Crie um hub usando o Azure Machine Learning SDK e CLI

1. Instale pacotes. (Se estiver numa célula de um bloco de notas, use %pip install em vez disso.)

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

2. Forneça os detalhes da sua subscrição:

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

3. Obtenha um identificador para a assinatura. Todo o código Python neste artigo 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. (Opcional) Se tiveres várias contas, adiciona a ID do tenant da Microsoft Entra ID que desejas usar no DefaultAzureCredential. Encontre sua ID de locatário no portal do Azure em Microsoft Entra ID, Identidades Externas.

   DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")
   

5. (Opcional) Se estiver a trabalhar nas regiões Azure Government - US ou Azure China 21Vianet , especifique a região na qual pretende autenticar. Você pode especificar a região com DefaultAzureCredential. O exemplo a seguir autentica-se na região Azure Government nos EUA:

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

6. Verifique a ligação.

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

Se receber um erro de autenticação, certifique-se de que as suas credenciais Azure estão configuradas (execute az login ou configure as suas credenciais através do Azure Identity SDK). Se receber um erro de permissão, verifique se tem o papel de Contribuidor na subscrição ou grupo de recursos.

Referências: MLClient, DefaultAzureCredential

1. Se você não tiver a CLI do Azure e a extensão de aprendizado de máquina instaladas, siga as etapas no artigo Instalar e configurar a extensão de aprendizado de máquina.

2. Para autenticar na sua subscrição do Azure a partir da CLI do Azure, utilize o seguinte comando:

   az login
   

   Para obter mais informações sobre autenticação, consulte Métodos de autenticação.

3. Verifique a sua autenticação listando os hubs existentes:

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

   Se o comando for bem-sucedido e mostrar os hubs existentes, a sua autenticação está configurada corretamente.

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}")

Este código cria um novo hub com o nome, localização e nome de exibição especificados. O Azure fornece automaticamente os recursos associados Azure Storage e Azure Key Vault.

Referências: Hub, MLClient.workspaces.begin_create

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

Substitui <your-resource-group> pelo nome do teu grupo de recursos Azure e <your-hub-name> por um nome único para o teu hub. Azure cria automaticamente o armazenamento associado e os recursos Key Vault.

Referências: az ml workspace create

1. Inclua o seu hub na sua ml_client ligação:

   • Insira os dados da sua subscrição. Para <AML_WORKSPACE_NAME>, introduza o nome do seu hub:

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

   • Pegue um identificador para o 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. Use ml_client para criar a ligação às suas ferramentas Foundry. Você pode encontrar pontos de extremidade no portal do Azure em >. Para um recurso do Foundry, utilize o endpoint dos Serviços de IA. Para Azure AI Search, use o URL do 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}")
   

   Referências: AzureAIServicesConnection, MLClient.connections

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

Pode usar uma chave API ou autenticação Azure Entra ID (AAD). Crie um ficheiro de configuração YAML chamado connection.yml:

Exemplo de chave 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>

Exemplo AAD (sem credenciais):

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>

Para informações detalhadas sobre o esquema, consulte o esquema YAML da ligação Azure AI Services.

Referências: 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}")

Para encontrar IDs de recursos existentes, visite o portal Azure, navegue até à página de Visão Geral do recurso e selecione visualização JSON. O ID do recurso aparece no campo id . Em alternativa, utilize a CLI do Azure:

# 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"

Referências: 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>

Substitua os marcadores angulares pelos seus próprios valores. Para encontrar IDs de recursos, utilize:

# 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"

Referências: 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}")

Este script atualiza um hub existente com os recursos especificados de Application Insights e Container Register. O update_dependent_resources=True parâmetro confirma a atualização.

Referência: Hub, MLClient.workspaces.begin_update()

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

Este comando atualiza o hub chamado "myexamplehub" com o recurso Application Insights especificado. A bandeira -u concede consentimento para atualizar os recursos dependentes.

Referência: az ml workspace update