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

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

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

2. Fornire i dettagli della sottoscrizione:

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

3. Ottenere un handle per la 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. Trovare l'ID tenant dal portale di Azure, in Microsoft Entra ID, Identità esterne.

   DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")
   

5. (Facoltativo) Se si lavora nelle aree Azure Government - 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 Government - 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 viene visualizzato un errore di autorizzazione, verificare di avere il ruolo Collaboratore nella sottoscrizione o nel gruppo di risorse.

Riferimenti: MLClient, DefaultAzureCredential

1. Se non è installata l'estensione Azure CLI e machine learning, seguire la procedura descritta nell'articolo Installare e configurare l'estensione machine learning.

2. Per eseguire l'autenticazione alla sottoscrizione Azure dal Azure CLI, 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 Azure Storage 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 le risorse di archiviazione e di gestore delle chiavi associate.

Riferimenti: az ml workspace create

1. Includi il tuo hub nella tua ml_client connessione.

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

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

   • Ottenere un handle per l’hub:

     # 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 in Azure portal in Gestione delle risorse > Chiavi ed endpoint. Per una risorsa di Fonderia, usare l'endpoint di 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 l'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 Azure AI Services schema YAML di connessione.

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 portal, passare alla pagina Panoramica e selezionare VisualizzazioneJSON. L'ID risorsa viene visualizzato nel campo ID . In alternativa, usare Azure CLI:

# 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 angolate con i propri 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