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. Můžete například použít role pro datové vědce, inženýra strojového učení nebo správce.
• Přiřaďte přístup ke skupinám uživatelů: Pomocí skupin uživatelů Microsoft Entra nemusíte do každého pracovního prostoru přidávat jednotlivé uživatele. Pomocí stejných skupin uživatelů udělte přístup k jiným prostředkům.
• 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.
• Pracovní prostory centra slouží pro centralizovanou správu: Centrální pracovní prostory seskupují více pracovních prostorů projektu se sdílenými nastaveními zabezpečení, připojeními a výpočetními prostředky. Pracovní prostory centra jsou stejný typ prostředku jako centra Microsoft Foundry, takže je můžete použít ze studia Azure Machine Learning i Foundry.

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 vygenerujete artefakty. Jejich metadata a data jsou uložena v pracovním prostoru a v přidružených prostředcích.

Přidružené prostředky

Když vytváříte nový pracovní prostor, musíte zahrnout další prostředky Azure pro ukládání dat. Pokud tyto prostředky nezadáte, Azure Machine Learning je automaticky vytvoří.

• Účet služby Azure Storage. Ukládá artefakty strojového učení, jako jsou protokoly úloh. Pracovní prostor ve výchozím nastavení používá tento účet úložiště při nahrávání dat. Poznámkové bloky Jupyter, které používáte s výpočetními instancemi služby Azure Machine Learning, se ukládají 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 verze 1 pro obecné účely, můžete po vytvoření pracovního prostoru upgradovat na verzi 2 pro obecné účely. PLATÍ PRO:Rozšíření Azure CLI ml v2 (aktuální)Python SDK azure-ai-ml v2 (aktuální)

• 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.

  Pokud nepotřebujete vytvářet vlastní kontejnery Dockeru, můžete vytvářet pracovní prostory bez ACR jako závislosti. 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, která používají výpočetní prostředky, a další citlivé informace, které pracovní prostor potřebuje.

Vytvoření pracovního prostoru

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

• V Azure Machine Learning Studio můžete rychle vytvořit pracovní prostor s výchozím nastavením.
• Azure Portal pro rozhraní typu point-and-click s dalšími možnostmi zabezpečení
• Rozšíření VS Code, pokud pracujete ve Visual Studio 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

Po nastavení pracovního prostoru s ním můžete 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 použijte rozšíření Azure Machine Learning CLI v2.
• Rozšíření VS Code pro Azure Machine Learning

Každé rozhraní poskytuje následující úlohy správy pracovního prostoru.

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

Pracovní prostor Azure Machine Learning nemůžete přesunout do jiného předplatného. Vlastnící předplatné také nemůžete přesunout do nového tenanta. Tyto akce můžou způsobit chyby.

Podresurzy

Při vytváření výpočetních clusterů a výpočetních instancí ve službě Azure Machine Learning také vytvoříte dílčí zdroje.

• Virtuální počítače: Poskytují výpočetní výkon pro výpočetní instance a výpočetní clustery. Používejte je ke spouštění úloh.
• Load Balancer: Pro každou výpočetní instanci a výpočetní cluster se vytvoří nástroj pro vyrovnávání zatížení sítě. Spravuje provoz i při zastavení výpočetní instance nebo clusteru.
• 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