartilhado para outro, ou se mover seu aplicativo de um espaço compartilhado para seu espaço privado, levará algum tempo para a conexão analítica ser atualizada para refletir a nova localização do espaço.

* Você não pode criar e gerenciar conexões para este conector no Gerenciador de dados em um aplicativo de análise.