Créer un hub à l’aide du Kit de développement logiciel (SDK) Azure Machine Learning et de l’interface CLI

1. Installez les packages. (Si dans une cellule de bloc-notes, utilisez %pip install à la place.)

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

2. Fournissez les informations de votre abonnement :

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

3. Obtenez un descripteur pour l’abonnement. Tout le code Python de cet article utilise 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. (Facultatif) Si vous avez plusieurs comptes, ajoutez l’ID de locataire de l’instance Microsoft Entra ID que vous souhaitez utiliser dans le DefaultAzureCredential. Recherchez votre ID de locataire dans le portail Azure sous Microsoft Entra ID, External Identities.

   DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")
   

5. (Facultatif) Si vous travaillez dans les régions Azure Government – États-Unis ou Azure China 21Vianet, spécifiez la région dans laquelle vous voulez vous authentifier. Vous pouvez spécifier la région avec DefaultAzureCredential. L’exemple suivant s’authentifie auprès de la région Azure Government – États-Unis :

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

6. Vérifiez la connexion.

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

Si vous recevez une erreur d’authentification, vérifiez que vos informations d’identification Azure sont configurées (exécutez ou configurez az login vos informations d’identification via le Kit de développement logiciel (SDK) Azure Identity). Si vous recevez une erreur d’autorisation, vérifiez que vous avez le rôle Contributeur sur l’abonnement ou le groupe de ressources.

Références : MLClient, DefaultAzureCredential

1. Si l’extension Azure CLI et Machine Learning n’est pas installée, suivez les étapes décrites dans l’article Installer et configurer l’extension Machine Learning.

2. Pour vous authentifier auprès de votre abonnement Azure à partir d’Azure CLI, utilisez la commande suivante :

   az login
   

   Pour plus d’informations sur l’authentification, consultez Méthodes d’authentification.

3. Vérifiez votre authentification en répertoriant les hubs existants :

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

   Si la commande réussit et affiche les hubs existants, votre authentification est configurée correctement.

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}")

Ce code crée un nouveau hub avec le nom spécifié, l'emplacement, et le nom d'affichage. Azure provisionne automatiquement les ressources Azure Storage et Azure Key Vault associées.

Références : Hub, MLClient.workspaces.begin_create

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

Remplacez <your-resource-group> par le nom de votre groupe de ressources Azure et <your-hub-name> par un nom unique pour votre hub. Azure crée automatiquement des ressources de stockage et de coffre de clés associées.

Références : az ml workspace create

1. Incluez votre hub dans votre ml_client connexion :

   • Entrez les détails de votre abonnement. Pour <AML_WORKSPACE_NAME>, entrez le nom de votre hub :

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

   • Obtenez un descripteur pour le 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. Utilisez ml_client pour créer la connexion à vos outils Foundry. Vous pouvez trouver des points de terminaison dans le portail Azure sous Clés et points de terminaison de gestion des > ressources. Pour une ressource Foundry, utilisez le point de terminaison AI Services . Pour Azure AI Search, utilisez l’URL du point de terminaison.

   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}")
   

   Références : AzureAIServicesConnection, MLClient.connections

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

Vous pouvez utiliser une clé API ou une authentification Azure Entra ID (AAD). Créez un fichier de configuration YAML nommé connection.yml:

Exemple de clé 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>

Exemple d'AAD (sans identifiant) :

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>

Pour plus d’informations sur le schéma, consultez le schéma YAML de connexion Azure AI Services.

Références : 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}")

Pour rechercher des ID de ressource pour les ressources existantes, accédez au portail Azure, accédez à la page Vue d’ensemble de la ressource, puis sélectionnez l’affichage JSON. L’ID de ressource apparaît dans le champ ID . Vous pouvez également utiliser 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"

Références : 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>

Remplacez les espaces réservés entre crochets par vos propres valeurs. Pour rechercher des ID de ressource, utilisez :

# 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"

Références : 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}")

Ce script met à jour un hub existant avec les ressources Application Insights et Container Registry spécifiées. Le update_dependent_resources=True paramètre confirme la mise à jour.

Référence : Hub, MLClient.workspaces.begin_update()

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

Cette commande met à jour le hub nommé « myexamplehub » avec la ressource Application Insights spécifiée. L’indicateur -u accorde le consentement pour mettre à jour les ressources dépendantes.

Référence : az ml workspace update