Az Azure Machine Learning költségeinek kezelése

Ez a cikk az Azure Machine Learning költségeinek tervezését és kezelését ismerteti. Először az Azure díjkalkulátorával tervezze meg a költségeket, mielőtt bármilyen erőforrást hozzáad. Ezután tekintse át a becsült költségeket az Azure-erőforrások hozzáadásakor.

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

Ismerje meg, hogy az Azure Machine Learning költségei csak az Azure-számla havi költségeinek egy részét képezik. Ha más Azure-szolgáltatásokat használ, az Azure-előfizetésben használt összes Azure-szolgáltatásért és erőforrásért, beleértve a harmadik féltől származó szolgáltatásokat is. Ez a cikk bemutatja, 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 optimalizálásáról további információt az Azure Machine Learning költségeinek kezelése és optimalizálása című témakörben talál.

Előfeltételek

A Microsoft 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. A Cost Management-adatokhoz való hozzáférés hozzárendeléséről további információt az Adatokhoz való hozzáférés hozzárendelése című témakörben talál.

Költségek becslése az Azure Machine Learning használata előtt

Az Azure díjkalkulátorával megbecsülheti a költségeket, mielőtt erőforrásokat hoz létre egy Azure Machine Learning-munkaterületen. A tarifakalkulátor bal oldalán válassza az AI + Machine Learning lehetőséget, majd a kezdéshez válassza az Azure Machine Learning lehetőséget.

Az alábbi képernyőképen egy példa költségbecslés látható a díjkalkulátorban:

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

További információkért lásd az Azure Machine Learning díjszabását.

Az Azure Machine Learning teljes számlázási modelljének megismerése

Az Azure Machine Learning az Azure-infrastruktúrán fut, amely az új erőforrás üzembe helyezésekor költségekkel jár az Azure Machine Learning szolgáltatással együtt. Fontos tisztában lenni azzal, hogy a többletinfrastruktúra többletköltséggel járhat. Ezt a költséget az üzembe helyezett erőforrások módosításakor kell kezelnie.

Az Azure Machine Learning szolgáltatással általában felmerülő költségek

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

• Alapszintű Azure Container Registry-fiók
• Azure Blob Storage (általános célú v1)
• Azure Key Vault
• Azure Monitor

Számítási példány létrehozásakor a virtuális gép (VM) továbbra is elérhető marad a munkájához.

• Engedélyezze az inaktív leállítást , hogy csökkentse a költségeket, ha a virtuális gép egy adott időszakban inaktív.
• Vagy állítson be egy ütemezést , amely automatikusan elindítja és leállítja a számítási példányt a költségek csökkentése érdekében, ha nem tervezi használni.

Költségek merülhetnek fel az erőforrás törlése előtt

Mielőtt töröl egy Azure Machine Learning-munkaterületet az Azure Portalon vagy az Azure CLI-vel, az alábbi alerőforrások gyakori költségek, amelyek akkor is halmozódnak fel, ha nem dolgozik aktívan a munkaterületen. Ha később szeretne visszatérni az Azure Machine Learning-munkaterületre, ezek az erőforrások továbbra is költségekkel járhatnak.

• Virtuális gépek
• Load Balancer
• Azure Virtual Network
• Sávszélesség

A rendszer minden virtuális gépet óránként számláz, hogy fut. A költségek a virtuális gép specifikációitól függnek. Azok a virtuális gépek, amelyek futnak, de nem dolgoznak aktívan egy adathalmazon, továbbra is terheléselosztón keresztül kerülnek felszámításra. Minden számítási példány esetében naponta egy terheléselosztó kerül számlázásra. A számítási fürt minden 50 csomópontja egy standard terheléselosztóval rendelkezik. 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 okoznak még leállított állapotban is, mivel az ott mentett felhasználói tartalmak az Azure-beli virtuális gépekhez hasonló leállított állapotban maradnak. Dolgozunk azon, hogy az operációsrendszer-lemez mérete/ típusa konfigurálható legyen a költségek jobb szabályozása érdekében. Az Azure Virtual Networks esetében előfizetésenként és régiónként egy virtuális hálózat számlázása történik. A virtuális hálózatok nem terjedhetnek ki régiókra vagy előfizetésekre. A privát végpontok virtuális hálózaton való beállítása szintén díjakat vonhat maga után. Ha a virtuális hálózat azure-tűzfalat használ, ez díjakat is vonhat maga után. A sávszélesség díjai a használatot tükrözik; minél több átvitt adat, annál nagyobb a díj.

Tipp.

• Az Azure Machine Learning által felügyelt virtuális hálózat használata ingyenes. A felügyelt hálózat egyes funkciói azonban az Azure Private Linkre (privát végpontok esetén) és az Azure Firewallra (teljes tartománynévre vonatkozó szabályok esetén) támaszkodnak, ami díjakat von maga után. További információ: Felügyelt virtuális hálózatok elkülönítése.
• A felügyelt online végpont virtuális gépeket használ az üzemelő példányokhoz. Ha egy online üzembe helyezés létrehozására irányuló kérelmet küldött be, és az nem sikerült, akkor előfordulhat, hogy a számítás létrehozásakor a szakaszt teljesítette. Ebben az esetben a sikertelen üzembe helyezés díjakat von maga után. Ha befejezte a hiba hibakeresését vagy vizsgálatát, törölheti a sikertelen üzembe helyezéseket a költségek megtakarítása érdekében.

Költségek merülhetnek fel az erőforrás törlése után

Miután töröl egy Azure Machine Learning-munkaterületet az Azure Portalon 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 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-t (AKS) hoz létre a munkaterületen, vagy ha számítási erőforrásokat csatol a munkaterülethez, külön törölnie kell őket az Azure Portalon.

Az Azure-előrefizetési kredit használata az Azure Machine Learning használatával

Azure Machine Learning-díjakat az Azure-előrefizetési kredit használatával fizethet. Az Azure-előrefizetési jóváírással azonban nem fizethet külső gyártók termékeiért és szolgáltatásaiért, beleértve az Azure Marketplace-ről származó termékeket és szolgáltatásokat is.

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 az Azure Machine Learning Studióba.
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 költsön. 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 kreditkorlátot nem módosíthatja, de eltávolíthatja. A költségkeretekről további információkat Az Azure költségkerete részben talál.

Költségek monitorozása

Az Azure-erőforrások Azure Machine Learning-lel való használatához költségek merülnek fel. Az Azure-erőforrás-használati egység költségei időintervallumonként (másodperc, perc, óra és nap) vagy egységhasználattól (bájt, megabájt stb.) függően változnak. Amint elindul az Azure Machine Learning használata, költségek merülnek fel, és a költségek a költségelemzésben láthatók.

A költségelemzés használatakor az Azure Machine Learning költségeit grafikonokon és táblázatokban tekintheti meg különböző időintervallumok szerint. Néhány példa nap, aktuális és előző hónap és év szerint. A költségeket a költségvetések és az előre jelzett költségek alapján is megtekintheti. A hosszabb nézetekre való váltás segíthet azonosítani a kiadási trendeket. És láthatja, hol fordulhatott elő a túlköltekezés. Költségvetések létrehozásakor azt is könnyen láthatja, hogy hol lépték túl a költségvetéseket.

Az Azure Machine Learning költségeinek megtekintése a költségelemzésben:

1. Jelentkezzen be az Azure Portalra.
2. Nyissa meg a hatókört az Azure Portalon, 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 címkével ellátott diagram területét.

A tényleges havi költségek a költségelemzés első megnyitásakor jelennek meg. Íme egy példa, amely az összes havi használati költséget megjeleníti.

Egyetlen szolgáltatás, például az Azure Machine Learning költségeinek csökkentéséhez válassza a Szűrő hozzáadása, majd a Szolgáltatásnév lehetőséget. Ezután válassza ki a virtuális gépeket.

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 is felfedezheti a költségeket.

Költségvetések létrehozása

A költségek kezeléséhez költségvetéseket és riasztásokat hozhat létre, amelyek automatikusan figyelmeztetik az érdekelt feleket a rendellenes kiadásokról és a túlköltekezési kockázatokról. A riasztások a költségvetés és a költségek küszöbértékei alapján működnek. A költségvetések és a riasztások Azure-előfizetésekhez és erőforráscsoportokhoz jönnek létre, így egy átfogó költségmonitorozási stratégia részeként hasznosak.

A költségvetések az Azure-ban meghatározott erőforrások vagy szolgáltatások szűrőivel hozhatók létre, ha részletesebbségre van szüksége a monitorozásban. A szűrők segítségével gondoskodhat arról, hogy ne véletlenül hozzon létre olyan új erőforrásokat, amelyek többletköltséggel járnak. A költségvetés létrehozásakor használt szűrési beállításokról a Csoportosítás és a szűrési beállítások című témakörben olvashat bővebben.

Költségadatok exportálása

A költségadatokat egy tárfiókba is exportálhatja. Ez akkor hasznos, ha Önnek vagy másoknak több adatelemzést kell végeznie a költségekhez. Egy pénzügyi csapat például az Excel vagy a Power BI használatával elemezheti az adatokat. 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.

• Konfigurálja a betanítási fürtöket az automatikus skálázáshoz.
• Konfigurálja a felügyelt online végpontokat az automatikus skálázáshoz.
• Kvóták beállítása az előfizetésen és a munkaterületeken.
• Állítsa be a leállítási szabályzatokat a betanítási feladathoz.
• Használjon alacsony prioritású virtuális gépeket.
• Ütemezze a számítási példányok leállítását és automatikus indítását.
• Használjon fenntartott Azure-beli virtuálisgép-példányt.
• Helyi betanítása.
• Párhuzamosítsa a betanítást.
• Adatmegőrzési és törlési szabályzatok beállítása.
• Erőforrások üzembe helyezése ugyanabban a régióban.
• Ha nem tervezi hamarosan használni őket, törölje a példányokat, fürtöket és/vagy online üzemelő példányokat.
• Ha a rendszer számításokat hoz létre, törölje a sikertelen üzembe helyezéseket.

További információ: Azure Machine Learning-költségek kezelése és optimalizálása.

Következő lépések

• Az Azure Machine Learning költségeinek kezelése és optimalizálása
• Felügyelt online végpont költségeinek megtekintése
• Költségvetések, költségek és kvóták kezelése a szervezeti szintű Azure Machine Learning esetében
• Megtudhatja , hogyan optimalizálhatja a felhőberuházásokat a Cost Management használatával
• Gyorsútmutató: A költségelemzés használatának megkezdése
• A költség anomáliáinak és váratlan változásainak azonosítása
• A Cost Management interaktív képzési kurzusának elsajátítása