Gérer les espaces de travail Azure Machine Learning dans le portail ou avec le Kit de développement logiciel (SDK) Python (v2)

S’APPLIQUE À : Kit de développement logiciel (SDK) Python azure-ai-mlv2 (préversion)

Cet article explique comment créer, afficher et supprimer des espaces de travail Azure Machine Learning pour le service Azure Machine Learning avec le portail Azure ou le Kit de développement logiciel (SDK) pour Python.

À mesure que vos besoins évoluent ou que vos exigences en matière d’automatisation augmentent, vous pouvez gérer des espaces de travail avec l’interface CLI, Azure PowerShell ou via l’extension Visual Studio Code.

Prérequis

• Un abonnement Azure. Si vous n’avez pas d’abonnement Azure, créez un compte gratuit avant de commencer. Essayez la version gratuite ou payante d’Azure Machine Learning dès aujourd’hui.
• Avec le SDK Python :

  1. Installez le Kit de développement logiciel (SDK) v2.

  2. Installer azure-identity : pip install azure-identity. Si c’est dans une cellule de notebook, utilisez %pip install azure-identity.

  3. Fournissez les informations de votre abonnement :

     S’APPLIQUE À : Kit de développement logiciel (SDK) Python azure-ai-mlv2 (préversion)

     # Enter details of your subscription
     subscription_id = "<SUBSCRIPTION_ID>"
     resource_group = "<RESOURCE_GROUP>"

  4. Obtenez un descripteur pour l’abonnement. Tout le code Python de cet article utilise ml_client :

     # get a handle to the subscription
     
     from azure.ai.ml import MLClient
     from azure.identity import DefaultAzureCredential
     
     ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)

     • (Facultatif) Si vous avez plusieurs comptes, ajoutez l’ID de locataire de l’instance Microsoft Entra ID que vous souhaitez utiliser dans le DefaultAzureCredential. Recherchez votre ID de locataire dans le portail Azure sous Microsoft Entra ID, External Identities.

       DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")
       

     • (Facultatif) Si vous travaillez dans les régions Azure Government – États-Unis ou Azure China 21Vianet, vous devez spécifier le cloud dans lequel vous souhaitez vous authentifier. Vous pouvez spécifier ces régions dans DefaultAzureCredential.

       from azure.identity import AzureAuthorityHosts
       DefaultAzureCredential(authority=AzureAuthorityHosts.AZURE_GOVERNMENT))
       

Limites

• Lorsque vous créez un espace de travail, vous pouvez soit créer automatiquement les services nécessaires à l’espace de travail, soit utiliser des services existants. Si vous voulez utiliser des services existants d’un autre abonnement Azure que l’espace de travail, vous devez inscrire l’espace de noms Azure Machine Learning dans l’abonnement qui contient ces services. Par exemple, si vous créez un espace de travail dans l’abonnement A qui utilise un compte de stockage dans l’abonnement B, l’espace de nom Azure Machine Learning doit être inscrit dans l’abonnement B pour que l’espace de travail puisse utiliser le compte de stockage.

  Le fournisseur de ressources pour Azure Machine Learning est Microsoft.MachineLearningServices. Pour plus d’informations sur la vérification de l’inscription ou sur l’inscription, consultez Fournisseurs de ressources et types de ressources Azure.

  Important

  Ces informations s’appliquent uniquement aux ressources fournies lors de la création de l’espace de travail : Comptes de stockage Azure, Azure Container Registry, Azure Key Vault et Application Insights.

• Pour l’isolement réseau avec des points de terminaison en ligne, vous pouvez utiliser des ressources associées à l’espace de travail (Azure Container Registry (ACR), compte de stockage, Key Vault et Application Insights) depuis un groupe de ressources différent de votre espace de travail. Toutefois, ces ressources doivent appartenir aux mêmes abonnement et locataire que votre espace de travail. Pour plus d’informations sur les limitations qui s’appliquent à la sécurisation des points de terminaison en ligne managés à l’aide du réseau virtuel managé d’un espace de travail, consultez Isolement réseau avec des points de terminaison en ligne managés.

• En créant un espace de travail, vous créez également un Azure Container Registry (ACR) par défaut. Étant donné qu’ACR ne prend actuellement pas en charge les caractères Unicode dans le nom des groupes de ressources, utilisez un groupe de ressources qui évite d’utiliser ces caractères.

• Azure Machine Learning ne prend pas en charge l’espace de noms hiérarchique (fonctionnalité d’Azure Data Lake Storage Gen2) pour le compte de stockage par défaut de l’espace de travail.

Conseil

Une instance Azure Application Insights est créée lorsque vous créez l’espace de travail. Si vous le souhaitez, vous pouvez supprimer l’instance Application Insights après la création du cluster. Leur suppression limite les informations collectées à partir de l’espace de travail, et peut rendre plus difficile la résolution des problèmes. Si vous supprimez l’instance Application Insights créée par l’espace de travail, la seule façon de la recréer consiste à supprimer et à recréer l’espace de travail.

Pour plus d’informations sur l’utilisation de l’instance Application Insights, consultez Superviser et collecter des données à partir des points de terminaison de service web Machine Learning.

Créer un espace de travail

Vous pouvez créer un espace de travail directement dans Azure Machine Learning studio, avec des options limitées disponibles. Vous pouvez également utiliser l’une de ces méthodes pour plus de contrôle des options :

Kit de développement logiciel (SDK) Python

S’APPLIQUE À : Kit de développement logiciel (SDK) Python azure-ai-mlv2 (préversion)

• La configuration de base pour commencer sans spécification, les ressources associées et le groupe de ressources Azure sont créés automatiquement. Ce code crée un espace de travail nommé myworkspace, des ressources Azure dépendantes (compte de stockage, coffre de clés, registre de conteneurs, les insights Application Insights) et un groupe de ressources nommé myresourcegroup dans eastus2.

  # Creating a unique workspace name with current datetime to avoid conflicts
  from azure.ai.ml.entities import Workspace
  import datetime
  
  basic_workspace_name = "mlw-basic-prod-" + datetime.datetime.now().strftime(
      "%Y%m%d%H%M"
  )
  
  ws_basic = Workspace(
      name=basic_workspace_name,
      location="eastus",
      display_name="Basic workspace-example",
      description="This example shows how to create a basic workspace",
      hbi_workspace=False,
      tags=dict(purpose="demo"),
  )
  
  ws_basic = ml_client.workspaces.begin_create(ws_basic).result()
  print(ws_basic)

• Utiliser des ressources Azure existantes. Pour apporter des ressources Azure existantes, référencez-les à l’aide du format ID de ressource Azure. Recherchez les ID de ressource Azure spécifiques dans le portail Azure ou à l’aide du Kit de développement logiciel (SDK). Cet exemple suppose que le groupe de ressources, le compte de stockage, le coffre de clés, les insights Application Insights et le registre de conteneurs existent déjà.

  # Creating a unique workspace name with current datetime to avoid conflicts
  import datetime
  from azure.ai.ml.entities import Workspace
  
  basic_ex_workspace_name = "mlw-basicex-prod-" + datetime.datetime.now().strftime(
      "%Y%m%d%H%M"
  )
  
  # Change the following variables to resource ids of your existing storage account, key vault, application insights
  # and container registry. Here we reuse the ones we just created for the basic workspace
  existing_storage_account = (
      # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT>"
      ws_basic.storage_account
  )
  existing_container_registry = (
      # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.ContainerRegistry/registries/<CONTAINER_REGISTRY>"
      ws_basic.container_registry
  )
  existing_key_vault = (
      # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.KeyVault/vaults/<KEY_VAULT>"
      ws_basic.key_vault
  )
  existing_application_insights = (
      # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.insights/components/<APP_INSIGHTS>"
      ws_basic.application_insights
  )
  
  ws_with_existing_resources = Workspace(
      name=basic_ex_workspace_name,
      location="eastus",
      display_name="Bring your own dependent resources-example",
      description="This sample specifies a workspace configuration with existing dependent resources",
      storage_account=existing_storage_account,
      container_registry=existing_container_registry,
      key_vault=existing_key_vault,
      application_insights=existing_application_insights,
      tags=dict(purpose="demonstration"),
  )
  
  ws_with_existing_resources = ml_client.begin_create_or_update(
      ws_with_existing_resources
  ).result()
  
  print(ws_with_existing_resources)

• (Préversion) Utiliser l’espace de travail Hub existant. Au lieu de créer un espace de travail par défaut avec ses propres paramètres de sécurité et ressources associées, vous pouvez réutiliser un environnement partagé d’espace de travail Hub. Votre nouvel espace de travail "projet" obtiendra des paramètres de sécurité et des configurations partagées à partir du hub, y compris le calcul et les connexions. Cet exemple suppose que l’espace de travail Hub existe déjà.

  from azure.ai.ml.entities import Project
  
  my_project_name = "myexampleproject"
  my_location = "East US"
  my_display_name = "My Example Project"
  
  my_hub = Project(name=my_hub_name, 
                   location=my_location,
                   display_name=my_display_name,
                   hub_id=created_hub.id)
  
  created_project_workspace = ml_client.workspaces.begin_create(workspace=my_hub).result()
  

Pour plus d’informations, consultez la Référence du Kit de développement logiciel (SDK) d’espace de travail.

Si vous rencontrez des problèmes pour accéder à votre abonnement, consultez Configurer l’authentification pour des ressources et des workflows Azure Machine Learning ainsi que le notebook Authentification dans Azure Machine Learning.

Portail

1. Connectez-vous au Portail Azure à l’aide des informations d’identification de votre abonnement Azure.

2. En haut à gauche du portail Azure, sélectionnez + Créer une ressource.

   

3. Utilisez la barre de recherche pour rechercher Machine Learning.

4. Sélectionnez Machine Learning.

5. Dans le volet Machine Learning, sélectionnez Créer pour commencer.

6. Fournissez les informations suivantes pour configurer votre nouvel espace de travail :

   Champ	Description
   Nom de l’espace de travail	Entrez un nom unique qui identifie votre espace de travail. Cet exemple utilise docs-ws. Dans le groupe de ressources, les noms doivent être uniques. Utilisez un nom facile à retenir et qui se différencie des espaces de travail créés par d’autres personnes. Le nom de l’espace de travail n’est pas sensible à la casse.
   Abonnement	Sélectionnez l’abonnement Azure que vous souhaitez utiliser.
   Resource group	Utilisez un groupe de ressources existant dans votre abonnement. Pour créer un groupe de ressources, entrez un nom. Un groupe de ressources contient les ressources associées d’une solution Azure. Pour utiliser un groupe de ressources existant, vous devez disposer du rôle de contributeur ou de propriétaire. Pour plus d'informations sur l'accès, consultez Gérer l'accès à un espace de travail Azure Machine Learning.
   Région	Sélectionnez la région Azure la plus proche à la fois de vos utilisateurs et des ressources de données.
   Compte de stockage	Le compte de stockage par défaut de l’espace de travail. Par défaut, un nouveau compte est créé.
   Key Vault	Coffre Azure Key Vault utilisé par l’espace de travail. Par défaut, un nouveau coffre est créé.
   Application Insights	L’instance Application Insights de l’espace de travail. Par défaut, une nouvelle instance est créée.
   Container Registry	L’instance Azure Container Registry de l’espace de travail. Par défaut, aucune nouvelle instance n’est initialement créée pour l’espace de travail. Au lieu de cela, la création d’une image Docker pendant l’apprentissage ou le déploiement crée également cet Azure Container Registry pour l’espace de travail une fois que vous en avez besoin.

   

7. Lorsque vous avez terminé la configuration de l’espace de travail, sélectionnez Vérifier + Créer. Si vous le souhaitez, utilisez les sections Mise en réseau, Chiffrement et Identité et Étiquettes pour configurer d’autres paramètres de l’espace de travail.

8. Passez en revue les paramètres et apportez toute modification ou correction supplémentaire. Lorsque vous êtes satisfait des paramètres, sélectionnez Créer.

   Avertissement

   La création de votre espace de travail dans le cloud peut prendre plusieurs minutes.

   Une fois le processus terminé, un message indiquant la réussite du déploiement s’affiche.

9. Pour afficher le nouvel espace de travail, sélectionnez Accéder à la ressource.

10. Pour commencer à utiliser l’espace de travail, sélectionnez le lien URL web du studio en haut à droite. Vous pouvez également sélectionner l’espace de travail dans la page d’accueil d’Azure Machine Learning studio.

Studio

1. Fournissez un nom pour la ressource d’espace de travail Azure Machine Learning.

2. Fournissez un nom convivial pour afficher votre espace de travail dans Studio.

3. (Préversion) Si vous le souhaitez, sélectionnez un espace de travail Hub, pour héberger votre espace de travail dans un environnement partagé pour votre équipe, avec une sécurité préconfigurée, un accès aux ressources d’entreprise et un calcul partagé.

   

Mise en réseau

Important

Pour plus d’informations sur l’utilisation d’un point de terminaison privé et d’un réseau virtuel avec votre espace de travail, consultez Isolement réseau et confidentialité.

Kit de développement logiciel (SDK) Python

S’APPLIQUE À : Kit de développement logiciel (SDK) Python azure-ai-mlv2 (préversion)

# Creating a unique workspace name with current datetime to avoid conflicts
import datetime
from azure.ai.ml.entities import Workspace

basic_private_link_workspace_name = (
    "mlw-privatelink-prod-" + datetime.datetime.now().strftime("%Y%m%d%H%M")
)

ws_private = Workspace(
    name=basic_private_link_workspace_name,
    location="eastus",
    display_name="Private Link endpoint workspace-example",
    description="When using private link, you must set the image_build_compute property to a cluster name to use for Docker image environment building. You can also specify whether the workspace should be accessible over the internet.",
    image_build_compute="cpu-compute",
    public_network_access="Disabled",
    tags=dict(purpose="demonstration"),
)

ml_client.workspaces.begin_create(ws_private).result()

Cette classe nécessite un réseau virtuel existant.

Portail

1. La configuration réseau par défaut utilise un point de terminaison public, accessible sur l’Internet public. Vous pouvez cependant sélectionner Privé avec Internet sortant ou Privé avec trafic sortant approuvé pour limiter l’accès à votre espace de travail à un réseau virtuel Azure que vous avez créé. Faites ensuite défiler vers le bas pour configurer les paramètres.

   

2. Sous Accès entrant à l’espace de travail, sélectionnez Ajouter pour ouvrir le formulaire Créer un point de terminaison privé.

3. Dans le formulaire Créer un point de terminaison privé, définissez l’emplacement, le nom et le réseau virtuel à utiliser. Pour utiliser le point de terminaison avec une zone DNS privée, sélectionnez Intégrer à une zone DNS privée, puis choisissez la zone à l’aide du champ Zone DNS privée. Cliquez sur OK pour créer le point de terminaison.

   

4. Si vous avez sélectionné Privé avec Internet sortant, utilisez la section Accès sortant à l’espace de travail pour configurer les règles réseau et de trafic sortant.

5. Si vous avez sélectionné Privé avec trafic sortant approuvé, utilisez la section Accès sortant à l’espace de travail pour ajouter des règles à l’ensemble requis.

6. Une fois la configuration du réseau terminée, vous pouvez sélectionner Vérifier + créer ou passer à la configuration facultative du Chiffrement.

Studio

1. Pour créer un espace de travail avec une connectivité Internet désactivée via Studio, vous devez spécifier un espace de travail Hub dont l’accès réseau public est désactivé. Les espaces de travail créés sans hub dans Azure AI Studio disposent d’un accès Internet public activé. Un hub privé présente l’icône du verrou.

   

2. Si vous ne sélectionnez pas d’espace de travail Hub au moment de la création, la configuration réseau par défaut utilise un point de terminaison public, accessible sur l’Internet public.

Chiffrement

Par défaut, une instance Azure Cosmos DB stocke les métadonnées de l’espace de travail. Microsoft gère cette instance Cosmos DB. Les clés managées par Microsoft chiffrent ces données.

Utiliser votre propre clé de chiffrement de données

Vous pouvez fournir votre propre clé pour le chiffrement des données. Fournir vos propres clés crée l’instance d’Azure Cosmos DB qui stocke les métadonnées dans votre abonnement Azure. Pour plus d’informations, consultez Clés gérées par le client.

Procédez comme suit pour fournir votre propre clé :

Important

Avant de suivre ces étapes, vous devez d’abord effectuer ces actions :

Suivez les étapes décrites dans Configurer les clés gérées par le client pour :

• Inscrire le fournisseur Azure Cosmos DB
• Créer et configurer un coffre Azure Key Vault
• Générer une clé

Kit de développement logiciel (SDK) Python

S’APPLIQUE À : Kit de développement logiciel (SDK) Python azure-ai-mlv2 (préversion)

from azure.ai.ml.entities import Workspace, CustomerManagedKey

# specify the workspace details
ws = Workspace(
    name="my_workspace",
    location="eastus",
    display_name="My workspace",
    description="This example shows how to create a workspace",
    customer_managed_key=CustomerManagedKey(
        key_vault="/subscriptions/<SUBSCRIPTION_ID>/resourcegroups/<RESOURCE_GROUP>/providers/microsoft.keyvault/vaults/<VAULT_NAME>"
        key_uri="<KEY-IDENTIFIER>"
    )
    tags=dict(purpose="demo")
)

ml_client.workspaces.begin_create(ws)

Portail

1. Sélectionnez Clés gérées par le client, puis Cliquer pour sélectionner la clé.

   

2. Dans le formulaire Sélectionner une clé dans Azure Key Vault, sélectionnez un coffre de clés Azure Key Vault existant, une clé dans ce coffre, et la version de la clé. Cette clé chiffre les données stockées dans Azure Cosmos DB. Enfin, cliquez sur le bouton Sélectionner pour utiliser cette clé.

   

Studio

1. Pour créer un espace de travail avec le chiffrement de clé gérée par le client via Studio, vous devez spécifier un espace de travail Hub avec chiffrement de clé gérée par le client activé. Pour vérifier la configuration de l’espace de travail Hub, affichez-le dans le portail Azure.

2. Si vous ne sélectionnez pas d’espace de travail Hub au moment de la création, votre espace de travail utilise des clés gérées par Microsoft par défaut.

Identité

Dans le portail, utilisez la page Identité pour configurer l’identité managée, l’accès au compte de stockage et l’impact sur les données. Pour le SDK Python, consultez les liens des sections suivantes.

Identité gérée

Un espace de travail peut recevoir une identité affecté par le système ou par l’utilisateur. Cette identité est utilisée pour accéder aux ressources de votre abonnement. Pour plus d’informations, consultez Configurer l’authentification entre Azure Machine Learning et d’autres services.

Accès au compte de stockage

Choisissez entre Accès basé sur les informations d’identification ou Accès basé sur l’identité lors de la connexion au compte de stockage par défaut. Pour l’authentification basée sur l’identité, le rôle Contributeur aux données Blob du stockage doit être accordé à l’identité managée de l’espace de travail sur le compte de stockage.

Impact des données

Pour limiter les données que Microsoft collecte sur votre espace de travail, sélectionnez l’espace de travail HBI (High Business Impact) dans le portail, ou définissez hbi_workspace=true dans Python. Pour plus d’informations sur ce paramètre, consultez Chiffrement au repos.

Important

La sélection de High Business Impact ne peut se faire que lors de la création d’un espace de travail. Vous ne pouvez pas modifier ce paramètre une fois l’espace de travail créé.

Balises

Les étiquettes sont des paires nom/valeur qui vous permettent de catégoriser les ressources et d’afficher une facturation centralisée en appliquant la même étiquette à plusieurs ressources et groupes de ressources.

Attribuez des balises pour l’espace de travail en entrant les paires nom/valeur. Pour plus d’informations, consultez Organisation des ressources Azure à l’aide de balises.

Utilisez également des balises pour [appliquer des stratégies d’espace de travail)(#appliquer-stratégies).

Télécharger un fichier de configuration

Si vous exécutez votre code sur une instance de calcul, ignorez cette étape. L’instance de calcul crée et stocke une copie de ce fichier pour vous.

Pour utiliser sur votre environnement local du code faisant référence à cet espace de travail, téléchargez le fichier :

1. Sélectionner votre espace de travail dans Azure Studio

2. En haut à droite, sélectionnez le nom de l’espace de travail, puis Télécharger config.json.

   

Placez le fichier dans la structure de répertoires qui contient vos scripts Python ou vos notebooks Jupyter. Le même répertoire, un sous-répertoire nommé .azureml ou un répertoire parent peut contenir ce fichier. Quand vous créez une instance de calcul, ce fichier est automatiquement ajouté dans le répertoire approprié sur la machine virtuelle.

Appliquer des stratégies

Vous pouvez activer/désactiver ces fonctionnalités d’un espace de travail :

• Opportunités de commentaires dans l’espace de travail. Les opportunités comprennent des enquêtes occasionnelles dans le produit et l’outil de commentaires visage souriant/mécontent dans la bannière de l’espace de travail.
• Possibilité d’essayer les fonctionnalités d’évaluation dans l’espace de travail.

Ces fonctionnalités sont par défaut. Pour les désactiver :

• Lors de la création de l’espace de travail, désactivez les fonctionnalités dans la section Balises :

  1. Désactiver les commentaires en ajoutant la paire « ADMIN_HIDE_SURVEY: TRUE »
  2. Désactiver les préversions en ajoutant la paire « AZML_DISABLE_PREVIEW_FEATURE": "TRUE »

• Pour un espace de travail existant, désactivez les fonctionnalités dans la section Balises :

  1. Accéder à la ressource de l’espace de travail dans le Portail Azure
  2. Ouvrez la section Balises dans le volet de navigation gauche.
  3. Désactiver les commentaires en ajoutant la paire « ADMIN_HIDE_SURVEY: TRUE »
  4. Désactiver les préversions en ajoutant la paire « AZML_DISABLE_PREVIEW_FEATURE: TRUE »
  5. Sélectionnez Appliquer.

Vous pouvez désactiver les préversions au niveau de l’abonnement, ce qui veille à leur désactivation pour tout l’espace de travail de l’abonnement. Dans ce cas, les utilisateurs de l’abonnement n’ont pas non plus accès à l’outil en préversion avant de sélectionner un espace de travail. Ce paramètre est utile pour les administrateurs qui veulent s’assurer que les fonctionnalités en préversion ne sont pas utilisées dans leur organisation.

Si le paramètre en préversion est désactivé au niveau de l’abonnement, sa définition est ignorée sur des espaces de travail individuels.

Pour désactiver les fonctionnalités d’évaluation au niveau de l’abonnement :

1. Accéder à la ressource de l’abonnement dans le Portail Azure
2. Ouvrez la section Balises dans le volet de navigation gauche.
3. Désactiver les préversions pour tous les espaces de travail de l’abonnement en ajoutant la paire « AZML_DISABLE_PREVIEW_FEATURE: TRUE »
4. Sélectionnez Appliquer.

Se connecter à un espace de travail

Lors de l’exécution de tâches Machine Learning avec le Kit de développement logiciel (SDK), vous avez besoin d’un objet MLClient qui spécifie la connexion à votre espace de travail. Vous pouvez créer un objet MLClient à partir de paramètres ou avec un fichier de configuration.

S’APPLIQUE À : Kit de développement logiciel (SDK) Python azure-ai-ml v2 (actuelle)

• Avec un fichier config : ce code lit le contenu du fichier config pour localiser votre espace de travail. Si vous ne vous êtes pas déjà authentifié, une fenêtre s’ouvre pour vous inviter à vous connecter.

  from azure.ai.ml import MLClient
  
  # read the config from the current directory
  ws_from_config = MLClient.from_config(credential=DefaultAzureCredential())
  

• À partir de paramètres : il n’est pas nécessaire d’avoir un fichier config.json disponible si vous utilisez cette approche.

  from azure.ai.ml import MLClient
  from azure.ai.ml.entities import Workspace
  from azure.identity import DefaultAzureCredential
  
  ws = MLClient(
      DefaultAzureCredential(),
      subscription_id="<SUBSCRIPTION_ID>",
      resource_group_name="<RESOURCE_GROUP>",
      workspace_name="<AML_WORKSPACE_NAME>",
  )
  print(ws)

Si vous rencontrez des problèmes pour accéder à votre abonnement, consultez Configurer l’authentification pour des ressources et des workflows Azure Machine Learning ainsi que le notebook Authentification dans Azure Machine Learning.

Trouver un espace de travail

Consultez la liste de tous les espaces de travail que vous avez disponibles. Vous pouvez également rechercher un espace de travail dans Studio. Consultez Recherche de ressources Azure Machine Learning (préversion).

Kit de développement logiciel (SDK) Python

S’APPLIQUE À : Kit de développement logiciel (SDK) Python azure-ai-mlv2 (préversion)

from azure.ai.ml import MLClient
from azure.ai.ml.entities import Workspace
from azure.identity import DefaultAzureCredential

# Enter details of your subscription
subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"

my_ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)

for ws in my_ml_client.workspaces.list():
    print(ws.name, ":", ws.location, ":", ws.description)

Pour obtenir des détails spécifiques sur l’espace de travail :

ws = my_ml_client.workspaces.get("<AML_WORKSPACE_NAME>")
# uncomment this line after providing a workspace name above
# print(ws.location,":", ws.resource_group)

Portail

1. Connectez-vous au portail Azure.

2. Dans le champ de recherche du haut, tapez Machine Learning.

3. Sélectionnez Machine Learning.

   

4. Examinez la liste des espaces de travail. Vous pouvez filtrer en fonction d’abonnements, de groupes de ressources et de localisations.

5. Pour afficher les propriétés, sélectionnez un espace de travail.

Studio

1. Dans Azure Machine Learning studio, sélectionnez Tous les espaces de travail dans le volet de navigation gauche. Une liste d’espaces de travail récemment utilisés s’affiche.
2. Pour afficher tous les espaces de travail auxquels vous avez accès, sélectionnez Espaces de travail dans le volet de navigation gauche.

Supprimer un espace de travail

Lorsque vous n’avez plus besoin d’un espace de travail, supprimez-le.

Avertissement

Si la suppression réversible est activée pour l’espace de travail, celui-ci peut être récupéré après sa suppression. Si la suppression réversible n’est pas activée ou si vous sélectionnez l’option permettant de supprimer définitivement l’espace de travail, celui-ci ne peut plus être récupéré. Pour plus d'informations, consultez Récupérer un espace de travail supprimé.

Conseil

Le comportement par défaut d’Azure Machine Learning consiste en une suppression réversible de l’espace de travail. Cela signifie que l’espace de travail n’est pas immédiatement supprimé, mais marqué pour suppression. Pour plus d’informations, consultez Suppression réversible.

Kit de développement logiciel (SDK) Python

S’APPLIQUE À : Kit de développement logiciel (SDK) Python azure-ai-mlv2 (préversion)

ml_client.workspaces.begin_delete(name=ws_basic.name, delete_dependent_resources=True)

L’action par défaut ne supprime pas automatiquement les ressources associées à l’espace de travail. Définissez delete_dependent_resources sur True pour supprimer également ces ressources.

• Container Registry
• compte de stockage
• coffre de clés
• application insights

Portail

Dans le portail Azure, sélectionnez Supprimer en haut de l’espace de travail que vous souhaitez supprimer.

Studio

Vous ne pouvez pas supprimer un espace de travail depuis Studio. Utilisez plutôt le portail Azure ou le SDK Python.

Nettoyer les ressources

Important

Les ressources que vous avez créées peuvent être utilisées comme prérequis pour d’autres tutoriels d’Azure Machine Learning et des articles de procédure.

Si vous n’avez pas l’intention d’utiliser les ressources que vous avez créées, supprimez-les pour éviter des frais :

1. Dans la zone de recherche du Portail Azure, saisissez Groupes de ressources, puis sélectionnez-le dans les résultats.

2. Dans la liste, sélectionnez le groupe de ressources créé.

3. Dans la page Vue d’ensemble, sélectionnez Supprimer le groupe de ressources.

   

4. Entrez le nom du groupe de ressources. Puis sélectionnez Supprimer.

Dépannage

• Navigateurs pris en charge dans Azure Machine Learning studio : Nous vous suggérons d’utiliser le navigateur le plus récent compatible avec votre système d’exploitation. Ces navigateurs sont pris en charge :

  • Microsoft Edge (le nouveau Microsoft Edge, dernière version. Remarque : Microsoft Edge hérité n’est pas pris en charge)
  • Safari (dernière version, Mac uniquement)
  • Chrome (version la plus récente)
  • Firefox (version la plus récente)

• Portail Azure:

  • Si vous accédez directement à votre espace de travail à partir d’un lien de partage provenant du kit SDK ou du Portail Azure, vous ne pourrez pas afficher la page Vue d’ensemble standard comportant des informations sur l’abonnement dans l’extension. De plus, vous ne pouvez pas basculer vers un autre espace de travail dans ce scénario. Pour afficher un autre espace de travail, accédez directement à Azure Machine Learning Studio, puis recherchez le nom de l’espace de travail.
  • Toutes les ressources (données, expériences, calculs, etc.) sont uniquement disponibles dans Azure Machine Learning studio. Le portail Azure ne les propose pas*.
  • La tentative d’exportation d’un modèle pour un espace de travail à partir du portail Azure peut retourner une erreur semblable à ce texte : Could not get resource of the type <type>. Resources of this type will not be exported. Comme solution de contournement, utilisez l’un des modèles fournis dans https://github.com/Azure/azure-quickstart-templates/tree/master/quickstarts/microsoft.machinelearningservices comme base pour votre modèle.

Diagnostics de l’espace de travail

Vous pouvez exécuter des diagnostics sur votre espace de travail à partir d’Azure Machine Learning studio ou du kit de développement logiciel (SDK) Python. Une fois les diagnostics exécutés, une liste de tous les problèmes détectés est retournée. Cette liste contient des liens vers des solutions possibles. Pour plus d’informations, consultez Comment utiliser les diagnostics de l’espace de travail.

Erreurs du fournisseur de ressources

Lors de la création d’un espace de travail Azure Machine Learning ou d’une ressource utilisée par l’espace de travail, vous pouvez recevoir un message d’erreur semblable aux messages suivants :

• No registered resource provider found for location {location}
• The subscription is not registered to use namespace {resource-provider-namespace}

Par défaut, la plupart des fournisseurs de ressources sont enregistrés automatiquement. Si vous recevez ce message, vous devez inscrire le fournisseur mentionné.

Le tableau suivant contient la liste des fournisseurs de ressources requis par Azure Machine Learning :

Fournisseur de ressources	Pourquoi il est nécessaire
Microsoft.MachineLearningServices	Création de l’espace de travail Azure Machine Learning.
Microsoft.Storage	Un compte Stockage Azure est utilisé comme stockage par défaut pour l’espace de travail.
Microsoft.ContainerRegistry	Azure Container Registry est utilisé par l’espace de travail pour créer des images Docker.
Microsoft.KeyVault	Azure Key Vault est utilisé par l’espace de travail pour stocker les secrets.
Microsoft.Notebooks	Notebooks intégrés sur l’instance de calcul Azure Machine Learning.
Microsoft.ContainerService	Si vous envisagez de déployer des modèles entraînés sur Azure Kubernetes Service.

Si vous prévoyez d’utiliser une clé gérée par le client avec Azure Machine Learning, les fournisseurs de services suivants doivent être inscrits :

Fournisseur de ressources	Pourquoi il est nécessaire
Microsoft.DocumentDB	Instance Azure CosmosDB qui journalise les métadonnées de l’espace de travail.
Microsoft.Search	La Recherche Azure fournit des fonctionnalités d’indexation pour l’espace de travail.

Si vous envisagez d’utiliser un réseau virtuel managé avec Azure Machine Learning, le fournisseur de ressources Microsoft.Network doit être inscrit. Ce fournisseur de ressources est utilisé par l’espace de travail lors de la création de points de terminaison privés pour le réseau virtuel managé.

Pour plus d’informations sur l’inscription d’un fournisseur de ressources, consultez Résoudre les erreurs d’inscription de fournisseurs de ressources.

Suppression d'Azure Container Registry

L’espace de travail Azure Machine Learning utilise l’Azure Container Registry (ACR) pour certaines opérations. Il crée automatiquement une instance ACR dès qu'il en a besoin.

Avertissement

Une fois qu’une instance d’Azure Container Registry a été créée pour un espace de travail, ne la supprimez pas. Cela entraînerait l’arrêt de votre espace de travail Azure Machine Learning.

Exemples

Les exemples de cet article proviennent de workspace.ipynb.

Étapes suivantes

Une fois que vous disposez d’un espace de travail, découvrez comment effectuer l’apprentissage d’un modèle, puis déployer celui-ci.

Pour en savoir plus sur la planification d’un espace de travail pour les besoins de votre organisation, consultez Organiser et configurer Azure Machine Learning.

• Si vous avez besoin de déplacer un espace de travail vers un autre abonnement Azure, consultez Guide pratique pour déplacer un espace de travail.

Pour plus d’informations sur la façon de maintenir votre Azure Machine Learning à jour avec les dernières mises à jour de sécurité, consultez Gestion des vulnérabilités.