Créer des connexions (préversion)

az extension remove -n ml
az extension add -n ml --yes
az extension show -n ml #(the version value needs to be 2.15.1 or later)

pip uninstall azure-ai-ml
pip install azure-ai-ml
pip show azure-ai-ml #(the version value needs to be 1.5.0 or later)

Non disponible.

Ce fichier YAML crée une connexion à la base de données Snowflake. Veillez à mettre à jour les valeurs appropriées :

# my_snowflakedb_connection.yaml
$schema: http://azureml/sdk-2-0/Connection.json
type: snowflake
name: my-sf-db-connection # add your datastore name here

target: jdbc:snowflake://<myaccount>.snowflakecomputing.com/?db=<mydb>&warehouse=<mywarehouse>&role=<myrole>
# add the Snowflake account, database, warehouse name and role name here. If no role name provided it will default to PUBLIC
credentials:
    type: username_password
    username: <username> # add the Snowflake database user name here or leave this blank and type in CLI command line
    password: <password> # add the Snowflake database password here or leave this blank and type in CLI command line

Créer la connexion à Azure Machine Learning dans CLI :

Option 1 : Utilisez le nom d’utilisateur et le mot de passe dans le fichier YAML

az ml connection create --file my_snowflakedb_connection.yaml

Option 2 : Remplacez le nom d’utilisateur et le mot de passe sur la ligne de commande

az ml connection create --file my_snowflakedb_connection.yaml --set credentials.
username="<username>" credentials.
password="<password>"

Option 1 : Chargez la connexion à partir d’un fichier YAML

from azure.ai.ml import MLClient, load_workspace_connection

ml_client = MLClient.from_config()

wps_connection = load_workspace_connection(source="./my_snowflakedb_connection.yaml")
wps_connection.credentials.username="<username>"
wps_connection.credentials.password="<password>"
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Option 2 : Utilisez WorkspaceConnection() dans un script Python

from azure.ai.ml import MLClient
from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import UsernamePasswordConfiguration

# If using username/password, the name/password values should be url-encoded
import urllib.parse
username = urllib.parse.quote(os.environ["SNOWFLAKEDB_USERNAME"], safe="")
password = urllib.parse.quote(os.environ["SNOWFLAKEDB_PASSWORD"], safe="")

target= "jdbc:snowflake://<myaccount>.snowflakecomputing.com/?db=<mydb>&warehouse=<mywarehouse>&role=<myrole>"
# add the Snowflake account, database, warehouse name and role name here. If no role name provided it will default to PUBLIC
name= <my_snowflake_connection> # name of the connection
wps_connection = WorkspaceConnection(name= name,
type="snowflake",
target= target,
credentials= UsernamePasswordConfiguration(username=username, password=password)
)

ml_client.connections.create_or_update(workspace_connection=wps_connection)

1. Accédez à Azure Machine Learning studio.

2. Sous Ressources dans le volet de navigation gauche, sélectionnez Données. Sélectionnez ensuite l’onglet Connexion de données, puis Créer, comme illustré dans la capture d’écran suivante :

   

3. Dans le volet Créer une connexion, renseignez les valeurs comme indiqué dans la capture d’écran. Choisissez la catégorie Snowflake et le type d’authentification Nom d’utilisateur/mot de passe. Veillez à spécifier la valeur de la zone de texte Cible dans ce format en indiquant vos valeurs spécifiques entre les caractères <> :

   jdbc:snowflake://<mon_compte>.snowflakecomputing.com/?db=<ma_base_données>&warehouse=<mon_entrepôt>&role=<mon_rôle>

   

4. Sélectionnez Enregistrer pour stocker en toute sécurité les informations d’identification dans le coffre de clés associé à l’espace de travail approprié. Cette connexion est utilisée lors de l’exécution d’un travail d’importation de données.

Ce fichier YAML crée une connexion de base de données Snowflake qui utilise OAuth. Veillez à mettre à jour les valeurs appropriées :

# my_snowflakedb_connection.yaml
name: snowflake_service_principal_connection
type: snowflake
# Add the Snowflake account, database, warehouse name, and role name here. If no role name is provided, it will default to PUBLIC.
target: jdbc:snowflake://<myaccount>.snowflakecomputing.com/?db=<mydb>&warehouse=<mywarehouse>&scope=<scopeForServicePrincipal>
credentials:
  type: service_principal
  client_id: <client-id>          # The service principal's client id
  client_secret: <client-secret>  # The service principal's client secret
  tenant_id: <tenant-id>          # The Microsoft Entra ID tenant id

Créer la connexion à Azure Machine Learning dans CLI :

az ml connection create --file my_snowflakedb_connection.yaml

Vous pouvez également remplacer les informations du fichier YAML sur la ligne de commande :

az ml connection create --file my_snowflakedb_connection.yaml --set credentials.client_id="my-client-id" credentials.client_secret="my-client-secret" credentials.tenant_id="my-tenant-id"

Avec le kit SDK Python, vous pouvez créer une connexion en chargeant les informations de connexion stockées dans le fichier YAML. Vous pouvez éventuellement remplacer les valeurs :

from azure.ai.ml import MLClient, load_workspace_connection

ml_client = MLClient.from_config()

wps_connection = load_workspace_connection(source="./my_snowflakedb_connection.yaml")
wps_connection.credentials_client_id="my-client-id"
wps_connection.credentials.client_secret="my-client-secret"
wps_connection.credentials.tenant_id="my-tenant-id"
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Vous pouvez également spécifier directement les informations de connexion dans un script Python sans dépendre d’un fichier YAML :

from azure.ai.ml import MLClient
from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import ServicePrincipalConfiguration

target= "jdbc:snowflake://<myaccount>.snowflakecomputing.com/?db=<mydb>&warehouse=<mywarehouse>&role=<myrole>"
# add the Snowflake account, database, warehouse name and role name here. If no role name provided it will default to PUBLIC
name= <my_snowflake_connection> # name of the connection
auth = ServicePrincipalConfiguration(client_id="<my-client-id>", client_secret="<my-client-secret>", tenant_id="<my-tenant-id>")
wps_connection = WorkspaceConnection(name= name,
                                     type="snowflake",
                                     target=target,
                                     credentials=auth
)

ml_client.connections.create_or_update(workspace_connection=wps_connection)

Ce script YAML crée une connexion à la base de données Azure SQL. Veillez à mettre à jour les valeurs appropriées :

# my_sqldb_connection.yaml
$schema: http://azureml/sdk-2-0/Connection.json

type: azure_sql_db
name: my-sqldb-connection

target: Server=tcp:<myservername>,<port>;Database=<mydatabase>;Trusted_Connection=False;Encrypt=True;Connection Timeout=30
# add the sql servername, port addresss and database
credentials:
    type: sql_auth
    username: <username> # add the sql database user name here or leave this blank and type in CLI command line
    password: <password> # add the sql database password here or leave this blank and type in CLI command line

Créer la connexion à Azure Machine Learning dans CLI :

Option 1 : Utilisez le nom d’utilisateur/mot de passe du fichier YAML

az ml connection create --file my_sqldb_connection.yaml

Option 2 : Remplacez le nom d’utilisateur et le mot de passe dans le fichier YAML

az ml connection create --file my_sqldb_connection.yaml --set credentials.
username="<username>" credentials.
password="<password>"

Option 1 : Chargez la connexion à partir d’un fichier YAML

from azure.ai.ml import MLClient, load_workspace_connection

ml_client = MLClient.from_config()

wps_connection = load_workspace_connection(source="./my_sqldb_connection.yaml")
wps_connection.credentials.username="<username>"
wps_connection.credentials.password="<password>"
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Option 2 : Utilisez WorkspaceConnection()

from azure.ai.ml import MLClient
from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import UsernamePasswordConfiguration

# If using username/password, the name/password values should be url-encoded
import urllib.parse
username = urllib.parse.quote(os.environ["MYSQL_USERNAME"], safe="")
password = urllib.parse.quote(os.environ["MYSQL_PASSWORD"], safe="")

target= "Server=tcp:<myservername>,<port>;Database=<mydatabase>;Trusted_Connection=False;Encrypt=True;Connection Timeout=30"
# add the sql servername, port address and database

name= <my_sql_connection> # name of the connection
wps_connection = WorkspaceConnection(name= name,
type="azure_sql_db",
target= target,
credentials= UsernamePasswordConfiguration(username=username, password=password)
)

ml_client.connections.create_or_update(workspace_connection=wps_connection)

1. Accédez à Azure Machine Learning studio.

2. Sous Ressources dans le volet de navigation gauche, sélectionnez Données. Sélectionnez ensuite l’onglet Connexion de données, puis Créer, comme illustré dans la capture d’écran suivante :

   

3. Dans le volet Créer une connexion, renseignez les valeurs comme indiqué dans la capture d’écran. Choisissez la catégorie AzureSqlDb et le type d’authentification Nom d’utilisateur/mot de passe. Veillez à spécifier la valeur de la zone de texte Cible dans ce format en indiquant vos valeurs spécifiques entre les caractères <> :

   Server=tcp:<nom_mon_serveur>,<port>;Database=<ma_base_données>;Trusted_Connection=False;Encrypt=True;Connection Timeout=30

   

Créez une connexion Amazon S3 avec le fichier YAML suivant. Veillez à mettre à jour les valeurs appropriées :

# my_s3_connection.yaml
$schema: http://azureml/sdk-2-0/Connection.json

type: s3
name: my_s3_connection

target: <mybucket> # add the s3 bucket details
credentials:
    type: access_key
    access_key_id: bbbbbbbb-1c1c-2d2d-3e3e-444444444444 # add access key id
    secret_access_key: H4iJ5kL6mN7oP8qR9sT0uV1wX2yZ3a # add access key secret

Créer la connexion à Azure Machine Learning dans CLI :

az ml connection create --file my_s3_connection.yaml

Option 1 : Chargez la connexion à partir d’un fichier YAML

from azure.ai.ml import MLClient, load_workspace_connection

ml_client = MLClient.from_config()

wps_connection = load_workspace_connection(source="./my_s3_connection.yaml")
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Option 2 : Utilisez WorkspaceConnection() dans un script Python

from azure.ai.ml import MLClient
from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import AccessKeyConfiguration

target=<mybucket> # add the s3 bucket details
name=<my_s3_connection> # name of the connection
wps_connection=WorkspaceConnection(name=name,
type="s3",
target= target,
credentials= AccessKeyConfiguration(access_key_id="XXXJ5kL6mN7oP8qR9sT0uV1wX2yZ3aB4cXXX",acsecret_access_key="C2dE3fH4iJ5kL6mN7oP8qR9sT0uV1w")
)

ml_client.connections.create_or_update(workspace_connection=wps_connection)

1. Accédez à Azure Machine Learning studio.

2. Sous Ressources dans le volet de navigation gauche, sélectionnez Données. Sélectionnez ensuite l’onglet Connexion de données, puis Créer, comme illustré dans la capture d’écran suivante :

   

3. Dans le volet Créer une connexion, renseignez les valeurs comme indiqué dans la capture d’écran. Choisissez la catégorie S3 et le type d’authentification Nom d’utilisateur/mot de passe. Veillez à spécifier la valeur de la zone de texte Cible dans ce format en indiquant vos valeurs spécifiques entre les caractères <> :

   <cible>

   

Créez une connexion Git avec l’un des fichiers YAML suivants. Veillez à mettre à jour les valeurs appropriées :

• Connectez-vous à l’aide d’un jeton d’accès personnel (PAT) :

  #Connection.yml
  name: test_ws_conn_git_pat
  type: git
  target: https://github.com/contoso/contosorepo
  credentials:
      type: pat
      pat: dummy_pat
  

• Connectez-vous à un référentiel public (aucune information d’identification) :

  #Connection.yml
  
  name: git_no_cred_conn
  type: git
  target: https://https://github.com/contoso/contosorepo
  
  

Créer la connexion à Azure Machine Learning dans CLI :

az ml connection create --file connection.yaml

L’exemple suivant crée une connexion Git à un référentiel GitHub. Un jeton d’accès personnel (PAT) authentifie la connexion :

from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import UsernamePasswordConfiguration, PatTokenConfiguration


name = "my_git_conn"

target = "https://github.com/myaccount/myrepo"

wps_connection = WorkspaceConnection(
    name=name,
    type="git",
    target=target,
    credentials=PatTokenConfiguration(pat="E3fH4iJ5kL6mN7oP8qR9sT0uV1wX2y"),    
)
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Vous ne pouvez pas créer de connexion Git dans Studio.

Créez une connexion à un flux Python avec l’un des fichiers YAML suivants. Veillez à mettre à jour les valeurs appropriées :

• Connectez-vous à l’aide d’un jeton d’accès personnel (PAT) :

  #Connection.yml
  name: test_ws_conn_python_pat
  type: python_feed
  target: https://test-feed.com
  credentials:
      type: pat
      pat: dummy_pat
  

• Connectez-vous à l’aide d’un nom d’utilisateur et d’un mot de passe :

  name: test_ws_conn_python_user_pass
  type: python_feed
  target: https://test-feed.com
  credentials:
      type: username_password
      username: <username>
      password: <password>
  
  

• Connectez-vous à un flux public (aucune information d’identification) :

  name: test_ws_conn_python_no_cred
  type: python_feed
  target: https://test-feed.com3
  

Créer la connexion à Azure Machine Learning dans CLI :

az ml connection create --file connection.yaml

L’exemple suivant crée une connexion de flux Python. Un jeton d’accès personnel (PAT) ou un nom d’utilisateur et un mot de passe authentifie la connexion :

from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import UsernamePasswordConfiguration, PatTokenConfiguration

# If using username/password, the name/password values should be url-encoded
# import urllib.parse
# username = urllib.parse.quote(os.environ["FEED_USERNAME"], safe="")
# password = urllib.parse.quote(os.environ["FEED_PASSWORD"], safe="")


name = "my_pfeed_conn"

target = "https://iJ5kL6mN7.core.windows.net/mycontainer"

wps_connection = WorkspaceConnection(
    name=name,
    type="python_feed",
    target=target,
    #credentials=UsernamePasswordConfiguration(username=username, password=password), 
    credentials=PatTokenConfiguration(pat="<PatTokenConfiguration>"),    

    #credentials=None
)
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Vous ne pouvez pas créer de connexion à un flux Python dans Studio.

Créez une connexion à Azure Container Registry avec l’un des fichiers YAML suivants. Veillez à mettre à jour les valeurs appropriées :

• Connectez-vous à l’aide d’un nom d’utilisateur et d’un mot de passe :

  name: test_ws_conn_cr_user_pass
  type: container_registry
  target: https://test-feed.com2
  credentials:
      type: username_password
      username: <username>
      password: <password>
  

Créer la connexion à Azure Machine Learning dans CLI :

az ml connection create --file connection.yaml

L’exemple suivant crée une connexion Azure Container Registry. Une identité managée authentifie cette connexion :

from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import UsernamePasswordConfiguration

# If using username/password, the name/password values should be url-encoded
import urllib.parse
username = urllib.parse.quote(os.environ["REGISTRY_USERNAME"], safe="")
password = urllib.parse.quote(os.environ["REGISTRY_PASSWORD"], safe="")

name = "my_acr_conn"

target = "https://iJ5kL6mN7.core.windows.net/mycontainer"

wps_connection = WorkspaceConnection(
    name=name,
    type="container_registry",
    target=target,
    credentials=UsernamePasswordConfiguration(username=username, password=password), 
)
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Vous ne pouvez pas créer de connexion Azure Container Registry dans Studio.

Créez une connexion en utilisant les fichiers YAML suivants. Veillez à mettre à jour les valeurs appropriées :

#myenv.yml
$schema: https://azuremlschemas.azureedge.net/latest/environment.schema.json 
name: docker-image-plus-conda-example 
image: mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu20.04
type: python_feed
conda_file: conda_dep.yml
description: Environment created from a Docker image plus Conda environment

#conda_dep.yml
name: project_environment
dependencies:
  - python=3.10
  - pip:
    - azureml-defaults
channels:
  - anaconda
  - conda-forge

#connection.yml
name: ws_conn_generic_container_registry
type: container_registry
target: https://test-registry.com
credentials:
  type: username_password
  username: <username>
  password: <password>

#hello_world_job.yml
$schema: https://azuremlschemas.azureedge.net/latest/commandJob.schema.json
command: echo "hello world"
environment: azureml:<env name>@latest

Créez une connexion à partir d’un fichier YAML avec vos informations d’identification :

az ml connection create --file connection.yaml --credentials username=<username> password=<password> --resource-group my-resource-group --workspace-name my-workspace

Créer un environnement

az ml environment create --name my-env --version 1 --file my_env.yml  --conda-file conda_dep.yml --image mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu20.04 --resource-group my-resource-group --workspace-name my-workspace

Vous pouvez vérifier la création correcte de l’environnement

az ml environment show --name my-env --version 1 --resource-group my-resource-group --workspace-name my-workspace

L’exemple suivant crée une connexion Azure Container Registry. Une identité managée authentifie cette connexion :

import os
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential
from azure.ai.ml.entities import Environment
from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import UsernamePasswordConfiguration
from azureml.core.conda_dependencies import CondaDependencies
from azure.ai.ml import command

# If using username/password, the name/password values should be url-encoded
import urllib.parse
username = urllib.parse.quote(os.environ["REGISTRY_USERNAME"], safe="")
password = urllib.parse.quote(os.environ["REGISTRY_PASSWORD"], safe="")

# Enter details of AML workspace
subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"
workspace = "<AML_WORKSPACE_NAME>"

ml_client = MLClient( DefaultAzureCredential(), subscription_id, resource_group, workspace)
credentials = UsernamePasswordConfiguration(username=username, password=password)

# Create GenericContainerRegistry workspace connection for a generic registry
ws_connection = WorkspaceConnection(name="<name>", target="<target>", type="GenericContainerRegistry", credentials=credentials)
ml_client.connections.create_or_update(ws_connection)

# Create an environment
env_docker_conda = Environment(image="<base image>", conda_file="<yml file>", name="docker-image-plus-conda-example", description="Environment created from a Docker image plus Conda environment.")
ml_client.environments.create_or_updat(env_docker_conda) 

job = command(command="echo 'hello world'", environment=env_docker_conda,display_name="v2-job-example")
returned_job = ml_client.create_or_update(job)

1. Accédez à Azure Machine Learning studio.

2. Sous Gérer dans la navigation de gauche,sélectionnez Connexions, puis Créer.

   

3. Sous Autres types de ressources, sélectionnez *Registre de conteneurs générique

4. Entrez les informations requises, puis sélectionnez Ajouter une connexion