Implantar um modelo em um ponto de extremidade online gerenciado

Para consumir um modelo em um aplicativo e obter previsões em tempo real, convém implantar o modelo em um ponto de extremidade online gerenciado. Um modelo MLflow é facilmente implantado, pois você não precisará definir o ambiente ou criar o script de pontuação.

Neste exercício, você implantará um modelo MLflow em um ponto de extremidade online gerenciado e o testará em dados de exemplo.

Antes de começar

É necessário ter uma assinatura do Azure com acesso de nível administrativo.

Provisionar um workspace do Azure Machine Learning

Um workspace do Azure Machine Learning fornece um local central para gerenciar todos os recursos e ativos necessários para treinar e gerenciar seus modelos. Você pode interagir com o workspace do Azure Machine Learning por meio do estúdio, do SDK do Python e da CLI do Azure.

Você usará a CLI do Azure para provisionar o espaço de trabalho e a computação necessária e usará o SDK do Python para executar um trabalho de comando.

Criar o workspace e os recursos de computação

Par criar o workspace do Azure Machine Learning, uma instância de computação e um cluster de computação, você usará a CLI do Azure. Todos os comandos necessários são agrupados em um script do Shell para você executar.

Na guia do navegador, abra o portal do Azure em https://portal.azure.com/ e entre com sua conta Microsoft.
Selecione o botão [>_] (Cloud Shell) na parte superior da página à direita da caixa de pesquisa. Isso abre um painel do Cloud Shell na parte inferior do Portal.
Selecione Bash se solicitado. Na primeira vez que abrir o Cloud Shell, será solicitado que você escolha o tipo de shell que quer usar (Bash ou PowerShell).
Verifique se a assinatura correta está especificada e se Nenhuma conta de armazenamento necessária está selecionada. Escolha Aplicar.
No terminal, execute os seguintes comandos para clonar este repositório:
```
 rm -r azure-ml-labs -f
 git clone https://github.com/MicrosoftLearning/mslearn-azure-ml.git azure-ml-labs
```
Use SHIFT + INSERT para colar o código copiado no Cloud Shell.
Depois que o repositório tiver sido clonado, digite os seguintes comandos para alterar para a pasta deste laboratório e execute o script setup.sh que ele contém:
```
 cd azure-ml-labs/Labs/11
 ./setup.sh
```
Ignore todas as mensagens de (erro) que dizem que as extensões não foram instaladas.
Aguarde a conclusão do script - isso normalmente leva cerca de 5 a 10 minutos.

Clonar os materiais de laboratório

Depois de criar o workspace e os recursos de computação necessários, você pode abrir o estúdio do Azure Machine Learning e clonar os materiais de laboratório no workspace.

No portal do Azure, navegue até o workspace do Azure Machine Learning chamado mlw-dp100-….
Selecione o workspace do Azure Machine Learning e, em sua página Visão geral, selecione Iniciar estúdio. Outra guia será aberta em seu navegador para abrir o estúdio do Azure Machine Learning.
Feche todos os pop-ups que aparecem no estúdio.
No estúdio do Azure Machine Learning, navegue até a página Computação e verifique se a instância de computação e o cluster criados na seção anterior existem. A instância de computação deve estar em execução, o cluster deve estar ocioso e ter 0 nós em execução.
Na guia Instâncias de computação, localize sua instância de computação e selecione o aplicativo Terminal.
No terminal, instale o SDK do Python na instância de computação executando os seguintes comandos no terminal:
```
 pip uninstall azure-ai-ml
 pip install azure-ai-ml
```
Ignore todas as mensagens (de erro) que dizem que os pacotes não puderam ser encontrados e desinstalados.
Execute o seguinte comando para clonar um repositório Git contendo um notebook, dados e outros arquivos para o seu workspace:
```
 git clone https://github.com/MicrosoftLearning/mslearn-azure-ml.git azure-ml-labs
```
Quando o comando for concluído, no painel Arquivos, clique em ↻ para atualizar a exibição e verificar se uma nova pasta Users/your-user-name/azure-ml-labs foi criada.

Implantar um modelo em um ponto de extremidade online

O código para criar o ponto de extremidade e implantar um modelo do MLflow com o SDK do Python é fornecido em um notebook.

Abra o notebook Labs/11/Deploy to online endpoint.ipynb.

Selecione Autenticar e siga as etapas necessárias se aparecer uma notificação solicitando que você se autentique.
Verifique se o notebook usa o kernel Python 3.8 - AzureML.
Execute todas as células no notebook.

Excluir recursos do Azure

Se você terminou de explorar o Azure Machine Learning, exclua os recursos que criou para evitar custos desnecessários do Azure.

Feche a guia do estúdio do Azure Machine Learning e retorne ao portal do Azure.
No portal do Azure, na Página Inicial, selecione Grupos de recursos.
Selecione o grupo de recursos rg-dp100-….
Na parte superior da página de Visão Geral do grupo de recursos, selecione Excluir o grupo de recursos.
Digite o nome do grupo de recursos para confirmar que deseja excluí-lo e selecione Excluir.