Muistiinpano
Tämän sivun käyttö edellyttää valtuutusta. Voit yrittää kirjautua sisään tai vaihtaa hakemistoa.
Tämän sivun käyttö edellyttää valtuutusta. Voit yrittää vaihtaa hakemistoa.
Microsoft Fabric antaa sinun tarjota reaaliaikaisia ennusteita koneoppimismalleista turvallisilla, skaalautuvilla ja helppokäyttöisillä verkkopäätelaitteilla. Nämä päätepisteet ovat saatavilla useimpien Fabric-mallien sisäänrakennettuina ominaisuuksina—eikä niiden käyttöönotto vaadi mitään asetuksia täysin hallittujen reaaliaikaisten käyttöönottojen käynnistämiseksi.
Voit aktivoida, määrittää ja tehdä kyselyjä mallin päätepisteistä julkisella REST-ohjelmointirajapinnalla. Voit myös aloittaa suoraan Fabric-käyttöliittymästä, käyttäen low-code-kokemusta mallin päätepisteiden aktivoimiseen ja ennusteiden esikatseluun välittömästi.
Prerequisites
- Koneoppimismallin päätepisteet ovat oletuksena käytössä vuokralaisessasi. Jos ylläpitäjäsi haluaa poistaa tämän ominaisuuden käytöstä, hän voi poistaa vuokralaisen kytkimen koneoppimismallin päätepisteille Fabric ylläpitoportaalissa.
Limitations
- Päätepisteet ovat tällä hetkellä saatavilla rajoitetulle määrälle koneoppimismallin makuja, kuten Keras, LightGBM, Sklearn ja XGBoost.
- Päätepisteet eivät ole tällä hetkellä käytettävissä malleissa, joissa on tensoripohjaisia rakenteita tai ei rakenteita.
Note
Tammikuusta 2026 lähtien koneoppimisen päätepisteet tukevat nyt AutoML-koulutettuja malleja. Tämä aiempi rajoitus on poistettu.
Aloita mallin päätepisteiden käyttäminen
Fabric-koneoppimismallit tulevat valmiiksi rakennettuina, joissa on verkkopäätepisteitä, joita voidaan käyttää reaaliaikaisten ennusteiden tarjoamiseen. Jokaisella rekisteröidyllä malliversiolla on oma päätepisteen URL, joka löytyy Fabric-rajapinnan "Endpoint details" -otsikon alta. Tämän URL-osoitteen lopussa on alipolku, joka määrittää tietyn version (esimerkiksi /versions/1/score).
Mallin päätepisteillä on seuraavat ominaisuudet:
| Property | Description | Default |
|---|---|---|
| Oletusversio | Tämä ominaisuus (Yes tai No) ilmaisee, onko versio määritetty mallin oletukseksi reaaliennusteiden palvelemiselle. Voit mukauttaa oletusversiota mallin asetuksissa. |
No |
| Status | Tämä ominaisuus ilmaisee, onko päätepiste valmis tekemään ennusteita. Tila voi olla Inactive, , ActivatingActive, Deactivating, tai Failed. Vain aktiiviset päätepisteet voivat palvella ennusteita. |
Inactive |
| Automaattinen lepotila | Tämä ominaisuus (On tai Off) ilmaisee, tuleeko aktiivisena olevan päätepisteen skaalata kapasiteetin käyttö nollaan ilman liikennettä. Jos automaattinen uni on käytössä, päätepisteeseen tulee käyttämättömyystila viiden minuutin kuluttua ilman saapuvia pyyntöjä. Ensimmäinen kutsu, joka herättää tyhjän päätepisteen, sisältää lyhyen viiveen. |
On |
Aktivoi mallin päätepisteet
Voit aktivoida mallin päätepisteet suoraan Fabric-rajapinnasta. Siirry versioon, johon haluat näyttää reaaliaikaiset ennusteet, ja valitse nauhasta "Aktivoi version päätepiste".
Toast-viesti kertoo, että Fabric valmistaa päätepisteesi palvelemaan ennusteita, ja päätepisteen tila muuttuu "Aktivoituu"-tilaksi. Kulissien takana Fabric käynnistää taustalla olevan konttiinfrastruktuurin mallisi isännöintiä varten. Päätepiste on valmis ennakoimaan ennusteita muutaman minuutin kuluessa.
Jokaisella päätepisteellä on tila, joka osoittaa, onko se valmis reaaliaikaisiin ennusteisiin:
| Status | Description |
|---|---|
Inactive |
Päätepiste ei ole aktivoitu palvelemaan reaaliaikaisia ennusteita, eikä se kuluta Fabric-kapasiteettia. |
Activating |
Päätepistettä määritetään palvelemaan reaaliaikaisia ennusteita. Kulissien takana Fabric asettaa taustalla olevan konttiinfrastruktuurin mallin isännöintiin. Päätepiste on aktiivinen muutaman minuutin kuluessa. |
Active |
Päätepiste on valmis reaaliaikaisten ennusteiden palvelemiseen. Kulissien takana Fabric hallinnoi taustalla olevaa infrastruktuuria, laajentaen resurssien käyttöä saapuvan liikenteen perusteella. Suurempi liikenne johtaa suurempaan Fabric-kapasiteetin käyttöön. |
Deactivating |
Päätepiste deaktivoidaan, joten se ei enää palvele reaaliaikaisia ennusteita tai kuluta Fabric-kapasiteettia. Kulissien takana Fabric purkaa alla olevan konttiinfrastruktuurin. |
Note
Koneoppimismallit voivat tukea aktiivisia päätepisteitä enintään viidelle versiolle kerralla. Jotta voit antaa ennusteita kuudennesta versiosta, aktiivisen päätepisteen aktivointi on ensin poistettava.
Mallien päätepisteiden hallinta
Saat yleiskatsauksen mallisi aktiivisista päätepisteistä valitsemalla Päätepisteiden hallinta -vaihtoehdon käyttöliittymän valintanauhasta. Jokaisella mallilla on mukautettava oletuspäätepiste, joka lähettää ennusteita valitsemastasi versiosta. Voit päivittää oletusversion asetukset-ruudun avattavan valikon valitsimella.
Important
Muista määrittää oletusominaisuudeksi aktiivinen versio, jos aiot käyttää sitä. Jos oletusominaisuutta ei ole määritetty tai jos se on määritetty passiiviseksi versioksi, kutsut oletuspäätepisteeseen epäonnistuvat.
Kaikki versiot, joissa on aktiiviset päätepisteet, on listattu mallin pääteasetuksissa. Voit muokata kunkin päätepisteen automaattista lepotilaominaisuutta vaihtamalla valitsimen arvoksi "On" tai "Off".
Tip
Aktiiviset päätepisteet, joissa automaattinen lepotila on käytössä, muuttuvat käyttämättömyystilaksi viiden minuutin kuluttua ilman liikennettä, ja ensimmäinen kutsu, joka herättää ne, aiheuttaa lyhyen viiveen. Haluat ehkä poistaa tämän ominaisuuden käytöstä tuotannon päätepisteissä.
Kyselymallin päätepisteistä reaaliaikaisia ennusteita varten
Mallipäätepisteet ovat saatavilla välittömään testaukseen low-code-kokemuksella Fabric-muodossa. Siirry aktiivisen päätepisteen sisältävään versioon ja valitse käyttöliittymän valintanauhasta Esikatsele ennusteita. Voit lähettää näytepyyntöjä päätepisteelle – ja saada näyteennusteita reaaliajassa – käyttämällä lomakekenttiä, jotka vastaavat mallin syöteallekirjoitusta.
Jos haluat täyttää lomakekentät satunnaisilla malliarvoilla, valitse "Automaattinen täyttö". Voit lisätä lomakearvojoukkoja testataksesi päätepistettä useilla syötteillä. Lähetä mallipyyntösi päätepiste valitsemalla Hae ennusteet.
Jos haluat muotoilla mallipyyntöjä JSON-hyötykuormiksi, vaihda näkymää avattavan valikon valitsimella.
Mallin päätepisteiden aktivoinnin poistaminen
Voit deaktivoida mallin päätepisteet suoraan Fabric-rajapinnasta. Siirry versioon, jonka reaaliaikaisia ennusteita ei enää tarvitse antaa, ja valitse käyttöliittymän valintanauhasta Poista version päätepiste käytöstä.
Toast-viesti näyttää, että Fabric purkaa aktiivisen käyttöönottoasi, ja päätepisteen tila muuttuu "Deaktivointiin". Päätepiste ei enää pysty palvelemaan reaaliaikaisia ennusteita, ellei sitä aktivoida uudelleen.
Voit deaktivoida päätepisteet useille versioille samanaikaisesti mallin asetuksista. Valitse käyttöliittymän valintanauhasta Päätepisteiden hallinta ja valitse vähintään yksi aktiivinen päätepiste, jonka aktivoinnin voi poistaa.
Kulutusaste
Aktiivisten mallipäätepisteiden isännöinti kuluttaa Fabric Capacity Units (CU) -yksiköitä. Päätepisteet suoritetaan laskentasolmuissa ja voivat skaalata automaattisesti jopa kolmeen solmuun saapuvan liikenteen perusteella. Laskutus lasketaan solmukohtaisesti, kun päätepiste on aktiivinen. Alla oleva taulukko näyttää aktiivisen Automaattianalyysipalvelut -mallin päätepisteen CU-kulutuksen.
| Toiminto | Operaation mittayksikkö | Kulutusaste |
|---|---|---|
| Mallin päätepiste | 1 mallin päätepiste (versio) sekunnissa solmua kohden | 5 CU-sekuntia |
Alla olevassa taulukossa on esimerkkiskenaarioita ja niitä vastaavia kulutusnopeuksia ja tuntikustannuksia.
| Skenaario | Description | Kulutusaste | Tuntikohtainen kustannus |
|---|---|---|---|
| Mallit, joissa on passiivisia päätepisteitä | Näissä malleissa ei ole aktiivisia versiopäätepisteitä eikä niihin liittyvää resurssien käyttöä. Niistä ei aiheudu lisäkustannuksia. | 0 CU-sekuntia | 0 CU-tunti |
| Mallit, joissa on aktiiviset mutta käyttämättömät päätepisteet | Näissä malleissa on yksi tai useampi aktiivisen version päätepiste, mutta ilman säännöllistä liikennettä kaikki ovat skaalautuneet nollaan, mikä vähentää kustannuksia automaattisesti. | 5 CU-sekuntia | 0.42 CU-tuntia |
| Mallit, joissa on 1 aktiivinen päätepiste ja jatkuva alhainen liikenne | Näissä malleissa on vain 1 aktiivinen version päätepiste, joka palvelee ennusteita, mutta ei tarpeeksi liikennettä täyden skaalauksen käynnistämiseksi. Yksi solmu voi palvella kaikkea liikennettä. Muut version päätepisteet voivat olla passiivisia tai käyttämättömiä. | 5 CU-sekuntia | 5 CU-tuntia |
| Mallit, joissa on 1 aktiivinen päätepiste ja jatkuva suuri liikenne | Näissä malleissa on vain 1 aktiivisen version päätepiste, joka palvelee ennusteita, ja liikennettä riittää käynnistämään täyden skaalauksen. Muut version päätepisteet voivat olla passiivisia tai käyttämättömiä. | 15 CU-sekuntia | 15 CU-tuntia |
| Mallit, joissa on 5 aktiivista päätepistettä ja jatkuva suuri liikenne | Näissä malleissa on 5 aktiivisen version päätepistettä (nykyinen raja), jotka palvelevat ennusteita, joista jokaisella on tarpeeksi liikennettä täyden skaalauksen käynnistämiseksi. | 75 CU-sekuntia | 75 CU-tuntia |
Fabric Capacity Metrics -sovellus näyttää mallin päätepisteoperaatioiden kokonaiskapasiteetin käytön nimellä "Model Endpoint". Lisäksi käyttäjät voivat tarkastella yhteenvetoa mallin päätepisteen käytön laskutusmaksuistaan laskutuskohdassa "ML Model Endpoint Capacity Usage CU".
Mallin päätepistetoiminto luokitellaan taustatoiminnoiksi.
Kulutusluvut voivat muuttua milloin tahansa. Microsoft käyttää kohtuullisia ponnistuksia ilmoittaakseen ilmoituksen sähköpostitse tai tuotteen sisäisen ilmoituksen kautta. Muutokset astuvat voimaan Microsoft Release Notesissa tai Microsoft Fabric Blogissa ilmoitettuna päivänä. Jos Fabric Consumption Rate -mallin päätepisteen muutos kasvattaa merkittävästi käytettävän kapasiteetin yksiköiden (CU) määrää, asiakkaat voivat käyttää valitun maksutavan peruutusvaihtoehtoja.
Liittyvä sisältö
- Hallitse ja kyselyjen päätepisteitä ohjelmallisesti koneoppimismallin päätepisteen REST-ohjelmointirajapinnan avulla.
- Kutsu mallin päätepisteitä Dataflow Gen2 :sta reaaliaikaista datan rikastamista varten.
- Luo eräennusteet
PREDICT-funktiolla Fabric muistikirjoissa. - Lue lisää mallin koulutuksesta ja kokeiluista Fabric-luvulla.
- Jäikö tarvitsemasi ominaisuus väliin? Ehdota sitä Fabric Ideas -foorumilla.