Einführung
Stellen Sie sich vor, Sie haben ein Modell trainiert, um den Produktumsatz vorherzusagen. Das Modell wird in Azure Machine Learning trainiert und nachverfolgt. Sie möchten das Modell jeden Monat verwenden, um den Umsatz für den kommenden Monat vorherzusagen.
In vielen Produktionsszenarien erfolgen zeitintensive Aufgaben, die große Datenmengen verarbeiten, als Batchvorgänge. Beim maschinellen Lernen werden Batchrückschlüsse verwendet, um ein Vorhersagemodell asynchron auf mehrere Fälle anzuwenden und die Ergebnisse in eine Datei oder Datenbank zu schreiben.
In Azure Machine Learning können Sie Batchrückschlusslösungen implementieren, indem Sie ein Modell an einem Batchendpunkt bereitstellen.
Lernziele
In diesem Modul lernen Sie Folgendes:
- Erstellen eines Batchendpunkts
- Bereitstellen eines MLflow-Modells an einem Batchendpunkt
- Bereitstellen eines benutzerdefinierten Modells an einem Batchendpunkt
- Aufrufen von Batchendpunkten