使用資料流程的 AI

本文說明如何將人工智慧 (AI) 與資料流程搭配使用。 本文章說明：

• 認知服務
• 自動化機器學習
• Azure Machine Learning 整合

Power BI 中的認知服務

您可使用 Power BI 中的認知服務，套用 Azure 認知服務中的不同演算法，在資料流程的自助資料準備中豐富資料。

目前支援的服務包括情感分析、關鍵片語擷取、語言偵測和影像標記。 轉換會在 Power BI 服務上執行，且不需要 Azure 認知服務訂用帳戶。 此功能需要 Power BI Premium。

啟用 AI 功能

進階容量節點 EM2、A2、P1 或 F64 和其他具有更多資源的節點都支持認知服務。 認知服務也可搭配 Premium Per User (PPU) 授權使用。 容量的個別 AI 工作負載用來執行認知服務。 在 Power BI 中使用認知服務之前，必須在管理入口網站的容量設定中啟用 AI 工作負載。 您可以在工作負載區段中開啟 AI 工作負載。

在 Power BI 中開始使用認知服務

認知服務轉換是資料流程適用的自助資料準備的一部分。 若要使用認知服務豐富您的資料，請從編輯資料流程開始。

選取 Power Query 編輯器上方功能區中的 [AI 見解] 按鈕。

在快顯視窗中，選取您想要使用的函式以及您想要轉換的資料。 此範例會對含有評論文字的資料行進行情緒上的評分。

[LanguageISOCode] 是選擇性的輸入，可指定文字的語言。 此資料行預期 ISO 代碼。 您可以使用資料行作為 [LanguageISOCode] 的輸入，也可以使用靜態資料行。 在此範例中，整個資料行的語言指定為英文 (en)。 如果您將此資料行留空，Power BI 會先自動偵測語言，然後再套用函式。 接著，請選取 [叫用]。

叫用函式之後，結果會以新的資料行加入資料表中。 轉換也會加入為查詢中套用的步驟。

如果此函式傳回多個輸出資料行，叫用函式會搭配多個輸出資料行的資料列新增新的資料行。

使用展開選項，將一個或兩個值當作資料行，加入至您的資料中。

可用的函數

本節描述 Power BI 的認知服務中可用的函式。

偵測語言

語言偵測函式會評估文字輸入，並針對每個資料行傳回語言名稱和 ISO 識別碼。 此函式用於收集未知語言之任意文字的資料行。 此函式預期以文字格式的資料作為輸入。

文字分析最多可辨識 120 種語言。 如需詳細資訊，請參閱什麼是適用於語言的 Azure 認知服務中的語言偵測 (部分機器翻譯)。

擷取關鍵片語

關鍵片語擷取函式會評估非結構化文字，並針對每個文字資料行傳回關鍵片語的清單。 函式需要使用文字資料行作為輸入，並接受 [LanguageISOCode] 的選擇性輸入。 如需詳細資訊，請參閱開始使用 (部分機器翻譯)。

與情感分析相反，當您為關鍵片語擷取提供較大的文字區塊以進行處理時，其效果最佳。 情感分析在較小的文字區塊上的執行效果會更好。 若要從這兩個作業中取得最佳結果，請考慮據以重建輸入。

情感評分

情感評分函式會評估文字輸入，並為每個文件傳回情感分數，範圍從 0 (負面) 到 1 (正面)。 此函式用於偵測在社交媒體、客戶評論和討論區論壇方面的正面和負面情感。

文字分析會使用機器學習服務的分類演算法來產生 0 到 1 之間的情感分數。 接近 1 的分數表示正面情緒。 接近 0 的分數表示負面情緒。 此模型是使用具有情感關聯的大量文字內文預先定型的。 目前無法提供您自己的定型資料。 此模型會在文字分析期間使用技術的組合，包括文字處理、part-of-speech 分析、文字放置，以及文字關聯。 如需演算法的詳細資訊，請參閱 Machine Learning 和文字分析 (英文)。

情感分析是針對整個輸入資料行進行的，而不是擷取文字中特定資料表的情感。 在實務上，當文件包含一個或兩個句子，而不是大型文字區塊時，精確度評分有提高的趨勢。 在客觀性評定階段，此模型會判斷整體的輸入資料行是客觀的還是包含情感的。 大部分客觀的輸入資料行不會進展到情感偵測階段，進而導致分數為 0.50，且不會進行進一步的處理。 對於在管線中繼續進行的輸入資料行，下一個階段會根據在輸入資料行中偵測到的情感程度，產生大於或小於 0.50 的分數。

目前，情感分析支援英文、德文、西班牙文和法文。 其他語言目前為預覽版。 如需詳細資訊，請參閱什麼是適用於語言的 Azure 認知服務中的語言偵測 (部分機器翻譯)。

標記影像

標記映像函式會根據超過 2,000 個可辨識的物體、生物、景象及動作，傳回標記。 當標記模稜兩可或不是常識時，輸出會提供「提示」，以釐清標記在已知設定前後關聯中的意涵。 標記不是以分類法組織的，而且不存在任何繼承階層。 一系列的內容標記會形成影像「描述」的基礎，以完整句子的格式，顯示為人類可讀取的語言。

上傳影像或指定影像 URL 之後，電腦視覺演算法會根據物體、生物和影像中識別的動作，輸出標記。 標記並未限定於主體 (例如前景中的人物)，而是包含周遭環境 (室內或室外)、家具、工具、植物、動物、配件和小工具等。

此函式需要影像 URL 或 base-64 資料行作為輸入。 目前，影像標記支援英文、西班牙文、日文、葡萄牙文及簡體中文。 如需詳細資訊，請參閱 ComputerVision 介面 (英文)。

Power BI 中的自動化機器學習

適用於資料流程的自動化機器學習 (AutoML) 可讓商務分析師直接在 Power BI 中定型、驗證和叫用機器學習 (ML) 模型。 它包含建立新 ML 模型的簡單體驗，讓分析師可以使用其資料流程來指定用於定型模型的輸入資料。 此服務會自動擷取最相關的功能、選取適當的演算法，並調整和驗證 ML 模型。 在模型定型之後，Power BI 會自動產生一份含驗證結果的效能報表。 接著，您即可針對資料流程內的任何新資料或更新資料來叫用模型。

自動化機器學習僅適用於 Power BI Premium 和 Power BI Embedded 容量上裝載的資料流程。

使用 AutoML

機器學習和 AI 在各種產業和科學研究領域中正受到前所未有的歡迎。 企業也正在尋找將這些新技術整合到其營運中的方法。

資料流程提供適用於巨量資料的自助資料準備。 AutoML 已整合至資料流程中，並可讓您直接在 Power BI 內使用資料準備工作來建置機器學習模型。

Power BI 中的 AutoML 可讓資料分析師單純使用 Power BI 的技能，透過簡易化創建體驗來使用資料流程建立機器學習模型。 Power BI 會將建立 ML 模型所需的大部分資料科學自動化。 其透過邊界來確保產生的模型具有良好品質，並讓您了解 ML 模型建立所用的程序。

AutoML 支援建立資料流程的二元預測、分類和迴歸模型。 這些功能是監督式機器學習技術的類型，其表示其會從過去觀察到的已知結果中學習，以預測其他觀察的結果。 您會使用一組搭配已知結果進行「標記」的資料列，作為將 AutoML 模型定型的輸入語意模型。

Power BI 中的 AutoML 會整合 Azure Machine Learning 的自動化 ML，以建立您的 ML 模型。 不過，您不需要 Azure 訂用帳戶，就能在 Power BI 中使用 AutoML。 ML 模型的定型和裝載流程完全由 Power BI 服務來管理。

在 ML 模型定型之後，AutoML 會自動產生 Power BI 報表，說明您 ML 模型可能的效能情況。 AutoML 會醒目提示您輸入中影響模型所傳回預測的關鍵影響因數，以強調可解釋性。 這份報表也會包含模型的關鍵計量。

在產生的報表中，其他頁面會顯示模型的統計摘要和定型詳細資料。 如果使用者想要查看模型效能的標準資料科學量值，則可以參閱統計摘要。 定型詳細資料會摘要所有執行的反覆運算，並使用相關聯的模型參數，以建立您的模型。 它也會描述如何使用每項輸入來建立 ML 模型。

接著，您可以對 ML 模型套用資料以進行評分。 重新整理資料流程時，系統即會以 ML 模型的預測來更新資料。 Power BI 也會個別說明 ML 模型所產生的每個特定預測。

建立機器學習模型

本節描述如何建立 AutoML 模型。

建立 ML 模型的資料準備

若要在 Power BI 中建立機器學習模型，您必須先建立資料 (包含歷史結果資訊) 的資料流程，以用於定型 ML 模型。 針對您嘗試預測的結果，您也應該為任何可能是強式預測的業務計量新增導出資料行。 如需設定資料流程的詳細資料，請參閱設定及取用資料流程 (部分機器翻譯)。

AutoML 具備用來定型機器學習模型的特定資料需求。 下列各節會根據各自的模型類型來描述這些需求。

設定 ML 模型輸入

若要建立 AutoML 模型，請選取資料流程資料表的 [動作] 資料行中的 ML 圖示，然後選取 [新增機器學習模型]。

我們已推出簡易化創建體驗，其中所包含精靈會引導您完成建立 ML 模型的流程。 此精靈包含下列簡單的步驟。

1.選取具有歷史資料的資料表，然後選擇您想要預測的結果資料行

結果資料行會識別用來將 ML 模型定型的標籤屬性，如下圖所示。

2.選擇模型類型

當您指定結果資料行時，AutoML 會分析標籤資料，以建議最可能定型的 ML 模型類型。 您可以按一下 [選擇模型]，以挑選不同的模型類型，如下圖所示。

3.選取您想要讓模型作為預測性訊號的輸入

AutoML 會分析所選資料表樣本，以建議可用來將 ML 模型定型的輸入。 會在未選取的資料行旁邊提供說明。 如果特定資料行有太多相異值或只有一個值，或與輸出資料行具有低度或高度相互關聯，則不建議這麼做。

您不應該使用任何相依於結果資料行 (或標籤資料行) 的輸入來將 ML 模型定型，因為這會影響其效能。 這類資料行會標示為「與輸出資料行的關聯性疑似很高」。 將這些資料行引進定型資料會導致標籤外洩，在此情況下，雖然模型在驗證或測試資料上的執行效能良好，但用於實際執行環境進行評分時的效能則相對低落。 當模型定型效能好得難以置信時，AutoML 模型中可能有標籤外洩的隱憂。

此功能建議是根據某個資料樣本而來，因此您應該檢閱所使用的輸入。 您可以變更選取範圍，以只包括您想要讓模型研究的資料行。 您也可以選取資料表名稱旁邊的核取方塊來選取所有資料行。

4.命名您的模型並儲存設定

在最後一個步驟中，您可以為模型命名，選取 [儲存]，然後選擇以開始對 ML 模型進行定型。 您可以選擇減少定型時間來更快看到結果，或增加花在定型的時間來取得最佳模型。

ML 模型定型

AutoML 模型的定型是資料流程重新整理的一部分。 AutoML 會先準備您的資料以進行定型。 AutoML 會將您提供的歷史資料分割成定型和測試語意模型。 測試語意模型是一種鑑效組，可用來驗證模型定型後的效能。 這些集合會在資料流程中以 [定型和測試] 資料表的形式呈現。 AutoML 會使用交叉驗證來進行模型驗證。

接下來，系統會分析每個輸入資料行並套用插補，以將任何遺漏值取代為替代值。 AutoML 會使用幾種不同的插補策略， 針對視為數值功能的輸入屬性，會使用資料行值的平均進行插補。 針對視為類別目錄功能的輸入屬性，AutoML 會使用資料行值的模式進行插補。 AutoML 架構會計算用於針對子取樣定型語意模型進行插補之值的平均數和眾數。

然後會視需要對資料套用取樣和正規化。 針對分類模型，AutoML 會透過分層取樣來執行輸入資料，並平衡類別以確保所有資料列計數都相等。

AutoML 會根據每個所選輸入資料行的資料類型及其統計屬性，對該資料行套用數種轉換。 AutoML 會使用這些轉換來擷取功能，以用來訓練您的 ML 模型。

AutoML 模型的訓練程序包含高達 50 個反覆運算，其中具有不同的模型化演算法和超參數設定，以找出效能最佳的模型。 如果 AutoML 注意到所觀察的效能沒有任何改善，則定型可能以較少的反覆運算提早結束。 AutoML 會使用鑑效組測試語意模型來評定每個模型的效能。 在此訓練步驟中，AutoML 會建立數個管線來訓練和驗證這些反覆運算。 評定模型效能的流程可能需要一些時間，從幾分鐘到數小時到在精靈中設定的定型時間。 所花費的時間取決於您的語意模型大小和可用的容量資源。

在某些情況下，最終產生的模型可能會使用集成學習，其中會使用多個模型來提供更佳的預測效能。

AutoML 模型的可解釋性

模型定型之後，AutoML 會分析輸入功能和模型輸出之間的關聯性。 其會針對每個輸入功能的鑑效組測試語意模型，評定模型輸出的變化大小。 此關聯性稱為「特徵重要度」。 此分析會在定型完成之後，作為重新整理的一部分進行。 因此，重新整理時間可能會比在精靈中設定的定型時間還長。

AutoML 模型報表

AutoML 會產生 Power BI 報表，以摘要出驗證期間的模型效能與全域功能重要性。 當資料流程重新整理成功之後，即可從 [機器學習模型] 索引標籤存取此報表。 此報表摘要說明對 ML 模型套用鑑效組測試資料，並將預測與已知結果值進行比較的結果。

您可以檢閱模型報表來了解其效能。 您也可以驗證模型之關鍵影響因素是否符合已知結果的商業見解。

報表中用來描述模型效能的圖表和量值是依據模型類型而定。 下列各節將描述這些效能圖表和量值。

報表中其他頁面可能會從資料科學角度來描述模型的相關統計量值。 例如，二元預測報表包含模型的增益圖和 ROC 曲線。

這些報表也會包含 [定型詳細資料] 頁面，其中含有模型定型方式的描述，以及描述每個反覆運算執行下模型效能的圖表。

此頁面上另一個區段描述偵測到的輸入資料行類型，以及用於填入遺漏值的插補方法。 它也包括最終模型所使用的參數。

如果產生的模型使用集成學習，則 [定型詳細資料] 頁面也會包括一個圖表，其中顯示集成中每個組成模型的權數，以及其參數。

套用 AutoML 模型

如果您對所建立的 ML 模型效能感到滿意，可以在重新整理資料流程時，對其套用新資料或更新的資料。 在模型報表中，選取右上角的 [套用] 按鈕，或 [機器學習模型] 索引標籤中動作下的 [套用 ML 模型] 按鈕。

若要套用 ML 模型，您必須指定要對其套用的資料表名稱，以及要針對模型輸出新增至此資料表的資料行前置詞。 資料行名稱的預設前置詞是模型名稱。 Apply 函式可能會包括更多特定於模型類型的參數。

套用 ML 模型會建立兩個新的資料流程資料表，其中包含輸出資料表中所評分每個資料列的預測和個別說明。 例如，如果您將 PurchaseIntent 模型套用至 OnlineShoppers 資料表，則輸出會產生 OnlineShoppers enriched PurchaseIntent 和 OnlineShoppers enriched PurchaseIntent explanations 資料表。 針對擴充資料表中的每個資料列，Explanations 會根據輸入功能細分成擴充說明資料表中的多個資料列。 ExplanationIndex 有助於將擴充說明資料表中的資料列對應至擴充資料表中的資料列。

您也可以使用 [PQO 函式瀏覽器] 中的 [AI 見解]，將任何 Power BI AutoML 模型套用至相同工作區中任何資料流程的資料表。 如此一來，您就可以在相同工作區中使用其他人所建立的模型，而不一定要是擁有模型的資料流程擁有者。 Power Query 會探索工作區中的所有 Power BI ML 模型，並將其公開為動態 Power Query 函式。 您可以透過從 Power Query 編輯器中的功能區存取函式，或透過直接叫用 M 函式，來叫用那些函式。 目前只有 Power BI 資料流程與 Power BI 服務中的 Power Query Online 支援此功能。 此流程與使用 AutoML 精靈在資料流程中套用 ML 模型不同。 使用這個方法不會建立任何說明資料表。 除非您是資料流程的擁有者，否則您無法存取模型定型報表或將模型重新定型。 此外，如果已編輯來源模型 (透過新增或移除輸入資料行)，或是已刪除模型或來源資料流程，則此相依資料流程將會中斷。

套用模型之後，AutoML 一律會在每次重新整理資料流程時，將您的預測保持在最新狀態。

若要在 Power BI 報表中使用 ML 模型的見解和預測，您可以使用資料流程連接器從 Power BI Desktop 連線到輸出資料表。

二元預測模型

二元預測模型 (其正式名稱為「二元分類模型」) 可用來將語意模型分類成兩個群組。 這些模型是用來預測可能具有二元結果的事件。 例如，銷售商機是否轉換、帳戶是否會變換、發票是否能準時支付、交易是否為詐騙等。

二元預測模型的輸出是機率分數，可識別將達成目標結果的可能性。

對二元預測模型進行定型

必要條件：

• 每個結果類別都需要至少 20 列的歷史資料

建立二元預測模型的流程步驟與其他 AutoML 模型相同，如上方設定 ML 模型輸入 (部分機器翻譯) 一節中所述。 唯一的差異在於 [選擇模型] 步驟，其中您可以選取最感興趣的目標結果值。 您也可以為結果提供易記標籤；這些結果會用於自動產生報表，其會對模型驗證的結果進行摘要。

二元預測模型報表

二元預測模型會輸出資料列可達成目標結果的機率。 這份報表包括機率臨界值的交叉分析篩選器，其會影響針對大於和小於機率臨界值之分數的解讀方式。

報表會以「確判為真」、「誤判為真」、「確判為否」和「誤判為否」的角度來描述模型的效能。 「確判為真」和「確判為否」可針對結果資料中的兩種類別正確預測結果。 「誤判為真」是指預設具有目標結果但實際沒有的資料列。 相反地，「誤判為否」是具有目標結果但預測為非目標結果的資料列。

量值 (例如精確度和召回率) 可描述預測結果的機率臨界值效果。 您可以使用機率臨界值交叉分析篩選器選取臨界值，以在精確度和召回率之間達到平衡的折衷。

此報表也會包含成本效益分析工具，可協助識別應該設為目標的母體子集，以產生最高的收益。 成本效益分析會根據目標之預估單位成本與達成目標結果的單位效益，嘗試將收益最大化。 您可以使用此工具以根據圖表中的最大點數來選擇機率閾值，將收益最大化。 您也可以使用圖表來計算所選機率閾值的收益或成本。

模型報表的 [正確性報表] 頁面包括模型的「累計增益」圖表和 ROC 曲線。 此資料會提供模型效能的統計量值。 報表包含所示圖表的描述。

套用二元預測模型

若要套用二元預測模型，您必須指定資料表，其中包含您想要對其套用 ML 模型預測的資料。 其他參數包括輸出資料行名稱前置詞與機率臨界值，以用來分類預測結果。

套用二元預測模型時，其會將四個輸出資料行新增至擴充的輸出資料表：Result、PredictionScore、PredictionExplanation，以及 ExplanationIndex。 資料表中的資料行名稱會使用套用模型時所指定前置詞。

PredictionScore 是機率百分比，可識別將達成目標結果的可能性。

Outcome 資料行包含預測的結果標籤。 系統會將機率超過閾值的記錄預測為可能達成目標結果，並標示為 True。 小於閾值的記錄會預測為不太可能達成結果，並標示為 False。

PredictionExplanation 資料行包含說明，以及輸入功能對 PredictionScore 的特定影響。

分類模型

分類模型可用來將語意模型分類為多個群組或類別。 這些模型是用來預測可能具有多個可能結果之一的事件。 例如，客戶是否可能具有高、中或低存留期值。 其也可以預測預設的風險是否很高、中度、低等。

分類模型的輸出是機率分數，可識別資料列將達到特定類別之準則的可能性。

對分類模型進行定型

輸入資料表 (包含分類模型的定型資料) 必須以字串或整數資料行作為結果資料行，以識別過去已知的結果。

必要條件：

• 每個結果類別都需要至少 20 列的歷史資料

建立分類模型的流程步驟與其他 AutoML 模型相同，如上方設定 ML 模型輸入 (部分機器翻譯) 一節中所述。

分類模型報表

Power BI 會將 ML 模型套用至鑑效組測試資料，以建立分類模型報表。 然後，其會將資料列的預測類別與實際的已知類別互相比較。

模型報表包含一個圖表，其中包括每個已知類別的正確和不正確分類資料列明細。

進一步的類別特定向下鑽研動作可讓您分析已知類別的預測分布情況。 此分析會顯示其他類別，其中包含可能會將該已知類別分錯類別的資料列。

報表中的模型說明也包含每個類別的最上層預測指標。

分類模型報表也包括 [定型詳細資料] 頁面 (類似於其他模型類型的頁面)，如稍早在 AutoML 模型報表 (部分機器翻譯) 中所述。

套用分類模型

若要套用分類 ML 模型，您必須使用輸入資料和輸出資料行名稱前置詞來指定資料表。

套用分類模型時，其會將五個輸出資料行新增至擴充的輸出資料表：ClassificationScore、ClassificationResult、ClassificationExplanation、ClassProbabilities，以及 ExplanationIndex。 資料表中的資料行名稱會使用套用模型時所指定前置詞。

ClassProbabilities 資料行包含每個可能類別的資料列機率分數清單。

ClassificationScore 是機率百分比，可識別資料列將達成指定類別準則的可能性。

ClassificationResult 資料行包含最可能的資料列預測類別。

ClassificationExplanation 資料行包含說明，以及輸入功能對 ClassificationScore 的特定影響。

迴歸模型

迴歸模型可用來預測數值，並可用於判斷下列項目的案例：

• 在銷售交易中可能實現的收入。
• 帳戶的存留期值。
• 可能支付的應收發票金額
• 可能的發票付款日期等等。

迴歸模型的輸出是預測值。

定型迴歸模型

輸入資料表 (包含迴歸模型的定型資料) 必須以數值資料行作為結果資料行，以識別已知的結果值。

必要條件：

• 每個迴歸模型都需要至少 100 個資料列的歷史資料。

建立迴歸模型的流程步驟與其他 AutoML 模型相同，如上方設定 ML 模型輸入 (部分機器翻譯) 一節中所述。

迴歸模型報表

如同其他 AutoML 模型報表一樣，迴歸報表是以對模型套用鑑效組測試資料的結果為基礎。

模型報表包含比較預測值與實際值的圖表。 在此圖表中，對角線的距離會指出預測誤差。

剩餘誤差圖表會顯示鑑效組測試語意模型中不同值的平均誤差百分比分布情況。 水平軸代表群組實際值的平均值。 泡泡的大小會顯示該範圍內值的頻率或計數。 垂直軸是平均剩餘誤差。

迴歸模型報表也包括 [定型詳細資料] 頁面 (類似於其他模型類型的頁面)，如上方 AutoML 模型報表一節中所述。

套用迴歸模型

若要套用迴歸 ML 模型，您必須使用輸入資料和輸出資料行名稱前置詞來指定資料表。

套用迴歸模型時，其會將三個輸出資料行新增至擴充的輸出資料表：RegressionResult、RegressionExplanation，以及 ExplanationIndex。 資料表中的資料行名稱會使用套用模型時所指定前置詞。

RegressionResult 資料行包含的資料列預測值是以輸入資料行為依據。 RegressionExplanation 資料行包含說明，以及輸入功能對 RegressionResult 的特定影響。

Power BI 中的 Azure Machine Learning 整合

許多組織會使用機器學習模型來取得關於其業務的更好的見解與預測。 您可以使用機器學習搭配報表、儀表板和其他分析來取得這些見解。 根據這些模型將見解視覺化和叫用的能力，可協助將這些見解傳播給最需要這些資訊的商務使用者。 Power BI 現在可讓您輕鬆使用直覺的點選手勢，整合來自 Azure Machine Learning 上所裝載之模型的見解。

若要使用此功能，資料科學家可以使用 Azure 入口網站將對 Azure Machine Learning 模型的存取權授與 BI 分析師。 接著，在每個工作階段開頭，Power Query 會探索使用者有權存取的所有 Azure Machine Learning 模型並將其公開為動態 Power Query 函式。 使用者接著可以透過從 Power Query 編輯器中的功能區存取函式，或透過直接叫用 M 函式，來叫用那些函式。 Power BI 也會在針對一組資料列叫用 Azure Machine Learning 模型時自動將存取要求分為批次，以獲得更好的效能。

目前只有 Power BI 資料流程與 Power BI 服務中的 Power Query Online 支援此功能。

若要深入了解資料流程，請參閱資料流程及自助資料準備簡介。

若要深入了解 Azure Machine Learning，請參閱：

• 概觀：什麼是 Azure Machine Learning？
• Azure Machine Learning 的快速入門和教學課程：Azure Machine Learning 文件

將 Azure Machine Learning 模型的存取權授與 Power BI 使用者

若要從 Power BI 存取 Azure Machine Learning 模型，使用者必須具有 Azure 訂用帳戶和 Machine Learning 工作區的讀取存取權。

此文章中的步驟說明如何將對 Azure Machine Learning 服務上裝載之模型的存取權授與 Power BI 使用者，以便以 Power Query 函式的形式存取此模型。 如需詳細資訊，請參閱使用 Azure 入口網站指派 Azure 角色。

1. 登入 Azure 入口網站。

2. 移至 [訂用帳戶] 頁面。 您可以透過 Azure 入口網站導覽窗格功能表中的 [所有服務] 清單找到 [訂用帳戶] 頁面。

   

3. 選取您的訂用帳戶。

   

4. 選取 [存取控制 (IAM)]，然後選擇 [新增] 按鈕。

   

5. 選取 [讀者] 做為 [角色]。 然後選擇您想要授與 Azure Machine Learning 模型存取權的 Power BI 使用者。

   

6. 選取 [儲存]。

7. 重複步驟三到六，以針對裝載模型的特定機器學習工作區將讀者存取權授與使用者。

針對機器學習模型的結構描述探索

資料科學家主要使用 Python 來針對機器模型開發，甚至是部署其機器學習模型。 資料科學家必須使用 Python 明確產生結構描述檔案。

此結構描述檔案必須包括在機器學習模型的已部署 Web 服務中。 若要自動產生 Web 服務的結構描述，您必須為部署模型在項目指令碼中提供輸入/輸出的範例。 如需詳細資訊，請參閱使用線上端點部署和評分機器學習模型 (部分機器翻譯)。 連結包含產生結構描述陳述式的範例項目指令碼。

具體來說，輸入腳本中的 @input_schema 和 @output_schema 函式會參考 input_sample 和 output_sample 變數中的輸入和輸出範例格式。 函式會使用這些範例，在部署期間產生 Web 服務的 OpenAPI (Swagger) 規格。

這些透過更新輸入腳本來產生結構描述的指示，也必須套用至使用自動化機器學習實驗搭配 Azure Machine Learning SDK 所建立的模型。

在 Power BI 中叫用 Azure Machine Learning 模型

您可以直接從您資料流程中的 Power Query 編輯器叫用任何您已獲授與存取權的 Azure Machine Learning 模型。 若要存取 Azure Machine Learning 模型，請針對您想要使用來自 Azure Machine Learning 模型的見解進行擴充的資料表選取 [編輯資料表] 按鈕，如下圖所示。

選取 [編輯資料表] 按鈕以針對您資料流程中的資料表開啟 Power Query 編輯器。

選取功能區中的 [AI 見解] 按鈕，然後從導覽窗格功能表選取 [Azure Machine Learning 模型] 資料夾。 您擁有存取權的所有 Azure Machine Learning 模型會在這裡列為 Power Query 函式。 此外，Azure Machine Learning 模型的輸入參數會自動對應為所對應 Power Query 函式的參數。

若要叫用 Azure Machine Learning 模型，您可以從下拉式清單中指定任何所選資料表的資料行作為輸入。 您也可以將資料行圖示切換至 [輸入] 對話方塊的左側，以指定要當作輸入使用的常數值。

選取 [叫用] 來檢視 Azure Machine Learning 模型的輸出作為資料表中新資料行的預覽。 模型叫用會顯示為查詢的已套用步驟。

若模型傳回多個輸出參數，系統會將其分組為輸出資料行中的資料列。 您可以展開資料行，在不同的資料行中產生個別的輸出參數。

一旦您儲存資料流程之後，當您針對資料表中任何新的或更新的資料列重新整理資料流程時，將會自動叫用模型。

考量與限制

• 資料流程 Gen2 目前未與自動化機器學習整合。
• 具有 Proxy 驗證設定的電腦並不支援 AI 見解 (認知服務和 Azure Machine Learning 模型)。
• 來賓使用者不支援 Azure Machine Learning 模型。
• 搭配 AutoML 和認知服務使用閘道有一些已知問題。 如果需要使用閘道，建議您先建立透過閘道匯入必要資料的資料流程。 然後，建立另一個資料流程，使其參考第一個資料流程以建立或套用這些模型和 AI 函式。
• 如果 AI 在資料流程無法運作，您可能需要在將 AI 用於資料流程時，啟用 [快速合併]。 在匯入資料表後、開始新增 AI 功能「之前」，從 [首頁] 功能區中選取 [選項]，然後在出現的視窗中，選取 [允許合併多個來源的資料] 旁的核取方塊，以啟用功能，再選取 [確定] 以儲存選取項目。 之後，便可以將 AI 功能新增至資料流程。

相關內容

本文提供 Power BI 服務的資料流程自動化機器學習概觀。 下列文章可能也很實用。

• 教學課程：在 Power BI 中建置機器學習模型
• 教學課程：在 Power BI 中使用認知服務

下列文章提供資料流程和 Power BI 的詳細資訊：

• 資料流程和自助資料準備簡介
• 建立資料流程 (部分機器翻譯)
• 設定及取用資料流程 (部分機器翻譯)
• 將資料流程儲存體設定為使用 Azure Data Lake Gen 2 (部分機器翻譯)
• 資料流程的 Premium 功能 (部分機器翻譯)
• 資料流程的考量與限制
• 資料流程最佳做法