Mengelola ruang kerja Azure Pembelajaran Mesin dengan menggunakan Azure CLI

BERLAKU UNTUK: Ekstensi ml Azure CLI v2 (saat ini)

Dalam artikel ini, Anda mempelajari cara membuat dan mengelola ruang kerja Azure Pembelajaran Mesin dengan menggunakan Azure CLI. Azure CLI dilengkapi dengan perintah untuk mengelola sumber daya Azure dan dirancang untuk membuat Anda bekerja dengan cepat dengan Azure, dengan penekanan pada otomatisasi. Ekstensi pembelajaran mesin Azure CLI menyediakan perintah untuk bekerja dengan sumber daya Azure Pembelajaran Mesin.

Anda juga dapat menggunakan metode berikut untuk membuat dan mengelola ruang kerja Azure Pembelajaran Mesin:

• Studio Azure Pembelajaran Mesin
• Portal Azure
• Python SDK
• Azure PowerShell
• Visual Studio Code dengan ekstensi Azure Pembelajaran Mesin

Prasyarat

• Langganan Azure dengan versi gratis atau berbayar Azure Pembelajaran Mesin. Jika Anda tidak memiliki langganan Azure, buat akun gratis sebelum Anda memulai.

• Azure CLI terinstal, jika Anda ingin menjalankan perintah Azure CLI di artikel ini secara lokal.

  Jika Anda menjalankan perintah Azure CLI di Azure Cloud Shell, Anda tidak perlu menginstal apa pun. Browser mengakses versi cloud terbaru Azure CLI dan ekstensi Azure Pembelajaran Mesin.

Batasan

• Saat membuat ruang kerja baru, Anda dapat secara otomatis membuat layanan yang diperlukan oleh ruang kerja atau menggunakan layanan yang ada. Jika Anda ingin menggunakan layanan yang sudah ada dari langganan Azure yang berbeda dari ruang kerja, Anda harus mendaftarkan kumpulan nama Pembelajaran Mesin Azure dalam langganan yang berisi layanan tersebut. Misalnya, jika Anda membuat ruang kerja di langganan A yang menggunakan akun penyimpanan di langganan B, namespace Azure Pembelajaran Mesin harus terdaftar di langganan B sebelum ruang kerja dapat menggunakan akun penyimpanan.

  Penyedia sumber daya untuk Pembelajaran Mesin Azure adalah Microsoft.MachineLearningServices. Untuk informasi tentang melihat apakah terdaftar atau mendaftarkannya, lihat Penyedia dan jenis sumber daya Azure.

  Penting

  Informasi ini hanya berlaku untuk sumber daya yang disediakan selama pembuatan ruang kerja: Akun Azure Storage, Azure Container Registry, Azure Key Vault, dan Application Insights.

Menyambungkan ke langganan Azure Anda

Jika Anda menggunakan Azure Cloud Shell dari portal Azure, Anda dapat melewati bagian ini. Cloud shell secara otomatis mengautentikasi Anda menggunakan langganan Azure yang anda gunakan untuk masuk.

Ada beberapa cara untuk mengautentikasi secara lokal ke langganan Azure Anda dari Azure CLI. Cara paling sederhana adalah dengan menggunakan browser.

Untuk mengautentikasi secara interaktif, buka baris perintah atau terminal dan jalankan az login. Jika CLI dapat membuka browser default Anda, CLI dapat melakukannya, dan memuat halaman masuk. Jika tidak, ikuti instruksi baris perintah untuk membuka browser https://aka.ms/devicelogin dan memasukkan kode otorisasi perangkat.

Tip

Setelah masuk, Anda akan melihat daftar langganan yang terkait dengan akun Azure Anda. Informasi langganan dengan isDefault: true adalah langganan yang saat ini diaktifkan untuk perintah Azure CLI. Langganan ini harus sama dengan yang berisi ruang kerja Azure Machine Learning Anda. Anda dapat menemukan informasi langganan di halaman gambaran umum untuk ruang kerja Anda di portal Azure.

Untuk memilih langganan lain yang akan digunakan untuk perintah Azure CLI, jalankan az account set -s <subscription> perintah dan tentukan nama langganan atau ID yang akan dialihkan. Untuk informasi selengkapnya tentang pemilihan langganan, lihat Menggunakan beberapa langganan Azure.

Untuk metode autentikasi lainnya, lihat Masuk dengan Azure CLI.

Buat grup sumber daya

Ruang kerja Azure Pembelajaran Mesin harus dibuat di dalam grup sumber daya yang sudah ada atau baru. Untuk membuat grup sumber daya baru, jalankan perintah berikut. Ganti <resource-group-name> dengan nama dan <location> dengan wilayah Azure yang ingin Anda gunakan untuk grup sumber daya ini.

Catatan

Pastikan untuk memilih wilayah tempat Azure Pembelajaran Mesin tersedia. Untuk informasi, lihat Produk yang tersedia menurut wilayah.

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

Respons terhadap perintah ini mirip dengan JSON berikut. Anda dapat menggunakan nilai output untuk menemukan sumber daya yang dibuat atau meneruskannya sebagai input ke perintah atau otomatisasi Azure CLI lainnya.

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

Untuk informasi selengkapnya tentang bekerja dengan grup sumber daya, lihat grup az.

Membuat ruang kerja

Ruang kerja Azure Pembelajaran Mesin yang disebarkan memerlukan berbagai layanan lain sebagai sumber daya terkait dependen. Saat Anda menggunakan Azure CLI untuk membuat ruang kerja, CLI dapat membuat sumber daya terkait baru atau Anda dapat melampirkan sumber daya yang ada.

Untuk membuat ruang kerja baru dengan layanan dependen baru yang dibuat secara otomatis, jalankan perintah berikut:

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

Untuk membuat ruang kerja baru yang menggunakan sumber daya yang ada, Anda terlebih dahulu menentukan sumber daya dalam file konfigurasi YAML, seperti yang dijelaskan di bagian berikut. Kemudian Anda mereferensikan file YAML di perintah pembuatan ruang kerja Azure CLI sebagai berikut:

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

Output perintah pembuatan ruang kerja ini sama dengan JSON berikut. Anda dapat menggunakan nilai output untuk menemukan sumber daya yang dibuat atau meneruskannya sebagai input ke perintah Azure CLI lainnya.

{
  "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>"
}

File konfigurasi YAML

Untuk menggunakan sumber daya yang ada untuk ruang kerja baru, Anda menentukan sumber daya dalam file konfigurasi YAML. Contoh berikut menunjukkan file konfigurasi ruang kerja YAML:

$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

Anda tidak perlu menentukan semua sumber daya dependen terkait dalam file konfigurasi. Anda dapat menentukan satu atau beberapa sumber daya, dan membiarkan yang lain dibuat secara otomatis.

Anda harus menyediakan ID untuk sumber daya yang ada dalam file YAML. Anda bisa mendapatkan ID ini baik dengan melihat Properti sumber daya di portal Azure, atau dengan menjalankan perintah Azure CLI berikut:

• Azure Application 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"
• Akun Azure Storage:
  az storage account show --name <storage-account-name> --query "id"

Hasil kueri terlihat seperti string berikut:
"/subscriptions/<subscription-GUID>/resourceGroups/<resource-group-name>/providers/<provider>/<subresource>/<id>".

Sumber daya dependen terkait

Pertimbangan dan batasan berikut berlaku untuk sumber daya dependen yang terkait dengan ruang kerja.

Application Insights

Tip

Instans Azure Application Insights dibuat saat Anda membuat ruang kerja. Anda dapat menghapus instans Application Insights setelah pembuatan kluster jika Anda mau. Menghapusnya membatasi informasi yang dikumpulkan dari ruang kerja, dan mungkin membuatnya lebih sulit untuk memecahkan masalah. Jika Anda menghapus instans Application Insights yang dibuat oleh ruang kerja, satu-satunya cara untuk membuatnya kembali adalah dengan menghapus dan membuat ulang ruang kerja.

Untuk informasi selengkapnya tentang menggunakan instans Application Insights, lihat Memantau dan mengumpulkan data dari titik akhir layanan web Pembelajaran Mesin.

Container Registry

Ruang kerja Azure Pembelajaran Mesin menggunakan Azure Container Registry untuk beberapa operasi, dan secara otomatis membuat instans Container Registry saat pertama kali membutuhkannya.

Peringatan

Setelah Azure Container Registry dibuat untuk ruang kerja, jangan hapus. Melakukannya akan merusak ruang kerja Azure Pembelajaran Mesin Anda.

Untuk menggunakan registri kontainer Azure yang sudah ada dengan ruang kerja Azure Pembelajaran Mesin, Anda harus mengaktifkan akun admin pada registri kontainer.

Akun Penyimpanan

Jika Anda menggunakan akun penyimpanan yang sudah ada untuk ruang kerja, akun tersebut harus memenuhi kriteria berikut. Persyaratan ini hanya berlaku untuk akun penyimpanan default.

• Akun tidak dapat Premium_LRS atau Premium_GRS.
• Kemampuan Azure Blob dan Azure File keduanya harus diaktifkan.
• Namespace hierarkis harus dinonaktifkan untuk Azure Data Lake Storage.

Mengamankan komunikasi Azure CLI

Semua perintah Azure Pembelajaran Mesin V2 az ml mengomunikasikan data operasional, seperti parameter dan metadata YAML, ke Azure Resource Manager. Beberapa perintah Azure CLI berkomunikasi dengan Azure Resource Manager melalui internet.

Jika ruang kerja Azure Pembelajaran Mesin Anda bersifat publik dan tidak berada di belakang jaringan virtual, komunikasi diamankan dengan menggunakan HTTPS/TLS 1.2. Tidak diperlukan konfigurasi tambahan.

Jika ruang kerja Azure Pembelajaran Mesin Anda menggunakan titik akhir privat dan jaringan virtual, Anda harus memilih salah satu konfigurasi berikut untuk menggunakan Azure CLI:

• Untuk berkomunikasi melalui internet publik, atur parameter ke --public-network-access Enabled.

• Untuk menghindari komunikasi melalui internet publik karena alasan keamanan, konfigurasikan Azure Pembelajaran Mesin untuk menggunakan konektivitas jaringan privat dengan titik akhir Azure Private Link, seperti yang dijelaskan di bagian berikut.

Konektivitas jaringan privat

Bergantung pada kasus penggunaan dan persyaratan organisasi, Anda dapat mengonfigurasi Azure Pembelajaran Mesin untuk menggunakan konektivitas jaringan privat. Anda dapat menggunakan Azure CLI untuk menyebarkan ruang kerja dan titik akhir Private Link untuk sumber daya ruang kerja.

Jika Anda menggunakan titik akhir tautan privat untuk Azure Container Registry dan Azure Pembelajaran Mesin, Anda tidak dapat menggunakan tugas Container Registry untuk membangun gambar lingkungan Docker. Sebagai gantinya, Anda harus membuat gambar dengan menggunakan kluster komputasi Azure Pembelajaran Mesin.

Dalam file konfigurasi ruang kerja YAML, Anda harus mengatur image_build_compute properti ke nama kluster komputasi yang akan digunakan untuk pembuatan lingkungan gambar Docker. Anda juga dapat menentukan bahwa ruang kerja tautan privat tidak dapat diakses melalui internet dengan mengatur public_network_access properti ke Disabled.

Kode berikut menunjukkan contoh file konfigurasi ruang kerja untuk konektivitas jaringan privat.

$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

Setelah Anda membuat ruang kerja, gunakan perintah CLI jaringan Azure untuk membuat titik akhir tautan privat untuk ruang kerja.

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>

Untuk membuat entri zona Sistem Nama Domain (DNS) privat untuk ruang kerja, gunakan perintah berikut:

# 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'

Untuk informasi selengkapnya tentang menggunakan titik akhir privat dan jaringan virtual dengan ruang kerja Anda, lihat artikel berikut ini:

• Konfigurasi titik akhir privat untuk ruang kerja Azure Pembelajaran Mesin Anda
• Isolasi jaringan virtual dan ringkasan privasi

Tautan pribadi manajemen sumber daya

Anda dapat menggunakan proses berikut untuk mengamankan komunikasi dengan semua sumber daya Azure Resource Manager dalam grup manajemen Azure dengan menggunakan Private Link:

1. Buat tautan privat untuk mengelola sumber daya Azure.
2. Buat titik akhir privat untuk tautan privat yang dibuat di langkah sebelumnya.

Penting

Untuk mengonfigurasi tautan privat untuk Azure Resource Manager, Anda harus menjadi Pemilik langganan Azure, dan Pemilik atau Kontributor pada grup manajemen akar. Untuk informasi selengkapnya, lihat Membuat tautan pribadi untuk mengelola sumber daya Azure.

Konfigurasi tingkat lanjut

Ada beberapa konfigurasi tingkat lanjut lainnya yang dapat Anda terapkan ke ruang kerja. Untuk konfigurasi sumber daya yang kompleks, lihat juga opsi penyebaran berbasis template termasuk Azure Resource Manager.

Kunci yang dikelola pelanggan

Secara default, metadata ruang kerja disimpan dalam instans Azure Cosmos DB yang dikelola Microsoft, dan dienkripsi menggunakan kunci yang dikelola Microsoft. Alih-alih menggunakan kunci yang dikelola Microsoft, Anda dapat menyediakan kunci Anda sendiri. Menggunakan kunci Anda sendiri membuat sekumpulan sumber daya tambahan di langganan Azure Anda untuk menyimpan data Anda.

Catatan

Azure Cosmos DB tidak digunakan untuk menyimpan informasi performa model, informasi yang dicatat oleh eksperimen, atau informasi yang dicatat dari penyebaran model Anda.

Untuk membuat ruang kerja yang menggunakan kunci Anda sendiri, gunakan customer_managed_key parameter dalam file konfigurasi ruang kerja YAML, dan tentukan ID sumber daya yang berisi key_vault dan key_uri kunci dalam vault.

$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

Untuk mempelajari selengkapnya tentang sumber daya yang dibuat saat Anda menggunakan kunci Anda sendiri untuk enkripsi, lihat Enkripsi data dengan Azure Pembelajaran Mesin.

Catatan

Untuk mengelola sumber daya enkripsi data yang ditambahkan, gunakan Manajemen Identitas dan Akses untuk mengotorisasi Aplikasi Pembelajaran Mesin dengan izin Kontributor pada langganan Anda.

Ruang kerja berdampak bisnis tinggi

Untuk membatasi data yang dikumpulkan Microsoft di ruang kerja, Anda dapat menentukan ruang kerja dampak bisnis yang tinggi dengan mengatur hbi_workspace properti dalam file konfigurasi YAML ke TRUE. Anda dapat mengatur dampak bisnis tinggi hanya saat membuat ruang kerja. Anda tidak dapat mengubah pengaturan ini setelah pembuatan ruang kerja.

Untuk informasi selengkapnya tentang kunci yang dikelola pelanggan dan ruang kerja berdampak bisnis tinggi, lihat Keamanan perusahaan untuk Azure Machine Learning.

Menggunakan Azure CLI untuk mengelola ruang kerja

Anda dapat menggunakan perintah az ml workspace untuk mengelola ruang kerja.

Dapatkan informasi ruang kerja

Untuk mendapatkan informasi tentang ruang kerja, gunakan perintah berikut:

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

Untuk informasi selengkapnya, lihat az ml workspace show.

Memperbarui ruang kerja

Untuk memperbarui ruang kerja, gunakan perintah berikut ini:

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

Misalnya, perintah berikut memperbarui ruang kerja untuk mengaktifkan akses jaringan publik:

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

Untuk informasi selengkapnya, lihat pembaruan ruang kerja ml az.

Sinkronkan kunci untuk sumber daya dependen

Jika Anda mengubah kunci akses untuk salah satu sumber daya yang digunakan ruang kerja Anda, diperlukan waktu sekitar satu jam agar ruang kerja disinkronkan ke kunci baru. Untuk memaksa ruang kerja agar segera menyinkronkan kunci baru, gunakan perintah berikut:

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

• Untuk informasi selengkapnya tentang sync-keys perintah, lihat az ml workspace sync-keys.
• Untuk informasi selengkapnya tentang mengubah kunci, lihat Membuat ulang kunci akses penyimpanan.

Memindahkan ruang kerja

Memindahkan ruang kerja Azure Pembelajaran Mesin saat ini dalam pratinjau. Untuk informasi selengkapnya, lihat Memindahkan ruang kerja Azure Pembelajaran Mesin antar langganan (pratinjau).

Hapus ruang kerja

Untuk menghapus ruang kerja setelah tidak lagi diperlukan, gunakan perintah berikut:

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

Perilaku default untuk Azure Pembelajaran Mesin adalah menghapus sementara ruang kerja. Ruang kerja tidak segera dihapus, tetapi ditandai untuk dihapus. Untuk informasi selengkapnya, lihat Penghapusan sementara.

Peringatan

Jika penghapusan sementara diaktifkan untuk ruang kerja, penghapusan dapat dipulihkan setelah penghapusan. Jika penghapusan sementara tidak diaktifkan, atau Anda memilih opsi untuk menghapus ruang kerja secara permanen, itu tidak dapat dipulihkan. Untuk informasi selengkapnya, lihat Memulihkan ruang kerja yang dihapus.

Menghapus ruang kerja tidak menghapus wawasan aplikasi, akun penyimpanan, brankas kunci, atau registri kontainer yang digunakan oleh ruang kerja. Untuk menghapus ruang kerja, sumber daya dependen, dan semua sumber daya Azure lainnya di grup sumber daya, Anda dapat menghapus grup sumber daya. Untuk menghapus grup sumber daya, gunakan perintah berikut:

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

Untuk informasi selengkapnya, lihat az ml workspace delete.

Memecahkan masalah kesalahan penyedia sumber daya

Saat membuat ruang kerja Azure Machine Learning, atau sumber daya yang digunakan oleh ruang kerja, Anda mungkin menerima kesalahan yang mirip dengan pesan berikut:

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

Sebagian besar penyedia sumber daya secara otomatis terdaftar, tetapi tidak semua. Jika Anda menerima pesan ini, Anda perlu mendaftarkan penyedia yang disebutkan.

Tabel berikut berisi daftar penyedia sumber daya yang diperlukan oleh Azure Machine Learning:

Penyedia sumber daya	Mengapa dibutuhkan
Microsoft.MachineLearningServices	Membuat ruang kerja Azure Machine Learning.
Microsoft.Storage	Akun Azure Storage: Digunakan sebagai penyimpanan data default untuk ruang kerja.
Microsoft.ContainerRegistry	Azure Container Registry digunakan oleh ruang kerja untuk membangun gambar Docker.
Microsoft.KeyVault	Azure Key Vault digunakan oleh ruang kerja untuk menyimpan rahasia.
Microsoft.Notebooks	Notebook terintegrasi pada instans komputasi Azure Machine Learning.
Microsoft.ContainerService	Jika Anda berencana menyebarkan model terlatih ke Azure Kubernetes Services.

Jika Anda berencana menggunakan kunci yang dikelola pelanggan dengan Azure Machine Learning, maka penyedia layanan berikut harus terdaftar:

Penyedia sumber daya	Mengapa dibutuhkan
Microsoft.DocumentDB	Instans Azure CosmosDB yang mencatat metadata untuk ruang kerja.
Microsoft.Search	Azure Search menyediakan kemampuan pengindeksan untuk ruang kerja.

Jika Anda berencana menggunakan jaringan virtual terkelola dengan Azure Pembelajaran Mesin, penyedia sumber daya Microsoft.Network harus didaftarkan. Penyedia sumber daya ini digunakan oleh ruang kerja saat membuat titik akhir privat untuk jaringan virtual terkelola.

Untuk informasi selengkapnya tentang cara mendaftarkan penyedia sumber daya, lihat Mengatasi kesalahan untuk pendaftaran penyedia sumber daya.

Sumber daya terkait

• Untuk informasi selengkapnya tentang ekstensi Azure CLI untuk pembelajaran mesin, lihat dokumentasi az ml .
• Untuk informasi tentang diagnostik yang dapat mengidentifikasi dan membantu mengatasi masalah ruang kerja, lihat Cara menggunakan diagnostik ruang kerja.
• Untuk informasi tentang cara menjaga Azure Pembelajaran Mesin Anda tetap terbarui dengan pembaruan keamanan terbaru, lihat Manajemen kerentanan.