Gå till huvudinnehåll Gå till ytterligare innehåll

Skapa en Azure ML-koppling

Azure ML-kopplingar skapas i skriptredigeraren.

När du har skapat en koppling kan du välja data från tillgängliga tabeller och skicka till Azure ML för beräkningar och sedan läsa in dessa data i din app. Den här kopplingen kan inte enbart användas i dina datainläsningsskript utan även i diagramuttryck för att anropa modellslutpunkter och göra diagramuttrycksberäkningar i realtid.

Du måste känna till inställningarna och inloggningsuppgifterna för Azure ML-tjänsten som du vill ansluta till.

Inställningar som kan konfigureras

Följande inställningar kan konfigureras i kopplingsdialogen:

Inställningar som kan konfigureras i kopplingsdialogen
Fält Beskrivning
Välj konfiguration

Element i listrutan för att välja konfigurationen som avgör vilka Azure ML-modeller som ska användas för förutsägelser i maskininlärningsmodellen.

Konfigurationer som stöds:

  • Azure ML - äldre format: den här konfigurationen ska användas för modeller som driftsatts före mitten av januari 2022 och som skapats med Automated ML och förväntar sig JSON i följande format:

    {    "data": [      {        <field_list>      }    ] }
  • Azure ML: den här konfigurationen ska användas för modeller som skapats med Automated ML eller Designer som förväntar sig JSON i följande format:

    {    "Inputs": {      "<JSON_object_name>(default is ‘data’)": [        {          < field_list >        }      ]    } }
Anteckning om informationOm du inte vet vilken konfiguration du ska använda kan du driftsätta din modell igen. Då kommer den att använda det nya formatet.
Slutpunktsnamn

Namn på slutpunkten.

Slutpunktsnamnet är identifieraren som ges för slutpunkten på Azure. Det skapas vanligen av användaren som ställer in slutpunkten eller driftsätter en modell.

Autentisering

Tillhandahåller Azure ML Endpoint Key.

Alla modeller på Azure autentiseras med Azure nyckelbaserad autentisering aktiverad. Det kräver att en åtkomstnyckel (primär eller sekundär nyckel) genereras som har åtkomst till modellresursen.

Begäran

Inmatningsnamn för webbtjänst: namn på JSON-objektet som förväntas av den driftsatta maskininlärningsmodellen. Måste ändras om standardnamnet inte passar det som används av modellen.

Svarstabell
  • Namn på returnerad tabell: namn på den returnerade tabellen från den driftsatta maskininlärningsmodellen.

  • Tabellsökväg (JMESPath): tabellen kan anges genom att använda JMES-tabellsökvägen till förutsägelseraden i JSON-svarsmatrisen.

Svarsfält
  • Ladda alla tillgängliga fält: aktivera laddning av alla tillgängliga fält som returneras av maskininlärningens slutpunkt. Om du inaktiverar det här kan du ange de tabellfält och värden som ska laddas i appen.

    När du utvecklar appar rekommenderas det att du börjar med att ladda alla fält som returneras från modellens slutpunkt och sedan potentiellt ta bort de fält som inte behövs för analysen i appen.

  • Tabellfält (JMESPath): det går att ange tabellfält genom att lägga till:

    • Namn: namnet på tabellen som ska laddas i appen.

    • Värde: namnet på svarsfältet i JSON-svarsmatrisen.

    JMESPath-frågespråk som kan användas till att tolka JSON-svarsmatrisen.

Association
  • Associeringsfält: ett fält från indatatabellen som innehåller en unik identifierare.

    Det här fältet behöver inkluderas i källdata när du gör en slutpunktsbegäran för att resultattabellen som returneras ska associeras till källfältstabellen med en nyckel. Det utsedda fältet kommer att returneras som ett fält i svaret och göra det möjligt för förutsägelser att kopplas till källdata i datamodellen. Det kan vara alla fält med ett unikt ID, antingen från källdata eller som en del av tabellens laddningsprocess.

  • Skicka associeringsfält: när det har valts kommer fältet som angetts i associationsfältet att både returneras till Qlik Sense och inkluderas i fälten som skickas till slutpunkten

    Om fältet tillhör dessa källdata och förväntas av modellen behöver det skickas till modellen genom att aktivera Skicka associationsfält.

Namn Namnet på kopplingen. Standardnamnet kommer att användas om du inte anger ett namn.

Skapa en ny koppling

  1. Använd kopplingen via Skriptredigeraren eller Skript.

  2. Klicka på Skapa ny anslutning

  3. Under Utrymme väljer du det utrymme där anslutningen ska placeras.

  4. Välj Azure ML i listan över datakopplingar.

  5. Fyll i kopplingsdialogfälten.

  6. Klicka på Skapa.

Din koppling listas nu under Datakopplingar i Skriptredigeraren eller Skript.

Var den här sidan till hjälp för dig?

Om du hittar några fel på denna sida eller i innehållet – ett stavfel, ett steg som saknas eller ett tekniskt fel – berätta för oss så att vi kan blir bättre!