Megosztás a következőn keresztül:

Azure Machine Learning-munkaterületek kezelése az Azure CLI használatával

  • Cikk

A KÖVETKEZŐRE VONATKOZIK: Azure CLI ml-bővítmény v2 (aktuális)

Ebben a cikkben megtudhatja, hogyan hozhat létre és kezelhet Azure Machine Learning-munkaterületeket az Azure CLI használatával. Az Azure CLI parancsokat biztosít az Azure-erőforrások kezeléséhez, és úgy lett kialakítva, hogy gyorsan működjön az Azure-ral, különös hangsúlyt fektetve az automatizálásra. Az Azure CLI machine learning bővítmény parancsokat biztosít az Azure Machine Learning-erőforrások használatához.

Az Azure Machine Learning-munkaterületek létrehozásához és kezeléséhez az alábbi módszereket is használhatja:

Előfeltételek

  • Azure-előfizetés az Azure Machine Learning ingyenes vagy fizetős verziójával. Ha még nincs Azure-előfizetése, kezdés előtt hozzon létre egy ingyenes fiókot.

  • Az Azure CLI telepítve van, ha helyileg szeretné futtatni az Azure CLI-parancsokat ebben a cikkben.

    Ha az Azure CLI-parancsokat az Azure Cloud Shellben futtatja, semmit sem kell telepítenie. A böngésző hozzáfér az Azure CLI legújabb felhőalapú verziójához és az Azure Machine Learning bővítményhez.

Korlátozások

  • Új munkaterület létrehozásakor automatikusan létrehozhatja a munkaterülethez szükséges szolgáltatásokat, vagy használhatja a meglévő szolgáltatásokat. Ha a munkaterülettől eltérő Azure-előfizetésből származó meglévő szolgáltatásokat szeretne használni, regisztrálnia kell az Azure Machine Learning névterét a szolgáltatásokat tartalmazó előfizetésben. Ha például olyan munkaterületet hoz létre az A előfizetésben, amely a B előfizetésben használ tárfiókot, az Azure Machine Learning-névteret regisztrálni kell a B előfizetésben, mielőtt a munkaterület használhatja a tárfiókot.

    Az Azure Machine Learning erőforrás-szolgáltatója a Microsoft.MachineLearningServices. Az Azure-erőforrás-szolgáltatók és -típusok című témakörben tájékozódhat arról, hogy regisztrálták-e vagy regisztrálták-e.

    Fontos

    Ezek az információk csak a munkaterület létrehozása során biztosított erőforrásokra vonatkoznak: Azure Storage-fiókok, Azure Container Registry, Azure Key Vault és Application Insights.

Csatlakozás az Azure-előfizetéshez

Ha az Azure Cloud Shellt használja az Azure Portalról, kihagyhatja ezt a szakaszt. A cloud shell automatikusan hitelesíti Önt azzal az Azure-előfizetéssel, amellyel bejelentkezett.

Az Azure CLI-ből többféleképpen is hitelesítheti helyileg az Azure-előfizetését. A legegyszerűbb módszer a böngésző használata.

Az interaktív hitelesítéshez nyisson meg egy parancssort vagy egy terminált, és futtassa a parancsot az login. Ha a parancssori felület meg tudja nyitni az alapértelmezett böngészőt, ezt teszi, és betölt egy bejelentkezési lapot. Ellenkező esetben a parancssori utasításokat követve nyisson meg egy böngészőt, https://aka.ms/devicelogin és adjon meg egy eszközengedélyezési kódot.

Tipp.

A bejelentkezés után megjelenik az Azure-fiókhoz társított előfizetések listája. Az előfizetés adatai isDefault: true az Azure CLI-parancsok jelenleg aktivált előfizetése. Ennek az előfizetésnek ugyanazzal az előfizetéssel kell rendelkeznie, amely az Azure Machine Learning-munkaterületet tartalmazza. Az előfizetéssel kapcsolatos információkat a munkaterület áttekintési oldalán találja az Azure Portalon.

Az Azure CLI-parancsokhoz használandó másik előfizetés kiválasztásához futtassa a az account set -s <subscription> parancsot, és adja meg az előfizetés nevét vagy azonosítóját, amelyre váltani szeretne. További információ az előfizetés kiválasztásáról: Több Azure-előfizetés használata.

A hitelesítés egyéb módjaiért lásd: Bejelentkezés az Azure CLI-vel.

Erőforráscsoport létrehozása

Az Azure Machine Learning-munkaterületet egy meglévő vagy új erőforráscsoportban kell létrehozni. Új erőforráscsoport létrehozásához futtassa a következő parancsot. Cserélje le <resource-group-name> a nevet és <location> az erőforráscsoporthoz használni kívánt Azure-régiót.

Feljegyzés

Mindenképpen válasszon ki egy régiót, ahol elérhető az Azure Machine Learning. További információ: Régiónként elérhető termékek.

az group create --name <resource-group-name> --location <azure-region>

A parancsra adott válasz hasonló a következő JSON-hoz. A kimeneti értékekkel megkeresheti a létrehozott erőforrásokat, vagy továbbíthatja őket bemenetként más Azure CLI-parancsok vagy automatizálás számára.

{
  "id": "/subscriptions/<subscription-GUID>/resourceGroups/<resourcegroupname>",
  "location": "<location>",
  "managedBy": null,
  "name": "<resource-group-name>",
  "properties": {
    "provisioningState": "Succeeded"
  },
  "tags": null,
  "type": null
}

Az erőforráscsoportok használatával kapcsolatos további információkért lásd az az csoportot.

Munkaterület létrehozása

Az üzembe helyezett Azure Machine Learning-munkaterületek különböző más szolgáltatásokat igényelnek függő társított erőforrásokként. Amikor az Azure CLI használatával hoz létre munkaterületet, a parancssori felület létrehozhatja az új társított erőforrásokat, vagy csatolhat meglévő erőforrásokat.

Ha új munkaterületet szeretne létrehozni új automatikusan létrehozott függő szolgáltatásokkal, futtassa a következő parancsot:

az ml workspace create -n <workspace-name> -g <resource-group-name>

Meglévő erőforrásokat használó új munkaterület létrehozásához először meg kell határoznia az erőforrásokat egy YAML-konfigurációs fájlban, az alábbi szakaszban leírtak szerint. Ezután hivatkozzon a YAML-fájlra az Azure CLI-munkaterület létrehozási parancsában az alábbiak szerint:

az ml workspace create -g <resource-group-name> --file <configuration-file>.yml

A munkaterület-létrehozási parancs kimenete a következő JSON-hoz hasonló. A kimeneti értékekkel megkeresheti a létrehozott erőforrásokat, vagy más Azure CLI-parancsok bemeneteként továbbíthatja őket.

{
  "applicationInsights": "/subscriptions/<subscription-GUID>/resourcegroups/<resource-group-name>/providers/microsoft.insights/components/<application-insight-name>",
  "containerRegistry": "/subscriptions/<subscription-GUID>/resourcegroups/<resource-group-name>/providers/microsoft.containerregistry/registries/<container-registry-name>",
  "creationTime": "2019-08-30T20:24:19.6984254+00:00",
  "description": "",
  "friendlyName": "<workspace-name>",
  "id": "/subscriptions/<subscription-GUID>/resourceGroups/<resource-group-name>/providers/Microsoft.MachineLearningServices/workspaces/<workspace-id>",
  "identityPrincipalId": "<GUID>",
  "identityTenantId": "<GUID>",
  "identityType": "SystemAssigned",
  "keyVault": "/subscriptions/<subscription-GUID>/resourcegroups/<resource-group-name>/providers/microsoft.keyvault/vaults/<key-vault-name>",
  "location": "<location>",
  "name": "<workspace-name>",
  "resourceGroup": "<resource-group-name>",
  "storageAccount": "/subscriptions/<subscription-GUID>/resourcegroups/<resource-group-name>/providers/microsoft.storage/storageaccounts/<storage-account-name>",
  "type": "Microsoft.MachineLearningServices/workspaces",
  "workspaceid": "<GUID>"
}

YAML-konfigurációs fájl

Ha meglévő erőforrásokat szeretne használni egy új munkaterülethez, egy YAML-konfigurációs fájlban kell meghatároznia az erőforrásokat. Az alábbi példa egy YAML-munkaterület konfigurációs fájlját mutatja be:

$schema: https://azuremlschemas.azureedge.net/latest/workspace.schema.json
name: mlw-basicex-prod
location: eastus
display_name: Bring your own dependent resources-example
description: This configuration specifies a workspace configuration with existing dependent resources
storage_account: /subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT>
container_registry: /subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.ContainerRegistry/registries/<CONTAINER_REGISTRY>
key_vault: /subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.KeyVault/vaults/<KEY_VAULT>
application_insights: /subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.insights/components/<APP_INSIGHTS>
tags:
  purpose: demonstration

Nem kell megadnia az összes társított függő erőforrást a konfigurációs fájlban. Megadhat egy vagy több erőforrást, és a többit automatikusan létrehozhatja.

Meg kell adnia a YAML-fájlban lévő meglévő erőforrások azonosítóit. Ezeket az azonosítókat az erőforrás tulajdonságainak az Azure Portalon való megtekintésével vagy az alábbi Azure CLI-parancsok futtatásával szerezheti be:

  • Azure-alkalmazás Insights:
    az monitor app-insights component show --app <application-insight-name> -g <resource-group-name> --query "id"
  • Azure Container Registry:
    az acr show --name <container-registry-name> -g <resource-group-name> --query "id"
  • Azure Key Vault:
    az keyvault show --name <key-vault-name> --query "id"
  • Azure Storage-fiók:
    az storage account show --name <storage-account-name> --query "id"

A lekérdezés eredményei a következő sztringhez hasonlóan néznek ki:
"/subscriptions/<subscription-GUID>/resourceGroups/<resource-group-name>/providers/<provider>/<subresource>/<id>".

Társított függő erőforrások

A munkaterületekhez társított függő erőforrásokra az alábbi szempontok és korlátozások vonatkoznak.

Application Insights

Tipp.

A munkaterület létrehozásakor létrejön egy Azure-alkalmazás Insights-példány. Ha szeretné, törölheti az Application Insights-példányt a fürt létrehozása után. A törlés korlátozza a munkaterületről gyűjtött információkat, és megnehezítheti a problémák elhárítását. Ha törli a munkaterület által létrehozott Application Insights-példányt, az egyetlen lehetőség a munkaterület törlésére és újbóli létrehozására.

Az Application Insights-példány használatáról további információt a Machine Learning webszolgáltatás-végpontjaiból származó adatok figyelése és gyűjtése című témakörben talál.

Container Registry

Az Azure Machine Learning-munkaterület egyes műveletekhez az Azure Container Registryt használja, és automatikusan létrehoz egy Container Registry-példányt, amikor először szüksége van rá.

Figyelmeztetés

Miután létrehozott egy Azure Container Registryt egy munkaterülethez, ne törölje. Ezzel megszakítja az Azure Machine Learning-munkaterületet.

Ha meglévő Azure-tárolóregisztrációs adatbázist szeretne használni egy Azure Machine Learning-munkaterülettel, engedélyeznie kell a rendszergazdai fiókot a tárolóregisztrációs adatbázisban.

Tárfiók

Ha meglévő tárfiókot használ a munkaterülethez, annak meg kell felelnie az alábbi feltételeknek. Ezek a követelmények csak az alapértelmezett tárfiókra vonatkoznak.

  • A fiók nem lehet Premium_LRS vagy Premium_GRS.
  • Az Azure Blob és az Azure File képességeit egyaránt engedélyezni kell.
  • A hierarchikus névteret le kell tiltani az Azure Data Lake Storage esetében.

Az Azure CLI-kommunikáció biztonságossá tétele

Minden Azure Machine Learning V2-parancs az ml operatív adatokat, például YAML-paramétereket és metaadatokat közöl az Azure Resource Managerrel. Néhány Azure CLI-parancs az interneten keresztül kommunikál az Azure Resource Managerrel.

Ha az Azure Machine Learning-munkaterület nyilvános, és nem áll virtuális hálózat mögött, a kommunikációt HTTPS/TLS 1.2 használatával biztosítjuk. Nincs szükség további konfigurációra.

Ha az Azure Machine Learning-munkaterület privát végpontot és virtuális hálózatot használ, az Azure CLI használatához az alábbi konfigurációk egyikét kell választania:

  • A nyilvános interneten keresztüli kommunikációhoz állítsa a paramétert a --public-network-access következőre Enabled: .

  • Ha biztonsági okokból szeretné elkerülni a nyilvános interneten keresztüli kommunikációt, konfigurálja az Azure Machine Learninget úgy, hogy magánhálózati kapcsolatot használjon egy Azure Private Link-végponttal, az alábbi szakaszban leírtak szerint.

Privát hálózati kapcsolat

A használati esettől és a szervezeti követelményektől függően konfigurálhatja az Azure Machine Learninget a magánhálózati kapcsolatok használatára. Az Azure CLI használatával üzembe helyezhet egy munkaterületet és egy Private Link-végpontot a munkaterület-erőforráshoz.

Ha privát kapcsolatvégpontokat használ mind az Azure Container Registryhez, mind az Azure Machine Learninghez, a Container Registry-feladatokkal nem hozhat létre Docker-környezetrendszerképeket. Ehelyett egy Azure Machine Learning számítási fürt használatával kell képeket készítenie.

A YAML-munkaterület konfigurációs fájljában a image_build_compute tulajdonságot egy számítási fürt nevére kell beállítania, amelyet a Docker-rendszerkép-környezetek létrehozásához kell használni. A tulajdonság Disabledbeállításával public_network_access azt is megadhatja, hogy a privát kapcsolat munkaterülete nem érhető el az interneten keresztül.

Az alábbi kód egy példa munkaterület-konfigurációs fájlt mutat be a magánhálózati kapcsolatokhoz.

$schema: https://azuremlschemas.azureedge.net/latest/workspace.schema.json
name: mlw-privatelink-prod
location: eastus
display_name: Private Link endpoint workspace-example
description: When using private link, you must set the image_build_compute property to a cluster name to use for Docker image environment building. You can also specify whether the workspace should be accessible over the internet.
image_build_compute: cpu-compute
public_network_access: Disabled
tags:
  purpose: demonstration

A munkaterület létrehozása után az Azure networking CLI-parancsaival hozzon létre egy privát kapcsolati végpontot a munkaterülethez.

az network private-endpoint create \
    --name <private-endpoint-name> \
    --vnet-name <virtual-network-name> \
    --subnet <subnet-name> \
    --private-connection-resource-id "/subscriptions/<subscription>/resourceGroups/<resource-group-name>/providers/Microsoft.MachineLearningServices/workspaces/<workspace-name>" \
    --group-id amlworkspace \
    --connection-name workspace -l <location>

A privát tartománynévrendszer (DNS) zónabejegyzéseinek a munkaterülethez való létrehozásához használja az alábbi parancsokat:

# Add privatelink.api.azureml.ms
az network private-dns zone create \
    -g <resource-group-name> \
    --name 'privatelink.api.azureml.ms'

az network private-dns link vnet create \
    -g <resource-group-name> \
    --zone-name 'privatelink.api.azureml.ms' \
    --name <link-name> \
    --virtual-network <virtual-network-name> \
    --registration-enabled false

az network private-endpoint dns-zone-group create \
    -g <resource-group-name> \
    --endpoint-name <private-endpoint-name> \
    --name <zone-group-name> \
    --private-dns-zone 'privatelink.api.azureml.ms' \
    --zone-name 'privatelink.api.azureml.ms'

# Add privatelink.notebooks.azure.net
az network private-dns zone create \
    -g <resource-group-name> \
    --name 'privatelink.notebooks.azure.net'

az network private-dns link vnet create \
    -g <resource-group-name> \
    --zone-name 'privatelink.notebooks.azure.net' \
    --name <link-name> \
    --virtual-network <virtual-network-name> \
    --registration-enabled false

az network private-endpoint dns-zone-group add \
    -g <resource-group-name> \
    --endpoint-name <private-endpoint-name> \
    --name <zone-group-name> \
    --private-dns-zone 'privatelink.notebooks.azure.net' \
    --zone-name 'privatelink.notebooks.azure.net'

A privát végpont és a virtuális hálózat munkaterülettel való használatáról az alábbi cikkekben talál további információt:

Az alábbi eljárással biztonságossá teheti a kommunikációt egy Azure-felügyeleti csoport összes Azure Resource Manager-erőforrásával a Private Link használatával:

  1. Hozzon létre egy privát hivatkozást az Azure-erőforrások kezeléséhez.
  2. Hozzon létre egy privát végpontot az előző lépésben létrehozott privát hivatkozáshoz.

Fontos

Az Azure Resource Manager privát hivatkozásának konfigurálásához az Azure-előfizetés tulajdonosának, a gyökérszintű felügyeleti csoport tulajdonosának vagy közreműködőjének kell lennie. További információ: Privát hivatkozás létrehozása az Azure-erőforrások kezeléséhez.

Speciális konfigurációk

A munkaterületekre számos más speciális konfiguráció is alkalmazható. Összetett erőforráskonfigurációk esetén tekintse meg a sablonalapú üzembe helyezési lehetőségeket is, beleértve az Azure Resource Managert is.

Felhasználó által kezelt kulcsok

Alapértelmezés szerint a munkaterület metaadatait a Microsoft által fenntartott Azure Cosmos DB-példány tárolja, és a Microsoft által felügyelt kulcsokkal titkosítja. A Microsoft által felügyelt kulcs használata helyett saját kulcsot is megadhat. A saját kulccsal további erőforrásokat hozhat létre az Azure-előfizetésben az adatok tárolásához.

Feljegyzés

Az Azure Cosmos DB nem a modell teljesítményadatainak, a kísérletek által naplózott információknak vagy a modelltelepítésekből naplózott információknak a tárolására szolgál.

Ha saját kulcsot használó munkaterületet szeretne létrehozni, használja a customer_managed_key YAML-munkaterület konfigurációs fájljában található paramétert, és adja meg a tárolóban található tárolóban lévő tárolóban key_vault key_uri található kulcs erőforrás-azonosítóját.

$schema: https://azuremlschemas.azureedge.net/latest/workspace.schema.json
name: mlw-cmkexample-prod
location: eastus
display_name: Customer managed key encryption-example
description: This configurations shows how to create a workspace that uses customer-managed keys for encryption.
customer_managed_key: 
  key_vault: /subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.KeyVault/vaults/<KEY_VAULT>
  key_uri: https://<KEY_VAULT>.vault.azure.net/keys/<KEY_NAME>/<KEY_VERSION>
tags:
  purpose: demonstration

Ha többet szeretne megtudni a saját kulcs titkosításához használt erőforrásokról, tekintse meg az Azure Machine Learning adattitkosítását.

Feljegyzés

A hozzáadott adattitkosítási erőforrások kezeléséhez az Identity and Access Management használatával engedélyezze a Machine Learning-alkalmazást közreműködői engedélyekkel az előfizetésen.

Nagy üzleti hatású munkaterületek

A Microsoft által a munkaterületen gyűjtött adatok korlátozásához a YAML konfigurációs fájlban található tulajdonság beállításával hbi_workspace megadhat egy nagy üzleti hatást igénylő munkaterületet TRUE. A nagy üzleti hatást csak munkaterület létrehozásakor állíthatja be. Ezt a beállítást a munkaterület létrehozása után nem módosíthatja.

Az ügyfél által felügyelt kulcsokkal és a nagy üzleti hatással járó munkaterületről további információt az Azure Machine Learning nagyvállalati biztonsága című témakörben talál.

Munkaterületek kezelése az Azure CLI használatával

Az ml-munkaterület parancsaival kezelheti a munkaterületeket.

Munkaterület adatainak lekérése

A munkaterületre vonatkozó információk lekéréséhez használja a következő parancsot:

az ml workspace show -n <workspace-name> -g <resource-group-name>

További információ: az ml workspace show.

Munkaterület frissítése

Munkaterület frissítéséhez használja a következő parancsot:

az ml workspace update -n <workspace-name> -g <resource-group-name>

A következő parancs például frissíti a munkaterületet a nyilvános hálózati hozzáférés engedélyezéséhez:

az ml workspace update -n <workspace-name> -g <resource-group-name> --public-network-access enabled

További információ: az ml workspace update.

Szinkronizálási kulcsok függő erőforrásokhoz

Ha módosítja a munkaterület által használt erőforrások egyikének hozzáférési kulcsait, körülbelül egy órát vesz igénybe, amíg a munkaterület szinkronizálódik az új kulcsokkal. Ha azt szeretné, hogy a munkaterület azonnal szinkronizálja az új kulcsokat, használja a következő parancsot:

az ml workspace sync-keys -n <workspace-name> -g <resource-group-name>

Munkaterület áthelyezése

Az Azure Machine Learning-munkaterület áthelyezése jelenleg előzetes verzióban érhető el. További információ: Azure Machine Learning-munkaterületek áthelyezése előfizetések között (előzetes verzió).

Munkaterület törlése

Ha törölni szeretne egy munkaterületet, miután már nincs rá szükség, használja a következő parancsot:

az ml workspace delete -n <workspace-name> -g <resource-group-name>

Az Azure Machine Learning alapértelmezett viselkedése a munkaterület helyreállítható törlése . A munkaterület nem törlődik azonnal, hanem törlésre van megjelölve. További információ: Helyreállítható törlés.

Figyelmeztetés

Ha a helyreállítható törlés engedélyezve van a munkaterületen, a törlés után helyreállítható. Ha a helyreállítható törlés nincs engedélyezve, vagy ha bejelöli a munkaterület végleges törlésének lehetőségét, az nem állítható helyre. További információ: Törölt munkaterület helyreállítása.

A munkaterület törlése nem törli a munkaterület által használt alkalmazáselemzéseket, tárfiókot, kulcstartót vagy tárolóregisztrációs adatbázist. A munkaterület, a függő erőforrások és az erőforráscsoport összes többi Azure-erőforrásának törléséhez törölheti az erőforráscsoportot. Az erőforráscsoport törléséhez használja a következő parancsot:

az group delete -g <resource-group-name>

További információ: az ml-munkaterület törlése.

Erőforrás-szolgáltatói hibák elhárítása

Azure Machine Learning-munkaterület vagy a munkaterület által használt erőforrás létrehozásakor a következő üzenetekhez hasonló hibaüzenet jelenhet meg:

  • No registered resource provider found for location {location}
  • The subscription is not registered to use namespace {resource-provider-namespace}

A legtöbb erőforrás-szolgáltató automatikusan regisztrálva van, de nem az összes. Ha ezt az üzenetet kapja, regisztrálnia kell az említett szolgáltatót.

Az alábbi táblázat az Azure Machine Learning által igényelt erőforrás-szolgáltatók listáját tartalmazza:

Erőforrás-szolgáltató Miért van rá szükség?
Microsoft.MachineLearningServices Az Azure Machine Learning-munkaterület létrehozása.
Microsoft.Storage A rendszer az Azure Storage-fiókot használja a munkaterület alapértelmezett tárolójaként.
Microsoft.ContainerRegistry Az Azure Container Registryt a munkaterület használja Docker-rendszerképek létrehozásához.
Microsoft.KeyVault Az Azure Key Vaultot a munkaterület titkos kulcsok tárolására használja.
Microsoft.Notebooks Integrált jegyzetfüzetek az Azure Machine Learning számítási példányán.
Microsoft.ContainerService Ha betanított modellek üzembe helyezését tervezi az Azure Kubernetes Servicesben.

Ha ügyfél által felügyelt kulcsot szeretne használni az Azure Machine Learningben, akkor a következő szolgáltatókat kell regisztrálnia:

Erőforrás-szolgáltató Miért van rá szükség?
Microsoft.DocumentDB Azure CosmosDB-példány, amely naplózza a munkaterület metaadatait.
Microsoft.Search Az Azure Search indexelési képességeket biztosít a munkaterülethez.

Ha felügyelt virtuális hálózatot szeretne használni az Azure Machine Learning használatával, akkor a Microsoft.Network erőforrás-szolgáltatót regisztrálni kell. Ezt az erőforrás-szolgáltatót használja a munkaterület a felügyelt virtuális hálózat privát végpontjainak létrehozásakor.

Az erőforrás-szolgáltatók regisztrálásáról további információt az erőforrás-szolgáltató regisztrációjának hibáinak megoldása című témakörben talál.