Definizione di area di lavoro di Azure Machine Learning

Le aree di lavoro sono luoghi in cui collaborare con i colleghi per creare artefatti di machine learning e lavoro correlato al gruppo. Ad esempio, esperimenti, processi, set di dati, modelli, componenti ed endpoint di inferenza. Questo articolo descrive le aree di lavoro, come gestire l'accesso e come usarle per organizzare il lavoro.

Pronti per iniziare? Creare un'area di lavoro.

Attività eseguite all'interno di un'area di lavoro

Per i team di machine learning, l'area di lavoro è un luogo in cui organizzare il lavoro. Ecco alcune delle attività che è possibile avviare da un'area di lavoro:

• Creare processi: i processi sono esecuzioni di training usate per compilare i modelli. È possibile raggruppare i processi in esperimenti per confrontare le metriche.
• Pipeline di autori: le pipeline sono flussi di lavoro riutilizzabili per l'addestramento e il riaddestramento del tuo modello.
• Registrare gli asset di dati: gli asset di dati facilitano la gestione dei dati usati per il training del modello e la creazione di pipeline.
• Registrare i modelli: dopo aver creato un modello da distribuire, si crea un modello registrato.

• Creare endpoint online: usare un modello registrato e uno script di assegnazione dei punteggi per creare un endpoint online.

Oltre a raggruppare i risultati di machine learning, anche le aree di lavoro ospitano le configurazioni delle risorse:

• Le destinazioni di calcolo vengono usate per eseguire gli esperimenti.
• Gli archivi dati definiscono il modo in cui è possibile connettersi alle origini dati quando si usano asset di dati.
• Impostazioni di sicurezza: impostazioni di rete, identità e controllo di accesso e impostazioni di crittografia.

Organizzazione delle aree di lavoro

Per i leader e gli amministratori del team di machine learning, le aree di lavoro fungono da contenitori per la gestione degli accessi, la gestione dei costi e l'isolamento dei dati. Ecco alcuni suggerimenti per organizzare le aree di lavoro:

• Usare i ruoli utente per gestire le autorizzazioni nell'area di lavoro tra gli utenti. Ad esempio, usare i ruoli per un data scientist, un tecnico di Machine Learning o un amministratore.
• Assegnare l'accesso ai gruppi di utenti: usando i gruppi di utenti di Microsoft Entra, non è necessario aggiungere singoli utenti a ogni area di lavoro. Usare gli stessi gruppi di utenti per concedere l'accesso ad altre risorse.
• Creare un'area di lavoro per ogni progetto: anche se un'area di lavoro può essere usata per diversi progetti, la sua limitazione a un progetto per area di lavoro consente la creazione di report sui costi accumulati a livello di progetto. Consente anche di gestire configurazioni come archivi dati nell'ambito di ogni progetto.
• Condividere le risorse di Azure: le aree di lavoro richiedono la creazione di diverse risorse associate. Condividere queste risorse tra aree di lavoro per salvare i passaggi di configurazione ripetitivi.
• Abilitare il self-service: precreare e proteggere le risorse associate come amministratore IT e utilizzare i ruoli utente per consentire agli scienziati dei dati di creare autonomamente le aree di lavoro.
• Condividere gli asset: è possibile condividere gli asset tra aree di lavoro usando i registri di Azure Machine Learning.
• Usare le aree di lavoro hub per la governance centralizzata: un'area di lavoro hub raggruppa più aree di lavoro di progetto con impostazioni di sicurezza condivise, connessioni e risorse di calcolo. Le aree di lavoro hub sono lo stesso tipo di risorsa degli hub di Microsoft Foundry, quindi è possibile usarle sia da Azure Machine Learning Studio che da Foundry.

Come vengono archiviati i contenuti in un'area di lavoro?

L'area di lavoro mantiene una cronologia di tutte le esecuzioni di training, con log, metriche, output, metadati di derivazione e uno snapshot degli script. Quando si eseguono attività in Azure Machine Learning, si generano artefatti. I metadati e i dati vengono archiviati nell'area di lavoro e nelle risorse associate.

Risorse associate

Quando si crea una nuova area di lavoro, è necessario portare altre risorse di Azure per archiviare i dati. Se queste risorse non vengono fornite, Azure Machine Learning li crea automaticamente.

• Account di archiviazione di Azure. Archivia gli artefatti di machine learning, ad esempio i log dei processi. Per impostazione predefinita, l'area di lavoro usa questo account di archiviazione quando si caricano i dati. Anche i notebook di Jupyter usati con le istanze di calcolo di Azure Machine Learning vengono archiviati qui.

  Importante

  Non è possibile usare un account di archiviazione di Azure esistente se è:

  • Un account di tipo BlobStorage
  • Un account Premium (Premium_LRS e Premium_GRS)
  • Un account con spazio dei nomi gerarchico (usato con Azure Data Lake Storage Gen2).

  È possibile usare l'archiviazione Premium o lo spazio dei nomi gerarchico come spazio di archiviazione aggiuntivo creando un archivio dati.

  Non abilitare lo spazio dei nomi gerarchico nell'account di archiviazione dopo l'aggiornamento alla versione 2 per utilizzo generico.

  Se si usa un account di archiviazione per utilizzo generico v1 esistente, è possibile eseguire l'aggiornamento alla versione 2 per utilizzo generico dopo la creazione dell'area di lavoro. SI APPLICA A:Estensione ml dell'interfaccia della riga di comando di Azure v2 (corrente)Python SDK azure-ai-ml v2 (corrente)

• Registro Azure Container. Archivia i contenitori Docker creati quando si creano ambienti personalizzati tramite Azure Machine Learning. La distribuzione di modelli AutoML e dei profili dati attiva la creazione di ambienti personalizzati.

  Se non è necessario creare contenitori Docker personalizzati, è possibile creare aree di lavoro senza Registro Azure Container come dipendenza. Azure Machine Learning può leggere da registri contenitori esterni.

  Il provisioning del Registro Azure Container viene eseguito automaticamente quando si compilano immagini Docker personalizzate. Usare il controllo degli accessi in base al ruolo di Azure (Azure RBAC) per impedire la creazione dei contenitori Docker dei clienti.

  Importante

  Se l'impostazione della sottoscrizione richiede l'aggiunta di tag alle risorse, ACR creato da Azure Machine Learning ha esito negativo perché non è possibile impostare tag su ACR.

• Azure Application Insights. Consente di monitorare e raccogliere informazioni di diagnostica dagli endpoint di inferenza.

  Per altre informazioni, vedere Monitorare gli endpoint online.

• Azure Key Vault. Conserva segreti usati dalle destinazioni di calcolo e altre informazioni riservate richieste dall'area di lavoro.

Creare un'area di lavoro

È possibile creare un'area di lavoro in molti modi. Per iniziare a usare una delle opzioni seguenti:

• Azure Machine Learning Studio consente di creare rapidamente un'area di lavoro con le impostazioni predefinite.
• Portale di Azure per un'interfaccia point-and-click con più opzioni di sicurezza.
• Estensione VS Code se si lavora in Visual Studio Code.

Per automatizzare la creazione dell'area di lavoro usando le impostazioni di sicurezza preferite:

• I modelli di Azure Resource Manager/Bicep forniscono una sintassi dichiarativa per distribuire le risorse di Azure. Un'opzione alternativa consiste nell'usare Terraform. Vedere anche il modello Bicep o il modello Terraform.
• Usare l'interfaccia della riga di comando di Azure Machine Learning o Azure Machine Learning SDK per Python per la creazione di prototipi e come parte dei flussi di lavoro MLOps.
• Usare le API REST direttamente nell'ambiente di scripting per l'integrazione nella piattaforma o nei flussi di lavoro MLOps.

Strumenti per l'interazione e la gestione dell'area di lavoro

Dopo aver configurato l'area di lavoro, è possibile interagire con essa nei modi seguenti:

• Sul Web:
  • Portale di Azure
  • Studio di Azure Machine Learning
  • Designer di Azure Machine Learning
• In qualsiasi ambiente Python con Azure Machine Learning SDK.
• Nella riga di comando, utilizzando l'estensione CLI di Azure Machine Learning v2.
• Estensione Azure Machine Learning per VS Code

Ogni interfaccia fornisce le attività di gestione dell'area di lavoro seguenti.

Attività di gestione dell'area di lavoro	Portale	Studio	Python SDK	Interfaccia della riga di comando di Azure	Visual Studio Code
Creare un'area di lavoro	✓	✓	✓	✓	✓
Gestisci l'accesso all'area di lavoro	✓			✓
Creare e gestire risorse di calcolo	✓	✓	✓	✓	✓
Creare un'istanza di calcolo		✓	✓	✓	✓

Avviso

Non è possibile spostare l'area di lavoro di Azure Machine Learning in una sottoscrizione diversa. Non è possibile neanche spostare la sottoscrizione proprietaria in un nuovo tenant. Queste azioni potrebbero causare errori.

Sottorisorse

Quando si creano cluster di calcolo e istanze di calcolo in Azure Machine Learning, si creano anche sottorisorse.

• Macchine virtuali: offre potenza di calcolo per le istanze di calcolo e i cluster di calcolo. Usarli per eseguire i processi.
• Load Balancer: viene creato un servizio di bilanciamento del carico di rete per ogni istanza di calcolo e cluster di calcolo. Gestisce il traffico anche quando l'istanza di calcolo o il cluster è arrestato.
• Rete virtuale: consentono alle risorse di Azure di comunicare tra loro, Internet e altre reti locali.
• Larghezza di banda: incapsula tutti i trasferimenti di dati in uscita tra aree.

Passaggi successivi

Per altre informazioni sulla pianificazione di un'area di lavoro per i requisiti dell'organizzazione, vedere Organizzare e configurare Azure Machine Learning.

Per un'introduzione ad Azure Machine Learning, vedere:

• Cos'è Azure Machine Learning?
• Creare e gestire un'area di lavoro
• Recuperare un'area di lavoro dopo l'eliminazione (soft-delete)
• Introduzione ad Azure Machine Learning
• Esercitazione: Creare il primo modello di classificazione con machine learning automatizzato