Integrera Azure Database for PostgreSQL med Azure Machine Learning Services

Med Azure AI-tillägget kan du anropa alla maskininlärningsmodeller som distribueras på Azure Machine Learning-slutpunkter online inifrån SQL. Dessa modeller kan komma från Azure Machine Learning-katalogen eller anpassade modeller som tränas och distribueras.

Förutsättningar

• Aktivera och konfigurera azure_ai tillägget.
• Skapa en maskininlärningsarbetsyta och distribuera en modell med en onlineslutpunkt med CLI, Python eller Azure Machine Learning-studio eller distribuera en mlflow-modell till en onlineslutpunkt.
• Kontrollera att distributionens status för att säkerställa att modellen har distribuerats och testa modellen som anropar slutpunkten för att säkerställa att modellen körs korrekt.
• Hämta URI:n och nyckeln, som behövs för att konfigurera tillägget för att kommunicera med Azure Machine Learning.

Konfigurera Azure Machine Learning-slutpunkt

I Azure Machine Learning-studio under Slutpunkter>Välj slutpunkten>Förbruka hittar du slutpunkts-URI:n och nyckeln för onlineslutpunkten. Använd dessa värden för att konfigurera azure_ai tillägget så att det använder slutpunkten för online-slutsatsdragning.

select azure_ai.set_setting('azure_ml.scoring_endpoint','<URI>');
select azure_ai.set_setting('azure_ml.endpoint_key', '<Key>');

azure_ml.invoke

Poängsätter indata som anropar en Azure Machine Learning-modelldistribution på en onlineslutpunkt.

azure_ml.invoke(input_data jsonb, timeout_ms integer DEFAULT NULL, throw_on_error boolean DEFAULT true, deployment_name text DEFAULT NULL)

Argument

input_data

jsonb json som innehåller nyttolasten för begäran för modellen.

deployment_name

text namnet på distributionen som motsvarar den modell som distribuerats på Slutpunkten för Azure Machine Learning Online-slutsatsdragning

timeout_ms

integer DEFAULT NULL timeout i millisekunder varefter åtgärden stoppas. Distributionen av själva modellen kan ha en tidsgräns angiven som är ett lägre värde än timeout-parametern i den användardefinierade funktionen. Om den här tidsgränsen överskrids misslyckas bedömningsåtgärden.

throw_on_error

boolean DEFAULT true vid fel om funktionen utlöser ett undantag som resulterar i en återställning av omslutande transaktioner.

max_attempts

integer DEFAULT 1 antal gånger tillägget försöker anropa Azure Machine Learning-slutpunkten igen om det misslyckas med ett nytt försöksfel.

retry_delay_ms

integer DEFAULT 1000 tid (millisekunder) som tillägget väntar innan det anropar Azure Machine Learning-slutpunkten när det misslyckas med eventuella återförsöksbara fel.

Returtyp

jsonb bedömning av utdata för modellen som anropades i JSONB.

Exempel

Anropa maskininlärningsmodellen

Detta anropar modellen med input_data och returnerar en jsonb-nyttolast.

-- Invoke model, input data depends on the model.
  SELECT * FROM azure_ml.invoke('
  {
    "input_data": [
      [1,2,3,4,5,6,7,8],
      [-1,-2,-3,-4,-5,-6,-7,-8]
    ],
    "params": {}
  }', deployment_name=>'Housingprediction' )

-- Get JSON elements from model output
SELECT jsonb_array_elements(invoke.invoke) as MedianHousePrediction
FROM azure_ml.invoke('
{
  "input_data": [
    [1,2,3,4,5,6,7,8],
    [-1,-2,-3,-4,-5,-6,-7,-8]
  ],
 "params": {}
}', deployment_name=>'Housingprediction' )

Relaterat innehåll

• Integrera Azure Database for PostgreSQL – flexibel server med Azure Cognitive Services.
• Generera vektorinbäddningar i Azure Database for PostgreSQL – flexibel server med lokalt distribuerad LLM (förhandsversion).
• Generera vektorinbäddningar med Azure OpenAI i Azure Database for PostgreSQL – flexibel server.
• Azure AI-tillägg i Azure Database for PostgreSQL – flexibel server.
• Generativ AI med Azure Database for PostgreSQL – flexibel server.
• Rekommendationssystem med Azure Database for PostgreSQL – flexibel server och Azure OpenAI.
• Semantisk sökning med Azure Database for PostgreSQL – flexibel server och Azure OpenAI.
• Aktivera och använda pgvector i Azure Database for PostgreSQL – flexibel server.