Remarque
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de vous connecter ou de modifier des répertoires.
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de modifier des répertoires.
L’agent d’ingénierie des données Fabric (Project Osmos) utilise des modèles de langage pour planifier et affiner le travail, et Spark compute pour exécuter du code, tester les options d’implémentation et valider les résultats. Pour comprendre la consommation de calcul d’une tâche, examinez les deux composants plutôt que les tokens du modèle de langage seuls.
Important
L’agent d’ingénierie des données (Project Osmos) est en aperçu. Les fonctionnalités de prévisualisation sont publiées avec des capacités limitées et sont soumises à des conditions supplémentaires distinctes pour les prévisualisations. Ils ne sont pas destinés à la production, ne sont pas soumis à des accords de niveau de service, et peuvent être disponibles uniquement dans certaines régions. Pour plus d’informations, consultez les informations d’aperçu de Microsoft Fabric.
Comprendre l’utilisation des tâches
Les composants suivants utilisent des règles de consommation et de facturation différentes :
| Component | Ce qui consomme les ressources | Où trouver des conseils |
|---|---|---|
| Modèles de langage | Entrée, entrées mises en cache lorsqu’elles sont rapportées séparément, et jetons de sortie utilisés pour la planification, le raisonnement et la génération de code. | Consultez les conseils sur la consommation et la facturation de Copilot. L’utilisation du modèle de langage apparaît sous l’opération Project Osmos et le compteur de facturation Azure Copilot and AI. |
| Calcul Spark | Exécution de code, expériences d’implémentation, traitement des données et validations. | Examinez la facturation et l’utilisation d’Apache Spark. L’utilisation de Spark est rapportée séparément de l’opération du modèle de langage Project Osmos. |
La complexité des tâches affecte les deux composantes. Plus de tentatives d’implémentation ou de validations peuvent augmenter l’utilisation des jetons et l’exécution de Spark. La quantité de contexte traité influence l’utilisation des jetons, tandis que le volume de données et les transformations telles que les jointures et les agrégations affectent le travail Spark. Les tâches avec des prompts similaires peuvent donc consommer différentes quantités de calcul.
D’autres opérations Fabric utilisées par une tâche ont leurs propres règles de consommation. Pour plus d’informations, consultez opérations Fabric.
Surveiller l’utilisation
Utilisez l’application Fabric Capacity Metrics pour inspecter les modèles de langage et l’utilisation de Spark. Si vous n’avez pas accès à l’application, demandez à votre administrateur de capacité de vérifier l’utilisation avec vous.
Dans le rapport par défaut de l’application :
- Ouvrez la page Compute et utilisez Capacity Name pour sélectionner la capacité attribuée à l’espace de travail de la tâche.
- Sélectionnez la période qui inclut l’exécution de la tâche dans le graphique en ruban multimétrique.
- Filtrez le type d’élément sur Lakehouse. Dans la matrice par élément et opération, localisez l’espace de travail et le lakehouse de la tâche.
- Passez la souris sur une valeur sur la ligne de ce lakehouse pour voir la décomposition de l’opération. Trouvez Project Osmos destiné à être utilisé par des modèles de langage. Cette opération en arrière-plan utilise le compteur de facturation Azure Copilot et IA.
- Examinez séparément l’utilisation de Spark dans le lakehouse. Si vous exécutez également des notebooks générés, examinez leurs éléments Notebook et leurs opérations Spark. N'interprétez pas l'opération Project Osmos comme la consommation totale de calcul de la tâche.
Pour des conseils illustrés sur le rapport et le détail des opérations, voir la page Calcul dans l’application Fabric Capacity Metrics et Surveiller la consommation de capacité d’Apache Spark. Si vous utilisez le rapport de prévisualisation repensé, consultez la page Compute dans l’aperçu de l’application Capacity Metrics.
Note
Les totaux de Lakehouse peuvent inclure des activités provenant d’autres tâches et utilisateurs. N’attribuez pas toute l’utilisation de Spark pour un lakehouse partagé à une seule tâche. L’utilisation met également du temps à apparaître dans l’application ; pour le comportement de rafraîchissement, voir Latence des données.
Taux de consommation
L’utilisation du modèle de langage est convertie en unités de capacité Fabric (CU). Pour les taux de consommation publiés de Copilot et les directives de facturation, voir Taux de consommation et facturation pour Copilot dans Fabric.
Prenez en compte l’utilisation de Spark séparément selon le modèle de facturation Spark applicable. Le simple nombre de jetons ne détermine pas le coût total d’une tâche.
Pour des conseils sur la planification de la capacité, voir Planification de l’utilisation de la capacité partagée.