Co je pracovní prostor služby Azure Machine Learning?

Pracovní prostory jsou místa pro spolupráci s kolegy za účelem vytvoření artefaktů strojového učení a práce souvisejících se skupinami. Například experimenty, úlohy, datové sady, modely, komponenty a koncové body odvozování. Tento článek popisuje pracovní prostory, jak spravovat přístup k nim a jak je používat k uspořádání práce.

Jste připravení začít? Vytvořte pracovní prostor.

Úlohy prováděné v pracovním prostoru

Pro týmy strojového učení je pracovní prostor místem pro uspořádání práce. Tady jsou některé úlohy, které můžete začít z pracovního prostoru:

• Vytváření úloh – Úlohy jsou trénovací běhy, které používáte k sestavení modelů. Úlohy můžete seskupit do experimentů a porovnat metriky .
• Autorské kanály - Kanály jsou opakovaně použitelné pracovní postupy pro školení a přeškolování vašeho modelu.
• Registrace datových aktiv – Datová aktiva pomáhají při správě dat, která používáte k tréninku modelu a vytváření pipeline.
• Zaregistrujte modely – Jakmile budete mít model, který chcete nasadit, vytvoříte registrovaný model.

• Vytvoření online koncových bodů – k vytvoření online koncového bodu použijte registrovaný model a bodovací skript.

Kromě skupinování výsledků strojového učení hostují pracovní prostory také nastavení zdrojů.

• Cílové výpočetní objekty se používají ke spouštění experimentů.
• Úložiště dat definují, jak se vy a ostatní můžete připojit ke zdrojům dat při použití datových prostředků.
• Nastavení zabezpečení – sítě, identita a řízení přístupu a nastavení šifrování.

Uspořádání pracovních prostorů

Pro vedoucí a správce týmu strojového učení slouží pracovní prostory jako kontejnery pro správu přístupu, správu nákladů a izolaci dat. Tady je několik tipů pro uspořádání pracovních prostorů:

• Role uživatelů slouží ke správě oprávnění v pracovním prostoru mezi uživateli. Například datový vědec, technik strojového učení nebo správce.
• Přiřaďte přístup ke skupinám uživatelů: Pomocí skupin uživatelů Microsoft Entra nemusíte přidávat jednotlivé uživatele do každého pracovního prostoru a do jiných prostředků, ke kterým stejná skupina uživatelů vyžaduje přístup.
• Vytvořte pracovní prostor na jeden projekt: Zatímco pracovní prostor lze použít pro více projektů, jeho omezení na jeden projekt na jeden pracovní prostor umožňuje generování sestav nákladů na úrovni projektu. Umožňuje také spravovat konfigurace, jako jsou úložiště dat v rozsahu každého projektu.
• Sdílení prostředků Azure: Pracovní prostory vyžadují, abyste vytvořili několik přidružených prostředků. Sdílejte tyto prostředky mezi pracovními prostory, abyste uložili opakující se kroky nastavení.
• Povolit samoobslužné funkce: Předem vytvořte a zabezpečte přidružené prostředky jako správce IT a pomocí rolí uživatelů můžete datovým vědcům umožnit vytvářet pracovní prostory samostatně.
• Sdílení prostředků: Prostředky můžete sdílet mezi pracovními prostory pomocí registrů služby Azure Machine Learning.

Jak je můj obsah uložený v pracovním prostoru?

Váš pracovní prostor uchovává historii všech trénovacích běhů s protokoly, metrikami, výstupem, metadaty rodokmenu a snímkem vašich skriptů. Při provádění úloh ve službě Azure Machine Learning se vygenerují artefakty. Jejich metadata a data jsou uložena v pracovním prostoru a v přidružených prostředcích.

Přidružené prostředky

Když vytvoříte nový pracovní prostor, budete muset zajistit další prostředky Azure k ukládání dat. Pokud ho neposkytujete, Azure Machine Learning tyto prostředky automaticky vytvoří.

• Účet služby Azure Storage. Ukládá artefakty strojového učení, jako jsou protokoly úloh. Ve výchozím nastavení se tento účet úložiště používá při nahrávání dat do pracovního prostoru. Poznámkové bloky Jupyter, které se používají s vašimi výpočetními instancemi služby Azure Machine Learning, jsou uložené i tady.

  Důležité

  Pokud je splněna některá z následujících podmínek, nemůžete použít existující účet Azure Storage:

  • Účet typu BlobStorage
  • Účet Premium (Premium_LRS a Premium_GRS)
  • Účet s hierarchickým oborem názvů (používaným s Azure Data Lake Storage Gen2).

  Jako dodatečné úložiště můžete použít úložiště úrovně Premium nebo hierarchický obor názvů vytvořením datového úložiště.

  Nepovolujte hierarchický obor názvů v účtu úložiště po upgradu na verzi pro obecné účely verze 2.

  Pokud máte existující účet úložiště pro obecné účely verze 1, můžete po vytvoření pracovního prostoru upgradovat na verzi pro obecné účely verze 2 .

• Azure Container Registry (ACR) Ukládá vytvořené kontejnery Dockeru, když vytváříte vlastní prostředí prostřednictvím služby Azure Machine Learning. Nasazení modelů AutoML a datových profilů aktivuje vytváření vlastních prostředí.

  Pracovní prostory je možné vytvářet bez ACR jako závislosti, pokud nepotřebujete vytvářet vlastní kontejnery Dockeru. Azure Machine Learning může číst z externích registrů kontejnerů.

  ACR se automaticky zřídí při vytváření vlastních Docker obrázků. Pomocí řízení přístupu na základě role v Azure (Azure RBAC) zabráníte sestavení zákaznických kontejnerů Dockeru.

  Důležité

  Pokud vaše nastavení předplatného vyžaduje přidání značek do prostředků, ACR vytvořené službou Azure Machine Learning selže, protože značky na ACR nejde nastavit.

• Azure Application Insights. Pomáhá monitorovat a shromažďovat diagnostické informace z koncových bodů odvozování.

  Další informace najdete v tématu Monitorování online koncových bodů.

• Azure Key Vault. Ukládá tajemství používaná výpočetními cíli a další citlivé informace, které pracovní prostor potřebuje.

Vytvoření pracovního prostoru

Pracovní prostor můžete vytvořit několika způsoby. Pokud chcete začít, použijte jednu z následujících možností:

• Studio Azure Machine Learning umožňuje rychle vytvořit pracovní prostor s výchozím nastavením.
• Pomocí webu Azure Portal můžete použít rozhraní typu point-and-click s dalšími možnostmi zabezpečení.
• Pokud pracujete v editoru Visual Studio Code, použijte rozšíření VS Code.

Automatizace vytváření pracovních prostorů pomocí upřednostňovaného nastavení zabezpečení:

• Šablony Azure Resource Manageru / Bicep poskytují deklarativní syntaxi pro nasazení prostředků Azure. Alternativní možností je použít Terraform. Viz také šablona Bicep nebo šablona Terraformu.
• K vytváření prototypů a jako součást pracovních postupů MLOps použijte azure Machine Learning CLI nebo sadu Azure Machine Learning SDK pro Python.
• Rozhraní REST API můžete použít přímo ve skriptovacím prostředí pro integraci platformy nebo v pracovních postupech MLOps.

Nástroje pro interakci a správu pracovního prostoru

Jakmile je pracovní prostor nastavený, můžete s ním pracovat následujícími způsoby:

• Na webu:
  • Azure Portal
  • Azure Machine Learning Studio
  • Návrhář služby Azure Machine Learning
• V jakémkoli prostředí Pythonu pomocí sady Azure Machine Learning SDK.
• Na příkazovém řádku pomocí rozšíření Azure Machine Learning CLI v2
• Rozšíření VS Code pro Azure Machine Learning

V každém rozhraní jsou k dispozici následující úlohy správy pracovních prostorů.

Úloha správy pracovních prostorů	Portal	Studio	Python SDK	Azure CLI (příkazový řádek nástroje Azure)	VS Code
Vytvoření pracovního prostoru	✓	✓	✓	✓	✓
Správa přístupu k pracovnímu prostoru	✓			✓
Vytváření a správa výpočetních prostředků	✓	✓	✓	✓	✓
Vytvoření výpočetní instance		✓	✓	✓	✓

Varování

Přesun pracovního prostoru Azure Machine Learning do jiného předplatného nebo přesun vlastního předplatného do nového tenanta se nepodporuje. To může způsobit chyby.

Podpůrné zdroje

Při vytváření výpočetních clusterů a výpočetních instancí ve službě Azure Machine Learning se vytvoří podřízené prostředky.

• Virtuální počítače: Poskytují výpočetní výkon pro výpočetní instance a výpočetní clustery, které používáte ke spouštění úloh.
• Load Balancer: Nástroj pro vyrovnávání zatížení sítě se vytvoří pro každou výpočetní instanci a výpočetní cluster pro správu provozu, i když se výpočetní instance nebo cluster zastaví.
• Virtuální síť: Tyto služby pomáhají prostředkům Azure komunikovat mezi sebou, internetem a dalšími místními sítěmi.
• Šířka pásma: Zapouzdřuje všechny odchozí přenosy dat napříč oblastmi.

Další kroky

Další informace o plánování pracovního prostoru pro požadavky vaší organizace najdete v tématu Uspořádání a nastavení služby Azure Machine Learning.

Pokud chcete začít se službou Azure Machine Learning, přečtěte si:

• Co je Azure Machine Learning?
• Vytvoření a správa pracovního prostoru
• Obnovení pracovního prostoru po měkkém odstranění
• Začínáme se službou Azure Machine Learning
• Kurz: Vytvoření prvního klasifikačního modelu pomocí automatizovaného strojového učení