Fabric data engineering-agent (Project Osmos) kapasitetsforbruk - forhåndsvisning

Fabric data engineering agent (Project Osmos) bruker språkmodeller for å planlegge og forbedre arbeidet, og Spark compute for å kjøre kode, teste implementasjonsalternativer og validere resultater. For å forstå en oppgaves datakraftforbruk, bør du gjennomgå begge komponentene i stedet for kun språkmodelltokens.

Important

Data engineering-agenten (Project Osmos) er i forhåndsvisning. Forhåndsvisningsfunksjoner slippes med begrensede muligheter og er underlagt separate tilleggsforhåndsvisningsvilkår. De er ikke ment for produksjonsbruk, er ikke underlagt serviceavtaler, og kan være tilgjengelige kun i utvalgte regioner. For mer informasjon, se Microsoft Fabric forhåndsvisningsinformasjon.

Forstå oppgaveforbruk

Følgende komponenter bruker ulike forbruks- og faktureringsregler:

Komponent Hva som forbruker ressurser Hvor du kan finne veiledning
Språkmodeller Inndata, bufret inndata når de rapporteres separat, og utdatatokens brukt til planlegging, resonnement og kodegenerering. Se Copilot sine retningslinjer for forbruk og fakturering. Bruk av språkmodeller vises under Project Osmos-operasjonen og Copilot og AI Azure billing meter.
Spark-databehandling Kodeutførelse, implementeringseksperimenter, databehandling og validering kjøres. Gå gjennom fakturering og bruk av Apache Spark. Bruk av Spark rapporteres separat fra Project Osmos-språkmodellens operasjon.

Oppgavekompleksitet påvirker begge komponentene. Flere implementeringsforsøk eller valideringskjøringer kan øke tokenbruken og Spark-kjøringen. Mengden kontekst som behandles påvirker tokenbruken, mens datavolum og transformasjoner som joins og aggregeringer påvirker Spark-arbeidet. Oppgaver med lignende prompts kan derfor bruke ulik mengde datakraft.

Andre Fabric-operasjoner som en oppgave bruker, har sine egne forbruksregler. Hvis du vil ha mer informasjon, kan du se Strukturoperasjoner.

Overvåke bruk

Bruk Fabric Capacity Metrics-appen for å inspisere språkmodellen og bruk av Spark. Hvis du ikke har tilgang til appen, be kapasitetsadministratoren din om å gjennomgå bruken sammen med deg.

I appens standardrapport:

  1. Åpne Compute-siden og bruk Capacity Name for å velge kapasiteten som er tildelt oppgavens arbeidsområde.
  2. Velg perioden som inkluderer oppgaven kjørt i det multimetriske bånddiagrammet.
  3. Filtrer varetypen til Lakehouse. I matrisen etter element og operasjon, lokaliser oppgavens arbeidsområde og innsjøhus.
  4. Hold musepekeren over en verdi i rekken til det innsjøhuset for å se driften brytes opp. Finn Project Osmos for bruk av språkmodeller. Denne bakgrunnsoperasjonen bruker Copilot og AI Azure faktureringsmåter.
  5. Gå gjennom bruken av Spark ved innsjøen separat. Hvis du også kjører genererte notatbøker, gå gjennom deres notatbøker og Spark-operasjoner. Ikke tolk Project Osmos-operasjonen som det totale beregningsforbruket av oppgaven.

For illustrert veiledning om rapporten og driftsfordelingen, se Compute-siden i Fabric Capacity Metrics-appen og Monitor Apache Spark kapasitetsforbruk. Hvis du bruker den redesignede forhåndsvisningsrapporten, se Compute-siden i forhåndsvisningen for Capacity Metrics-appen.

Bemerkning

Totaler for innsjøhus kan inkludere aktivitet fra andre oppgaver og brukere. Ikke tilskriv all Spark-bruk for et delt innsjøhus til én oppgave. Bruk tar også tid før den vises i appen; for oppdateringsoppførsel, se Datalatens.

Forbruksrater

Bruk av språkmodeller konverteres til Fabric capacity units (CUs). For publiserte Copilot-forbruksrater og faktureringsveiledning, se Consumption rates and billing for Copilot in Fabric.

Ta hensyn til Spark-bruk separat under den gjeldende Spark-faktureringsmodellen. Et antall tokens alene avgjør ikke den totale kostnaden for en oppgave.

For veiledning om kapasitetsplanlegging, se Plan for bruk av delt kapasitet.

Relatert innhold

  • Sist oppdatert