Mengekspor atau menghapus data ruang kerja Azure Machine Learning service Anda

2025-05-02

Di Azure Pembelajaran Mesin, Anda dapat mengekspor atau menghapus data ruang kerja dengan antarmuka grafis portal atau Python SDK. Artikel ini menjelaskan kedua opsi tersebut.

Catatan

Untuk informasi tentang melihat atau menghapus data pribadi, lihat Permintaan Subjek Data Umum untuk GDPR, Permintaan Subjek Data Azure untuk GDPR, atau Permintaan Subjek Data Windows untuk GDPR, tergantung pada area dan kebutuhan spesifik Anda. Untuk informasi selengkapnya tentang GDPR, lihat bagian GDPR di Microsoft Trust Center dan bagian GDPR dari portal Service Trust.

Catatan

Artikel ini memberikan langkah-langkah tentang cara menghapus data privat dari perangkat atau layanan dan dapat digunakan untuk mendukung kewajiban Anda berdasarkan GDPR. Untuk informasi umum tentang GDPR, lihat bagian GDPR di Pusat Kepercayaan Microsoft dan bagian GDPR di portal Kepercayaan Layanan.

Mengontrol data ruang kerja Anda

Azure Pembelajaran Mesin menyimpan data dalam produk yang tersedia untuk diekspor dan dihapus. Anda dapat mengekspor dan menghapus data dengan Azure Pembelajaran Mesin studio, CLI, atau SDK. Selain itu, Anda dapat mengakses data telemetri melalui portal Privasi Azure.

Di Azure Machine Learning, data pribadi terdiri dari informasi pengguna dalam dokumen riwayat pekerjaan.

Ruang kerja Azure bergantung pada grup sumber daya untuk menyimpan sumber daya terkait untuk solusi Azure. Saat membuat ruang kerja, Anda dapat menggunakan grup sumber daya yang sudah ada, atau Anda dapat membuat yang baru. Kunjungi sumber daya ini untuk informasi selengkapnya tentang grup sumber daya Azure.

Menghapus sumber daya tingkat tinggi menggunakan portal

Saat Anda membuat ruang kerja, Azure membuat beberapa sumber daya dalam grup sumber daya:

Ruang kerja itu sendiri
Akun penyimpanan
Registri kontainer
Instans Application Insights
Brankas kunci

Untuk menghapus sumber daya ini, pilih sumber daya tersebut dari daftar, dan pilih Hapus:

Penting

Jika sumber daya dikonfigurasi untuk penghapusan sementara, data tidak akan benar-benar dihapus kecuali Anda secara opsional memilih untuk menghapus sumber daya secara permanen. Untuk informasi selengkapnya, kunjungi sumber daya ini:

Kotak dialog konfirmasi terbuka, tempat Anda dapat mengonfirmasi pilihan Anda.

Dokumen riwayat pekerjaan mungkin berisi informasi pengguna pribadi. Dokumen-dokumen ini disimpan di akun penyimpanan dalam penyimpanan blob, dalam /azureml subfolder. Anda dapat mengunduh dan menghapus data dari portal. Pertama, pilih layanan Azure akun Penyimpanan di portal Azure, seperti yang ditunjukkan pada cuplikan layar ini:

Di halaman Akun penyimpanan , pilih akun penyimpanan yang relevan, seperti yang ditunjukkan dalam cuplikan layar ini:

Pilih Kontainer seperti yang ditunjukkan pada cuplikan layar ini:

Pilih kontainer tertentu, seperti yang ditunjukkan dalam cuplikan layar ini:

Dalam kontainer tersebut, pilih dan hapus sumber daya atau sumber daya yang ingin Anda hapus, seperti yang ditunjukkan pada cuplikan layar ini:

Mengekspor dan menghapus sumber daya pembelajaran mesin menggunakan studio Azure Machine Learning

Studio Azure Pembelajaran Mesin menyediakan tampilan terpadu sumber daya pembelajaran mesin Anda - misalnya, aset data, model, notebook, dan pekerjaan. Studio Azure Pembelajaran Mesin menekankan pelestarian rekaman data dan eksperimen Anda. Anda dapat menghapus sumber daya komputasi - alur dan sumber daya komputasi - langsung di browser. Untuk sumber daya ini, navigasikan ke sumber daya yang dimaksud, dan pilih Hapus.

Anda dapat membatalkan pendaftaran aset data dan mengarsipkan pekerjaan, tetapi operasi ini tidak menghapus data. Untuk menghapus data sepenuhnya, aset data dan data pekerjaan memerlukan penghapusan di tingkat penyimpanan. Penghapusan tingkat penyimpanan terjadi di portal, seperti yang dijelaskan sebelumnya. Azure Pembelajaran Mesin studio dapat menangani penghapusan individual. Penghapusan pekerjaan menghapus data pekerjaan tersebut.

Pengunduhan artefak dan log pekerjaan

Studio Azure Pembelajaran Mesin dapat menangani artefak pelatihan dan unduhan log dari pekerjaan eksperimental. Di halaman utama studio Azure Pembelajaran Mesin, pilih Pekerjaan seperti yang ditunjukkan dalam cuplikan layar ini:

Untuk menampilkan pekerjaan yang tersedia, pilih tab Semua Pekerjaan, seperti yang ditunjukkan pada cuplikan layar ini:

Pilih pekerjaan tertentu, seperti yang ditunjukkan dalam cuplikan layar ini:

Pilih Unduh semua, seperti yang ditunjukkan pada cuplikan layar ini:

Mengunduh model terdaftar

Untuk mengunduh model terdaftar, pilih Model untuk membuka Daftar Model di studio Azure Pembelajaran Mesin, lalu pilih model tertentu, seperti yang ditunjukkan pada cuplikan layar ini:

Pilih Unduh semua untuk memulai proses pengunduhan model, seperti yang ditunjukkan pada cuplikan layar ini:

Mengekspor dan menghapus sumber daya menggunakan Python SDK v1

Penting

Artikel ini memberikan informasi tentang penggunaan Azure Machine Learning SDK v1. SDK v1 tidak digunakan lagi per 31 Maret 2025. Dukungan untuk itu akan berakhir pada 30 Juni 2026. Anda dapat menginstal dan menggunakan SDK v1 hingga tanggal tersebut.

Kami merekomendasikan agar Anda beralih ke SDK v2 sebelum 30 Juni 2026. Untuk informasi selengkapnya tentang SDK v2, lihat Apa itu Azure Machine Learning CLI dan Python SDK v2? dan referensi SDK v2.

Anda dapat mengunduh output dari pekerjaan tertentu menggunakan:

# Retrieved from Azure Machine Learning web UI
run_id = 'aaaaaaaa-bbbb-cccc-dddd-0123456789AB'
experiment = ws.experiments['my-experiment']
run = next(run for run in ex.get_runs() if run.id == run_id)
metrics_output_port = run.get_pipeline_output('metrics_output')
model_output_port = run.get_pipeline_output('model_output')

metrics_output_port.download('.', show_progress=True)
model_output_port.download('.', show_progress=True)

Anda dapat menghapus sumber daya pembelajaran mesin ini dengan Python SDK:

Jenis	Panggilan Fungsi	Catatan
`Workspace`	`delete`	Gunakan `delete-dependent-resources` untuk membuat penghapusan bersifat menurun
`Model`	`delete`
`ComputeTarget`	`delete`
`WebService`	`delete`

Langkah berikutnya

Pelajari selengkapnya tentang mengelola ruang kerja