Implantar um modelo em instâncias de contêiner do Azure com CLI (v1)

Saiba como usar o Aprendizado de Máquina do Azure para implantar um modelo como um serviço Web em Instâncias de Contêiner do Azure (ACI). Use as Instâncias de Contêiner do Azure se:

• prefira não gerenciar seu próprio cluster Kubernetes
• Não há problema em ter apenas uma única réplica do seu serviço, o que pode afetar o tempo de atividade

Para obter informações sobre a disponibilidade de cota e região para ACI, consulte o artigo Cotas e disponibilidade de região para instâncias de contêiner do Azure.

Pré-requisitos

• Uma área de trabalho do Azure Machine Learning. Para obter mais informações, consulte Criar um espaço de trabalho do Azure Machine Learning.

• Um modelo de aprendizagem automática registado na sua área de trabalho. Se você não tiver um modelo registrado, consulte Como e onde implantar modelos.

• A extensão da CLI do Azure (v1) para o serviço de Aprendizado de Máquina, o SDK Python do Azure Machine Learning ou a extensão de Código do Azure Machine Learning Visual Studio.

  Importante

  Alguns dos comandos da CLI do Azure neste artigo usam a extensão , ou v1, para o azure-cli-mlAzure Machine Learning. O suporte para a extensão v1 terminará em 30 de setembro de 2025. Você poderá instalar e usar a extensão v1 até essa data.

  Recomendamos que você faça a transição para a mlextensão , ou v2, antes de 30 de setembro de 2025. Para obter mais informações sobre a extensão v2, consulte Extensão CLI do Azure ML e Python SDK v2.

• Os trechos de código Python neste artigo assumem que as seguintes variáveis estão definidas:

  • ws - Defina para o seu espaço de trabalho.
  • model - Defina para o seu modelo registado.
  • inference_config - Definir para a configuração de inferência para o modelo.

  Para obter mais informações sobre como definir essas variáveis, consulte Como e onde implantar modelos.

• Os trechos da CLI neste artigo pressupõem que você criou um inferenceconfig.json documento. Para obter mais informações sobre como criar este documento, consulte Como e onde implantar modelos.

Limitações

Quando seu espaço de trabalho do Azure Machine Learning é configurado com um ponto de extremidade privado, a implantação em Instâncias de Contêiner do Azure em uma rede virtual não é suportada. Em vez disso, considere utilizar um Ponto final gerido online com isolamento da rede.

Implementar para ACI

Para implantar um modelo em Instâncias de Contêiner do Azure, crie uma configuração de implantação que descreva os recursos de computação necessários. Por exemplo, número de núcleos e memória. Você também precisa de uma configuração de inferência, que descreve o ambiente necessário para hospedar o modelo e o serviço Web. Para obter mais informações sobre como criar a configuração de inferência, consulte Como e onde implantar modelos.

Utilizar o SDK

APLICA-SE A: Python SDK 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)

Para obter mais informações sobre as classes, métodos e parâmetros usados neste exemplo, consulte os seguintes documentos de referência:

• AciWebservice.deploy_configuration
• Modelo.deploy
• Webservice.wait_for_deployment

Com a CLI do Azure

APLICA-SE A: Azure CLI ml extension v1

Para implantar usando a CLI, use o seguinte comando. Substitua mymodel:1 pelo nome e versão do modelo registado. Substitua myservice pelo nome para dar este serviço:

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

As entradas no deploymentconfig.json documento são mapeadas para os parâmetros para AciWebservice.deploy_configuration. A tabela a seguir descreve o mapeamento entre as entidades no documento JSON e os parâmetros para o método:

O JSON a seguir é um exemplo de configuração de implantação para uso com a CLI:

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

Para obter mais informações, consulte a referência az ml model deploy .

Utilizar o VS Code

Veja como gerenciar recursos no VS Code.

Próximos passos

• Como implantar um modelo usando uma imagem personalizada do Docker
• Solução de problemas de implantação
• Atualizar o serviço Web
• Utilizar o TLS para proteger um serviço Web através do Azure Machine Learning
• Consumir um modelo de ML implantado como um serviço Web
• Monitore seus modelos do Azure Machine Learning com o Application Insights
• Recolher dados para modelos em produção