彩票走势图

许多组织使用机器学习模型来更好地洞察和预测他们的业务。在报告、仪表板和其他分析中可视化和调用来自这些模型的见解的能力，可以将这些见解传播给最需要它的业务用户。Power BI现在使用简单的点击手势就可以轻松地融合来自Azure机器学习服务上托管的模型的见解。

使用此功能，数据科学家只需使用Azure门户向BI分析师授予对Azure ML模型的访问权限即可。在每个会话的开始时，Power Query会发现用户可以访问的所有Azure ML模型，并将它们公开为dynamic Power Query函数。然后，用户可以通过从Power Query编辑器中的功能区访问这些函数，或直接调用M功能来调用这些函数。为实现更好的性能，当Power BI在为一组行调用Azure ML模型时还会自动批量处理访问请求，

目前，仅Power BI数据流以及Power BI服务中的在线Power Query支持此功能。

下载Power BI Desktop  下载Power BI Pro

向Power BI用户授予对Azure ML模型的访问权限

要从Power BI访问Azure ML模型，用户必须具有对Azure订阅的读取权限。此外：

• 对于Machine Learning Studio模型，请阅读Machine Learning Studio Web服务的访问权限

• 对于机器学习服务模型，请阅读机器学习服务工作空间的访问权限

本文中的步骤描述了如何授予Power BI用户对托管在Azure ML服务上的模型的访问权，以便他们能够作为Power Query函数访问该模型。

步骤1：登录到。

步骤2：转到“ 订阅”页面。您可以在Azure门户左侧导航菜单中的“所有服务”列表找到“订阅”页面。

步骤3：选择您的订阅。

步骤4：选择访问控制（IAM），然后选择添加按钮。

步骤5：选择阅读器作为角色。选择要授予Azure ML模型访问权限的Power BI用户。

步骤6：选择保存。

步骤7：重复步骤3-6，授予读者对特定Machine Learning Studio Web服务或托管模型的Machine Learning服务工作区的访问权限。

机器学习服务模型的架构发现

数据科学家主要使用Python为机器学习服务开发甚至部署他们的机器学习模型。与帮助自动执行为模型创建架构文件的任务的Machine Learning Studio不同，在Machine Learning Service的情况下，数据科学家必须使用Python显式生成架构文件。

此模式文件必须包含在已部署的用于机器学习服务模型的web服务中。要自动生成web服务模式，您必须在已部署模型的输入/输出脚本中提供一个示例。

具体来说，输入脚本中的@input_schema和@output_schema函数，引用input_sample和output_sample变量中的输入和输出示例格式，并在部署期间使用这些示例为web服务生成OpenAPI (Swagger)规范。

这些通过更新输入脚本生成模式的说明还必须应用到使用Azure机器学习SDK的自动化机器学习实验创建的模型中。

注意：目前，使用Azure机器学习服务可视界面创建的模型不支持架构生成，但在后续版本中将支持。

在Power BI中调用Azure ML模型

您可以直接从数据流中的Power查询编辑器中调用授予您访问权限的任何Azure ML模型。要访问Azure ML模型，请为您想要从Azure ML模型中获得更多见解的实体选择Edit按钮，如下图所示。

选择“Edit”按钮将为数据流中的实体打开Power Query Editor。

选择功能区中的AI Insights按钮，然后从左侧导航菜单中选择Azure机器学习模型文件夹。您可以访问的所有Azure ML模型都在这里作为Power查询函数列出。另外，Azure ML模型的输入参数被自动映射为相应的Power查询函数的参数。

若要调用Azure ML模型，您可以将所选实体的任何列指定为来自下拉列表的输入。您还可以通过在输入对话框的左侧切换列图标来指定要输入的常量值。

选择Invoke来查看Azure ML模型输出的预览，作为实体表中的新列。您可以展开该列，在单独的列中生成单独的输出参数。

保存数据流之后，在刷新数据流时，对于实体表中任何新行或更新行，都会自动调用模型。

*想要获得Power BI Desktop、Power BI Pro更多资源或正版授权的朋友，可以咨询了解哦~