Planen der Kostenverwaltung für Azure Machine Learning

In diesem Artikel wird beschrieben, wie Sie die Kosten für Azure Machine Learning planen und verwalten. Bevor Sie Ressourcen hinzufügen, verwenden Sie zunächst den Azure-Preisrechner, um die Kosten zu planen. Überprüfen Sie dann beim Hinzufügen der Azure-Ressourcen die geschätzten Kosten.

Nachdem Sie mit der Verwendung der Azure Machine Learning-Ressourcen begonnen haben, können Sie die Features für die Kostenverwaltung verwenden, um Budgets festzulegen und die Kosten zu überwachen. Überprüfen Sie darüber hinaus die vorhergesagten Kosten, und ermitteln Sie Ausgabentrends, um Bereiche zu identifizieren, in denen ggf. Maßnahmen erforderlich sind.

Beachten Sie, dass die Kosten für Azure Machine Learning nur einen Teil der monatlichen Kosten Ihrer Azure-Rechnung darstellen. Bei Nutzung anderer Azure-Dienste werden Ihnen alle Azure-Dienste und -Ressourcen in Rechnung gestellt, die unter Ihrem Azure-Abonnement genutzt werden, einschließlich der Dienste von Drittanbietern. In diesem Artikel wird beschrieben, wie Sie die Kosten für Azure Machine Learning planen und verwalten. Nachdem Sie sich mit der Verwaltung der Kosten für Azure Machine Learning vertraut gemacht haben, können Sie ähnliche Methoden anwenden, um die Kosten für alle Azure-Dienste zu verwalten, die unter Ihrem Abonnement genutzt werden.

Weitere Informationen zur Kostenoptimierung finden Sie unter Verwalten und Optimieren von Kosten in Azure Machine Learning.

Wichtig

Die in diesem Artikel markierten Elemente (Vorschau) sind aktuell als öffentliche Vorschau verfügbar. Die Vorschauversion wird ohne Vereinbarung zum Servicelevel bereitgestellt und ist nicht für Produktionsworkloads vorgesehen. Manche Features werden möglicherweise nicht unterstützt oder sind nur eingeschränkt verwendbar. Weitere Informationen finden Sie unter Zusätzliche Nutzungsbestimmungen für Microsoft Azure-Vorschauen.

Voraussetzungen

Die Kostenanalyse in Cost Management unterstützt die meisten Azure-Kontotypen, jedoch nicht alle. Die vollständige Liste der unterstützten Kontotypen finden Sie unter Grundlegendes zu Cost Management-Daten.

Um Kostendaten anzeigen zu können, müssen Sie mindestens über Lesezugriff auf ein Azure-Konto verfügen. Informationen zum Zuweisen des Zugriffs auf Azure Cost Management-Daten finden Sie unter Zuweisen des Zugriffs auf Cost Management-Daten.

Schätzen der Kosten vor der Verwendung von Azure Machine Learning

• Verwenden Sie den Azure-Preisrechner für eine Kostenschätzung, bevor Sie die Ressourcen in einem Azure Machine Learning-Arbeitsbereich erstellen. Wählen Sie auf der linken Seite KI und Machine Learning und dann Azure Machine Learning aus, um anzufangen.

Der folgende Screenshot zeigt die Kostenschätzung unter Verwendung des Preisrechners:

Wenn Sie Ihrem Arbeitsbereich neue Ressourcen hinzufügen, kehren Sie zu diesem Preisrechner zurück, und fügen Sie hier die gleiche Ressource hinzu, um Ihre Kostenschätzung zu aktualisieren.

Weitere Informationen finden Sie unter Azure Machine Learning – Preise.

Grundlegendes zum vollständigen Abrechnungsmodell für Azure Machine Learning

Azure Machine Learning wird in einer Azure-Infrastruktur ausgeführt, in der beim Bereitstellen der neuen Ressource Kosten für Azure Machine Learning anfallen. Es ist wichtig zu verstehen, dass die zusätzliche Infrastruktur Kosten verursachen kann. Sie müssen diese Kosten verwalten, wenn Sie Änderungen an bereitgestellten Ressourcen vornehmen.

Häufig anfallende Kosten für Azure Machine Learning

Wenn Sie Ressourcen für einen Azure Machine Learning-Arbeitsbereich erstellen, werden auch Ressourcen für andere Azure-Dienste erstellt. Sie lauten wie folgt:

• Konto vom Typ „Basic“ für Azure Container Registry
• Azure-Blockblobspeicher (Universell V1)
• Schlüsseltresor
• Application Insights

Wenn Sie eine Compute-Instanz erstellen, bleibt die VM eingeschaltet, damit sie für Ihre Arbeit verfügbar ist.

• Aktivieren Sie das Herunterfahren im Leerlauf (Vorschau), um Kosten zu sparen, wenn sich die VM für einen bestimmten Zeitraum im Leerlauf befindet.
• Oder richten Sie einen Zeitplan ein, um die Compute-Instanz automatisch zu starten und zu beenden (Vorschau), wenn Sie nicht planen, sie zu verwenden, und damit Kosten zu sparen.

Vor dem Löschen von Ressourcen möglicherweise anfallende Kosten

Bevor Sie einen Azure Machine Learning-Arbeitsbereich im Azure-Portal oder mit der Azure CLI löschen, sollten Sie wissen, dass die folgenden Unterressourcen allgemeine Kosten darstellen, die auch dann anfallen, wenn Sie nicht aktiv im Arbeitsbereich arbeiten. Wenn Sie planen, zu einem späteren Zeitpunkt zu Ihrem Azure Machine Learning-Arbeitsbereich zurückzukehren, können für diese Ressourcen weiterhin Kosten anfallen.

• VMs
• Load Balancer
• Virtual Network
• Bandbreite

Jede VM wird pro Stunde abgerechnet, die sie ausgeführt wird. Die Kosten hängen von den VM-Spezifikationen ab. VMs, die ausgeführt werden, aber nicht aktiv an einem Dataset arbeiten, werden weiterhin über den Lastenausgleich in Rechnung gestellt. Für jede Compute-Instanz wird pro Tag ein Lastenausgleich abgerechnet. Für alle 50 Knoten eines Computeclusters wird ein Standardlastenausgleich abgerechnet. Jeder Lastenausgleich wird mit ca. 0,33 USD pro Tag berechnet. Löschen Sie die Computeressource, um Kosten für den Lastenausgleich bei beendeten Compute-Instanzen und Computeclustern zu vermeiden.

Compute-Instanzen verursachen auch im beendeten Zustand P10-Datenträgerkosten. Der Grund dafür ist, dass alle dort gespeicherten Benutzerinhalte ähnlich wie bei Azure-VMs über den beendeten Zustand hinweg erhalten bleiben. Wir arbeiten daran, die Größe und den Typ des Datenträgers für das Betriebssystem konfigurierbar zu gestalten, um die Kosten besser kontrollieren zu können. Für virtuelle Netzwerke wird pro Abonnement und Region ein virtuelles Netzwerk in Rechnung gestellt. Virtuelle Netzwerke können sich nicht über Regionen oder Abonnements erstrecken. Beim Einrichten privater Endpunkte in Setups von virtuellen Netzwerken können auch Kosten anfallen. Die Bandbreite wird nach Nutzung berechnet. Je mehr Daten übertragen werden, desto höher die Kosten.

Nach dem Löschen von Ressourcen möglicherweise anfallende Kosten

Nachdem Sie im Azure-Portal oder mit der Azure CLI einen Azure Machine Learning-Arbeitsbereich gelöscht haben, sind die folgenden Ressourcen weiterhin vorhanden. Hierfür fallen weiter Kosten an, bis Sie sie löschen.

• Azure Container Registry
• Azure-Blockblobspeicher
• Key Vault
• Application Insights

Verwenden Sie das SDK, um den Arbeitsbereich zusammen mit den abhängigen Ressourcen zu löschen:

GILT FÜR: Python SDK azure-ai-ml v2 (aktuell)

from azure.ai.ml.entities import Workspace
ml_client.workspaces.begin_delete(name=ws.name, delete_dependent_resources=True)

Wenn Sie eine Azure Kubernetes Service-Instanz (AKS) in Ihrem Arbeitsbereich erstellen oder Computeressourcen an Ihren Arbeitsbereich anfügen, müssen Sie das Löschen hierfür separat im Azure-Portal durchführen.

Verwenden der Azure-Vorauszahlungsgutschrift mit Azure Machine Learning

Sie können Azure Machine Learning-Gebühren mit der Azure-Vorauszahlungsgutschrift begleichen. Allerdings können Sie mit der Azure-Vorauszahlungsgutschrift keine Gebühren für Produkte und Dienste von Drittanbietern, einschließlich derjenigen aus dem Azure Marketplace, bezahlen.

Überprüfen von geschätzten Kosten im Azure-Portal

Wenn Sie Computeressourcen für Azure Machine Learning erstellen, werden die geschätzten Kosten angezeigt.

So erstellen Sie eine *Compute-Instanz* und zeigen den geschätzten Preis an:

1. Melden Sie sich beim Azure Machine Learning Studio an.
2. Wählen Sie auf der linken Seite Compute aus.
3. Wählen Sie oben in der Symbolleiste die Option +Neu aus.
4. Überprüfen Sie den geschätzten Preis, der für jede verfügbare VM-Größe angezeigt wird.
5. Schließen Sie die Ressourcenerstellung ab.

Wenn Ihr Azure-Abonnement über ein Ausgabenlimit verfügt, wird von Azure verhindert, dass Ihre Ausgaben den Guthabenbetrag übersteigen. Beim Erstellen und Nutzen von Azure-Ressourcen wird Ihr Guthaben verwendet. Wenn Sie Ihr Guthabenlimit erreicht haben, werden die von Ihnen bereitgestellten Ressourcen für den Rest des Abrechnungszeitraums deaktiviert. Sie können Ihr Guthabenlimit nicht ändern, aber Sie können es entfernen. Weitere Informationen zu Ausgabenlimits finden Sie unter Azure-Ausgabenlimit.

Überwachen der Kosten

Wenn Sie Azure-Ressourcen mit Azure Machine Learning verwenden, fallen Kosten an. Die Kosten pro Azure-Ressourcennutzungseinheit hängen vom Zeitintervall (Sekunden, Minuten, Stunden und Tage) oder von der Einheitennutzung (Bytes, Megabytes usw.) ab. Sobald mit der Nutzung von Azure Machine Learning begonnen wird, fallen Kosten an, die in der Kostenanalyse angezeigt werden.

Bei Verwendung der Kostenanalyse zeigen Sie Azure Machine Learning-Kosten in Diagrammen und Tabellen für unterschiedliche Zeitintervalle an. Beispiele hierfür sind „Tag“, „Aktueller Monat“, „Vorheriger Monat“ und „Jahr“. Sie können Kosten auch im Vergleich mit Budgets und vorhergesagten Kosten anzeigen. Wenn Sie im Laufe der Zeit zu längeren Zeiträumen wechseln, können Sie Ausgabentrends ermitteln. Außerdem können Sie erkennen, wo es ggf. zu hohen Ausgaben gekommen ist. Wenn Sie Budgets erstellt haben, können Sie auch leicht feststellen, wo diese überschritten werden.

So zeigen Sie Azure Machine Learning-Kosten in der Kostenanalyse an:

1. Melden Sie sich beim Azure-Portal an.
2. Öffnen Sie den Bereich im Azure-Portal, und wählen Sie Kostenanalyse im Menü aus. Navigieren Sie beispielsweise zu Abonnements, und wählen Sie dann ein Abonnement in der Liste und Kostenanalyse im Menü aus. Wählen Sie Bereich aus, um zu einem anderen Bereich der Kostenanalyse zu wechseln.
3. Standardmäßig werden die Kosten für Dienste im ersten Ringdiagramm angezeigt. Wählen Sie im Diagramm den Bereich „Azure Machine Learning“ aus.

Die tatsächlichen monatlichen Kosten werden beim ersten Öffnen der Kostenanalyse angezeigt. Im folgenden Beispiel werden alle monatlichen Nutzungskosten angezeigt.

Wählen Sie zum Eingrenzen der Kosten auf einen einzelnen Dienst (z. B. Azure Machine Learning) die Option Filter hinzufügen und dann Dienstname aus. Danach wählen Sie Virtuelle Computer aus.

In diesem Beispiel werden nur die Kosten für Azure Machine Learning angezeigt.

Im obigen Beispiel sind die aktuellen Kosten für den Dienst angegeben. Die Kosten nach Azure-Regionen (Standorten) und die Azure Machine Learning-Kosten nach Ressourcengruppe werden ebenfalls angezeigt. Von hier aus können Sie die Kosten selbst überprüfen.

Erstellen von Budgets

Sie können Budgets erstellen, um Kosten zu verwalten, und Warnungen erstellen, die die Beteiligten automatisch über Ausgabenanomalien und Überschreitungsrisiken informieren. Warnungen basieren auf Ausgaben im Vergleich zum Budget und zu Kostenschwellenwerten. Budgets und Warnungen werden für Azure-Abonnements und -Ressourcengruppen erstellt und sind daher im Rahmen einer umfassenden Strategie zur Kostenüberwachung hilfreich.

Sie können ein Budget mit Filtern für bestimmte Ressourcen oder Dienste in Azure erstellen, wenn Sie eine höhere Granularität in Ihrer Überwachung wünschen. Mit Filtern stellen Sie sicher, dass Sie nicht versehentlich neue Ressourcen erstellen, die Ihnen zusätzliche Kosten bereiten. Weitere Informationen zu den Filteroptionen beim Erstellen eines Budgets finden Sie unter Gruppen- und Filteroptionen.

Exportieren von Kostendaten

Sie können Ihre Kostendaten auch in ein Speicherkonto exportieren. Dies ist hilfreich, wenn Sie oder andere Personen zusätzliche Datenanalysen für Kosten ausführen müssen. Beispielsweise kann ein Finanzteam die Daten mithilfe von Excel oder Power BI analysieren. Sie können Ihre Kosten täglich, wöchentlich oder monatlich exportieren und einen benutzerdefinierten Datumsbereich festlegen. Exportieren von Kostendaten ist die empfohlene Abrufmethode für Kostendatasets.

Weitere Optionen zum Verwalten und Reduzieren der Kosten für Azure Machine Learning

Verwenden Sie die folgenden Tipps, um Ihre Kosten für Computeressourcen zu verwalten und zu optimieren.

• Konfigurieren Sie Ihre Trainingscluster für automatische Skalierung
• Legen Sie Kontingente für Ihr Abonnement und Ihre Arbeitsbereiche fest
• Legen Sie Terminierungsrichtlinien für Ihren Trainingsauftrag fest
• Verwenden Sie virtuelle Computer (VMs) mit niedriger Priorität
• Planen Sie das automatische Herunterfahren und Starten von Compute-Instanzen.
• Verwenden Sie eine reservierte Azure-VM-Instanz
• Trainieren Sie lokal
• Parallelisieren Sie das Training
• Legen Sie Richtlinien für die Aufbewahrung und das Löschen von Daten fest
• Stellen Sie Ressourcen in derselben Region bereit
• Löschen Sie Instanzen und Cluster, wenn Sie nicht planen, sie in naher Zukunft zu verwenden.

Weitere Informationen finden Sie unter Verwalten und Optimieren von Kosten in Azure Machine Learning.

Nächste Schritte

• Verwalten und Optimieren von Kosten in Azure Machine Learning.
• Verwalten von Budgets, Kosten und Kontingenten für Azure Machine Learning auf Unternehmensebene
• Erfahren Sie, wie Sie Ihre Cloudinvestitionen mit Azure Cost Management optimieren.
• Erfahren Sie mehr über die Verwaltung von Kosten mit der Kostenanalyse.
• Erfahren Sie, wie Sie unerwartete Kosten vermeiden.
• Nehmen Sie an dem angeleiteten Kurs Cost Management teil.