Catatan
Akses ke halaman ini memerlukan otorisasi. Anda dapat mencoba masuk atau mengubah direktori.
Akses ke halaman ini memerlukan otorisasi. Anda dapat mencoba mengubah direktori.
Azure Machine Learning adalah platform terintegrasi untuk mengelola siklus hidup pembelajaran mesin dari awal hingga akhir, termasuk bantuan terkait pembuatan, operasi, dan konsumsi model dan alur kerja pembelajaran mesin. Beberapa manfaat layanan ini meliputi:
Kemampuan mendukung pembuat untuk meningkatkan produktivitas mereka dengan membantu mereka mengelola eksperimen, mengakses data, melacak pekerjaan, menyetel hiperparameter, dan mengotomatiskan alur kerja.
Kapasitas model yang akan dijelaskan, direproduksi, diaudit, dan diintegrasikan dengan DevOps, ditambah model kontrol keamanan yang kaya, dapat mendukung operator untuk memenuhi persyaratan tata kelola dan kepatuhan.
Kemampuan inferensi terkelola dan integrasi yang kuat dengan layanan komputasi dan data Azure dapat membantu menyederhanakan cara layanan digunakan.
Azure Machine Learning mencakup semua aspek siklus hidup ilmu data. Ini mencakup penyimpanan data dan pendaftaran himpunan data untuk penyebaran model. Ini dapat digunakan untuk segala jenis pembelajaran mesin, dari pembelajaran mesin klasik hingga pembelajaran mendalam. Ini termasuk pembelajaran yang diawasi dan tidak diawasi. Baik Anda lebih suka menulis Python, kode R, atau menggunakan opsi kode nol atau kode rendah seperti perancang, Anda dapat membangun, melatih, dan melacak pembelajaran mesin yang akurat dan model pembelajaran mendalam di ruang kerja Azure Machine Learning.
Azure Machine Learning, platform Azure, dan layanan Azure AI dapat bekerja sama untuk mengelola siklus hidup pembelajaran mesin. Praktisi pembelajaran mesin dapat menggunakan Azure Synapse Analytics, Azure SQL Database, atau Microsoft Power BI untuk mulai menganalisis data dan transisi ke Azure Machine Learning untuk membuat prototipe, mengelola eksperimen, dan operasionalisasi. Di zona pendaratan Azure, Azure Machine Learning dapat dianggap sebagai produk data .
Azure Machine Learning dalam analitik berskala cloud
Fondasi zona pendaratan Cloud Adoption Framework (CAF), zona pendaratan data analitik skala cloud, dan konfigurasi Azure Machine Learning menyiapkan profesional pembelajaran mesin dengan lingkungan yang telah dikonfigurasi sebelumnya yang dapat berulang kali menyebarkan beban kerja pembelajaran mesin baru atau memigrasikan beban kerja yang ada. Kemampuan ini dapat membantu profesional pembelajaran mesin untuk mendapatkan lebih banyak kelincahan dan nilai untuk waktu mereka.
Prinsip desain berikut dapat memandu implementasi zona pendaratan Azure Machine Learning Azure:
Akses data yang dipercepat: Prakonfigurasi komponen penyimpanan zona pendaratan sebagai penyimpanan data di ruang kerja Azure Machine Learning.
Kolaborasi yang diaktifkan: Mengatur ruang kerja berdasarkan proyek dan memusatkan manajemen akses untuk sumber daya zona pendaratan untuk mendukung rekayasa data, ilmu data, dan profesional pembelajaran mesin untuk bekerja sama.
Implementasi aman: Sebagai default untuk setiap penyebaran, ikuti praktik terbaik dan gunakan isolasi jaringan, identitas, dan manajemen akses untuk mengamankan aset data.
Layanan mandiri: Profesional pembelajaran mesin dapat memperoleh lebih banyak kelincahan dan organisasi dengan menjelajahi opsi untuk menyebarkan sumber daya proyek baru.
Pemisahan tanggung jawab antara pengelolaan data dan konsumsi data: passthrough identitas adalah tipe autentikasi default untuk Azure Machine Learning dan penyimpanan.
Aplikasi data yang lebih cepat (selaras dengan sumber): zona pendaratan Azure Data Factory, Azure Synapse Analytics, dan Databricks dapat dikonfigurasi sebelumnya untuk ditautkan ke Azure Machine Learning.
Observability: Pengelogan sentral dan konfigurasi acuan yang dapat membantu memantau lingkungan.
Gambaran umum implementasi
Nota
Bagian ini merekomendasikan konfigurasi khusus untuk analitik skala cloud. Ini melengkapi dokumentasi Azure Machine Learning dan praktik terbaik Cloud Adoption Framework.
Organisasi dan penyiapan ruang kerja
Anda dapat menyebarkan sejumlah ruang kerja pembelajaran mesin yang diperlukan oleh beban kerja Anda dan untuk setiap zona pendaratan yang Anda sebarkan. Rekomendasi berikut dapat membantu penyiapan Anda:
Sebarkan setidaknya satu ruang kerja pembelajaran mesin per proyek.
Bergantung pada siklus hidup proyek pembelajaran mesin Anda, sebarkan satu ruang kerja pengembangan (dev) untuk membuat prototipe kasus penggunaan dan menjelajahi data sejak dini. Untuk pekerjaan yang memerlukan eksperimen, pengujian, dan penyebaran secara terus-menerus, siapkan ruang kerja penahapan dan produksi.
Ketika beberapa lingkungan diperlukan untuk ruang kerja dev, penahapan, dan produksi di zona pendaratan data, sebaiknya hindari duplikasi data dengan memiliki setiap lingkungan mendarat di zona pendaratan data produksi yang sama.
Untuk setiap konfigurasi sumber daya default di zona pendaratan data, layanan Azure Machine Learning disebarkan dalam grup sumber daya khusus dengan konfigurasi dan sumber daya dependen berikut:
- Azure Key Vault
- Application Insights
- Azure Container Registry (Pendaftaran Kontainer Azure)
- Gunakan Azure Machine Learning untuk menyambungkan ke akun Azure Storage dan autentikasi berbasis identitas Microsoft Entra untuk membantu pengguna terhubung ke akun.
- Pencatatan diagnostik disiapkan untuk setiap ruang kerja dan dikonfigurasikan ke sumber daya Log Analytics pusat dalam skala perusahaan; ini dapat membantu kesehatan pekerjaan dan status sumber daya Azure Machine Learning untuk dianalisis secara terpusat, baik di dalam maupun di seluruh zona pendaratan.
- Lihat Apa itu ruang kerja Azure Machine Learning? untuk mempelajari selengkapnya tentang sumber daya dan dependensi Azure Machine Learning.
Integrasi dengan layanan inti zona pendaratan data
Zona pendaratan data dilengkapi dengan serangkaian layanan default yang disebarkan di lapisan layanan platform . Layanan inti ini dapat dikonfigurasi saat Azure Machine Learning disebarkan di zona pendaratan data.
Sambungkan ruang kerja Azure Synapse Analytics atau Databricks sebagai layanan tertaut untuk mengintegrasikan data dan memproses big data.
Secara default, layanan data lake disediakan di zona pendaratan data, dan penyebaran produk Azure Machine Learning dilengkapi dengan koneksi (penyimpanan data) yang telah dikonfigurasi sebelumnya ke akun penyimpanan ini.
Konektivitas jaringan
Jaringan untuk menerapkan Azure Machine Learning di zona pendaratan Azure disiapkan dengan praktik terbaik keamanan untuk Azure Machine Learning dan praktik terbaik jaringan CAF . Praktik terbaik ini mencakup konfigurasi berikut:
- Azure Machine Learning dan sumber daya dependen dikonfigurasi untuk menggunakan titik akhir Private Link.
- Sumber daya komputasi terkelola hanya disebarkan dengan alamat IP privat.
- Konektivitas jaringan ke repositori gambar dasar publik Azure Machine Learning dan layanan mitra seperti Azure Artifacts dapat dikonfigurasi pada tingkat jaringan.
Manajemen identitas dan akses
Pertimbangkan rekomendasi berikut untuk mengelola identitas dan akses pengguna dengan Azure Machine Learning:
Penyimpanan data di Azure Machine Learning dapat dikonfigurasi untuk menggunakan autentikasi berbasis kredensial atau identitas. Saat Anda menggunakan kontrol akses dan konfigurasi data lake di Azure Data Lake Storage Gen2, konfigurasikan penyimpanan data untuk menggunakan autentikasi berbasis identitas; ini memungkinkan Azure Machine Learning untuk mengoptimalkan izin akses pengguna untuk penyimpanan.
Gunakan grup Microsoft Entra untuk mengelola izin pengguna untuk penyimpanan dan sumber daya pembelajaran mesin.
Azure Machine Learning dapat menggunakan identitas terkelola yang ditetapkan pengguna untuk kontrol akses dan membatasi rentang akses ke Azure Container Registry, Key Vault, Azure Storage, dan Application Insights.
Buat identitas terkelola yang ditetapkan pengguna ke kluster komputasi terkelola yang dibuat di Azure Machine Learning.
Memprovisikan infrastruktur melalui layanan mandiri
Layanan mandiri dapat diaktifkan dan diatur dengan kebijakan untuk Azure Machine Learning. Tabel berikut ini mencantumkan sekumpulan kebijakan default saat Anda menyebarkan Azure Machine Learning. Guna informasi selengkapnya, silakan lihat definisi kebijakan bawaan Azure Policy untuk Azure Machine Learning.
Kebijakan | Jenis | Referensi |
---|---|---|
Ruang kerja Azure Machine Learning harus menggunakan Azure Private Link. | Bawaan | Tampilkan di portal Microsoft Azure |
Ruang kerja Azure Machine Learning harus menggunakan identitas terkelola yang ditetapkan pengguna. | Bawaan | Tampilkan di portal Microsoft Azure |
[Pratinjau]: Mengonfigurasi registri yang diizinkan untuk komputasi Azure Machine Learning tertentu. | Bawaan | Tampilkan di portal Microsoft Azure |
Mengonfigurasi ruang kerja Azure Machine Learning dengan titik akhir privat. | Bawaan | Tampilkan di portal Microsoft Azure |
Konfigurasikan komputasi pembelajaran mesin untuk menonaktifkan metode autentikasi lokal. | Bawaan | Tampilkan di portal Microsoft Azure |
Tambahkan skrip penciptaan setup komputasi pembelajaran mesin | Kustom (zona pendaratan CAF) | Lihat di GitHub |
Tolak-pembelajaran mesin-hbiworkspace | Kustom (zona pendaratan CAF) | Lihat di GitHub |
Tolak akses publik pembelajaran mesin saat di belakang VNet | Kustom (zona pendaratan CAF) | Lihat di GitHub |
Tolak-pemelajaran mesin-AKS | Kustom (zona pendaratan CAF) | Lihat di GitHub |
Tolak akses ke machinelearningcompute-subnetid | Kustom (zona pendaratan CAF) | Lihat di GitHub |
Deny-machinelearningcompute-vmsize | Kustom (zona pendaratan CAF) | Lihat di GitHub |
Tolak-akses publik port login jarak jauh kluster komputasi pembelajaran mesin | Kustom (zona pendaratan CAF) | Lihat di GitHub |
Tolak-klusterkomputasimachinelearning-skala | Kustom (zona pendaratan CAF) | Lihat di GitHub |
Rekomendasi untuk mengelola lingkungan Anda
Zona pendaratan data analitik skala cloud menguraikan implementasi referensi untuk penyebaran berulang, yang dapat membantu Anda menyiapkan lingkungan yang dapat dikelola dan diatur. Pertimbangkan rekomendasi berikut untuk menggunakan Azure Machine Learning untuk mengelola lingkungan Anda:
Gunakan grup Microsoft Entra untuk mengelola akses ke sumber daya pembelajaran mesin.
Terbitkan dasbor pemantauan pusat untuk memantau kesehatan alur, pemanfaatan komputasi, dan manajemen kuota untuk pembelajaran mesin.
Jika Anda secara tradisional menggunakan kebijakan Azure bawaan dan perlu memenuhi persyaratan kepatuhan tambahan, buat kebijakan Azure kustom untuk meningkatkan tata kelola dan layanan mandiri.
Untuk melacak biaya penelitian dan pengembangan, sebarkan satu ruang kerja pembelajaran mesin di zona pendaratan sebagai sumber daya bersama selama tahap awal menjelajahi kasus penggunaan Anda.
Penting
Gunakan kluster Azure Machine Learning untuk pelatihan model tingkat produksi, dan Azure Kubernetes Service (AKS) untuk penyebaran tingkat produksi.
(dalam konteks spesifik)
Gunakan Azure Machine Learning untuk proyek ilmu data. Ini mencakup alur kerja end-to-end dengan layanan tambahan dan fitur, serta memungkinkan proses menjadi sepenuhnya otomatis.
Langkah berikutnya
Gunakan templat dan panduan Data Product Analytics untuk menyebarkan Azure Machine Learning, dan merujuk pada dokumentasi dan tutorial Azure Machine Learning untuk memulai membangun solusi Anda.