Rencana untuk mengelola biaya Azure Machine Learning

Artikel
09/01/2024

Artikel ini menjelaskan cara merencanakan dan mengelola biaya untuk Azure Machine Learning. Pertama, gunakan kalkulator harga Azure untuk membantu merencanakan biaya sebelum Anda menambahkan sumber daya apa pun. Selanjutnya, tinjau perkiraan biaya saat Anda menambahkan sumber daya Azure.

Setelah Anda mulai menggunakan sumber daya Azure Pembelajaran Mesin, gunakan fitur manajemen biaya untuk menetapkan anggaran dan memantau biaya. Selain itu, tinjau perkiraan biaya dan identifikasi tren pengeluaran untuk mengidentifikasi area tempat Anda mungkin ingin bertindak.

Pahami bahwa biaya untuk Azure Machine Learning hanya sebagian dari biaya bulanan dalam tagihan Azure Anda. Jika Anda menggunakan layanan Azure lainnya, Anda akan ditagih untuk semua layanan dan sumber daya Azure yang digunakan dalam langganan Azure Anda, termasuk layanan pihak ketiga. Artikel ini menjelaskan cara merencanakan dan mengelola biaya untuk Azure Machine Learning. Setelah terbiasa mengelola biaya Azure Machine Learning, terapkan metode serupa untuk mengelola biaya semua layanan Azure yang digunakan dalam langganan Anda.

Untuk informasi selengkapnya tentang mengoptimalkan biaya, lihat Mengelola dan mengoptimalkan biaya Azure Pembelajaran Mesin.

Prasyarat

Analisis biaya di Microsoft Cost Management mendukung sebagian besar jenis akun Azure, tetapi tidak semuanya. Untuk melihat daftar lengkap jenis akun yang didukung, lihat Memahami data Manajemen Biaya.

Untuk melihat data biaya, Anda memerlukan setidaknya akses baca untuk akun Azure. Untuk informasi terkait cara menetapkan akses ke data Azure Cost Management, lihat Menetapkan akses ke data.

Memperkirakan biaya sebelum menggunakan Azure Machine Learning

Gunakan kalkulator harga Azure untuk memperkirakan biaya sebelum Anda membuat sumber daya di ruang kerja Azure Pembelajaran Mesin. Di sisi kiri kalkulator harga, pilih AI + Pembelajaran Mesin, lalu pilih Azure Pembelajaran Mesin untuk memulai.

Cuplikan layar berikut menunjukkan contoh perkiraan biaya dalam kalkulator harga:

Saat Anda menambahkan sumber daya ke ruang kerja Anda, kembali ke kalkulator ini dan tambahkan sumber daya yang sama di sini untuk memperbarui perkiraan biaya Anda.

Untuk informasi selengkapnya, lihat Harga Azure Machine Learning.

Memahami model penagihan lengkap untuk Azure Machine Learning

Azure Machine Learning berjalan pada infrastruktur Azure yang mengumpulkan biaya bersama dengan Azure Machine Learning saat Anda menyebarkan sumber daya baru. Penting untuk dipahami bahwa infrastruktur tambahan mungkin menambah biaya. Anda perlu mengelola biaya tersebut saat membuat perubahan pada sumber daya yang disebarkan.

Biaya yang biasanya bertambah dengan Azure Machine Learning

Saat Anda membuat sumber daya untuk ruang kerja Azure Machine Learning, sumber daya untuk layanan Azure lainnya juga dibuat. Yaitu:

Saat Anda membuat instans komputasi, komputer virtual (VM) tetap aktif sehingga tersedia untuk pekerjaan Anda.

Aktifkan matikan diam untuk mengurangi biaya saat VM diam selama periode waktu tertentu.
Atau siapkan jadwal untuk memulai dan menghentikan instans komputasi secara otomatis untuk mengurangi biaya saat Anda tidak berencana menggunakannya.

Biaya mungkin bertambah sebelum penghapusan sumber daya

Sebelum Anda menghapus ruang kerja Azure Pembelajaran Mesin di portal Azure atau dengan Azure CLI, sub sumber daya berikut adalah biaya umum yang terakumulasi bahkan saat Anda tidak aktif bekerja di ruang kerja. Jika Anda berencana untuk kembali ke ruang kerja Azure Pembelajaran Mesin di lain waktu, sumber daya ini mungkin terus dikenakan biaya.

VM
Load Balancer
Microsoft Azure Virtual Network
Bandwidth

Setiap VM ditagih per jam yang dijalankannya. Biaya tergantung pada spesifikasi VM. VM yang berjalan tetapi tidak secara aktif berfungsi pada himpunan data masih dibebankan melalui load balancer. Untuk setiap instans komputasi, satu penyeimbang beban ditagih per hari. Setiap 50 simpul kluster komputasi memiliki satu load balancer standar yang ditagih. Setiap penyeimbang muatan ditagih sekitar $ 0,33/hari. Untuk menghindari biaya penyeimbang muatan pada instans komputasi dan kluster komputasi yang dihentikan, hapus sumber daya komputasi.

Instans komputasi juga dikenakan biaya disk P10 bahkan dalam status berhenti karena konten pengguna apa pun yang disimpan di sana bertahan di seluruh status berhenti yang mirip dengan Azure VM. Kami berupaya membuat ukuran/ jenis disk OS dapat dikonfigurasi untuk mengontrol biaya dengan lebih baik. Untuk Azure Virtual Networks, satu jaringan virtual ditagih per langganan dan per wilayah. Jaringan virtual tidak dapat mencakup wilayah atau langganan. Menyiapkan titik akhir privat dalam jaringan virtual mungkin juga dikenakan biaya. Jika jaringan virtual Anda menggunakan Azure Firewall, ini mungkin juga dikenakan biaya. Biaya bandwidth mencerminkan penggunaan; semakin banyak data yang ditransfer, semakin besar biayanya.

Tip

Menggunakan jaringan virtual terkelola Azure Pembelajaran Mesin gratis. Namun, beberapa fitur jaringan terkelola mengandalkan Azure Private Link (untuk titik akhir privat) dan Azure Firewall (untuk aturan FQDN), yang dikenakan biaya. Untuk informasi selengkapnya, lihat Isolasi jaringan virtual terkelola.
Titik akhir online terkelola menggunakan VM untuk penyebaran. Jika Anda mengirimkan permintaan untuk membuat penyebaran online dan gagal, itu mungkin telah melewati tahap saat komputasi dibuat. Dalam hal ini, penyebaran yang gagal akan dikenakan biaya. Jika Anda selesai men-debug atau menyelidiki kegagalan, Anda dapat menghapus penyebaran yang gagal untuk menghemat biaya.

Biaya mungkin bertambah setelah penghapusan sumber daya

Setelah Anda menghapus ruang kerja Azure Machine Learning di portal Azure atau dengan Azure CLI, sumber daya berikut ini terus ada. Sumber daya tersebut terus menambah biaya sampai Anda menghapusnya.

Azure Container Registry
Azure Blob Storage
Key Vault
Application Insights

Untuk menghapus ruang kerja bersama dengan sumber daya dependen ini, gunakan SDK:

BERLAKU UNTUK: Python SDK azure-ai-ml v2 (saat ini)

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

Jika Anda membuat Azure Kubernetes Service (AKS) di ruang kerja, atau jika Anda melampirkan sumber daya komputasi ke ruang kerja, Anda harus menghapusnya secara terpisah di portal Azure.

Menggunakan kredit Prabayar Azure dengan Azure Pembelajaran Mesin

Anda dapat membayar biaya Azure Pembelajaran Mesin dengan menggunakan kredit Azure Prepayment Anda. Namun, Anda tidak dapat menggunakan kredit Azure Prepayment untuk membayar produk dan layanan pihak ketiga, termasuk yang berasal dari Marketplace Azure.

Meninjau perkiraan biaya di portal Microsoft Azure

Saat membuat sumber daya komputasi untuk Azure Machine Learning, Anda akan melihat perkiraan biaya.

Untuk membuat instans komputasi dan melihat perkiraan harga:

Masuk ke studio Azure Pembelajaran Mesin.
Di sebelah kiri, pilih Komputasi.
Di toolbar atas, pilih +New.
Tinjau perkiraan harga yang ditampilkan untuk setiap ukuran komputer virtual yang tersedia.
Selesaikan pembuatan sumber daya.

Jika langganan Azure Anda memiliki batas pengeluaran, Azure mencegah pembelanjaan melebihi jumlah kredit yang Anda miliki. Saat membuat dan menggunakan sumber daya Azure, kredit Anda akan digunakan. Ketika mencapai batas kredit, sumber daya yang Anda sebarkan akan dinonaktifkan selama sisa periode penagihan tersebut. Anda tidak dapat mengubah batas kredit, tetapi Anda dapat menghapusnya. Untuk informasi selengkapnya tentang batas pengeluaran, lihat Batas pengeluaran Azure.

Memantau biaya

Anda dikenakan biaya untuk menggunakan sumber daya Azure dengan Azure Pembelajaran Mesin. Biaya unit penggunaan sumber daya Azure bervariasi menurut interval waktu (detik, menit, jam, dan hari) atau berdasarkan penggunaan unit (byte, megabyte, dan seterusnya.) Begitu penggunaan Azure Machine Learning dimulai, biaya dikenakan dan Anda dapat melihat biayanya di analisis biaya.

Saat menggunakan analisis biaya, Anda melihat biaya Azure Machine Learning dalam grafik dan tabel untuk interval waktu berbeda. Beberapa contohnya adalah harian, bulan ini dan sebelumnya, serta tahun. Anda juga dapat melihat biaya terhadap anggaran dan perkiraan biaya. Beralih ke tampilan yang lebih panjang dari waktu ke waktu dapat membantu Anda mengidentifikasi tren pengeluaran. Dan Anda melihat di mana pengeluaran berlebih mungkin telah terjadi. Jika Anda membuat anggaran, Anda juga dapat dengan mudah melihat di mana anggaran tersebut terlampaui.

Untuk melihat biaya Azure Machine Learning di analisis biaya:

Masuk ke portal Azure.
Buka lingkup di portal Microsoft Azure dan pilih Analisis biaya di menu. Misalnya, masuk ke Langganan, pilih langganan dari daftar, lalu pilih Analisis biaya di menu. Pilih Cakupan untuk beralih ke cakupan lain dalam analisis biaya.
Secara default, biaya untuk layanan ditampilkan di bagan donat pertama. pilih area dalam bagan berlabel Azure Machine Learning.

Biaya bulanan aktual ditampilkan ketika Anda pertama kali membuka analisis biaya. Berikut adalah contoh yang menunjukkan semua biaya penggunaan bulanan.

Untuk memperkecil biaya untuk satu layanan, seperti Azure Machine Learning, pilih Tambahkan filter lalu pilih Nama layanan. Kemudian, pilih mesin virtual.

Berikut adalah contoh yang memperlihatkan biaya hanya untuk Azure Pembelajaran Mesin.

Dalam contoh sebelumnya, Anda melihat biaya layanan saat ini. Biaya berdasarkan wilayah Azure (lokasi) dan biaya Azure Machine Learning berdasarkan grup sumber daya juga ditampilkan. Dari sini, Anda dapat mengeksplorasi sendiri informasi terkait biaya.

Membuat anggaran

Anda dapat membuat anggaran untuk mengelola biaya dan membuat peringatan yang secara otomatis memberi tahu pemangku kepentingan tentang anomali pengeluaran dan risiko pengeluaran berlebihan. Peringatan didasarkan pada pengeluaran dibandingkan dengan ambang batas anggaran dan biaya. Anggaran dan peringatan dibuat untuk langganan Azure dan grup sumber daya, sehingga berguna sebagai bagian dari strategi pemantauan biaya secara keseluruhan.

Anggaran dapat dibuat dengan filter untuk sumber daya atau layanan tertentu di Azure jika Anda menginginkan lebih banyak granularitas yang ada dalam pemantauan Anda. Filter membantu memastikan bahwa Anda tidak membuat sumber daya baru yang menghabiskan biaya tambahan secara tidak sengaja. Untuk informasi selengkapnya tentang opsi filter saat Anda membuat anggaran, lihat Mengelompokkan dan memfilter opsi.

Mengekspor data biaya

Anda juga dapat mengekspor data biaya ke akun penyimpanan. Hal ini sangat membantu ketika Anda atau orang lain memerlukan analisis data lebih lanjut tentang biaya. Contohnya, tim keuangan dapat menganalisis data menggunakan Excel atau Power BI. Anda dapat mengekspor biaya pada jadwal harian, mingguan, atau bulanan dan menetapkan rentang tanggal kustom. Mengekspor data biaya adalah cara yang disarankan untuk mengambil kumpulan data biaya.

Cara lain mengelola dan mengurangi biaya untuk Azure Machine Learning

Gunakan petunjuk berikut untuk mengelola dan mengoptimalkan biaya sumber daya komputasi Anda.

Konfigurasikan kluster pelatihan Anda untuk penskalaan otomatis.
Konfigurasikan titik akhir online terkelola Anda untuk penskalaan otomatis.
Atur kuota pada langganan dan ruang kerja Anda.
Tetapkan kebijakan penghentian pada pekerjaan pelatihan Anda.
Gunakan komputer virtual berprioritas rendah.
Jadwalkan instans komputasi untuk dimatikan dan dimulai secara otomatis.
Gunakan instans Azure Reserved VM.
Melatih secara lokal.
Menyejajarkan pelatihan.
Atur kebijakan retensi dan penghapusan data.
Menyebarkan sumber daya ke wilayah yang sama.
Hapus instans, kluster, dan/atau penyebaran online jika Anda tidak berencana untuk menggunakannya segera.
Hapus penyebaran yang gagal jika komputasi dibuat untuk mereka.

Untuk informasi selengkapnya, lihat Mengelola dan mengoptimalkan biaya Azure Pembelajaran Mesin.

Bagikan melalui