Az Azure Machine Learning költségeinek kezelése

Ez a cikk azt ismerteti, hogyan tervezheti meg és kezelheti az Azure Machine Learning költségeit. Először az Azure díjkalkulátorával megtervezheti a költségeket, mielőtt erőforrásokat ad hozzá. Ezután az Azure-erőforrások hozzáadásakor tekintse át a becsült költségeket.

Miután megkezdte az Azure Machine Learning-erőforrások használatát, a költségkezelési funkciókkal beállíthatja a költségvetéseket és figyelheti a költségeket. Tekintse át az előrejelzett költségeket, és azonosítsa a költségtrendeket, hogy azonosítsa azokat a területeket, ahol esetleg cselekedni szeretne.

Tudja meg, hogy az Azure Machine Learning költségei csak a havi költségek egy részét képezik az Azure-számláján. Ha más Azure-szolgáltatásokat használ, az Azure-előfizetésben használt összes Azure-szolgáltatásért és erőforrásért, beleértve a harmadik féltől származó szolgáltatásokat is. Ez a cikk azt ismerteti, hogyan tervezheti meg és kezelheti az Azure Machine Learning költségeit. Miután megismerte az Azure Machine Learning költségeinek kezelését, hasonló módszereket alkalmazhat az előfizetésben használt összes Azure-szolgáltatás költségeinek kezelésére.

A költségek optimalizálásával kapcsolatos további információkért lásd: A költségek kezelése és optimalizálása az Azure Machine Learningben.

Fontos

A cikkben megjelölt elemek (előzetes verzió) jelenleg nyilvános előzetes verzióban érhetők el. Az előzetes verzió szolgáltatásszint-szerződés nélkül érhető el, éles számítási feladatokhoz nem ajánlott. Előfordulhat, hogy néhány funkció nem támogatott, vagy korlátozott képességekkel rendelkezik. További információ: Kiegészítő használati feltételek a Microsoft Azure előzetes verziójú termékeihez.

Előfeltételek

A Cost Management költségelemzése a legtöbb Azure-fióktípust támogatja, de nem mindegyiket. A támogatott fióktípusok teljes listáját lásd: A Cost Management adatainak értelmezése.

A költségadatok megtekintéséhez legalább olvasási hozzáférésre van szüksége egy Azure-fiókhoz. További információért az Azure Cost Management adataihoz való hozzáférés hozzárendeléséről: Adatokhoz való hozzáférés hozzárendelése.

Költségek becslése az Azure Machine Learning használata előtt

• Az Azure díjkalkulátorával megbecsülheti a költségeket, mielőtt létrehoz egy Azure Machine Learning-munkaterületen található erőforrásokat. A bal oldalon válassza az AI + Machine Learning lehetőséget, majd a kezdéshez válassza az Azure Machine Learning lehetőséget.

Az alábbi képernyőkép a költségbecslést mutatja be a kalkulátor használatával:

Amikor új erőforrásokat ad hozzá a munkaterülethez, térjen vissza ehhez a kalkulátorhoz, és adja hozzá ugyanazt az erőforrást a költségbecslések frissítéséhez.

További információ: Azure Machine Learning díjszabása.

Az Azure Machine Learning teljes számlázási modelljének megismerése

Az Azure Machine Learning az Azure-infrastruktúrán fut, amely az új erőforrás üzembe helyezésekor az Azure Machine Learningkel együtt költségekkel jár. Fontos tisztában lenni azzal, hogy a további infrastruktúra többletköltségeket eredményezhet. Ezt a költséget akkor kell kezelnie, ha módosítja az üzembe helyezett erőforrásokat.

Az Azure Machine Learningben jellemzően felmerülő költségek

Amikor erőforrásokat hoz létre egy Azure Machine Learning-munkaterülethez, más Azure-szolgáltatások erőforrásai is létrejönnek. Ezek a következők:

• Azure Container Registry Alapszintű fiók
• Azure Block Blob Storage (általános célú v1)
• Key Vault
• Application Insights

Számítási példány létrehozásakor a virtuális gép bekapcsolva marad, így az elérhető lesz a munkájához.

• A tétlen leállítás (előzetes verzió) engedélyezése költségmegtakarításhoz, ha a virtuális gép egy adott időszakban tétlen volt.
• Vagy állítson be egy ütemezést , amely automatikusan elindítja és leállítja a számítási példányt (előzetes verzió), hogy pénzt takarítson meg, ha nem tervezi használni.

Költségek merülhetnek fel az erőforrás törlése előtt

Mielőtt töröl egy Azure Machine Learning-munkaterületet a Azure Portal vagy az Azure CLI-vel, az alábbi alerőforrások olyan gyakori költségek, amelyek akkor is felhalmozódnak, ha nem dolgozik aktívan a munkaterületen. Ha később szeretne visszatérni az Azure Machine Learning-munkaterületre, ezek az erőforrások továbbra is felmerülhetnek.

• Virtuális gépek
• Load Balancer
• Virtual Network
• Sávszélesség

Minden virtuális gép számlázása óránként történik. A költségek a virtuális gépek specifikációitól függnek. Azok a virtuális gépek, amelyek futnak, de nem dolgoznak aktívan az adathalmazon, a terheléselosztón keresztül továbbra is díjat számítanak fel. Minden számítási példány esetében naponta egy terheléselosztó lesz kiszámlázva. Egy számítási fürt minden 50 csomópontja egy standard terheléselosztót fog számlázni. Minden terheléselosztó számlázása körülbelül 0,33 USD/nap. A leállított számítási példányok és számítási fürtök terheléselosztói költségeinek elkerülése érdekében törölje a számítási erőforrást.

A számítási példányok P10-lemezköltségeket is vonnak maga után még a leállított állapotban is. Ennek az az oka, hogy az ott mentett felhasználói tartalmak az Azure-beli virtuális gépekhez hasonló leállított állapotban maradnak. Dolgozunk azon, hogy az operációs rendszer lemezmérete/típusa konfigurálható legyen a költségek jobb szabályozása érdekében. A virtuális hálózatok esetében előfizetésenként és régiónként egy virtuális hálózat lesz kiszámlázva. A virtuális hálózatok nem terjedhetnek ki régiókra vagy előfizetésekre. A privát végpontok beállítása a virtuális hálózatok beállításaiban szintén díjat vonhat maga után. A sávszélességet a használat számítja fel; minél több adatot továbbít, annál többet kell fizetnie.

Költségek merülhetnek fel az erőforrás törlése után

Miután töröl egy Azure Machine Learning-munkaterületet a Azure Portal vagy az Azure CLI-vel, a következő erőforrások továbbra is léteznek. Ezek után továbbra is díjat számítunk fel, amíg nem törli őket.

• Azure Container Registry
• Azure Block Blob Storage
• Key Vault
• Application Insights

A munkaterület és a függő erőforrások törléséhez használja az SDK-t:

A KÖVETKEZŐKRE VONATKOZIK: Python SDK azure-ai-ml v2 (aktuális)

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

Ha Azure Kubernetes Service (AKS) hoz létre a munkaterületen, vagy ha számítási erőforrásokat csatol a munkaterülethez, külön törölnie kell őket a Azure Portal.

Az Azure-előrefizetési kreditek használata az Azure Machine Learning használatával

Az Azure Machine Learning díjait az Azure-előrefizetési kredittel fizetheti ki. Az Azure-előrefizetési kreditek azonban nem használhatók fel a külső, például az Azure Marketplace-ről származó termékek és szolgáltatások díjainak kifizetésére.

A becsült költségek áttekintése az Azure Portalon

Amikor számítási erőforrásokat hoz létre az Azure Machine Learninghez, láthatja a becsült költségeket.

*Számítási példány létrehozása *, és a becsült ár megtekintése:

1. Jelentkezzen be a Azure Machine Learning stúdió
2. A bal oldalon válassza a Számítás lehetőséget.
3. A felső eszköztáron válassza az +Új lehetőséget.
4. Tekintse át az egyes elérhető virtuális gépek méretére vonatkozó becsült árat.
5. Fejezze be az erőforrás létrehozását.

Ha az Azure-előfizetése költségkerettel rendelkezik, az Azure megakadályozza, hogy a kreditösszeg felett költse el. Az Azure-erőforrások létrehozása és használata során a rendszer felhasználja a krediteket. Amikor eléri a kreditkorlátot, az üzembe helyezett erőforrások le lesznek tiltva a számlázási időszak hátralévő részében. A hitelkeretet nem módosíthatja, de eltávolíthatja. További információ a költségkeretekről: Azure-költségkeret.

Költségek monitorozása

Amikor Azure-erőforrásokat használ az Azure Machine Learning szolgáltatással, költségekkel kell számolnia. Az Azure-erőforrások használati egységeinek költségei időintervallumok (másodpercek, percek, órák és napok) vagy egységhasználat (bájtok, megabájtok stb.) szerint változnak.) Amint elindul az Azure Machine Learning használata, költségek merülnek fel, és a költségek a költségelemzésben láthatók.

A költségelemzés használatakor az Azure Machine Learning-költségeket különböző időintervallumok szerint gráfokban és táblákban tekintheti meg. Néhány példa nap, aktuális és előző hónap és év szerint. A költségeket a költségvetések és az előrejelzett költségek alapján is megtekintheti. A hosszabb nézetekre való váltás segíthet azonosítani a költségtrendeket. És láthatja, hogy hol fordulhatott elő a túlköltekezés. Ha költségvetéseket hozott létre, azt is könnyen láthatja, hogy hol lépték túl őket.

Az Azure Machine Learning költségeinek megtekintése a költségelemzésben:

1. Jelentkezzen be az Azure Portalra.
2. Nyissa meg a hatókört a Azure Portal, és válassza a költségelemzés lehetőséget a menüben. Például lépjen az Előfizetések pontra, válasszon ki egy előfizetést a listában, majd válassza a Költségelemzés menüpontot. Válassza a Hatókör lehetőséget, ha másik hatókörre szeretne váltani a költségelemzésben.
3. Alapértelmezés szerint a szolgáltatások költségei az első fánkdiagramon jelennek meg. Válassza ki az Azure Machine Learning feliratú diagram területét.

A tényleges havi költségek a költségelemzés első megnyitásakor jelennek meg. Íme egy példa az összes havi használati költségre.

Egyetlen szolgáltatás, például az Azure Machine Learning költségeinek szűkítéséhez válassza a Szűrő hozzáadása , majd a Szolgáltatásnév lehetőséget. Ezután válassza a virtuális gépek lehetőséget.

Íme egy példa, amely csak az Azure Machine Learning költségeit mutatja be.

Az előző példában a szolgáltatás aktuális költségét láthatja. Az Azure-régiók (helyek) és az Azure Machine Learning költségei erőforráscsoportonként is megjelennek. Innen önállóan fedezheti fel a költségeket.

Költségvetések létrehozása

Költségvetéseket hozhat létre a költségek kezeléséhez, és riasztásokat hozhat létre, amelyek automatikusan értesítik az érdekelt feleket a kiadási anomáliákról és a kockázatok túlköltekezéséről. A riasztások a költségvetés és a költségek küszöbértékei alapján működnek. Költségvetések és riasztások jönnek létre az Azure-előfizetésekhez és -erőforráscsoportokhoz, így egy átfogó költségmonitorozási stratégia részeként hasznosak.

A költségvetések adott Azure-erőforrások vagy -szolgáltatások szűrőivel hozhatók létre, ha részletesebbségre van szüksége a monitorozásban. A szűrők segítenek biztosítani, hogy ne hozzon létre véletlenül olyan új erőforrásokat, amelyek további pénzbe kerülnek. A költségvetés létrehozásakor használt szűrőbeállításokról a Csoportosítási és szűrési beállítások című témakörben talál további információt.

Költségadatok exportálása

A költségadatokat egy tárfiókba is exportálhatja. Ez akkor hasznos, ha további adatelemzést kell végeznie a költségekhez. Egy pénzügyi csapat például elemezheti az adatokat az Excel vagy a Power BI használatával. A költségeket napi, heti vagy havi ütemezés szerint exportálhatja, és egyéni dátumtartományt állíthat be. A költségadatkészletek lekérésének ajánlott módja a költségadatok exportálása.

Az Azure Machine Learning költségeinek kezelésének és csökkentésének egyéb módjai

Az alábbi tippek segítségével kezelheti és optimalizálhatja a számítási erőforrások költségeit.

• Betanítási fürtök konfigurálása automatikus skálázáshoz
• Kvóták beállítása az előfizetésen és a munkaterületeken
• Leállítási szabályzatok beállítása a betanítási feladathoz
• Alacsony prioritású virtuális gépek használata
• Számítási példányok automatikus leállításának és elindításának ütemezése
• Fenntartott Azure-beli virtuálisgép-példány használata
• Helyi betanítása
• Betanítás párhuzamosítása
• Adatmegőrzési és törlési szabályzatok beállítása
• Erőforrások üzembe helyezése ugyanabban a régióban
• Törölje a példányokat és fürtöket, ha a közeljövőben nem tervezi használni őket.

További információ: Költségek kezelése és optimalizálása az Azure Machine Learningben.

Következő lépések

• Költségek kezelése és optimalizálása az Azure Machine Learningben.
• Költségvetések, költségek és kvóták kezelése a szervezeti szintű Azure Machine Learning esetében
• Megtudhatja, hogyan optimalizálhatja a felhőberuházásokat az Azure Cost Management használatával.
• További információ a költségek költségelemzéssel való kezeléséről.
• Megtudhatja, hogyan előzheti meg a váratlan költségeket.
• Vegye igénybe a Cost Management interaktív tanfolyamot.