Trazer suas cargas de trabalho do R
APLICA-SE A:Extensão de ML da CLI do Azure v2 (atual)SDK do Python azure-ai-ml v2 (atual)
Não há nenhum SDK do Azure Machine Learning para R. Em vez disso, você usará a CLI ou um script de controle do Python para executar os scripts R.
Este artigo descreve os principais cenários do R com suporte no Azure Machine Learning e as limitações conhecidas.
Fluxo de trabalho típico do R
Um fluxo de trabalho típico para usar o R com o Azure Machine Learning:
Desenvolva scripts R de maneira interativa usando Jupyter Notebooks em uma instância de computação. (Embora você também possa adicionar o Posit ou o RStudio a uma instância de computação, atualmente, não é possível acessar ativos de dados no workspace desses aplicativos na instância de computação. Portanto, por enquanto, é melhor realizar o trabalho interativo em um Jupyter notebook).
- Ler dados de tabela de um ativo de dados ou um armazenamento de dados registrado
- Instalar bibliotecas adicionais do R
- Salvar artefatos no armazenamento de arquivos do workspace
Adaptar seu script para executá-lo como um trabalho de produção no Azure Machine Learning
- Remover qualquer código que possa exigir a interação do usuário
- Adicionar parâmetros de entrada de linha de comando ao script conforme necessário
- Incluir e gerar o script
azureml_utils.R
no mesmo diretório de trabalho do script R a ser executado - Usar
crate
para empacotar o modelo - Incluir as funções R/MLflow no script para registrar em log artefatos, modelos, parâmetros e/ou marcas no trabalho do MLflow
Enviar trabalhos assíncronos e remotos do R (os trabalhos são enviados por meio da CLI ou do SDK do Python, não do R)
- Criar um ambiente
- Registrar em log artefatos, parâmetros, marcas e modelos do trabalho
Registrar seu modelo usando o Estúdio do Azure Machine Learning
Implantar modelos do R registrados em pontos de extremidade online gerenciados
- Usar os pontos de extremidade implantados para inferência/pontuação em tempo real
Limitações conhecidas
Limitação | Em vez disso, faça |
---|---|
Não há nenhum SDK do painel de controle do R. | Use a CLI do Azure ou o script de controle do Python para enviar os trabalhos. |
O RStudio em execução como um aplicativo personalizado (como o Posit ou o RStudio) em um contêiner na instância de computação não pode acessar os ativos de workspace nem o MLflow. | Use Jupyter Notebooks com o kernel do R na instância de computação. |
Não há suporte para a consulta interativa do registro do MLflow do workspace no R. | |
Não há suporte para execuções aninhadas do MLflow no R. | |
Não há suporte para a etapa de trabalho paralelo. | Execute um script em tempos paralelos n usando parâmetros de entrada diferentes. No entanto, você precisará fazer uma metaprogramação para gerar chamadas n do YAML ou da CLI para fazer isso. |
Não há suporte para o registro/a gravação de modelo programático em um trabalho em execução com o R. | |
Atualmente, não há suporte para a implantação de código zero (ou seja, implantação automática) de um modelo do R no MLflow. | Crie um contêiner personalizado com plumber para implantação. |
Não há suporte para a pontuação de um modelo do R com pontos de extremidade em lote. | |
Um YML de implantação online do Azure Machine Learning só pode usar URIs de imagem diretamente do Registro para a especificação de ambiente, não os ambientes predefinidos do mesmo Dockerfile. | Siga as etapas descritas em Como implantar um modelo do R registrado em um ponto de extremidade online (em tempo real) para ver a maneira correta de implantá-lo. |
Próximas etapas
Saiba mais sobre o R no Azure Machine Learning: