Creare un hub usando Azure Machine Learning SDK e l'interfaccia della riga di comando (versione classica)

1. Installare i pacchetti. Se in una cella del notebook, usare %pip install invece.

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

2. Specificare i dettagli della sottoscrizione:

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

3. Ottieni un riferimento alla sottoscrizione. Tutto il codice Python in questo articolo 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. (Facoltativo) Se si dispone di più account, aggiungere l'ID tenant del Microsoft Entra ID che si vuole usare nel DefaultAzureCredential. Individuate l'ID tenant nel portale Azure sotto Microsoft Entra ID, Identità esterne.

   DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")
   

5. (Facoltativo) Se si lavora nelle aree Azure per enti pubblici - US o Azure China (21Vianet), specificare l'area in cui si vuole eseguire l'autenticazione. È possibile specificare l'area con DefaultAzureCredential. L'esempio seguente esegue l'autenticazione nell'area Azure per enti pubblici - Stati Uniti:

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

6. Verificare la connessione.

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

Se viene visualizzato un errore di autenticazione, assicurarsi che le credenziali di Azure siano configurate (eseguire az login o configurare le credenziali tramite Azure Identity SDK). Se ricevi un errore di autorizzazione, assicurati di avere il ruolo di Collaboratore nella sottoscrizione o nel gruppo di risorse.

Riferimenti: MLClient, DefaultAzureCredential

1. Se non è installata l'estensione interfaccia della riga di comando di Azure e Machine Learning, seguire la procedura descritta nell'articolo Installare e configurare l'estensione di Machine Learning.

2. Per eseguire l'autenticazione alla sottoscrizione Azure dal interfaccia della riga di comando di Azure, usare il comando seguente:

   az login
   

   Per altre informazioni sull'autenticazione, vedere Metodi di autenticazione.

3. Verificare l'autenticazione elencando gli hub esistenti:

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

   Se il comando ha esito positivo e visualizza tutti gli hub esistenti, l'autenticazione viene configurata correttamente.

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}")

Questo codice crea un nuovo hub con il nome, la posizione e il nome visualizzato specificati. Azure effettua automaticamente il provisioning delle risorse Archiviazione di Azure e di Azure Key Vault associate.

Riferimenti: Hub, MLClient.workspaces.begin_create

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

Sostituire <your-resource-group> con il nome del gruppo di risorse Azure e <your-hub-name> con un nome univoco per l'hub. Azure crea automaticamente risorse di archiviazione e Key Vault associati.

Riferimenti: az ml workspace create

1. Includi il tuo hub nella connessione ml_client.

   • Immettere i dettagli della sottoscrizione. Per <AML_WORKSPACE_NAME>immettere il nome dell'hub:

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

   • Acquisire un identificatore per il nodo centrale:

     # 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. Usare ml_client per creare la connessione agli strumenti Foundry. Gli endpoint sono disponibili nel portale Azure in Gestione delle risorse > Chiavi ed endpoint. Per una risorsa Foundry, usare l'endpoint dei Servizi di Intelligenza Artificiale. Per Azure AI Search, usare l'URL per l'endpoint.

   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}")
   

   Riferimenti: AzureAIServicesConnection, MLClient.connections

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

È possibile usare una chiave API o un'autenticazione Azure Entra ID (AAD). Creare un file di configurazione YAML denominato connection.yml:

Esempio di chiave 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>

Esempio di AAD (senza credenziali):

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>

Per informazioni dettagliate sullo schema, vedere lo schema YAML della connessione Azure AI Services.

Riferimenti: 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}")

Per trovare gli ID risorsa per le risorse esistenti, visitare la pagina Azure portale, passare alla pagina Panoramica e selezionare JSON view. L'ID risorsa viene visualizzato nel campo ID . In alternativa, usare interfaccia della riga di comando di 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"

Riferimenti: 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>

Sostituisci i segnaposto tra parentesi angolari con i tuoi valori. Per trovare gli ID risorsa, usare:

# 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"

Riferimenti: 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}")

Questo script aggiorna un hub esistente con le risorse di Application Insights e Registro Container specificate. Il update_dependent_resources=True parametro conferma l'aggiornamento.

Riferimento: Hub, MLClient.workspaces.begin_update()

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

Questo comando aggiorna l'hub denominato "myexamplehub" con la risorsa di Application Insights specificata. Il -u flag concede il consenso per aggiornare le risorse dipendenti.

Riferimento: az ml workspace update