Creación de un centro mediante el SDK de Azure Machine Learning y la CLI (clásico)

1. Instalar paquetes. (Si está en una celda del cuaderno, use %pip install en su lugar).

   pip install azure-ai-ml
   pip install azure-identity
   

2. Proporcione los detalles de la suscripción:

   # Enter details of your subscription
   subscription_id = "<SUBSCRIPTION_ID>"
   resource_group = "<RESOURCE_GROUP>"

3. Obtenga un identificador para la suscripción. Todo el código de Python de este artículo usa ml_client:

   # get a handle to the subscription
   
   from azure.ai.ml import MLClient
   from azure.identity import DefaultAzureCredential
   
   ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)

4. (Opcional) Si tiene varias cuentas, agregue el identificador de inquilino del Microsoft Entra ID que desea usar en el DefaultAzureCredential. Busque el identificador de inquilino en el portal de Azure en Microsoft Entra ID, External Identities.

   DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")
   

5. (Opcional) Si está trabajando en las regiones Azure Government - US o Azure China 21Vianet, especifique la región en la que desea autenticarse. Puede especificar la región con DefaultAzureCredential. En el ejemplo siguiente se realiza la autenticación en la región Azure Government - EE. UU.:

   from azure.identity import AzureAuthorityHosts
   DefaultAzureCredential(authority=AzureAuthorityHosts.AZURE_GOVERNMENT)
   

6. Compruebe la conexión.

   for hub in ml_client.workspaces.list():
       print(f"  - {hub.name}")
   

Si recibe un error de autenticación, asegúrese de que las credenciales de Azure estén configuradas (ejecute az login o configure las credenciales mediante el SDK de identidad de Azure). Si recibe un error de permiso, compruebe que tiene el rol Colaborador en la suscripción o el grupo de recursos.

Referencias: MLClient, DefaultAzureCredential

1. Si no tiene instalada la extensión de CLI de Azure y aprendizaje automático, siga los pasos descritos en el artículo Instalar y configurar la extensión de aprendizaje automático.

2. Para autenticarse en la suscripción de Azure desde el CLI de Azure, use el comando siguiente:

   az login
   

   Para obtener más información sobre la autenticación, consulte Métodos de autenticación.

3. Compruebe la autenticación mediante la enumeración de centros existentes:

   az ml workspace list --resource-group <your-resource-group-name>
   

   Si el comando se ejecuta correctamente y muestra los centros existentes, la autenticación se configura correctamente.

from azure.ai.ml.entities import Hub

my_hub_name = "myexamplehub"
my_location = "East US"
my_display_name = "My Example Hub"

# Construct a basic hub
my_hub = Hub(
    name=my_hub_name,
    location=my_location,
    display_name=my_display_name
)

# Create the hub and wait for completion
created_hub = ml_client.workspaces.begin_create(my_hub).result()
print(f"Created hub: {created_hub.name}")

Este código crea un nuevo centro con el nombre especificado, la ubicación y el nombre de visualización. Azure aprovisiona automáticamente recursos de Azure Storage y Azure Key Vault asociados.

Referencias: Hub, MLClient.workspaces.begin_create

az ml workspace create --kind hub --resource-group <your-resource-group> --name <your-hub-name>

Reemplace <your-resource-group> por el nombre del grupo de recursos de Azure y <your-hub-name> por un nombre único para el centro. Azure crea automáticamente recursos de almacenamiento y almacén de claves asociados.

Referencias: az ml workspace create

1. Incluya su hub en su ml_client conexión:

   • Escriba los detalles de la suscripción. En <AML_WORKSPACE_NAME>, introduzca el nombre de su hub:

     # Enter details of your AML workspace
     subscription_id = "<SUBSCRIPTION_ID>"
     resource_group = "<RESOURCE_GROUP>"
     workspace = "<AML_WORKSPACE_NAME>"

   • Obtenga un manipulador para el centro:

     # get a handle to the workspace
     from azure.ai.ml import MLClient
     from azure.identity import DefaultAzureCredential
     
     ml_client = MLClient(
         DefaultAzureCredential(), subscription_id, resource_group, workspace
     )

2. Use ml_client para crear la conexión a las herramientas de Foundry. Puede encontrar puntos de conexión en Azure portal en Resource management > Keys and endpoints. Para un recurso Foundry, use el punto de conexión de AI Services. Para Búsqueda de Azure AI, use la dirección URL del punto de conexión.

   from azure.ai.ml.entities import AzureAIServicesConnection
   
   # Construct a connection to Azure AI Services
   my_connection_name = "my-ai-services-connection"  # Any name you want
   aiservices_resource_name = "<your-resource-name>"  # From Azure portal
   my_endpoint = "<your-endpoint>"  # From Azure portal
   my_api_keys = None  # Leave blank to use Azure Entra ID (AAD) authentication
   my_ai_services_resource_id = f"/subscriptions/{subscription_id}/resourceGroups/{resource_group}/providers/Microsoft.CognitiveServices/accounts/{aiservices_resource_name}"
   
   my_connection = AzureAIServicesConnection(
       name=my_connection_name,
       endpoint=my_endpoint,
       api_key=my_api_keys,
       ai_services_resource_id=my_ai_services_resource_id
   )
   
   # Create the connection
   ml_client.connections.create_or_update(my_connection)
   print(f"Created connection: {my_connection.name}")
   

   Referencias: AzureAIServicesConnection, MLClient.connections

az ml connection create --file connection.yml --resource-group <your-resource-group> --workspace-name <your-hub-name>

Puede usar una clave de API o una autenticación de Azure Entra ID (AAD). Cree un archivo de configuración DE YAML denominado connection.yml:

Ejemplo de clave de API:

name: my-ai-services-connection
type: azure_ai_services
endpoint: <your-endpoint>
api_key: <your-api-key>
ai_services_resource_id: /subscriptions/<subscription-id>/resourceGroups/<resource-group>/providers/Microsoft.CognitiveServices/accounts/<resource-name>

Ejemplo de AAD (sin credenciales):

name: my-ai-services-connection
type: azure_ai_services
endpoint: <your-endpoint>
ai_services_resource_id: /subscriptions/<subscription-id>/resourceGroups/<resource-group>/providers/Microsoft.CognitiveServices/accounts/<resource-name>

Para obtener información detallada sobre el esquema, consulte el esquema YAML de conexión de Azure AI Services.

Referencias: az ml connection create

from azure.ai.ml.entities import Hub

my_hub_name = "myexamplehub"
my_location = "East US"
my_display_name = "My Example Hub"
my_resource_group = "myresourcegroupname"
my_storage_account_id = "/subscriptions/<subscription-id>/resourceGroups/<resource-group>/providers/Microsoft.Storage/storageAccounts/<storage-account-name>"
my_key_vault_id = "/subscriptions/<subscription-id>/resourceGroups/<resource-group>/providers/Microsoft.KeyVault/vaults/<key-vault-name>"

# Construct a hub with existing dependency resources
my_hub = Hub(
    name=my_hub_name,
    location=my_location,
    display_name=my_display_name,
    resource_group=my_resource_group,
    storage_account_id=my_storage_account_id,
    key_vault_id=my_key_vault_id
)

# Create the hub
created_hub = ml_client.workspaces.begin_create(my_hub).result()
print(f"Created hub with existing resources: {created_hub.name}")

Para buscar identificadores de recursos para los recursos existentes, visite el portal de Azure, vaya a la página de Overview del recurso y seleccione la vista JSON. El identificador de recurso aparece en el campo id . Como alternativa, use CLI de Azure:

# Get Storage account resource ID
az storage account show --name <storage-account-name> --resource-group <resource-group> --query "id"

# Get Key Vault resource ID
az keyvault show --name <key-vault-name> --resource-group <resource-group> --query "id"

Referencias: Hub

az ml workspace create --kind hub --resource-group <your-resource-group> --name <your-hub-name> --location <location> --storage-account <storage-account-resource-id> --key-vault <key-vault-resource-id>

Reemplace los marcadores de posición entre corchetes angulares por sus propios valores. Para buscar identificadores de recursos, use:

# Get Storage account resource ID
az storage account show --name <storage-account-name> --resource-group <resource-group> --query "id"

# Get Key Vault resource ID
az keyvault show --name <key-vault-name> --resource-group <resource-group> --query "id"

Referencias: az ml workspace create

from azure.ai.ml.entities import Hub

my_app_insights = "{APPLICATION_INSIGHTS_ARM_ID}"
my_container_registry = "{CONTAINER_REGISTRY_ARM_ID}"

# construct a hub with Application Insights and Container Registry
my_hub = Hub(name="myexamplehub", 
             location="East US", 
             application_insights=my_app_insights,
             container_registry=my_container_registry)

# update_dependent_resources is used to give consent to update the workspace dependent resources.
updated_hub = ml_client.workspaces.begin_update(workspace=my_hub, update_dependent_resources=True).result()
print(f"Hub updated: {updated_hub.name}")

Este script actualiza un centro existente con los recursos de Application Insights y Container Registry especificados. El update_dependent_resources=True parámetro confirma la actualización.

Referencia: Hub, MLClient.workspaces.begin_update()

az ml workspace update -n "myexamplehub" -g "{MY_RESOURCE_GROUP}" -a "APPLICATION_INSIGHTS_ARM_ID" -u

Este comando actualiza el centro denominado "myexamplehub" con el recurso de Application Insights especificado. La -u marca concede consentimiento para actualizar los recursos dependientes.

Referencia: az ml workspace update