Uwierzytelnianie klientów dla punktów końcowych online

1. Zaloguj się do Azure.

   az login
   

2. Jeśli chcesz użyć określonej tożsamości, użyj następującego kodu, aby zalogować się przy użyciu tożsamości:

   az login --identity --username <identityID>
   

3. Użyj tego kontekstu, aby uzyskać token:

   export CONTROL_PLANE_TOKEN=`(az account get-access-token --resource https://management.azure.com --query accessToken | tr -d '"')`
   

Z maszyny wirtualnej platformy Azure

Token można uzyskać na podstawie tożsamości zarządzanej dla maszyny wirtualnej platformy Azure (gdy maszyna wirtualna włącza tożsamość zarządzaną).

• Aby uzyskać token entra firmy Microsoft (aad_token) dla operacji płaszczyzny sterowania na maszynie wirtualnej platformy Azure, prześlij żądanie do punktu końcowego usługi Azure Instance Metadata Service (IMDS) dla punktu końcowego management.azure.comzasobu platformy Azure:

  export CONTROL_PLANE_TOKEN=`(curl '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 -s | jq -r '.access_token' )`
  

  Napiwek

  Narzędzie jq służy do wyodrębniania tokenu z danych wyjściowych JSON. Jednak w tym celu można użyć dowolnego odpowiedniego narzędzia.

  Aby uzyskać więcej informacji na temat uzyskiwania tokenów opartych na tożsamościach zarządzanych, zobacz Uzyskiwanie tokenu przy użyciu protokołu HTTP.

Z wystąpienia obliczeniowego

Token możesz uzyskać, jeśli używasz wystąpienia obliczeniowego obszaru roboczego usługi Azure Machine Learning. Aby uzyskać token, należy przekazać identyfikator klienta i tajny klucz do tożsamości zarządzanej wystąpienia obliczeniowego do lokalnie skonfigurowanego punktu końcowego tożsamości zarządzanego systemu (MSI) w wystąpieniu obliczeniowym. Punkt końcowy msi, identyfikator klienta i wpis tajny można pobrać odpowiednio ze zmiennych MSI_ENDPOINTśrodowiskowych , DEFAULT_IDENTITY_CLIENT_IDi MSI_SECRET. Te zmienne są ustawiane automatycznie, jeśli włączysz tożsamość zarządzaną dla wystąpienia obliczeniowego.

• Pobierz token punktu końcowego management.azure.com zasobu platformy Azure z wystąpienia obliczeniowego obszaru roboczego:

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

Aby uzyskać więcej informacji, zobacz Uzyskiwanie tokenu przy użyciu biblioteki klienta tożsamości platformy Azure .

Studio nie uwidacznia tokenu Microsoft Entra dla operacji płaszczyzny sterowania.

Interfejs wiersza polecenia nie wymaga jawnego podania tokenu płaszczyzny sterowania. Zamiast tego polecenie interfejsu wiersza polecenia az login uwierzytelnia użytkownika podczas logowania, a token jest automatycznie pobierany i przekazywany.

1. Utwórz plik YAML definicji punktu końcowego o nazwie endpoint.yml:

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

   Możesz ustawić auth_mode na key dla uwierzytelniania klucza lub aml_token dla uwierzytelniania tokenem Azure Machine Learning. W tym przykładzie użyto aad_token do uwierzytelniania tokenu Microsoft Entra.

2. Utwórz punkt końcowy:

   az ml online-endpoint create -f endpoint.yml
   

3. Sprawdź stan punktu końcowego:

   az ml online-endpoint show -n my-endpoint
   

4. Jeśli chcesz przesłonić auth_mode (na przykład do aad_token) podczas tworzenia punktu końcowego, uruchom następujący kod:

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

5. Jeśli chcesz zaktualizować istniejący punkt końcowy i określić auth_mode (na przykład jako aad_token), uruchom następujący kod:

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

Wywołanie interfejsu API REST wymaga jawnego podania tokenu płaszczyzny sterowania. Użyj pobranego wcześniej tokenu płaszczyzny sterowania.

1. Tworzenie lub aktualizowanie punktu końcowego:

   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=2023-04-01
   
   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
   

   Możesz zastąpić authMode ciągiem key na potrzeby uwierzytelniania klucza lub wartością AMLToken dla uwierzytelniania tokenu usługi Azure Machine Learning. W tym przykładzie używasz AADToken uwierzytelniania tokenu Entra firmy Microsoft.

2. Uzyskaj bieżący stan punktu końcowego 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
   

Zestaw SDK języka Python nie wymaga jawnego udostępnienia tokenu płaszczyzny sterowania. Zestaw SDK MLClient uwierzytelnia Cię podczas logowania, a token jest automatycznie pobierany i przekazywany.

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()

Możesz zastąpić auth_mode ciągiem key na potrzeby uwierzytelniania klucza lub wartością aml_token dla uwierzytelniania tokenu usługi Azure Machine Learning. W przykładzie użyto aad_token uwierzytelniania tokenu Entra firmy Microsoft.

Studio nie wymaga jawnego podania tokenu płaszczyzny sterowania, ponieważ studio uwierzytelnia Cię podczas logowania, a token jest automatycznie pobierany i przekazywany.

Aby uzyskać więcej informacji na temat wdrażania punktów końcowych online, zobacz Wdrażanie modelu uczenia maszynowego przy użyciu punktu końcowego online (za pośrednictwem programu Studio).

Poniższy kod to przykład tworzenia wdrożenia. Aby uzyskać więcej informacji na temat wdrażania punktów końcowych online, zobacz Wdrażanie modelu uczenia maszynowego przy użyciu punktu końcowego online (za pośrednictwem interfejsu wiersza polecenia).

1. Utwórz plik YAML definicji wdrożenia o nazwie 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-ubuntu20.04:latest
   instance_type: Standard_DS3_v2
   instance_count: 1
   

2. Utwórz wdrożenie przy użyciu pliku YAML. W tym przykładzie ustaw cały ruch na nowe wdrożenie.

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

Aby uzyskać więcej informacji na temat wdrażania punktów końcowych online przy użyciu interfejsu REST, zobacz Wdrażanie modelu jako punktu końcowego online przy użyciu interfejsu REST.

Aby uzyskać więcej informacji na temat wdrażania punktów końcowych online, zobacz Wdrażanie modelu uczenia maszynowego przy użyciu punktu końcowego online (za pośrednictwem zestawu SDK).

Aby uzyskać więcej informacji na temat wdrażania punktów końcowych online, zobacz Wdrażanie modelu uczenia maszynowego przy użyciu punktu końcowego online (za pośrednictwem programu Studio).

Jeśli używasz az ml online-endpoint invoke do wywołania punktu końcowego, CLI automatycznie rozwiązuje identyfikator URI oceniania, więc nie trzeba go pobierać ręcznie.

Jeśli jednak potrzebujesz identyfikatora URI oceniania do użycia z innymi narzędziami (takimi jak interfejs API REST lub niestandardowymi klientami HTTP), możesz pobrać go za pomocą następującego polecenia:

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

export SUBSCRIPTION_ID=<SUBSCRIPTION_ID>
export RESOURCE_GROUP=<RESOURCE_GROUP>
export WORKSPACE=<WORKSPACE_NAME>
export ENDPOINT_NAME=<ENDPOINT_NAME>
export API_VERSION=2023-04-01
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' | jq -r '.scoringUri')

echo $response
echo $scoringUri

Jeśli planujesz używać Python SDK do wywoływania punktu końcowego, nie musisz uzyskiwać URI punktu oceny, ponieważ SDK udostępnia go automatycznie. Jednak nadal możesz użyć zestawu SDK, aby uzyskać URI ocen, aby można było go używać z innymi kanałami, takimi jak API REST.

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

Jeśli planujesz wywołać punkt końcowy za pomocą Studio, nie musisz pobierać adresu URI do oceniania, ponieważ Studio udostępnia go dla Ciebie. Jednak nadal możesz użyć programu Studio, aby uzyskać identyfikator URI oceniania, aby można było go używać z innymi kanałami, takimi jak interfejs API REST.

Identyfikator URI oceniania można znaleźć na karcie Szczegóły na stronie punktu końcowego.

Jeśli planujesz wywołać punkt końcowy przy użyciu interfejsu wiersza polecenia, nie musisz jawnie pobierać kluczy ani tokenu dla operacji płaszczyzny danych, ponieważ interfejs wiersza polecenia udostępnia go za Ciebie. Jednak nadal możesz użyć interfejsu wiersza polecenia, aby uzyskać klucze lub tokeny do operacji w płaszczyźnie danych, aby można było je używać z innymi kanałami, takimi jak interfejs API REST.

Aby uzyskać klucze lub token dla operacji płaszczyzny danych, użyj polecenia az ml online-endpoint get-credentials . To polecenie zwraca dane wyjściowe JSON zawierające klucze, token i/lub dodatkowe informacje.

auth_mode Gdy punkt końcowy jestkey

• Klucze są zwracane w polach primaryKey i 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)
  

auth_mode Gdy punkt końcowy jestaml_token

• Token jest zwracany w polu accessToken.

• Czas wygaśnięcia tokenu expiryTimeUtc jest zwracany w polu.

• Czas odświeżania tokenu refreshAfterTimeUtc jest zwracany w polu.

  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)
  

auth_mode Gdy punkt końcowy jestaad_token

• Token jest zwracany w polu accessToken.

• Czas wygaśnięcia tokenu expiryTimeUtc jest zwracany w polu.

  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)
  

Aby uzyskać klucze lub token dla operacji płaszczyzny danych, wybierz odpowiedni interfejs API w zależności od auth_mode punktu końcowego. Interfejs API zwraca dane wyjściowe JSON, które zawierają klucze i token.

auth_mode Gdy punkt końcowy jestkey

• Użyj interfejsu listkeys API.

• Klucze są zwracane w polach primaryKey i 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')
  

Kiedy auth_mode punktu końcowego to aml_token

• Użyj interfejsu token API.

• Token jest zwracany w polu accessToken.

• Czas wygaśnięcia tokenu expiryTimeUtc jest zwracany w polu.

• Czas odświeżania tokenu refreshAfterTimeUtc jest zwracany w polu.

  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')
  

auth_mode Gdy punkt końcowy jestaad_token

• Użyj punktu końcowego IMDS lub punktu końcowego MSI, w zależności od lokalizacji, z której wysyłasz żądanie tokenu.
• Token jest zwracany w polu accessToken.
• Czas wygaśnięcia tokenu expiryTimeUtc jest zwracany w polu.

Z maszyny wirtualnej platformy Azure

Token można uzyskać na podstawie zarządzanych tożsamości dla maszyn wirtualnych na platformie Azure (gdy maszyna wirtualna ma włączoną tożsamość zarządzaną).

• Aby uzyskać token Microsoft Entra (aad_token) dla operacji płaszczyzny danych na maszynie wirtualnej platformy Azure z tożsamością zarządzaną, wyślij żądanie do punktu końcowego IMDS dla punktu końcowego zasobu platformy Azure ml.azure.com.

  export DATA_PLANE_TOKEN=`(curl '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 -s | jq -r '.access_token' )`
  export EXPIRY_TIME_UTC=`(curl '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 -s | jq -r '.expiryTimeUtc' )`
  

  Aby uzyskać więcej informacji na temat uzyskiwania tokenów opartych na tożsamościach zarządzanych, zobacz Uzyskiwanie tokenu przy użyciu protokołu HTTP.

Z wystąpienia obliczeniowego

Token możesz uzyskać, jeśli używasz wystąpienia obliczeniowego obszaru roboczego usługi Azure Machine Learning. Aby uzyskać token, należy przekazać identyfikator klienta i tajny klucz tożsamości zarządzanej wystąpienia obliczeniowego do punktu końcowego MSI skonfigurowanego lokalnie w wystąpieniu obliczeniowym. Punkt końcowy msi, identyfikator klienta i wpis tajny można pobrać odpowiednio ze zmiennych MSI_ENDPOINTśrodowiskowych , DEFAULT_IDENTITY_CLIENT_IDi MSI_SECRET. Te zmienne są ustawiane automatycznie, jeśli włączysz tożsamość zarządzaną dla wystąpienia obliczeniowego.

• Pobierz token punktu końcowego ml.azure.com zasobu platformy Azure z wystąpienia obliczeniowego obszaru roboczego:

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

Jeśli używasz metody zestawu SDK do wywołania punktu końcowego, zestaw SDK invoke() automatycznie obsługuje uwierzytelnianie, więc nie trzeba ręcznie pobierać kluczy ani tokenów.

Jeśli jednak musisz pobrać klucze lub tokeny do użycia z innymi narzędziami (takimi jak interfejs API REST lub niestandardowymi klientami HTTP), możesz użyć metody get_keys w OnlineEndpointOperations klasie . Ta metoda zwraca obiekt zawierający klucze i token.

Gdy auth_mode punktu końcowego jest key

• Klucze są zwracane w polach primary_key i 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
  

auth_mode Gdy punkt końcowy jestaml_token

• Token jest zwracany w polu access_token.

• Czas wygaśnięcia tokenu expiry_time_utc jest zwracany w polu.

• Czas odświeżania tokenu refresh_after_time_utc jest zwracany w polu.

  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
  

Gdy auth_mode punktu końcowego jest aad_token

• Token jest zwracany w polu access_token.

• Czas wygaśnięcia tokenu expiry_time_utc jest zwracany w polu.

  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
  

Aby uzyskać więcej informacji, zobacz Uzyskiwanie tokenu przy użyciu biblioteki klienta tożsamości platformy Azure.

Klucz, token usługi Azure Machine Learning lub token usługi Microsoft Entra można znaleźć na karcie Korzystanie na stronie wdrożenia.

Możesz użyć dla az ml online-endpoint invoke punktów końcowych z kluczem, tokenem usługi Azure Machine Learning lub tokenem firmy Microsoft Entra. Interfejs wiersza polecenia automatycznie udostępnia klucz lub token, więc nie trzeba go jawnie przekazywać.

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

Podczas wywoływania punktu końcowego online do oceniania przekaż klucz, token usługi Azure Machine Learning lub token microsoft Entra w nagłówku autoryzacji. Poniższy kod pokazuje, jak używać narzędzia cURL do wywoływania punktu końcowego online przy użyciu klucza lub tokenu:

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

Zestaw SDK ml_client.online_endpoints.invoke() usługi Azure Machine Learning jest obsługiwany w przypadku kluczy, tokenów usługi Azure Machine Learning i tokenów usługi Microsoft Entra. Możesz również użyć ogólnego SDK dla Python, aby wysłać żądanie POST do URI skoringu.

Podczas wywoływania punktu końcowego online do oceniania przekaż klucz lub token w nagłówku autoryzacji. Poniższy kod pokazuje, jak wywołać punkt końcowy online przy użyciu klucza lub tokenu za pomocą ogólnego Python SDK. W kodzie zastąp zmienną api_key kluczem lub tokenem.

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. They include the request ID and the timestamp, which are useful for debugging the failure.
    print(error.info())
    print(error.read().decode("utf8", 'ignore'))

Klucz lub token usługi Azure Machine Learning

Karta Test na stronie szczegółów wdrożenia obsługuje ocenianie punktów końcowych przy użyciu klucza, tokenu usługi Azure Machine Learning lub uwierzytelniania tokenu entra firmy Microsoft.