Azure ML-analyskällor
Azure ML är en maskininlärningsplattform för att automatisera, säkerställa och accelerera prediktiv analys, som hjälper datavetare och -analytiker att bygga och utveckla korrekta förutsägelsemodeller.
Följande Azure ML-tjänster stöds:
-
Automatiserad ML
-
Designer
Om du vill ansluta till Azure ML måste du ha skapat, eller ha åtkomst till, en modell och ha driftsatt den till en slutpunkt på Azure ML-plattformen. Slutpunkten måste kunna nås offentligt av Qlik Cloud.
Begränsningar
-
Azure ML använder begränsningar och kvoter:
Hantera och öka kvoter för resurser med Azure Machine Learning
-
Azure-kvoter av driftsatta modeller och begäranden kommer att påverka och begränsa prestanda vid Qlik Sense-inläsning och diagram-respons vid anrop av Azure ML-slutpunkter.
-
Azure ML-kopplingen är begränsad till 200 000 rader per begäran. Dessa skickas till slutpunktstjänsten i batchar om 2 000 rader. I scenarier när fler rader behöver bearbetas kan du använda Cirkulär referens inom dataladdningsskriptet för att batchvis behandla fler rader
-
I ett scenario där ett program regelbundet laddas om är bästa praxis att cachelagra förutsägelser med en QVD-fil och endast skicka nya rader till förutsägelseslutpunkten. Det kommer att förbättra prestanda för Qlik Sense-programladdning och minska belastningen på Azure ML-slutpunkten.
-
När Azure ML används i ett diagramuttryck är det viktigt att tillhandahålla datatyper för fält eftersom modellen behöver behandla dessa i rätt sträng/numeriskt format. En begränsning med komplement på serversidan i diagramuttryck är att datatyper inte identifieras automatiskt eftersom de finns i laddningsskriptet.
-
Om du använder ett relativt kopplingsnamn och bestämmer dig för att flytta din app från ett delat utrymme till ett annat delat utrymme eller om du flyttar din app från ett delat utrymme till ditt privata utrymme kommer det att ta ett tag innan den analytiska kopplingen uppdateras för att motsvara den nya utrymmesplatsen.