Contoh: Membangun dan menyebarkan keterampilan kustom dengan Azure Machine Learning (Diarsipkan)

Contoh ini diarsipkan dan tidak didukung. Ini menjelaskan cara membuat keterampilan kustom menggunakan Azure Machine Learning untuk mengekstrak sentimen berbasis aspek dari ulasan. Hal ini memungkinkan penugasan sentimen positif dan negatif dalam tinjauan yang sama disandarkan dengan benar pada entitas yang diidentifikasi seperti staf, kamar, lobi, atau kolam renang.

Untuk melatih model sentimen berbasis aspek di Azure Machine Learning, Anda akan menggunakan repositori resep nlp. Model kemudian akan disebarkan sebagai titik akhir pada kluster Azure Kubernetes. Setelah diimplementasikan, titik akhir ditambahkan ke alur pengayaan sebagai kemampuan AML untuk digunakan oleh layanan Cognitive Search.

Ada dua himpunan data yang disediakan. Jika Anda ingin melatih model sendiri, file hotel_reviews_1000.csv diperlukan. Lebih suka melewati langkah pelatihan? Unduh hotel_reviews_100.csv.

  • Buat instans Azure Cognitive Search
  • Membuat ruang kerja Azure Machine Learning (layanan pencarian dan ruang kerja harus berada dalam langganan yang sama)
  • Melatih dan menyebarkan model ke kluster Azure Kubernetes
  • Hubungkan jalur pengayaan AI ke model yang diterapkan
  • Memasukkan output dari model yang diterapkan sebagai kemampuan khusus

Penting

Keterampilan ini tersedia dalam pratinjau publik sesuai dengan ketentuan penggunaan tambahan . PRATINJAU REST API mendukung keterampilan ini.

Prasyarat

  • Langganan Azure - dapatkan langganan gratis .
  • Layanan Cognitive Search
  • Sumber Daya Layanan Kognitif
  • Akun Azure Storage)
  • Ruang kerja Azure Machine Learning

Pengaturan

  • Mengkloning atau mengunduh konten repositori sampel.
  • Ekstrak konten jika unduhan adalah file zip. Pastikan file bersifat baca-tulis.
  • Saat menyiapkan akun dan layanan Azure, salin nama dan kunci ke file teks yang mudah diakses. Nama dan kunci akan ditambahkan ke sel pertama di notebook tempat variabel untuk mengakses layanan Azure ditentukan.
  • Jika Anda tidak terbiasa dengan Azure Machine Learning dan persyaratannya, Anda ingin meninjau dokumen-dokumen ini sebelum memulai:
  • Mengonfigurasi lingkungan pengembangan untuk Azure Machine Learning
  • Membuat dan mengelola ruang kerja Azure Machine Learning di portal Microsoft Azure
  • Saat mengonfigurasi lingkungan pengembangan untuk Azure Machine Learning, pertimbangkan untuk menggunakan instans komputasi berbasis cloud untuk kecepatan dan kemudahan dalam memulai.
  • Unggah file himpunan data ke kontainer di akun penyimpanan. File yang lebih besar diperlukan jika Anda ingin melakukan langkah pelatihan di buku catatan. Jika Anda lebih suka melewati langkah pelatihan, file yang lebih kecil disarankan.

Buka buku catatan dan sambungkan ke layanan Azure

  1. Letakkan semua informasi yang diperlukan untuk variabel yang akan memungkinkan akses ke layanan Azure di dalam sel pertama dan jalankan sel.
  2. Menjalankan sel kedua akan mengonfirmasi bahwa Anda telah tersambung ke layanan pencarian untuk langganan Anda.
  3. Bagian 1.1 - 1.5 akan menciptakan datastore layanan pencarian, skillset, indeks, dan pengindeks.

Pada titik ini Anda dapat memilih untuk melewati langkah-langkah untuk membuat himpunan data pelatihan dan bereksperimen di Azure Machine Learning dan melompat langsung untuk mendaftarkan dua model yang disediakan di folder model repositori GitHub. Jika Anda melewati langkah-langkah ini, di buku catatan, Anda kemudian akan melompat ke bagian 3.5, Tulis skrip penilaian. Ini akan menghemat waktu; langkah-langkah pengunduhan dan pengunggahan data dapat memakan waktu hingga 30 menit untuk diselesaikan.

Membuat dan melatih model

Bagian 2 memiliki enam sel yang mengunduh file GloVe embeddings dari repositori resep nlp. Setelah mengunduh, file kemudian diunggah ke penyimpanan data Azure Machine Learning. File .zip berukuran sekitar 2G dan akan memakan waktu yang cukup lama untuk melakukan tugas-tugas ini. Setelah diunggah, data pelatihan kemudian diekstrak dan sekarang Anda siap untuk melanjutkan ke bagian 3.

Melatih model sentimen berbasis aspek dan menerapkan titik akhir Anda

Bagian 3 notebook akan melatih model yang dibuat di bagian 2, mendaftarkan model tersebut dan menyebarkannya sebagai titik akhir di kluster Azure Kubernetes. Jika Anda tidak terbiasa dengan Azure Kubernetes, sangat disarankan agar Anda meninjau artikel berikut sebelum mencoba membuat kluster inferensi:

Membuat dan menyebarkan kluster inferensi dapat memakan waktu hingga 30 menit. Menguji layanan web sebelum beralih ke langkah-langkah akhir, memperbarui set keterampilan Anda dan menjalankan pengindeks, disarankan.

Memperbarui set keterampilan

Bagian 4 di buku catatan memiliki empat sel yang memperbarui set keterampilan dan pengindeksan. Atau, Anda dapat menggunakan portal untuk memilih dan menerapkan keterampilan baru ke set keterampilan lalu menjalankan pengindeks untuk memperbarui layanan pencarian.

Di portal, buka Skillset dan pilih tautan Skillset Definition (JSON). Portal akan menampilkan JSON keterampilan Anda yang dibuat di sel pertama notebook. Di sebelah kanan tampilan ada menu dropdown tempat Anda dapat memilih templat definisi keterampilan. Pilih templat Azure Machine Learning (AML). berikan nama ruang kerja Azure ML dan titik akhir untuk model yang disebarkan ke kluster inferensi. Template akan diperbarui dengan URI dan kunci titik akhir.

Templat definisi skillset

Salin templat keahlian dari jendela dan tempelkan ke definisi keahlian di sebelah kiri. Edit template untuk menyediakan nilai yang hilang untuk:

  • Nama
  • Deskripsi
  • Konteks
  • Nama dan sumber input
  • Nama 'keluaran' dan targetName

Simpan keterampilan.

Setelah menyimpan kemampuan, buka indeks dan pilih tautan Definisi Indeks (JSON). Portal akan menampilkan JSON pengindeks yang dibuat di sel pertama buku catatan. Pemetaan bidang output perlu diperbarui dengan pemetaan bidang tambahan untuk memastikan bahwa pengindeks dapat menangani dan meneruskannya dengan benar. Simpan perubahan lalu pilih Jalankan.

Membersihkan sumber daya

Saat Anda bekerja dalam langganan Anda sendiri, sebaiknya di akhir proyek Anda memeriksa apakah masih memerlukan sumber daya yang telah Anda buat. Sumber daya yang dibiarkan beroperasi dapat membebani biaya pada Anda. Anda dapat menghapus sumber daya satu per satu atau menghapus grup sumber daya untuk menghapus seluruh kumpulan sumber daya.

Anda dapat menemukan dan mengelola sumber daya di portal, menggunakan tautan Semua sumber daya atau Grup sumber daya di panel navigasi kiri.

Jika Anda menggunakan layanan gratis, ingatlah bahwa Anda terbatas pada tiga indeks, pengindeks, dan sumber data. Anda dapat menghapus item individual di portal agar tetap di bawah batas.

  • Terakhir diperbarui pada