Qu’est-ce qu’un espace de travail Azure Machine Learning ?

L’espace de travail est la ressource de niveau supérieur pour Azure Machine Learning. Il fournit un emplacement centralisé dans lequel exploiter tous les artefacts que vous créez lorsque vous utilisez Azure Machine Learning. L’espace de travail conserve un historique de toutes les exécutions d’entraînement, y compris les journaux d’activité, les métriques, les sorties et un instantané de vos scripts. Vous utilisez ces informations pour déterminer quelle exécution d’entraînement produit le meilleur modèle.

Une fois que vous disposez d’un modèle qui vous convient, inscrivez-le avec l’espace de travail. Vous utilisez ensuite le modèle inscrit et le scripts de scoring pour effectuer un déploiement sur un point de terminaison en ligne en tant que point de terminaison HTTP basé sur REST.

Taxonomie

  • Un espace de travail peut contenir des instances de calcul Azure Machine Learning, des ressources cloud configurées avec l’environnement Python nécessaire pour exécuter Azure Machine Learning.

  • Les rôles utilisateur vous permettent de partager votre espace de travail avec d’autres utilisateurs, équipes ou projets.

  • Les cibles de calcul vous permettent d’exécuter vos expériences.

  • Lorsque vous créez l’espace de travail, les ressources associées sont également créées à votre place.

  • Les travaux sont des exécutions d’apprentissage que vous utilisez pour générer vos modèles. Vous pouvez organiser vos travaux en Expériences.

  • Les pipelines sont des flux de travail réutilisables destinés à l’entraînement et la reformation de votre modèle.

  • Des ressources de données facilitent la gestion des données que vous utilisez pour l’apprentissage des modèles et la création de pipelines.

  • Une fois que vous avez un modèle que vous souhaitez déployer, vous créez un modèle inscrit.

  • Utilisez le modèle inscrit et un script de scoring pour créer un point de terminaison en ligne.

Outils pour l’interaction avec l’espace de travail

Vous pouvez interagir avec votre espace de travail comme suit :

Machine Learning avec un espace de travail

Les tâches de Machine Learning lisent et/ou écrivent des artefacts sur votre espace de travail.

  • Exécuter une expérience pour effectuer l’apprentissage d’un modèle : écrit les résultats de l’exécution du travail dans l’espace de travail.
  • Utiliser le Machine Learning automatisé pour entraîner un modèle : écrit les résultats de l’entraînement sur l’espace de travail.
  • Inscrivez un modèle dans l’espace de travail.
  • Déployer un modèle : utilise le modèle inscrit pour créer un déploiement.
  • Créez et exécutez des flux de travail réutilisables.
  • Affichez les artefacts d’apprentissage automatique, tels que des travaux, des pipelines, des modèles et des déploiements.
  • Suivez et supervisez les modèles.

Gestion de l’espace de travail

Vous pouvez également effectuer les tâches de gestion de l’espace de travail suivantes :

Tâche de gestion de l’espace de travail Portail Studio Kit de développement logiciel (SDK) Python Azure CLI VS Code
Créer un espace de travail
Gérer les accès à l’espace de travail
Créer et gérer des ressources de calcul
Créer une instance de calcul

Avertissement

Le déplacement de votre espace de travail Azure Machine Learning vers un autre abonnement, ou le déplacement de l’abonnement propriétaire vers un nouveau locataire, n’est pas pris en charge. En effet, cela peut provoquer des erreurs.

Créer un espace de travail

Il existe plusieurs moyens de créer un espace de travail :

Notes

Le nom de l’espace de travail n’est pas sensible à la casse.

Sous-ressources

Ces sous-ressources sont les principales ressources qui sont créées dans l’espace de travail AzureML.

  • Machines virtuelles : fournissent la puissance de calcul pour votre espace de travail AzureML et font partie intégrante du déploiement et des modèles de formation.
  • Load Balancer : un équilibreur de charge réseau est créé pour chaque instance de calcul et cluster de calcul afin de gérer le trafic même en cas d’arrêt de l’instance/du cluster de calcul.
  • Réseau virtuel : permet aux ressources Azure de communiquer entre elles, avec Internet et d’autres réseaux locaux.
  • Bande passante : encapsule tous les transferts de données sortants entre les régions.

Ressources associées

Lorsque vous créez un nouvel espace de travail, celui-ci crée automatiquement plusieurs ressources Azure qui sont utilisées par l’espace de travail :

  • Compte Stockage Azure : Utilisé comme magasin de données par défaut pour l’espace de travail. Les notebooks Jupyter utilisés avec vos instances de calcul Azure Machine Learning sont également stockés ici.

    Important

    Par défaut, le compte de stockage est un compte v1 à usage général. Vous pouvez mettre ce compte à niveau vers un compte v2 à usage général après la création de l’espace de travail. N’activez pas l’espace de noms hiérarchique sur le compte de stockage après une mise à niveau vers un compte v2 universel.

    Si vous souhaitez utiliser un compte Stockage Azure existant, il ne doit pas s’agir d’un compte BlobStorage ou Premium (Premium_LRS ou Premium_GRS). Il ne peut pas non plus comporter d’espace de noms hiérarchique (utilisé avec Azure Data Lake Storage Gen2). Ni le stockage Premium ni les espaces de noms hiérarchiques ne sont pris en charge avec le compte de stockage par défaut de l’espace de travail. Ils peuvent en revanche être utilisés avec des comptes de stockage autres que les comptes par défaut.

  • Azure Container Registry : inscrit les conteneurs Docker utilisés pour les composants suivants :

    Pour réduire les coûts, ACR fait l’objet d’un chargement différé jusqu’à ce que les images soient nécessaires.

    Notes

    Si votre paramètre d’abonnement exige l’ajout de balises aux ressources qu’il contient, Azure Container Registry (ACR) créé par Azure Machine Learning échouera, car il est impossible de définir des balises sur ACR.

  • Azure Application Insights : Stocke des informations de monitoring et de diagnostic. Pour plus d’informations, consultez Superviser des points de terminaison en ligne.

    Notes

    Si vous le souhaitez, vous pouvez supprimer l’instance Application Insights après la création du cluster. Sa suppression limite les informations collectées à partir de l’espace de travail, et peut compliquer la résolution des problèmes. Si vous supprimez l’instance Application Insights créée par l’espace de travail, vous ne pouvez pas la recréer sans supprimer et recréer l’espace de travail.

  • Azure Key Vault : Stocke les secrets qui sont utilisés par les cibles de calcul, ainsi que d’autres informations sensibles dont a besoin l’espace de travail.

Notes

Vous pouvez utiliser à la place des instances de ressources Azure existantes lorsque vous créez l’espace de travail avec le SDK Python ou la CLI Azure Machine Learning à l’aide d’un modèle ARM.

Étapes suivantes

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.

Pour bien démarrer avec Azure Machine Learning, voir :