Déployer un modèle sur Azure Container Instances avec l’interface CLI (v1)

Découvrez comment utiliser Azure Machine Learning pour déployer un modèle en tant que service web sur Azure Container Instances (ACI). Utilisez Azure Container Instances dans les cas suivants :

• Vous préférez ne pas devoir gérer votre propre cluster Kubernetes
• Vous acceptez de n’avoir qu’un réplica unique de votre service, ce qui peut avoir un impact sur la durée de bon fonctionnement

Pour plus d’informations sur les quotas et la disponibilité d’ACI en fonction des régions, consultez l’article Quotas et disponibilité dans les régions pour Azure Container Instances.

Prérequis

• Un espace de travail Azure Machine Learning. Pour plus d’informations, voir la page Créer un espace de travail Azure Machine Learning.

• Un modèle Machine Learning inscrit dans votre espace de travail. Si vous n’avez pas de modèle inscrit, consultez la section Comment et où déployer des modèles.

• L’extension Azure CLI (v1) pour Machine Learning service, le SDK Azure Machine Learning pour Python ou l’extension Azure Machine Learning pour Visual Studio Code.

  Important

  Certaines des commandes Azure CLI de cet article utilisent l’extension azure-cli-ml, ou v1, pour Azure Machine Learning. La prise en charge de l’extension v1 se termine le 30 septembre 2025. Vous pourrez installer et utiliser l’extension v1 jusqu’à cette date.

  Nous vous recommandons de passer à l’extension ml, ou v2, avant le 30 septembre 2025. Pour plus d’informations sur l’extension v2, consultez Extension Azure ML CLI et le SDK Python v2.

• Les extraits de code Python de cet article partent du principe que les variables suivantes sont définies :

  • ws – Sur votre espace de travail.
  • model – Sur votre modèle inscrit.
  • inference_config – Sur la configuration d’inférence pour le modèle.

  Pour plus d’informations sur le paramétrage de ces variables, consultez la section Comment et où déployer des modèles ?

• Les extraits de code CLI de cet article partent du principe que vous avez créé un document inferenceconfig.json. Pour plus d’informations sur la création de ce document, consultez la section Comment et où déployer des modèles ?

Limites

Déployer sur ACI

Pour déployer un modèle sur Azure Container instances, créez une configuration de déploiement décrivant les ressources de calcul nécessaires. Par exemple, le nombre de cœurs et la mémoire. Vous avez également besoin d’une configuration d’inférence décrivant l’environnement nécessaire pour héberger le modèle et le service Web. Pour plus d’informations sur la création de la configuration d’inférence, consultez la section Comment et où déployer des modèles ?

Utilisation du kit de développement logiciel

S’APPLIQUE À : SDK Python azureml v1

from azureml.core.webservice import AciWebservice, Webservice
from azureml.core.model import Model

deployment_config = AciWebservice.deploy_configuration(cpu_cores = 1, memory_gb = 1)
service = Model.deploy(ws, "aciservice", [model], inference_config, deployment_config)
service.wait_for_deployment(show_output = True)
print(service.state)

Pour plus d’informations sur les classes, les méthodes et les paramètres utilisés dans cet exemple, consultez les documents de référence suivants :

• AciWebservice.deploy_configuration
• Model.deploy
• Webservice.wait_for_deployment

Utilisation de l’interface de ligne de commande Azure (CLI)

S’APPLIQUE À : Extension ml Azure CLI v1

Pour déployer à l’aide de la CLI, utilisez la commande suivante. Remplacez mymodel:1 par le nom et la version du modèle inscrit. Remplacez myservice par le nom à attribuer à ce service :

az ml model deploy -n myservice -m mymodel:1 --ic inferenceconfig.json --dc deploymentconfig.json

Les entrées dans le document deploymentconfig.json correspondent aux paramètres pour AciWebservice.deploy_configuration. Le tableau suivant décrit le mappage entre les entités dans le document JSON et les paramètres de la méthode :

Le code JSON suivant est un exemple de configuration de déploiement à utiliser avec l’interface CLI :

{
    "computeType": "aci",
    "containerResourceRequirements":
    {
        "cpu": 0.5,
        "memoryInGB": 1.0
    },
    "authEnabled": true,
    "sslEnabled": false,
    "appInsightsEnabled": false
}

Pour plus d’informations, consultez les informations de référence sur az ml model deploy.

Avec VS Code

Consultez le guide pratique pour gérer les ressources dans VS Code.

Étapes suivantes

• Guide pratique pour déployer un modèle à l’aide d’une image Docker personnalisée
• Résolution des problèmes liés au déploiement
• Mettre à jour le service web
• Utiliser TLS pour sécuriser un service web par le biais d’Azure Machine Learning
• Utiliser un modèle ML déployé en tant que service web
• Superviser vos modèles Azure Machine Learning avec Application Insights
• Collecter des données pour des modèles en production