View a markdown version of this page

ML-Inferenz-Pipelines in Amazon OpenSearch Serverlos - Amazon OpenSearch Bedienung

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

ML-Inferenz-Pipelines in Amazon OpenSearch Serverlos

Das ml_inference Prozessor in Amazon OpenSearch Serverless ist ein Allzweckprozessor, der ein konfiguriertes Modell für maschinelles Lernen aufruft und die Ein- und Ausgaben des Modells Dokumenten- oder Abfragefeldern zuordnet. Sie steuern das Mapping mit dem input_map und output_map Parameter, die die Dokument- oder Abfragefelder angeben, die die Modelleingabe liefern, und die Felder, die die Modellausgabe empfangen.

Im Gegensatz zu speziell entwickelten Prozessoren für maschinelles Lernen wie text_embedding, text_image_embedding, und sparse_encoding, die jeweils einen einzelnen Modelltyp unterstützen, die ml_inference Prozessor funktioniert mit jedem konfigurierten Modell. Er kann auch sowohl in Ingest-Pipelines als auch in Such-Pipelines ausgeführt werden, sodass Sie während der Indizierung, vor der Ausführung einer Abfrage oder nach der Rückgabe von Ergebnissen Modellinferenz anwenden können. Verwenden Sie den ml_inference Prozessor, wenn Sie ein Modell oder ein Eingabe- und Ausgabe-Mapping benötigen, das die speziell entwickelten Prozessoren nicht bieten. Eine vollständige Konzeptdokumentation finden Sie unter ML-Inferenzprozessor auf dem OpenSearch Dokumentation Webseite.

Sie können die verwenden ml_inference Prozessor zur Unterstützung von Workflows wie den folgenden:

  • Semantische Suche

  • Retrieval-augmented Generierung (RAG)

  • Multimodale Suche

  • Zusammenfassung der Ergebnisse

  • Anreicherung von Abfragen

Voraussetzungen

Bevor Sie das verwenden ml_inference Prozessor, vervollständigen Sie die folgenden Schritte:

  • Erstellen Sie eine Vektor-Suchsammlung. OpenSearch Serverless unterstützt die ml_inference Prozessor für Sammlungen mit Vektorsuche (Typ VECTORSEARCH) in einem NextGen Sammlungsgruppe. OpenSearch Serverless akzeptiert nur Modelle mit einem function_name von remote. Informationen zum Erstellen der Sammlungsgruppe finden Sie unter Erstellen Sie eine Sammlungsgruppe. Informationen zum Erstellen der Sammlung finden Sie unter Arbeiten mit Vektor-Suchsammlungen. Aktivieren Sie Standby-Replikate sowohl für die Sammlungsgruppe als auch für die Sammlung.

    Folgendes AWS CLI Beispiel erstellt eine NextGen Sammlungsgruppe und darin eine Vektor-Suchsammlung. Ersetzen my-collection-group und my-collection mit deinen eigenen Namen.

    aws opensearchserverless create-collection-group \ --name my-collection-group \ --generation NEXTGEN \ --standby-replicas ENABLED \ --capacity-limits maxIndexingCapacityInOCU=8,maxSearchCapacityInOCU=8 aws opensearchserverless create-collection \ --name my-collection \ --type VECTORSEARCH \ --collection-group-name my-collection-group \ --standby-replicas ENABLED
  • Konfigurieren und implementieren Sie ein Remote-Modell. Der Prozessor ruft ein konfiguriertes und bereitgestelltes Remote-Modell auf, auf das Sie anhand seiner Modell-ID verweisen. Ein Beispiel zur Einrichtung eines Amazon Titan-Einbettungsmodells finden Sie unter Beispiel: Richten Sie ein Amazon Titan-Einbettungsmodell ein. Weitere Informationen finden Sie unter Machine Learning auf Amazon OpenSearch Serverless konfigurieren.

  • Unterschreiben Sie Ihre Anfragen. Unterschreiben Sie jede Anfrage an den Sammelendpunkt mit AWS Signaturversion 4 mit dem Dienstnamen aoss. Weitere Informationen finden Sie unter Signieren von HTTP-Anforderungen mit anderen Clients.

Beispiel: Richten Sie ein Amazon Titan-Einbettungsmodell ein

Die Beispiele in diesem Thema verwenden ein Amazon Titan Text Embeddings V2-Modell in Amazon Bedrock. Mit den folgenden Schritten erstellen Sie den Connector und das Modell in Ihrer Sammlung.

  1. Erstellen Sie eine IAM-Rolle, die OpenSearch Serverless geht davon aus, Amazon Bedrock anzurufen. Die Vertrauensrichtlinie der Rolle muss Folgendes zulassen ml.opensearchservice.amazonaws.com Service Principal, und die Berechtigungsrichtlinie der Rolle muss Folgendes zulassen bedrock:InvokeModel auf dem Modell. Der Principal, der den Connector erstellt, benötigt außerdem iam:PassRole in dieser Rolle.

  2. Erstellen Sie den Connector. Ersetzen region mit dem AWS-Region des Amazon Bedrock-Modells, account-id mit deinem AWS Konto-ID und bedrock-role mit dem Namen der Rolle aus dem vorherigen Schritt.

    POST /_plugins/_ml/connectors/_create { "name": "Amazon Bedrock Titan Text Embeddings V2", "description": "Connector for amazon.titan-embed-text-v2:0", "version": 1, "protocol": "aws_sigv4", "parameters": { "region": "region", "service_name": "bedrock", "model": "amazon.titan-embed-text-v2:0" }, "credential": { "roleArn": "arn:aws:iam::account-id:role/bedrock-role" }, "actions": [ { "action_type": "predict", "method": "POST", "url": "https://bedrock-runtime.${parameters.region}.amazonaws.com/model/${parameters.model}/invoke", "headers": { "content-type": "application/json", "x-amz-content-sha256": "required" }, "request_body": "{ \"inputText\": \"${parameters.inputText}\" }", "post_process_function": "connector.post_process.bedrock.embedding" } ] }

    Die Antwort enthält die Connector-ID. Die post_process_function Die Einstellung gibt die Einbettung zurück $.inference_results[0].output[0].data, das ist der Pfad, den die Beispiele in diesem Thema verwenden.

  3. Registrieren Sie das Modell mit dem Connector. Ersetzen my-connector-id mit der Connector-ID aus dem vorherigen Schritt.

    POST /_plugins/_ml/models/_register { "name": "titan-embed-text-v2", "function_name": "remote", "description": "Amazon Titan Text Embeddings V2", "connector_id": "my-connector-id" }

    Die Antwort enthält die Modell-ID.

  4. Stellen Sie das Modell bereit. Ersetzen my-model-id mit der Modell-ID aus dem vorherigen Schritt.

    POST /_plugins/_ml/models/my-model-id/_deploy
  5. Testen Sie das Modell mit der Prognose-API, wie unter gezeigt Passen Sie den Prozessor an Ihr Modell an.

Für diese Schritte sind die folgenden Berechtigungen auf dem erforderlich model Ressourcentyp: aoss:CreateMLResource um den Connector zu erstellen und das Modell zu registrieren, aoss:UpdateMLResource um es bereitzustellen, und aoss:ExecuteMLResource um die Prognose-API aufzurufen. Ein Beispiel für eine Datenzugriffsrichtlinie, die diese Berechtigungen gewährt, finden Sie unter Berechtigungen für Machine Learning konfigurieren.

Passen Sie den Prozessor an Ihr Modell an

Der ml_inference Der Prozessor kennt die Form Ihres Modells nicht. Du erzählst es mit input_map und output_map. Wenn diese nicht mit der Prognose-API des Modells übereinstimmen, schlägt der Prozessor fehl oder schreibt den falschen Wert. Testen Sie das Modell zuerst mit der Prognose-API und kopieren Sie dann die Parameternamen und den Ausgabepfad in Ihre Pipeline.

Die folgende Tabelle zeigt, woher die einzelnen Teile des Mappings stammen.

Mapping (Zuordnung) Womit muss es übereinstimmen
Geben Sie ein input_map Ein Parametername in der Prognoseanforderung, der ein ${parameters.name} Platzhalter im Konnektor request_body.
Wert in input_map Das Dokumentfeld oder das Abfragefeld, das den Wert liefert.
Geben Sie ein output_map Der Name des Feldes, das die Modellausgabe empfängt.
Wert in output_map Ein JSON-Pfad in die Prognoseantwort, zum Beispiel $.inference_results[0].output[0].data.

Im folgenden Beispiel wird die Prognose-API für ein Texteinbettungsmodell aufgerufen. Das inputText Der Parameter ist derselbe Name, den das Beispiel für die Ingest-Pipeline als Schlüssel verwendet input_map. Ersetzen my-model-id mit der ID Ihres bereitgestellten Modells.

POST /_plugins/_ml/models/my-model-id/_predict { "parameters": { "inputText": "Example document text" } }

Das Modell gibt eine Antwort wie die folgende zurück. Das data Das Array ist aus Gründen der Lesbarkeit gekürzt.

{ "inference_results": [ { "output": [ { "name": "sentence_embedding", "data_type": "FLOAT32", "shape": [1024], "data": [0.0123, -0.0456, 0.0789] } ], "status_code": 200 } ] }

Die Einbettung erfolgt in der data Array der ersten Ausgabe. Der JSON-Pfad $.inference_results[0].output[0].data wählt ihn aus. Dies ist der Pfad, den das Beispiel für eine Ingest-Pipeline verwendet output_map.

Anmerkung

Diese Antwortform gilt, wenn der Amazon Titan-Einbettungsstecker gesetzt wird post_process_function zu connector.post_process.bedrock.embedding. Ohne eine Nachbearbeitungsfunktion ist der Vektor bei $.inference_results[0].output[0].dataAsMap.embedding stattdessen. Informationen zur Einrichtung des Connectors finden Sie unter Machine Learning auf Amazon OpenSearch Serverless konfigurieren.

Wichtig

Die Anforderungsparameter und die Antwortform hängen vom Modell und seinem Anschluss ab. Wenn Sie ein anderes Modell verwenden, sollten Sie die Pfade aus den Beispielen in diesem Thema nicht wiederverwenden. Führen Sie die Prognose-API für Ihr Modell aus und lesen Sie die Pfade aus der Antwort ab.

Beispielsweise hat ein großes Sprachmodell, das seine Rohantwort zurückgibt, eine andere Form. Der Text ist verschachtelt in dataAsMap Objekt, und der Parameter, den Sie senden, ist nach dem Connector-Platzhalter benannt und nicht nach inputText.

POST /_plugins/_ml/models/my-llm-model-id/_predict { "parameters": { "messages": "[{\"role\":\"user\",\"content\":[{\"text\":\"Summarize: Example text\"}]}]" } }
{ "inference_results": [ { "output": [ { "name": "response", "dataAsMap": { "output": { "message": { "role": "assistant", "content": [ { "text": "A short summary of the example text." } ] } }, "stopReason": "end_turn" } } ], "status_code": 200 } ] }

Für diese Antwort lautet der JSON-Pfad $.inference_results[0].output[0].dataAsMap.output.message.content[0].text. Die genaue Struktur unter dataAsMap ist die Antwort Ihres Modellanbieters, daher unterscheidet sie sich zwischen Anbietern und Modellen.

Gehen Sie wie folgt vor, um den Prozessor auf ein anderes Modell umzustellen:

  1. Suchen Sie die Parameternamen in der request_body des Steckers des Modells. Jeder ${parameters.name} Platzhalter ist ein Name, den Sie als Schlüssel verwenden können input_map.

  2. Rufen Sie die Prognose-API mit einem Beispielwert für jeden Parameter auf.

  3. Lesen Sie die Prognoseantwort und schreiben Sie den JSON-Pfad zu dem Wert, den Sie behalten möchten.

  4. Aktualisieren model_id, input_map, und output_map in der Pipeline.

  5. Führen Sie das aus _simulate API für ein Beispieldokument, um zu bestätigen, dass das Ausgabefeld den erwarteten Wert hat.

Anmerkung

Die Prognose-API erfordert die aoss:ExecuteMLResource Erlaubnis für die Modellressource. Weitere Informationen finden Sie unter Machine Learning auf Amazon OpenSearch Serverless konfigurieren.

Verwendung von ml_inference in einer Ingest-Pipeline

In einer Ingest-Pipeline ist die ml_inference Der Prozessor führt während der Indizierung eine Modellinferenz durch. Eine übliche Anwendung besteht darin, Vektoreinbettungen aus einem Textfeld zu generieren, sodass Sie eine semantische Suche in Ihren Daten ausführen können. Das input_map ordnet der Modelleingabe ein Dokumentfeld zu, und output_map schreibt die Modellausgabe in ein neues Feld.

Das folgende Beispiel erstellt eine Pipeline, die die sendet text fügt ein Feld in das Modell ein und schreibt die zurückgegebene Einbettung in ein embedding Feld. Ersetzen my-pipeline mit dem Namen Ihrer Pipeline und my-model-id mit der ID Ihres bereitgestellten Modells.

PUT _ingest/pipeline/my-pipeline { "description": "Generates embeddings with a configured model", "processors": [ { "ml_inference": { "model_id": "my-model-id", "full_response_path": true, "input_map": [ { "inputText": "text" } ], "output_map": [ { "embedding": "$.inference_results[0].output[0].data" } ] } } ] }

Die Anfrage gibt die folgende Antwort zurück:

{ "acknowledged": true }

Die output_map Pfad wurzelt in inference_results da full_response_path ist eingestellt auf true. Bei dieser Einstellung wird der Ausgabepfad anhand der vollständigen Modellantwort bewertet. Weitere Informationen finden Sie unter ML-Inferenzprozessor auf dem OpenSearch Dokumentation Webseite.

Bevor Sie die Pipeline auf Live-Traffic anwenden, können Sie sie anhand von Beispieldokumenten mit dem _simulate Endpunkt. Um die Modellinferenz automatisch für jedes Dokument auszuführen, das in einem Index indexiert ist, legen Sie den index.default_pipeline Einstellung, wenn Sie den Index erstellen. Sie können die Pipeline auch in einer einzelnen Indexierungsanforderung angeben mit pipeline Abfrageparameter. Weitere Informationen zum Erstellen, Simulieren und Anwenden von Ingest-Pipelines finden Sie unter Pipelines in Amazon aufnehmen OpenSearch Serverlos.

Im folgenden Beispiel wird ein Dokument indexiert und die Pipeline ausgeführt. Ersetzen my-index mit dem Namen Ihres Indexes und my-pipeline mit dem Namen Ihrer Pipeline.

POST my-index/_doc?pipeline=my-pipeline { "text": "Example document text" }

Die Antwort bestätigt, dass das Dokument indexiert wurde:

{ "_index": "my-index", "_id": "93VTg6EBtHTIBjFym5yW", "_version": 1, "result": "created", "_shards": { "total": 0, "successful": 0, "failed": 0 }, "_seq_no": 0, "_primary_term": 0 }
Anmerkung

Der Zielindex muss für die Vektorsuche konfiguriert sein. Aktivieren index.knn und ordnen Sie das Ausgabefeld zu (zum Beispiel embedding) als knn_vector Feld mit einer Dimension, die Ihrem Modell entspricht.

In einer Suchpipeline ist der ml_inference Der Prozessor führt die Modellinferenz als Teil einer Abfrage aus. Ein Suchanforderungsprozessor transformiert oder schreibt die Abfrage neu, bevor sie ausgeführt wird. Ein Prozessor für Suchanfragen reichert die Ergebnisse an, bevor Sie sie erhalten. Um eine Suchpipeline auszuführen, senden Sie die Anfrage mit search_pipeline Abfrageparameter. Ersetzen my-index mit dem Namen Ihres Indexes und my-pipeline mit dem Namen Ihrer Pipeline.

POST my-index/_search?search_pipeline=my-pipeline

Um eine Suchpipeline zu erstellen oder zu aktualisieren, senden Sie den Hauptteil der Pipeline an _search/pipeline Endpunkt, wie die Beispiele in den folgenden Abschnitten zeigen.

Anmerkung

Es kann einige Minuten dauern, bis eine neu erstellte Suchpipeline wirksam wird, auch wenn die Erstellungsanforderung erneut gesendet wurde "acknowledged": true. Bis dahin schlagen Suchanfragen, die auf die Pipeline verweisen, mit einem Pipeline my-pipeline is not defined Fehler. Versuchen Sie die Anfrage nach einer kurzen Wartezeit erneut.

Prozessor für Suchanfragen

Sie verwenden zuvor einen Suchanforderungsprozessor, um eine eingehende Anfrage neu zu schreiben OpenSearch Serverless führt ihn aus. Das folgende Beispiel verwendet den Text von match query, generiert daraus einen Vektor mit einem konfigurierten Modell und schreibt die Anfrage in eine k-NN-Abfrage um mit query_template Parameter. OpenSearch Serverless ersetzt den ${query_vec} Platzhalter in der Vorlage mit der Modellausgabe output_map erfasst. Ersetzen my-model-id mit der ID Ihres bereitgestellten Modells.

PUT /_search/pipeline/my-pipeline { "request_processors": [ { "ml_inference": { "model_id": "my-model-id", "full_response_path": true, "query_template": "{\"size\":2,\"_source\":[\"text\"],\"query\":{\"knn\":{\"embedding\":{\"vector\":${query_vec},\"k\":2}}}}", "input_map": [ { "inputText": "query.match.text.query" } ], "output_map": [ { "query_vec": "$.inference_results[0].output[0].data" } ], "ignore_missing": true } } ] }

Einstellen full_response_path zu true so dass die output_map Der JSON-Pfad wird anhand der vollständigen Modellantwort aufgelöst. Auf diese Weise können Sie denselben Ausgabepfad verwenden, den Sie aus der Prognose-API-Antwort gelesen haben.

Stellen Sie ein ignore_missing zu true wenn das Quellfeld fehlen könnte. Eine Abfrage, die das zugeordnete Feld nicht enthält, z. B. eine match_all Die Abfrage wird dann unverändert weitergeleitet, anstatt dass sie fehlschlägt. Der Prozessor schreibt Abfragen, die das Feld enthalten, immer noch neu.

Prozessor für Suchanfragen

Ein Suchantwortprozessor wird ausgeführt, nachdem eine Abfrage zurückgegeben wurde, sodass Sie jeden Treffer anreichern oder zusammenfassen können. Im folgenden Beispiel wird der gesendet text Feld jedes Treffers an ein konfiguriertes Modell und schreibt die Modellausgabe in ein text_vec Feld. Set one_to_one zu true sodass der Prozessor das Modell bei jedem Suchtreffer einmal ausführt. Die Standardeinstellung ist false, wodurch alle Treffer in einer einzigen Anforderung an das Modell gesendet werden, und Modelle, die einen einzelnen Eingabewert erwarten, lehnen diese Anforderung ab. Ersetzen my-model-id mit der ID Ihres bereitgestellten Modells.

PUT /_search/pipeline/my-pipeline { "response_processors": [ { "ml_inference": { "model_id": "my-model-id", "full_response_path": true, "input_map": [ { "inputText": "text" } ], "output_map": [ { "text_vec": "$.inference_results[0].output[0].data" } ], "one_to_one": true } } ] }

Um die Ergebnisse mit einem großen Sprachmodell zusammenzufassen, fügen Sie eine model_config Objekt, das die Model-Eingabeaufforderung enthält, und setzen one_to_one zu true sodass der Prozessor jeden Suchtreffer separat zusammenfasst. Die Eingabeaufforderung kann über einen Vorlagenparameter auf die zugeordnete Eingabe verweisen, z. B. ${parameters.context}. Das output_map Der Pfad in diesem Beispiel entspricht einem Modell, das seine Rohantwort zurückgibt. Weitere Informationen finden Sie unter Passen Sie den Prozessor an Ihr Modell an. Ersetzen my-model-id mit der ID Ihres bereitgestellten Modells.

PUT /_search/pipeline/my-pipeline { "response_processors": [ { "ml_inference": { "model_id": "my-model-id", "full_response_path": true, "input_map": [ { "context": "text" } ], "output_map": [ { "summary": "$.inference_results[0].output[0].dataAsMap.output.message.content[0].text" } ], "model_config": { "messages": "[{\"role\":\"user\",\"content\":[{\"text\":\"Summarize the following text: ${parameters.context}\"}]}]" }, "one_to_one": true } } ] }

Preisgestaltung

Die ml_inference Der Prozessor wird auf dem Computer ausgeführt, der die Anforderungen Ihrer Sammlung verarbeitet. In einer Ingest-Pipeline zählt deren Verarbeitung zur Indizierung OpenSearch Compute Units (OCUs) für Ihre Sammlung. In einer Suchpipeline zählt ihre Verarbeitung auf die Such-OCUs, genau wie andere Indexierungs- und Suchaktivitäten. Pipelines mit mehr Prozessoren oder mit rechenintensiven Prozessoren verbrauchen mehr Kapazität als einfache Pipelines. Weitere Informationen zur Skalierung und Abrechnung der Kapazität finden Sie unter Verwaltung von Kapazitätsgrenzen für Amazon OpenSearch Serverlos und Amazon OpenSearch Preisgestaltung für Dienstleistungen.

Der Prozessor ruft auch das von Ihnen konfigurierte Remote-Modell auf, und der Modellanbieter berechnet die Modellinferenz separat.

Erforderliche Berechtigungen

Verwaltung der Such- und Ingest-Pipelines, die eine enthalten ml_inference Der Prozessor entspricht den folgenden OpenSearch Richtlinienberechtigungen für serverlosen Datenzugriff. Die Berechtigungen gelten für collection Ressourcentyp.

  • aoss:CreateCollectionItems — Erstellen oder aktualisieren Sie eine Pipeline.

  • aoss:DescribeCollectionItems — Pipelines abrufen, auflisten und simulieren.

  • aoss:DeleteCollectionItems — Löscht eine Pipeline.

Der Prozessor ruft auch das Modell auf, das Sie konfiguriert haben. Die Berechtigungen für Datenzugriffsrichtlinien, die ein Principal zum Erstellen und Ausführen von Modellen benötigt, finden Sie unter Machine Learning auf Amazon OpenSearch Serverless konfigurieren.

Wichtig

Der Principal, der eine Anfrage über die Pipeline sendet, benötigt die aoss:ExecuteMLResource Genehmigung für das Modell. Dies gilt für die Indizierung von Dokumenten, die ausgeführt werden _simulate, und suchen. Ohne diese Erlaubnis schlagen diese Anfragen mit einem fehl Forbidden Fehler, der die fehlende Berechtigung nicht benennt.

Das folgende Beispiel für eine Datenzugriffsrichtlinie gewährt einem Hauptbenutzer die Berechtigung, Pipelines in einer Sammlung zu verwalten und die Modelle in dieser Sammlung auszuführen. Ersetzen collection-name mit dem Namen deiner Sammlung, account-id mit deinem AWS Konto-ID und role-name mit dem Namen der IAM-Rolle, die die Pipelines verwaltet und verwendet.

[ { "Description": "Manage pipelines and run models", "Rules": [ { "ResourceType": "collection", "Resource": ["collection/collection-name"], "Permission": [ "aoss:CreateCollectionItems", "aoss:DescribeCollectionItems", "aoss:DeleteCollectionItems" ] }, { "ResourceType": "model", "Resource": ["model/collection-name/*"], "Permission": [ "aoss:ExecuteMLResource" ] } ], "Principal": [ "arn:aws:iam::account-id:role/role-name" ] } ]

Für die vollständige Zuordnung von OpenSearch API-Operationen zu OpenSearch Serverlose Berechtigungen, siehe Unterstützte Operationen und Plugins in Amazon OpenSearch Serverless.

Fehlerbehebung

Wenn eine Anfrage, die eine verwendet ml_inference Pipeline schlägt fehl mit einem Forbidden Fehler, überprüfen Sie die folgenden häufigen Ursachen:

  • Der aufrufende Prinzipal hat nicht aoss:ExecuteMLResource auf dem Modell. Fügen Sie eine hinzu model Regel zur Datenzugriffsrichtlinie, wie unter Erforderliche Berechtigungen.

  • Die Datenzugriffsrichtlinie gewährt dem Principal nicht die Index- oder Sammlungsberechtigungen für den Vorgang, wie z. B. das Schreiben von Dokumenten, das Suchen oder das Erstellen von Pipelines.

  • Die Anfrage ist mit dem Dienstnamen signiert es statt aoss.

  • Die Netzwerkrichtlinie für die Sammlung erlaubt keinen Zugriff von der Quelle der Anfrage aus.

Wenn eine Suchanfrage mit einem fehlschlägt Pipeline my-pipeline is not defined Fehler direkt nach dem Erstellen der Pipeline. Warten Sie ein paar Minuten und versuchen Sie es erneut. Weitere Informationen finden Sie unter Verwenden von ml_inference in einer Suchpipeline.

Weitere Informationen

Für weitere Informationen über ml_inference Prozessor finden Sie im Folgenden: