Megosztás a következőn keresztül:

Mi az az Azure Machine Learning-munkaterület?

  • Cikk

A munkaterületek olyan helyek, ahol a munkatársakkal együttműködve gépi tanulási összetevőket hozhatnak létre és csoporthoz kapcsolódó munkát hozhatnak létre. Kísérletek, feladatok, adathalmazok, modellek, összetevők és következtetési végpontok. Ez a cikk a munkaterületeket, a hozzájuk való hozzáférés kezelését és a munka rendszerezésére való használatát ismerteti.

Készen áll a kezdésre? Munkaterület létrehozása.

Munkaterületen végzett feladatok

A gépi tanulási csapatok számára a munkaterület a munkájuk rendszerezésének helye. Íme néhány, a munkaterületről indítható feladat:

  • Feladatok létrehozása – A feladatok olyan betanítási futtatások, amelyeket a modellek létrehozásához használ. A metrikák összehasonlítása érdekében a feladatokat kísérletekbe csoportosíthatja.
  • Szerzői folyamatok – A folyamatok újrahasználható munkafolyamatok a modell betanításához és újratanításához.
  • Adategységek regisztrálása – Az adategységek segítséget nyújtnak a modell betanításához és a folyamatok létrehozásához használt adatok kezeléséhez.
  • Modellek regisztrálása – Ha már rendelkezik egy üzembe helyezni kívánt modellel, létre kell hoznia egy regisztrált modellt.
  • Online végpontok létrehozása – Egy regisztrált modell és egy pontozószkript használatával hozhat létre online végpontot.
  • Modell üzembe helyezése – Modell üzembe helyezéséhez használja a regisztrált modellt és a pontozószkriptet.

A gépi tanulási eredmények csoportosítása mellett a munkaterületek erőforrás-konfigurációkat is üzemeltetnek:

Munkaterületek rendszerezése

A gépi tanulási csapat vezetői és rendszergazdái számára a munkaterületek tárolókként szolgálnak a hozzáférés-kezeléshez, a költségkezeléshez és az adatelkülönítéshez. Íme néhány tipp a munkaterületek rendszerezéséhez:

  • Felhasználói szerepkörök használata a felhasználók közötti munkaterület engedélykezeléséhez. Adatelemző, gépi tanulási mérnök vagy rendszergazda.
  • Hozzáférés hozzárendelése felhasználói csoportokhoz: A Microsoft Entra felhasználói csoportok használatával nem kell egyéni felhasználókat hozzáadnia az egyes munkaterületekhez, és más olyan erőforrásokhoz, amelyekhez ugyanaz a felhasználócsoport hozzáférést igényel.
  • Munkaterület létrehozása projektenként: Bár egy munkaterület több projekthez is használható, munkaterületenként egy projektre korlátozva lehetővé teszi a projektszintű költségjelentést. Emellett lehetővé teszi az olyan konfigurációk kezelését is, mint az adattárak az egyes projektek hatókörében.
  • Azure-erőforrások megosztása: A munkaterületeken több társított erőforrást is létre kell hoznia. Ezeket az erőforrásokat megoszthatja a munkaterületek között az ismétlődő beállítási lépések mentéséhez.
  • Önkiszolgáló szolgáltatás engedélyezése: A társított erőforrások előzetes létrehozása és biztonságossá tétele rendszergazdaként, valamint felhasználói szerepkörök használata, amelyekkel az adatelemzők önállóan hozhatnak létre munkaterületeket.
  • Eszközök megosztása: Az azure Machine Learning-regisztrációs adatbázisok használatával megoszthatja az eszközöket a munkaterületek között.

Hogyan tárolja a tartalmat egy munkaterület?

A munkaterület megőrzi az összes betanítási futtatás előzményeit, naplókkal, metrikákkal, kimenettel, az életút metaadataival és a szkriptek pillanatképével. Amikor feladatokat végez az Azure Machine Learningben, az összetevők létrejönnek. A metaadatok és az adatok a munkaterületen és a hozzá tartozó erőforrásokon vannak tárolva.

Társított erőforrások

Amikor új munkaterületet hoz létre, más Azure-erőforrásokat is be kell hoznia az adatok tárolásához. Ha ön nem adja meg, ezeket az erőforrásokat az Azure Machine Learning automatikusan létrehozza.

  • Egy Azure Storage-fiók. Gépi tanulási összetevőket, például feladatnaplókat tárol. Alapértelmezés szerint ezt a tárfiókot használja a rendszer, amikor adatokat tölt fel a munkaterületre. Az Azure Machine Learning számítási példányaival használt Jupyter-jegyzetfüzetek is itt vannak tárolva.

    Fontos

    Meglévő Azure Storage-fiók nem használható, ha az a következő:

    • BlobStorage típusú fiók
    • Prémium szintű fiók (Premium_LRS és Premium_GRS)
    • Hierarchikus névtérrel rendelkező fiók (az Azure Data Lake Storage Gen2-vel használatos).

    A prémium szintű tárolót vagy a hierarchikus névteret további tárolóként használhatja egy adattár létrehozásával.

    Ne engedélyezze a hierarchikus névteret a tárolófiókon az általános célú v2-re történő frissítés után.

    Ha egy meglévő általános célú v1-tárfiókot hoz létre, a munkaterület létrehozása után ezt frissítheti általános célú v2-re .

  • Azure Container Registry (ACR). Az áruházak docker-tárolókat hoztak létre, amikor egyéni környezeteket hoz létre az Azure Machine Learning használatával. Az AutoML-modellek és adatprofilok üzembe helyezése egyéni környezetek létrehozását is elindítja.

    A munkaterületek az ACR nélkül is létrehozhatók függőségként, ha nincs szükség egyéni Docker-tárolók létrehozására. Az Azure Machine Learning képes olvasni a külső tárolóregisztrációs adatbázisokból.

    Az ACR automatikusan ki lesz építve egyéni Docker-rendszerképek létrehozásakor. Az Azure szerepköralapú hozzáférés-vezérlés (Azure RBAC) használatával megakadályozhatja az ügyfél Docker-tárolóinak kiépítését.

    Fontos

    Ha az előfizetési beállításhoz címkéket kell hozzáadnia az erőforrásokhoz, az Azure Machine Learning által létrehozott ACR sikertelen lesz, mivel nem állíthatunk be címkéket az ACR-be.

  • Azure-alkalmazás Insights. Segít a diagnosztikai adatok figyelésében és gyűjtésében a következtetési végpontokból.

    További információ: Online végpontok figyelése.

  • Azure Key Vault. A számítási célok által használt titkos kulcsokat és a munkaterülethez szükséges egyéb bizalmas információkat tárolja.

Munkaterület létrehozása

Több módon is létrehozhat munkaterületet. Első lépésként használja az alábbi lehetőségek egyikét:

  • Az Azure Machine Learning Studio segítségével gyorsan létrehozhat egy alapértelmezett beállításokkal rendelkező munkaterületet.
  • Az Azure Portalon több biztonsági lehetőséggel rendelkező pont- és kattintási felületet használhat.
  • Használja a VS Code bővítményt , ha a Visual Studio Code-ban dolgozik.

A munkaterületek létrehozásának automatizálása az előnyben részesített biztonsági beállítások használatával:

Eszközök a munkaterületek interakcióihoz és felügyeletéhez

A munkaterület beállítása után a következő módokon kezelheti:

Az egyes felületeken az alábbi munkaterület-kezelési feladatok érhetők el.

Munkaterület-kezelési feladat Portál Studio Python SDK Azure CLI VS Code
Munkaterület létrehozása ✓ ✓ ✓ ✓ ✓
Munkaterület hozzáférésének kezelése ✓ ✓
Számítási erőforrások létrehozása és kezelése ✓ ✓ ✓ ✓ ✓
Számítási példány létrehozása ✓ ✓ ✓ ✓

Figyelmeztetés

Az Azure Machine Learning-munkaterület áthelyezése egy másik előfizetésbe vagy a tulajdonosi előfizetés áthelyezése új bérlőre nem támogatott. Ha így tesz, az hibákat okozhat.

Alerőforrások

Amikor számítási fürtöket és számítási példányokat hoz létre az Azure Machine Learningben, a rendszer alerőforrásokat hoz létre.

  • Virtuális gépek: számítási teljesítményt biztosítanak számítási példányokhoz és számítási fürtökhöz, amelyeket feladatok futtatásához használ.
  • Load Balancer: minden számítási példányhoz és számítási fürthöz létrejön egy hálózati terheléselosztó, amely a forgalmat akkor is kezeli, ha a számítási példány/fürt leáll.
  • Virtuális hálózat: ezek segítenek az Azure-erőforrásoknak kommunikálni egymással, az internettel és más helyszíni hálózatokkal.
  • Sávszélesség: magában foglalja az összes kimenő adatátvitelt a régiók között.

Következő lépések

Ha többet szeretne tudni a munkaterület szervezet igényeinek megfelelő tervezéséről, olvassa el az Azure Machine Learning rendszerezését és beállítását ismertető témakört.

Az Azure Machine Learning használatának megkezdéséhez lásd: