# Источник аналитики Azure ML

Azure ML — это платформа машинного обучения для автоматизации, обеспечения и ускорения обработки прогнозной аналитики, которая помогает специалистам по обработке и анализу данных создавать и разворачивать точные прогнозные модели.

Поддерживаются следующие службы Azure ML:

* Автоматизированное машинное обучение (МО)

* Дизайнер

Чтобы подключиться к Azure ML, сначала необходимо создать модель (или получить доступ к модели) и развернуть ее в конечной точке на платформе Azure ML. Эта конечная точка должна быть общедоступной для Qlik Cloud.

[Машинное обучение Azure](https://azure.microsoft.com/en-us/services/machine-learning/)

## Включение конечных точек машинного обучения в Qlik Cloud

Для работы с этим коннектором необходимо включить конечные точки машинного обучения в центре активности Администрирование. Переключатель находится в области Контроль функции раздела Параметры.

Для получения дополнительной информации см. раздел [Включение аналитических коннекторов для конечных точек машинного обучения](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/LoadData/load-data-from-advanced-analytic-connections.htm#Enabling).

## Ограничения

* Azure ML использует ограничения и квоты:

  [Управление квотами для ресурсов, а также их увеличение с помощью машинного обучения Azure](https://docs.microsoft.com/en-us/azure/machine-learning/how-to-manage-quotas)

* Квоты Azure для развернутых моделей и запросов будут обуславливать и ограничивать производительность при перезагрузке Qlik Sense, а также скорость отклика диаграмм при вызове конечных точек Azure ML.

* Коннектор Azure ML имеет ограничение: 200 000 строк на запрос. Запросы отправляются в службу конечной точки пакетами по 2000 строк. В сценариях, где требуется обработка большего количества строк, используйте цикл в скрипте загрузки данных, чтобы обрабатывать больше строк в пакетах.

* В сценарии с регулярной перезагрузкой приложения лучше всего кэшировать прогнозы с использованием файла QVD и отправлять в конечную точку только новые строки. Это улучшит производительность при перезагрузке приложения Qlik Sense и уменьшит нагрузку на конечную точку Azure ML.

* При использовании Azure ML в выражении диаграммы важно указывать типы данных полей, так как необходимо обрабатывать их в правильном формате «строка/числовое значение». Использование серверных расширений в выражениях диаграмм имеет ограничение: типы данных не обнаруживаются автоматически так, как это делается в скрипте загрузки.

* Если используется относительное имя подключения, и необходимо перенести свое приложение из общего пространства в другое общее пространство, или перенести приложение из общего пространства в личное пространство, то может потребоваться время на обновление аналитического подключения с учетом нового расположения пространства.

* Вы не можете создавать и управлять подключениями к этому коннектору в Диспетчер данных в аналитическом приложении.