許多組織使用機器學習模型來更好地洞察和預測他們的業務。在報告、儀表板和其他分析中可視化和調用來自這些模型的見解的能力，可以將這些見解傳播給最需要它的業務用戶。Power BI現在使用簡單的點擊手勢就可以輕松地融合來自Azure機器學習服務上托管的模型的見解。

使用此功能，數據科學家只需使用Azure門戶向BI分析師授予對Azure ML模型的訪問權限即可。在每個會話的開始時，Power Query會發現用戶可以訪問的所有Azure ML模型，并將它們公開為dynamic Power Query函數。然后，用戶可以通過從Power Query編輯器中的功能區訪問這些函數，或直接調用M功能來調用這些函數。為實現更好的性能，當Power BI在為一組行調用Azure ML模型時還會自動批量處理訪問請求，

目前，僅Power BI數據流以及Power BI服務中的在線Power Query支持此功能。

下載Power BI Desktop  下載Power BI Pro

向Power BI用戶授予對Azure ML模型的訪問權限

要從Power BI訪問Azure ML模型，用戶必須具有對Azure訂閱的讀取權限。此外：

• 對于Machine Learning Studio模型，請閱讀Machine Learning Studio Web服務的訪問權限

• 對于機器學習服務模型，請閱讀機器學習服務工作空間的訪問權限

本文中的步驟描述了如何授予Power BI用戶對托管在Azure ML服務上的模型的訪問權，以便他們能夠作為Power Query函數訪問該模型。

步驟1：登錄到。

步驟2：轉到“ 訂閱”頁面。您可以在Azure門戶左側導航菜單中的“所有服務”列表找到“訂閱”頁面。

步驟3：選擇您的訂閱。

步驟4：選擇訪問控制（IAM），然后選擇添加按鈕。

步驟5：選擇閱讀器作為角色。選擇要授予Azure ML模型訪問權限的Power BI用戶。

步驟6：選擇保存。

步驟7：重復步驟3-6，授予讀者對特定Machine Learning Studio Web服務或托管模型的Machine Learning服務工作區的訪問權限。

機器學習服務模型的架構發現

數據科學家主要使用Python為機器學習服務開發甚至部署他們的機器學習模型。與幫助自動執行為模型創建架構文件的任務的Machine Learning Studio不同，在Machine Learning Service的情況下，數據科學家必須使用Python顯式生成架構文件。

此模式文件必須包含在已部署的用于機器學習服務模型的web服務中。要自動生成web服務模式，您必須在已部署模型的輸入/輸出腳本中提供一個示例。

具體來說，輸入腳本中的@input_schema和@output_schema函數，引用input_sample和output_sample變量中的輸入和輸出示例格式，并在部署期間使用這些示例為web服務生成OpenAPI (Swagger)規范。

這些通過更新輸入腳本生成模式的說明還必須應用到使用Azure機器學習SDK的自動化機器學習實驗創建的模型中。

注意：目前，使用Azure機器學習服務可視界面創建的模型不支持架構生成，但在后續版本中將支持。

在Power BI中調用Azure ML模型

您可以直接從數據流中的Power查詢編輯器中調用授予您訪問權限的任何Azure ML模型。要訪問Azure ML模型，請為您想要從Azure ML模型中獲得更多見解的實體選擇Edit按鈕，如下圖所示。

選擇“Edit”按鈕將為數據流中的實體打開Power Query Editor。

選擇功能區中的AI Insights按鈕，然后從左側導航菜單中選擇Azure機器學習模型文件夾。您可以訪問的所有Azure ML模型都在這里作為Power查詢函數列出。另外，Azure ML模型的輸入參數被自動映射為相應的Power查詢函數的參數。

若要調用Azure ML模型，您可以將所選實體的任何列指定為來自下拉列表的輸入。您還可以通過在輸入對話框的左側切換列圖標來指定要輸入的常量值。

選擇Invoke來查看Azure ML模型輸出的預覽，作為實體表中的新列。您可以展開該列，在單獨的列中生成單獨的輸出參數。

保存數據流之后，在刷新數據流時，對于實體表中任何新行或更新行，都會自動調用模型。

*想要獲得Power BI Desktop、Power BI Pro更多資源或正版授權的朋友，可以咨詢了解哦~