Pianificare la gestione dei costi per Azure Machine Learning

Articolo
04/09/2024

Questo articolo descrive come pianificare e gestire i costi per Azure Machine Learning. Usare prima di tutto il calcolatore prezzi di Azure per pianificare i costi prima di aggiungere risorse. Esaminare quindi i costi stimati durante l'aggiunta di risorse di Azure.

Dopo aver iniziato a usare le risorse di Azure Machine Learning, usare le funzionalità di gestione dei costi per impostare i budget e monitorare i costi. Esaminare anche i costi previsti e identificare le tendenze di spesa per identificare le aree in cui si potrebbe voler agire.

Tenere presente che i costi per Azure Machine Learning sono solo una parte dei costi mensili nella fattura di Azure. Se si usano altri servizi di Azure, vengono fatturati tutti i servizi e le risorse di Azure usati nella sottoscrizione di Azure, inclusi i servizi di terze parti. Questo articolo descrive come pianificare e gestire i costi per Azure Machine Learning. Dopo aver acquisito familiarità con la gestione dei costi per Azure Machine Learning, applicare metodi simili per gestire i costi per tutti i servizi di Azure usati nella sottoscrizione.

Per altre informazioni sull'ottimizzazione dei costi, vedere Gestire e ottimizzare i costi di Azure Machine Learning.

Prerequisiti

L'analisi dei costi in Gestione costi Microsoft supporta la maggior parte dei tipi di account di Azure, ma non tutti. Per visualizzare l'elenco completo dei tipi di account supportati, vedere Informazioni sui dati di Gestione costi.

Per visualizzare i dati dei costi, è necessario almeno l'accesso in lettura per un account Azure. Per informazioni sull'assegnazione dell'accesso ai dati di Gestione costi, vedere Assegnare l'accesso ai dati.

Stimare i costi prima di usare Azure Machine Learning

Usare il calcolatore prezzi di Azure per stimare i costi prima di creare risorse in un'area di lavoro di Azure Machine Learning. Sul lato sinistro del calcolatore prezzi selezionare Intelligenza artificiale e Machine Learning e quindi selezionare Azure Machine Learning per iniziare.

Lo screenshot seguente mostra una stima dei costi di esempio nel calcolatore prezzi:

Quando si aggiungono risorse all'area di lavoro, tornare a questo calcolatore e aggiungere la stessa risorsa qui per aggiornare le stime dei costi.

Per altre informazioni, vedere Prezzi di Azure Machine Learning.

Informazioni sul modello di fatturazione completo per Azure Machine Learning

Azure Machine Learning viene eseguito nell'infrastruttura di Azure che accumula costi insieme ad Azure Machine Learning quando si distribuisce la nuova risorsa. È importante comprendere che un'infrastruttura aggiuntiva potrebbe accumulare costi. È necessario gestire tali costi quando si apportano modifiche alle risorse distribuite.

Costi che in genere si accumulano con Azure Machine Learning

Quando si creano risorse per un'area di lavoro di Azure Machine Learning, vengono create anche le risorse per altri servizi di Azure. Sono:

Registro Azure Container account di base
Archiviazione BLOB di Azure (utilizzo generico v1)
Azure Key Vault
Monitoraggio di Azure

Quando si crea un'istanza di calcolo, la macchina virtuale rimane attiva in modo che sia disponibile per il lavoro.

Abilitare l'arresto inattiva per ridurre i costi quando la macchina virtuale è inattiva per un periodo di tempo specificato.
In alternativa , configurare una pianificazione per avviare e arrestare automaticamente l'istanza di calcolo per ridurre i costi quando non si prevede di usarla.

I costi possono accumularsi prima dell'eliminazione delle risorse

Prima di eliminare un'area di lavoro di Azure Machine Learning nella portale di Azure o con l'interfaccia della riga di comando di Azure, le risorse secondarie seguenti sono costi comuni che si accumulano anche quando non si lavora attivamente nell'area di lavoro. Se si prevede di tornare all'area di lavoro di Azure Machine Learning in un secondo momento, queste risorse potrebbero continuare ad accumulare costi.

Macchine virtuali
Load Balancer
Rete virtuale di Azure
Larghezza di banda

Ogni macchina virtuale viene fatturata all'ora in cui viene eseguita. Il costo dipende dalle specifiche delle macchine virtuali. Le macchine virtuali eseguite ma non funzionano attivamente in un set di dati vengono comunque addebitate tramite il servizio di bilanciamento del carico. Per ogni istanza di calcolo, viene fatturato un servizio di bilanciamento del carico al giorno. Ogni 50 nodi di un cluster di calcolo ha un servizio di bilanciamento del carico standard fatturato. Ogni servizio di bilanciamento del carico viene fatturato a circa $0,33 al giorno. Per evitare i costi del servizio di bilanciamento del carico per le istanze di ambiente di calcolo arrestate e i cluster di elaborazione, eliminare la risorsa di calcolo.

Le istanze di calcolo comportano anche costi del disco P10 anche in stato arrestato perché qualsiasi contenuto utente salvato in modo permanente nello stato arrestato simile alle macchine virtuali di Azure. Stiamo lavorando per rendere configurabili le dimensioni del disco del sistema operativo/tipo per controllare meglio i costi. Per le Rete virtuale di Azure, viene fatturata una rete virtuale per sottoscrizione e per area. Le reti virtuali non possono estendersi su aree o sottoscrizioni. La configurazione di endpoint privati in una rete virtuale potrebbe comportare anche addebiti. Se la rete virtuale usa un Firewall di Azure, questo potrebbe comportare anche addebiti. Gli addebiti per la larghezza di banda riflettono l'utilizzo; più dati trasferiti, maggiore è l'addebito.

Suggerimento

L'uso di una rete virtuale gestita di Azure Machine Learning è gratuito. Tuttavia, alcune funzionalità della rete gestita si basano su collegamento privato di Azure (per gli endpoint privati) e Firewall di Azure (per le regole FQDN), che comportano addebiti. Per altre informazioni, vedere Isolamento della rete virtuale gestita.

I costi potrebbero accumularsi dopo l'eliminazione delle risorse

Dopo aver eliminato un'area di lavoro di Azure Machine Learning nel portale di Azure o con l'interfaccia della riga di comando di Azure, le risorse seguenti continuano a esistere. Continueranno ad accumulare costi fino a quando non verranno eliminate.

Registro Azure Container
Archiviazione BLOB di Azure
Key Vault
Application Insights

Per eliminare l'area di lavoro insieme a queste risorse dipendenti, usare l'SDK:

SI APPLICA A: Python SDK azure-ai-ml v2 (corrente)

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

Se si crea servizio Azure Kubernetes (servizio Azure Kubernetes) nell'area di lavoro o se si collegano risorse di calcolo all'area di lavoro, è necessario eliminarle separatamente nella portale di Azure.

Usare il credito di pagamento anticipato di Azure con Azure Machine Learning

È possibile pagare gli addebiti di Azure Machine Learning usando il credito di pagamento anticipato di Azure. Tuttavia, non è possibile usare il credito di pagamento anticipato di Azure per pagare i prodotti e i servizi di terze parti, inclusi quelli di Azure Marketplace.

Esaminare i costi stimati nel portale di Azure

Quando si creano risorse di calcolo per Azure Machine Learning, vengono visualizzati i costi stimati.

Per creare un'istanza di calcolo e visualizzare il prezzo stimato:

Accedere al studio di Azure Machine Learning.
Sulla sinistra selezionare Ambiente di calcolo.
Nella barra degli strumenti superiore selezionare +Nuovo.
Esaminare il prezzo stimato visualizzato per ogni dimensione di macchina virtuale disponibile.
Completare la creazione della risorsa.

Se la sottoscrizione di Azure prevede un limite di spesa, Azure impedisce di spendere oltre l'importo del credito. Durante la creazione e l'uso delle risorse di Azure, vengono usati i crediti. Quando si raggiunge il limite di credito, le risorse distribuite vengono disabilitate per il resto del periodo di fatturazione. Non è possibile modificare il limite di credito, ma è possibile rimuoverlo. Per altre informazioni sui limiti di spesa, vedere Limite di spesa di Azure.

Monitorare i costi

Si comportano costi per l'uso delle risorse di Azure con Azure Machine Learning. I costi unitari dell'utilizzo di risorse di Azure variano in base a intervalli di tempo (secondi, minuti, ore e giorni) o in base a utilizzo unitario (byte, megabyte e così via). Non appena si inizia a usare Azure Machine Learning, vengono addebitati i costi ed è possibile visualizzarli nell'analisi dei costi.

Quando si usa l'analisi dei costi, i costi di Azure Machine Learning vengono visualizzati in grafici e tabelle per intervalli di tempo diversi. Alcuni esempi sono per giorno, mese corrente e precedente e anno. È possibile visualizzare i costi anche in base ai budget e ai costi previsti. Il passaggio a visualizzazioni su tempi più lunghi consente di identificare le tendenze di spesa. Ed è possibile vedere eventuali picchi di spesa. Se si creano budget, è anche possibile vedere facilmente dove vengono superati.

Per visualizzare i costi di Azure Machine Learning nell'analisi dei costi:

Accedere al portale di Azure.
Aprire l'ambito nel portale di Azure e selezionare Analisi dei costi nel menu. Passare ad esempio a Sottoscrizioni, selezionare una sottoscrizione nell'elenco e quindi selezionare Analisi dei costi nel menu. Selezionare Ambito per passare a un ambito diverso nell'analisi dei costi.
Per impostazione predefinita, i costi per i servizi vengono visualizzati nel primo grafico ad anello. Selezionare l'area nel grafico denominata Azure Machine Learning.

I costi mensili effettivi vengono visualizzati all'apertura dell'analisi dei costi. Ecco un esempio che mostra tutti i costi di utilizzo mensili.

Per restringere i costi a un solo servizio come Azure Machine Learning, selezionare Aggiungi filtro e quindi Nome servizio. Selezionare quindi Macchine virtuali.

Ecco un esempio che mostra i costi solo per Azure Machine Learning.

Nell'esempio precedente viene mostrato il costo attuale per il servizio. Vengono mostrati anche i costi per aree (posizioni) di Azure e i costi di Azure Machine Learning per gruppo di risorse. Grazie a ciò, è quindi possibile esplorare i costi in autonomia.

Creare i budget

È possibile creare budget per gestire i costi e creare avvisi per informare automaticamente gli stakeholder in caso di anomalie di spesa e rischi di costi eccessivi. Gli avvisi si basano sul confronto tra la spesa e le soglie definite budget e costi. I budget e gli avvisi vengono creati per le sottoscrizioni e i gruppi di risorse di Azure, quindi sono utili come parte di una strategia di monitoraggio dei costi complessiva.

I budget possono essere creati con filtri per risorse o servizi specifici in Azure, se si vuole una maggiore granularità del monitoraggio. I filtri consentono di assicurarsi di non creare accidentalmente nuove risorse che costano denaro aggiuntivo. Per altre informazioni sulle opzioni di filtro quando si crea un budget, vedere Opzioni di raggruppamento e filtro.

Esportare i dati relativi ai costi

È anche possibile esportare i dati sui costi in un account di archiviazione. Ciò è utile quando si o altri utenti devono eseguire più analisi dei dati per i costi. Ad esempio, un team finanziario può analizzare i dati usando Excel o Power BI. È possibile esportare i costi in base a una pianificazione giornaliera, settimanale o mensile e impostare un intervallo di date personalizzato. L'esportazione dei dati sui costi è la modalità consigliata per recuperare i set di dati dei costi.

Altri modi per gestire e ridurre i costi per Azure Machine Learning

Usare i suggerimenti seguenti per gestire e ottimizzare i costi delle risorse di calcolo.

Configurare i cluster di training per la scalabilità automatica.
Impostare le quote nella sottoscrizione e nelle aree di lavoro.
Impostare i criteri di terminazione per il processo di training.
Usare macchine virtuali con priorità bassa.
Pianificare l'arresto e l'avvio automatico delle istanze di calcolo.
Usare un'istanza di macchina virtuale riservata di Azure.
Eseguire il training in locale.
Parallelizzare il training.
Impostare criteri di conservazione ed eliminazione dei dati.
Distribuire le risorse nella stessa area.
Eliminare istanze e cluster se non si prevede di usarle a breve.

Per altre informazioni, vedere Gestire e ottimizzare i costi di Azure Machine Learning.