¿Qué es un área de trabajo de Azure Machine Learning?

Las áreas de trabajo son lugares para colaborar con compañeros para crear artefactos de aprendizaje automático y trabajo relacionado con grupos. Por ejemplo, experimentos, trabajos, conjuntos de datos, modelos, componentes e puntos de conexión de inferencia. En este artículo se describen las áreas de trabajo, cómo administrar el acceso a ellas y cómo usarlas para organizar el trabajo.

¿Ya está listo para comenzar? Creación de un área de trabajo.

Tareas realizadas en un área de trabajo

En el caso de los equipos de aprendizaje automático, el área de trabajo supone un lugar para organizar su trabajo. Estas son algunas de las tareas que puede iniciar desde un área de trabajo:

  • Crear trabajos: los trabajos son ejecuciones de entrenamiento que se usan para compilar los modelos. Puedes agrupar trabajos en experimentos para comparar métricas.
  • Creación de canalizaciones: las canalizaciones son flujos de trabajo reutilizables para entrenar y volver a entrenar el modelo.
  • Registrar activos de datos: los activos de datos ayudan en la gestión de los datos que utiliza para la formación de modelos y la creación de canalizaciones.
  • Registrar modelos: una vez que tengas un modelo que quieras implementar, crea un modelo registrado.

Además de agrupar los resultados de aprendizaje automático, las áreas de trabajo también albergan configuraciones de recursos:

Organizar áreas de trabajo

Para los jefes de equipo y administradores de aprendizaje automático, las áreas de trabajo sirven como contenedores para la administración del acceso, la administración de costes y el aislamiento de datos. Estos son algunos consejos para organizar las áreas de trabajo:

  • Use roles de usuario para administrar permisos en el área de trabajo entre usuarios. Por ejemplo, utilice los roles de un científico de datos, un ingeniero de aprendizaje automático o un administrador.
  • Asignar acceso a grupos de usuarios: mediante el uso de grupos de usuarios de Microsoft Entra, no es necesario agregar usuarios individuales a cada área de trabajo. Use los mismos grupos de usuarios para conceder acceso a otros recursos.
  • Creación de un área de trabajo por proyecto: aunque se puede usar un área de trabajo para varios proyectos, limitarlo a un proyecto por área de trabajo permite la generación de informes de costos acumulados a un nivel de proyecto. También permite administrar configuraciones como almacenes de datos en el ámbito de cada proyecto.
  • Compartir recursos de Azure: las áreas de trabajo requieren que cree varios recursos asociados. Comparta estos recursos entre áreas de trabajo para guardar pasos de configuración repetitivos.
  • Habilite el autoservicio: cree previamente y proteja los recursos asociados como administrador de TI y utilice roles de usuario para que los científicos de datos puedan crear áreas de trabajo por su cuenta.
  • Compartir recursos: puede compartir recursos entre áreas de trabajo mediante registros de Azure Machine Learning.
  • Uso de áreas de trabajo de concentrador para la gobernanza centralizada: un área de trabajo de concentrador agrupa varias áreas de trabajo de proyecto con la configuración de seguridad compartida, las conexiones y los recursos de proceso. Las áreas de trabajo del centro son el mismo tipo de recurso que los centros de Microsoft Foundry, por lo que puede usarlos tanto desde Azure Machine Learning Studio como foundry.

¿Cómo se almacena mi contenido en un área de trabajo?

Su espacio de trabajo mantiene un historial de todas las ejecuciones de capacitación, con registros, métricas, resultados, metadatos de linaje y una instantánea de sus scripts. A medida que realiza tareas en Azure Machine Learning, se generan artefactos. Sus metadatos y datos se almacenan en el área de trabajo y en sus recursos asociados.

Recursos asociados

Al crear una nueva área de trabajo, debe traer otros recursos de Azure para almacenar los datos. Si no proporciona estos recursos, Azure Machine Learning los crea automáticamente.

  • Cuenta de Azure Storage. Almacena artefactos de aprendizaje automático, como registros de trabajos. De forma predeterminada, el área de trabajo usa esta cuenta de almacenamiento al cargar datos. Los cuadernos de Jupyter Notebook que se usan con las instancias de proceso de Azure Machine Learning también se almacenan aquí.

    Importante

    No se puede utilizar una cuenta Azure Storage existente si es:

    • Una cuenta de tipo BlobStorage
    • Una cuenta Premium (Premium_LRS y Premium_GRS)
    • Una cuenta con espacio de nombres jerárquico (utilizado con Azure Data Lake Storage Gen2).

    Puede usar Premium Storage o espacio de nombres jerárquico como almacenamiento adicional mediante la creación de un almacén de datos.

    No habilite el espacio de nombres jerárquico en la cuenta de almacenamiento después de actualizar a la versión 2 de uso general.

    Si trae una cuenta de almacenamiento de uso general v1 existente, puede actualizar a uso general v2 después de crear el área de trabajo. SE APLICA A:Extensión ml de la CLI de Azure v2 (actual)SDK de Python para Azure:ai-ml v2 (actual)

  • Azure Container Registry (ACR). Almacena contenedores de Docker creados al compilar entornos personalizados a través de Azure Machine Learning. La implementación de modelos y perfiles de datos de AutoML desencadena la creación de entornos personalizados.

    Puede crear áreas de trabajo sin ACR como dependencia si no es necesario compilar contenedores de Docker personalizados. Azure Machine Learning puede leer registros de contenedores externos.

    ACR se aprovisiona automáticamente al construir imágenes Docker personalizadas. Utilice el control de acceso basado en roles de Azure (Azure RBAC) para impedir que se creen contenedores Docker de clientes.

    Importante

    Si la configuración de suscripción requiere agregar etiquetas a los recursos en él, se produce un error en ACR creado por Azure Machine Learning, ya que no se pueden establecer etiquetas en ACR.

  • Azure Application Insights. Le ayuda a supervisar y recopilar información de diagnóstico de los puntos de conexión de inferencia.

    Para obtener más información, consulte Supervisión de los puntos de conexión en línea.

  • Azure Key Vault Almacena secretos que los objetivos de computación utilizan y otra información confidencial que necesita el entorno de trabajo.

Creación de un área de trabajo

Puede crear un área de trabajo de muchas maneras. Para empezar, utilice una de las siguientes opciones:

Para automatizar la creación del área de trabajo mediante la configuración de seguridad preferida:

Herramientas para la interacción y administración del área de trabajo

Después de configurar el área de trabajo, puede interactuar con él de las siguientes maneras:

Cada interfaz proporciona las siguientes tareas de administración del área de trabajo.

Tarea de administración de áreas de trabajo Portal Estudio SDK de Python CLI de Azure Código de VS
Creación de un área de trabajo ✓ ✓ ✓ ✓ ✓
Administración del acceso al área de trabajo ✓ ✓
Creación y administración de recursos de computación ✓ ✓ ✓ ✓ ✓
Creación de una instancia de cómputo ✓ ✓ ✓ ✓

Advertencia

No puede mover el área de trabajo de Azure Machine Learning a otra suscripción. Tampoco puede mover la suscripción propietaria a un nuevo inquilino. Estas acciones pueden provocar errores.

Subrecursos

Al crear clústeres de proceso e instancias de proceso en Azure Machine Learning, también se crean subrecursos.

  • Máquinas virtuales: proporcione potencia informática para instancias de proceso y clústeres de proceso. Úselos para ejecutar tareas.
  • Load Balancer: se crea un equilibrador de carga de red para cada instancia de proceso y clúster de proceso. Administra el tráfico incluso mientras se detiene la instancia de proceso o el clúster.
  • Red virtual: ayudan a los recursos de Azure a comunicarse entre sí, Internet y otras redes locales.
  • Ancho de banda: encapsula todas las transferencias de datos salientes entre regiones.

Pasos siguientes

Para más información sobre cómo planear un área de trabajo para los requisitos de su organización, consulte Organización y configuración de entornos de Azure Machine Learning.

Para una introducción a Azure Machine Learning, consulte:

  • Last updated on