Autenticare client per gli endpoint online

az login
az ml online-endpoint list --resource-group <RESOURCE_GROUP> --workspace-name <WORKSPACE_NAME>

Output previsto: matrice JSON di endpoint (vuota [] se non esistono ancora endpoint).

Riferimento: az ml online-endpoint list

from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"
workspace = "<WORKSPACE_NAME>"

ml_client = MLClient(
    DefaultAzureCredential(), subscription_id, resource_group, workspace
)

# List existing endpoints to verify access
endpoints = ml_client.online_endpoints.list()
print("Existing endpoints:", [ep.name for ep in endpoints])

Output previsto: elenco di nomi di endpoint (elenco [] vuoto se non esistono ancora endpoint).

Riferimento: MLClient, DefaultAzureCredential

# First, get a token
export CONTROL_PLANE_TOKEN=$(az account get-access-token \
    --resource https://management.azure.com \
    --query accessToken -o tsv)

# List endpoints
curl -s -X GET \
    "https://management.azure.com/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.MachineLearningServices/workspaces/<WORKSPACE_NAME>/onlineEndpoints?api-version=2024-04-01" \
    -H "Authorization: Bearer $CONTROL_PLANE_TOKEN" \
    -H "Content-Type: application/json"

Output previsto: risposta JSON con un array value contenente endpoint.

Accedi a Azure Machine Learning studio e vai su Endpoints>Real-time endpoints per verificare l'accesso.

1. Accedere ad Azure.

   az login
   

2. Se si vuole usare un'identità specifica, usare il codice seguente per accedere con l'identità:

   az login --identity --username <identityID>
   

3. Usare questo contesto per ottenere il token:

   export CONTROL_PLANE_TOKEN=$(az account get-access-token \
       --resource https://management.azure.com \
       --query accessToken -o tsv)
   

Riferimento: az login, az account get-access-token

from azure.identity import DefaultAzureCredential, InteractiveBrowserCredential

try:
    credential = DefaultAzureCredential()
    # Check whether given credential can get token.
    access_token = credential.get_token("https://management.azure.com/.default")
    print(access_token)
except Exception as ex:
    # Fall back to InteractiveBrowserCredential in case DefaultAzureCredential doesn't work.
    # This will open a browser page. 
    credential = InteractiveBrowserCredential()

Riferimento: DefaultAzureCredential, InteractiveBrowserCredential

Per altre informazioni, vedere Ottenere un token usando la libreria client di Identità di Azure.

Da una macchina virtuale di Azure

È possibile ottenere il token in base all'identità gestita per una macchina virtuale di Azure (quando la macchina virtuale abilita un'identità gestita).

• Per ottenere il token di Microsoft Entra (aad_token) per l'operazione del piano di controllo nella macchina virtuale di Azure, inviare la richiesta all'endpoint del servizio metadati dell'istanza di Azure (IMDS) per l'endpoint della risorsa di Azure management.azure.com:

  export CONTROL_PLANE_TOKEN=$(curl -s \
      'http://169.254.169.254/metadata/identity/oauth2/token?api-version=2018-02-01&resource=https%3A%2F%2Fmanagement.azure.com%2F' \
      -H Metadata:true | jq -r '.access_token')
  

  Suggerimento

  L'utilità jq viene usata per estrarre il token dall'output JSON. Tuttavia, è possibile usare qualsiasi strumento adatto a questo scopo.

  Per altre informazioni sul recupero di token in base alle identità gestite, vedere Ottenere un token tramite HTTP.

Da un'istanza di ambiente di calcolo

È possibile ottenere il token se si usa l'istanza di ambiente di calcolo dell'area di lavoro di Azure Machine Learning. Per ottenere il token, è necessario passare l'ID client e il segreto dell'identità gestita dell'istanza di calcolo all'endpoint identità del sistema gestito configurato localmente nell'istanza di calcolo. È possibile ottenere l'endpoint MSI, l'ID client e il segreto rispettivamente dalle variabili di ambiente MSI_ENDPOINT, DEFAULT_IDENTITY_CLIENT_ID e MSI_SECRET. Queste variabili vengono impostate automaticamente se si abilita l'identità gestita per l'istanza di ambiente di calcolo.

• Ottenere il token per l'endpoint della risorsa di Azure management.azure.com dall'istanza di ambiente di calcolo dell'area di lavoro:

  export CONTROL_PLANE_TOKEN=$(curl -s \
      "${MSI_ENDPOINT}?api-version=2018-02-01&resource=https%3A%2F%2Fmanagement.azure.com%2F&clientid=${DEFAULT_IDENTITY_CLIENT_ID}" \
      -H Metadata:true \
      -H "Secret:$MSI_SECRET" | jq -r '.access_token')
  

Studio non espone il token di Microsoft Entra per le operazioni del piano di controllo.

L'interfaccia della riga di comando non richiede di fornire esplicitamente il token del piano di controllo. Al contrario, il comando dell'interfaccia a riga di comando az login autentica l'utente durante l'accesso e il token viene recuperato e passato automaticamente.

1. Creare un file YAML di definizione dell'endpoint denominato endpoint.yml:

   $schema: https://azuremlschemas.azureedge.net/latest/managedOnlineEndpoint.schema.json
   name: my-endpoint
   auth_mode: aad_token
   

   È possibile impostare auth_mode su key per l'autenticazione della chiave o aml_token per l'autenticazione del token di Azure Machine Learning. Questo esempio usa aad_token per l'autenticazione del token Microsoft Entra.

   Note

   La aad_token modalità di autenticazione è supportata solo per gli endpoint online gestiti. Per gli endpoint online Kubernetes, impostare auth_mode su key o aml_token.

2. Creare l'endpoint:

   az ml online-endpoint create -f endpoint.yml
   

3. Controllare lo stato dell'endpoint:

   az ml online-endpoint show -n my-endpoint
   

4. Se si vuole eseguire l'override del valore di auth_mode (ad esempio sostituendolo con aad_token) durante la creazione di un endpoint, eseguire il codice seguente:

   az ml online-endpoint create -n my-endpoint --auth-mode aad_token
   

5. Se si vuole aggiornare l'endpoint esistente e specificare auth_mode (ad esempio, come aad_token), eseguire il codice seguente:

   az ml online-endpoint update -n my-endpoint --set auth_mode=aad_token
   

Riferimento: az ml online-endpoint create, az ml online-endpoint show, az ml online-endpoint update

Python SDK di comando non richiede di fornire esplicitamente il token del piano di controllo. Al contrario, SDK MLClient esegue l'autenticazione durante l'accesso e il token viene recuperato e passato automaticamente.

from azure.ai.ml import MLClient
from azure.ai.ml.entities import (
    ManagedOnlineEndpoint,
    ManagedOnlineDeployment,
    Model,
    Environment,
    CodeConfiguration,
)
from azure.identity import DefaultAzureCredential

subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"
workspace = "<WORKSPACE_NAME>"

ml_client = MLClient(
    DefaultAzureCredential(), subscription_id, resource_group, workspace
)

endpoint = ManagedOnlineEndpoint(
    name="my-endpoint",
    description="this is a sample online endpoint",
    auth_mode="aad_token",
    tags={"foo": "bar"},
)
ml_client.online_endpoints.begin_create_or_update(endpoint).result()

È possibile sostituire auth_mode con per key l'autenticazione della chiave o con aml_token per l'autenticazione del token di Azure Machine Learning. L'esempio usa aad_token per l'autenticazione del token Microsoft Entra.

Riferimento: MLClient, ManagedOnlineEndpoint, begin_create_or_update

La chiamata all'API REST richiede di fornire esplicitamente il token del piano di controllo. Usare il token del piano di controllo recuperato in precedenza.

1. Creare o aggiornare un endpoint:

   export SUBSCRIPTION_ID=<SUBSCRIPTION_ID>
   export RESOURCE_GROUP=<RESOURCE_GROUP>
   export WORKSPACE=<WORKSPACE_NAME>
   export ENDPOINT_NAME=<ENDPOINT_NAME>
   export LOCATION=<LOCATION_NAME>
   export API_VERSION=2024-04-01
   
   response=$(curl --location --request PUT \
       "https://management.azure.com/subscriptions/$SUBSCRIPTION_ID/resourceGroups/$RESOURCE_GROUP/providers/Microsoft.MachineLearningServices/workspaces/$WORKSPACE/onlineEndpoints/$ENDPOINT_NAME?api-version=$API_VERSION" \
       --header "Content-Type: application/json" \
       --header "Authorization: Bearer $CONTROL_PLANE_TOKEN" \
       --data-raw '{
           "identity": {
              "type": "systemAssigned"
           },
           "properties": {
               "authMode": "AADToken"
           },
           "location": "'"$LOCATION"'"
       }')
   
   echo $response
   

   È possibile sostituire authMode con per key l'autenticazione della chiave o con AMLToken per l'autenticazione del token di Azure Machine Learning. In questo esempio si usa AADToken per l'autenticazione del token Microsoft Entra.

   Note

   La AADToken modalità di autenticazione è supportata solo per gli endpoint online gestiti. Per gli endpoint online di Kubernetes, impostare authMode su key o AMLToken.

2. Ottenere lo stato corrente dell'endpoint online:

   response=$(curl --location --request GET \
       "https://management.azure.com/subscriptions/$SUBSCRIPTION_ID/resourceGroups/$RESOURCE_GROUP/providers/Microsoft.MachineLearningServices/workspaces/$WORKSPACE/onlineEndpoints/$ENDPOINT_NAME?api-version=$API_VERSION" \
       --header "Content-Type: application/json" \
       --header "Authorization: Bearer $CONTROL_PLANE_TOKEN")
   
   echo $response
   

Riferimento: Endpoint online - Creare o aggiornare, Endpoint online - Ottenere

Lo studio non richiede di fornire in modo esplicito il token del piano di controllo perché lo studio esegue l'autenticazione durante l'accesso e il token viene recuperato e passato automaticamente.

Per altre informazioni sulla distribuzione di endpoint online, vedere Distribuire un modello di Machine Learning con un endpoint online (tramite lo studio).

Il codice seguente è un esempio di come creare una distribuzione. Per altre informazioni sulla distribuzione di endpoint online, vedere Distribuire un modello di Machine Learning con un endpoint online (tramite l'interfaccia della riga di comando).

1. Creare un file YAML di definizione della distribuzione denominato blue-deployment.yml:

   $schema: https://azuremlschemas.azureedge.net/latest/managedOnlineDeployment.schema.json
   name: blue
   endpoint_name: my-aad-auth-endp1
   model:
     path: ../../model-1/model/
   code_configuration:
     code: ../../model-1/onlinescoring/
     scoring_script: score.py
   environment: 
     conda_file: ../../model-1/environment/conda.yml
     image: mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu22.04:latest
   instance_type: Standard_DS3_v2
   instance_count: 1
   

2. Creare la distribuzione usando il file YAML. Per questo esempio, impostare tutto il traffico sulla nuova distribuzione.

   az ml online-deployment create -f blue-deployment.yml --all-traffic
   

Riferimento: az ml online-deployment create

Per altre informazioni sulla distribuzione di endpoint online, vedere Distribuire un modello di Machine Learning con un endpoint online (tramite SDK).

Per altre informazioni sulla distribuzione di endpoint online tramite REST, vedere Usare REST per distribuire un modello come endpoint online.

Per altre informazioni sulla distribuzione di endpoint online, vedere Distribuire un modello di Machine Learning con un endpoint online (tramite lo studio).

Se si usa az ml online-endpoint invoke per chiamare l'endpoint, l'interfaccia della riga di comando risolve automaticamente l'URI di assegnazione dei punteggi, quindi non è necessario recuperarlo manualmente.

Tuttavia, se è necessario l'URI di assegnazione dei punteggi per l'uso con altri strumenti ,ad esempio l'API REST o i client HTTP personalizzati, è possibile recuperarlo con il comando seguente:

scoringUri=$(az ml online-endpoint show -n my-endpoint --query "scoring_uri")

Riferimento: az ml online-endpoint show

Se si prevede di usare Python SDK per richiamare l'endpoint, non è necessario ottenere l'URI di assegnazione dei punteggi in modo esplicito perché l'SDK lo fornisce automaticamente. Tuttavia, è comunque possibile usare l'SDK per ottenere l'URI di assegnazione dei punteggi in modo da poterlo usare con altri canali, ad esempio l'API REST.

scoring_uri = ml_client.online_endpoints.get(name=endpoint_name).scoring_uri

Riferimento: OnlineEndpointOperations.get

export SUBSCRIPTION_ID=<SUBSCRIPTION_ID>
export RESOURCE_GROUP=<RESOURCE_GROUP>
export WORKSPACE=<WORKSPACE_NAME>
export ENDPOINT_NAME=<ENDPOINT_NAME>
export API_VERSION=2024-04-01

response=$(curl --location --request GET \
    "https://management.azure.com/subscriptions/$SUBSCRIPTION_ID/resourceGroups/$RESOURCE_GROUP/providers/Microsoft.MachineLearningServices/workspaces/$WORKSPACE/onlineEndpoints/$ENDPOINT_NAME?api-version=$API_VERSION" \
    --header "Content-Type: application/json" \
    --header "Authorization: Bearer $CONTROL_PLANE_TOKEN")

scoringUri=$(echo $response | jq -r '.properties.scoringUri')

echo $response
echo $scoringUri

Se si prevede di usare lo studio per richiamare l'endpoint, non è necessario ottenere l'URI di assegnazione dei punteggi in modo esplicito perché lo studio lo fornisce automaticamente. Tuttavia, è comunque possibile usare lo studio per ottenere l'URI di assegnazione dei punteggi in modo da poterlo usare con altri canali, ad esempio l'API REST.

È possibile trovare l'URI di assegnazione del punteggio nella scheda Dettagli della pagina dell'endpoint.

Se si prevede di usare l'interfaccia della riga di comando per richiamare l'endpoint, non è necessario ottenere le chiavi o il token per le operazioni del piano dati in modo esplicito perché l'interfaccia della riga di comando lo fornisce automaticamente. Tuttavia, è comunque possibile usare l'interfaccia della riga di comando per ottenere le chiavi o il token per le operazioni del piano dati in modo che sia possibile usarlo con altri canali, ad esempio l'API REST.

Per ottenere le chiavi o il token per le operazioni del piano dati, usare il comando az ml online-endpoint get-credentials. Questo comando restituisce l'output JSON che contiene chiavi, token e/o informazioni aggiuntive.

Quando l'oggetto auth_mode dell'endpoint è key

• Le chiavi vengono restituite nei campi primaryKey e secondaryKey.

  export DATA_PLANE_TOKEN=$(az ml online-endpoint get-credentials -n $ENDPOINT_NAME -g $RESOURCE_GROUP -w $WORKSPACE_NAME -o tsv --query primaryKey)
  export DATA_PLANE_TOKEN2=$(az ml online-endpoint get-credentials -n $ENDPOINT_NAME -g $RESOURCE_GROUP -w $WORKSPACE_NAME -o tsv --query secondaryKey)
  

Quando l'oggetto auth_mode dell'endpoint è aml_token

• Il token viene restituito nel accessToken campo .

• L'ora di scadenza del expiryTimeUtc token viene restituita nel campo .

• L'ora di aggiornamento del token viene restituita nel campo refreshAfterTimeUtc.

  export DATA_PLANE_TOKEN=$(az ml online-endpoint get-credentials -n $ENDPOINT_NAME -g $RESOURCE_GROUP -w $WORKSPACE_NAME -o tsv --query accessToken)
  export EXPIRY_TIME_UTC=$(az ml online-endpoint get-credentials -n $ENDPOINT_NAME -g $RESOURCE_GROUP -w $WORKSPACE_NAME -o tsv --query expiryTimeUtc)
  export REFRESH_AFTER_TIME_UTC=$(az ml online-endpoint get-credentials -n $ENDPOINT_NAME -g $RESOURCE_GROUP -w $WORKSPACE_NAME -o tsv --query refreshAfterTimeUtc)
  

Quando l'oggetto auth_mode dell'endpoint è aad_token

• Il token viene restituito nel accessToken campo .

• L'ora di scadenza del expiryTimeUtc token viene restituita nel campo .

  export DATA_PLANE_TOKEN=$(az ml online-endpoint get-credentials -n $ENDPOINT_NAME -g $RESOURCE_GROUP -w $WORKSPACE_NAME -o tsv --query accessToken)
  export EXPIRY_TIME_UTC=$(az ml online-endpoint get-credentials -n $ENDPOINT_NAME -g $RESOURCE_GROUP -w $WORKSPACE_NAME -o tsv --query expiryTimeUtc)
  

Riferimento: az ml online-endpoint get-credentials

Se si usa il metodo dell'SDK invoke() per chiamare l'endpoint, l'SDK gestisce automaticamente l'autenticazione, quindi non è necessario recuperare manualmente chiavi o token.

Tuttavia, se è necessario recuperare chiavi o token da usare con altri strumenti ,ad esempio l'API REST o i client HTTP personalizzati, è possibile usare il metodo get_keys nella OnlineEndpointOperations classe . Questo metodo restituisce un oggetto che include chiavi e token.

Quando l'oggetto auth_mode dell'endpoint è key

• Le chiavi vengono restituite nei campi primary_key e secondary_key.

  DATA_PLANE_TOKEN = ml_client.online_endpoints.get_keys(name=endpoint_name).primary_key
  DATA_PLANE_TOKEN2 = ml_client.online_endpoints.get_keys(name=endpoint_name).secondary_key
  

Quando l'oggetto auth_mode dell'endpoint è aml_token

• Il token viene restituito nel access_token campo .

• L'ora di scadenza del expiry_time_utc token viene restituita nel campo .

• L'ora di aggiornamento del token viene restituita nel campo refresh_after_time_utc.

  DATA_PLANE_TOKEN = ml_client.online_endpoints.get_keys(name=endpoint_name).access_token
  EXPIRY_TIME_UTC = ml_client.online_endpoints.get_keys(name=endpoint_name).expiry_time_utc
  REFRESH_AFTER_TIME_UTC = ml_client.online_endpoints.get_keys(name=endpoint_name).refresh_after_time_utc
  

Quando l'oggetto auth_mode dell'endpoint è aad_token

• Il token viene restituito nel access_token campo .

• L'ora di scadenza del expiry_time_utc token viene restituita nel campo .

  DATA_PLANE_TOKEN = ml_client.online_endpoints.get_keys(name=endpoint_name).access_token
  EXPIRY_TIME_UTC = ml_client.online_endpoints.get_keys(name=endpoint_name).expiry_time_utc
  

Riferimento: OnlineEndpointOperations.get_keys

Per altre informazioni, vedere Ottenere un token usando la libreria client di identità di Azure.

Per ottenere le chiavi o il token per le operazioni del piano dati, scegliere l'API corretta, a seconda del valore auth_mode dell'endpoint. L'API restituisce l'output JSON che include le chiavi e il token.

Quando l'oggetto auth_mode dell'endpoint è key

• Usare l'API listkeys.

• Le chiavi vengono restituite nei campi primaryKey e secondaryKey.

  response=$(curl -H "Content-Length: 0" --location --request POST \
       "https://management.azure.com/subscriptions/$SUBSCRIPTION_ID/resourceGroups/$RESOURCE_GROUP/providers/Microsoft.MachineLearningServices/workspaces/$WORKSPACE/onlineEndpoints/$ENDPOINT_NAME/listkeys?api-version=$API_VERSION" \
       --header "Authorization: Bearer $CONTROL_PLANE_TOKEN")
  
  export DATA_PLANE_TOKEN=$(echo $response | jq -r '.primaryKey')
  

Quando l'oggetto auth_mode dell'endpoint è aml_token

• Usare l'API token.

• Il token viene restituito nel accessToken campo .

• L'ora di scadenza del expiryTimeUtc token viene restituita nel campo .

• L'ora di aggiornamento del token viene restituita nel campo refreshAfterTimeUtc.

  response=$(curl -H "Content-Length: 0" --location --request POST \
       "https://management.azure.com/subscriptions/$SUBSCRIPTION_ID/resourceGroups/$RESOURCE_GROUP/providers/Microsoft.MachineLearningServices/workspaces/$WORKSPACE/onlineEndpoints/$ENDPOINT_NAME/token?api-version=$API_VERSION" \
       --header "Authorization: Bearer $CONTROL_PLANE_TOKEN")
  
  export DATA_PLANE_TOKEN=$(echo $response | jq -r '.accessToken')
  export EXPIRY_TIME_UTC=$(echo $response | jq -r '.expiryTimeUtc')
  export REFRESH_AFTER_TIME_UTC=$(echo $response | jq -r '.refreshAfterTimeUtc')
  

Quando l'oggetto auth_mode dell'endpoint è aad_token

• Usare l'endpoint IMDS o l'endpoint MSI, a seconda della posizione in cui si richiede il token.
• Il token viene restituito nel accessToken campo .
• L'ora di scadenza del expiryTimeUtc token viene restituita nel campo .

Da una macchina virtuale di Azure

È possibile ottenere il token in base alle identità gestite per una macchina virtuale di Azure (quando la macchina virtuale abilita un'identità gestita).

• Per ottenere il token Microsoft Entra (aad_token) per l'operazione del piano dati nella macchina virtuale di Azure con identità gestita, inviare la richiesta all'endpoint IMDS per l'endpoint ml.azure.comdella risorsa di Azure:

  export DATA_PLANE_TOKEN=$(curl -s \
      'http://169.254.169.254/metadata/identity/oauth2/token?api-version=2018-02-01&resource=https%3A%2F%2Fml.azure.com%2F' \
      -H Metadata:true | jq -r '.access_token')
  export EXPIRY_TIME_UTC=$(curl -s \
      'http://169.254.169.254/metadata/identity/oauth2/token?api-version=2018-02-01&resource=https%3A%2F%2Fml.azure.com%2F' \
      -H Metadata:true | jq -r '.expiryTimeUtc')
  

  Per altre informazioni sul recupero di token in base alle identità gestite, vedere Ottenere un token tramite HTTP.

Da un'istanza di ambiente di calcolo

È possibile ottenere il token se si usa l'istanza di ambiente di calcolo dell'area di lavoro di Azure Machine Learning. Per ottenere il token, è necessario passare l'ID client e il segreto dell'identità gestita dell'istanza di calcolo all'endpoint MSI configurato localmente nell'istanza di calcolo. È possibile ottenere l'endpoint MSI, l'ID client e il segreto rispettivamente dalle variabili di ambiente MSI_ENDPOINT, DEFAULT_IDENTITY_CLIENT_ID e MSI_SECRET. Queste variabili vengono impostate automaticamente se si abilita l'identità gestita per l'istanza di ambiente di calcolo.

• Ottenere il token per l'endpoint della risorsa di Azure ml.azure.com dall'istanza di ambiente di calcolo dell'area di lavoro:

  export DATA_PLANE_TOKEN=$(curl -s \
      "${MSI_ENDPOINT}?api-version=2018-02-01&resource=https%3A%2F%2Fml.azure.com%2F&clientid=${DEFAULT_IDENTITY_CLIENT_ID}" \
      -H Metadata:true \
      -H "Secret:$MSI_SECRET" | jq -r '.access_token')
  export EXPIRY_TIME_UTC=$(curl -s \
      "${MSI_ENDPOINT}?api-version=2018-02-01&resource=https%3A%2F%2Fml.azure.com%2F&clientid=${DEFAULT_IDENTITY_CLIENT_ID}" \
      -H Metadata:true \
      -H "Secret:$MSI_SECRET" | jq -r '.expiryTimeUtc')
  

È possibile trovare la chiave, il token di Azure Machine Learning o il token Microsoft Entra nella scheda Utilizzo della pagina della distribuzione.

È possibile usare az ml online-endpoint invoke per gli endpoint con una chiave, un token di Azure Machine Learning o un token Microsoft Entra. L'interfaccia della riga di comando fornisce automaticamente la chiave o il token, quindi non è necessario passarlo in modo esplicito.

az ml online-endpoint invoke -n my-endpoint -r request.json

Riferimento: az ml online-endpoint invoke

Azure Machine Learning SDK ml_client.online_endpoints.invoke() è supportato per chiavi, token di Azure Machine Learning e token di Microsoft Entra. È anche possibile usare un SDK Python generico per inviare la richiesta POST all'URI di assegnazione dei punteggi.

Quando chiami l'endpoint online per la valutazione, passa la chiave o il token nel header di autorizzazione. Il codice seguente illustra come chiamare l'endpoint online usando una chiave o un token. Nel codice sostituire la variabile api_key con la chiave o il token.

import urllib.request
import json
import os

data = {"data": [
    [1,2,3,4,5,6,7,8,9,10], 
    [10,9,8,7,6,5,4,3,2,1]
]}

body = str.encode(json.dumps(data))

url = '<scoring URI as retrieved earlier>'
api_key = '<key or token as retrieved earlier>'
headers = {'Content-Type':'application/json', 'Authorization':('Bearer '+ api_key)}

req = urllib.request.Request(url, body, headers)

try:
    response = urllib.request.urlopen(req)

    result = response.read()
    print(result)
except urllib.error.HTTPError as error:
    print("The request failed with status code: " + str(error.code))

    # Print the headers - useful for debugging
    print(error.info())
    print(error.read().decode("utf8", 'ignore'))

In alternativa, usare il metodo dell'SDK invoke() :

ml_client.online_endpoints.invoke(
    endpoint_name="my-endpoint",
    request_file="./sample-request.json"
)

Riferimento: OnlineEndpointOperations.invoke

Quando si richiama l'endpoint online per l'assegnazione dei punteggi, passare la chiave, il token di Azure Machine Learning o il token di Microsoft Entra nell'intestazione dell'autorizzazione. L'esempio seguente usa l'utilità cURL per chiamare l'endpoint online:

curl --request POST "$scoringUri" \
    --header "Authorization: Bearer $DATA_PLANE_TOKEN" \
    --header 'Content-Type: application/json' \
    --data @endpoints/online/model-1/sample-request.json

Chiave o token di Azure Machine Learning

La scheda Test della pagina dei dettagli della distribuzione supporta l'assegnazione dei punteggi per gli endpoint con chiave, token di Azure Machine Learning o autenticazione del token Microsoft Entra.