Delen via


Kosten voor Azure Machine Learning beheren

In dit artikel wordt beschreven hoe u kosten voor Azure Machine Learning plant en beheert. Gebruik eerst de Azure-prijscalculator om kosten te plannen voordat u resources toevoegt. Bekijk vervolgens de geschatte kosten terwijl u Azure-resources toevoegt.

Nadat u Azure Machine Learning-resources hebt gebruikt, gebruikt u de functies voor kostenbeheer om budgetten in te stellen en de kosten te bewaken. Bekijk ook de geraamde kosten en identificeer uitgaventrends om gebieden te identificeren waar u mogelijk actie wilt ondernemen.

Begrijp dat de kosten voor Azure Machine Learning slechts een deel van de maandelijkse kosten in uw Azure-factuur zijn. Als u andere Azure-services gebruikt, wordt u gefactureerd voor alle Azure-services en -resources die worden gebruikt in uw Azure-abonnement, inclusief services van derden. In dit artikel wordt uitgelegd hoe u kosten voor Azure Machine Learning plant en beheert. Nadat u bekend bent met het beheren van kosten voor Azure Machine Learning, past u vergelijkbare methoden toe om kosten te beheren voor alle Azure-services die in uw abonnement worden gebruikt.

Zie Azure Machine Learning-kosten beheren en optimaliseren voor meer informatie over het optimaliseren van kosten.

Vereisten

Kostenanalyse in Microsoft Cost Management ondersteunt de meeste Typen Azure-accounts, maar niet allemaal. Zie voor de volledige lijst met ondersteunde accounttypen Gegevens van Azure Cost Management begrijpen.

Als u kostengegevens wilt weergeven, hebt u ten minste leestoegang nodig voor een Azure-account. Zie Toegang tot gegevens toewijzen voor informatie over het toewijzen van toegang tot Cost Management-gegevens.

Kosten schatten voordat u Azure Machine Learning gebruikt

Gebruik de Azure-prijscalculator om kosten te schatten voordat u resources maakt in een Azure Machine Learning-werkruimte. Selecteer aan de linkerkant van de prijscalculator AI + Machine Learning en selecteer vervolgens Azure Machine Learning om te beginnen.

In de volgende schermopname ziet u een voorbeeld van een kostenraming in de prijscalculator:

Schermopname van een voorbeeld van geschatte kosten in de Azure-prijscalculator.

Wanneer u resources aan uw werkruimte toevoegt, gaat u terug naar deze calculator en voegt u dezelfde resource hier toe om uw kostenramingen bij te werken.

Zie prijzen voor Azure Machine Learning voor meer informatie.

Inzicht in het volledige factureringsmodel voor Azure Machine Learning

Azure Machine Learning wordt uitgevoerd op een Azure-infrastructuur die samen met Azure Machine Learning kosten samen met Azure Machine Learning maakt wanneer u de nieuwe resource implementeert. Het is belangrijk om te begrijpen dat extra infrastructuur kosten kan opleveren. U moet deze kosten beheren wanneer u wijzigingen aanbrengt in geïmplementeerde resources.

Kosten die doorgaans worden opgebouwd met Azure Machine Learning

Wanneer u resources voor een Azure Machine Learning-werkruimte maakt, worden ook resources voor andere Azure-services gemaakt. Dit zijn:

Wanneer u een rekenproces maakt, blijft de virtuele machine (VM) ingeschakeld, zodat deze beschikbaar is voor uw werk.

  • Schakel afsluiten inactief in om de kosten te verlagen wanneer de virtuele machine gedurende een opgegeven periode inactief is.
  • Of stel een planning in om het rekenproces automatisch te starten en te stoppen om de kosten te verlagen wanneer u deze niet wilt gebruiken.

Kosten kunnen oplopen voordat resources worden verwijderd

Voordat u een Azure Machine Learning-werkruimte verwijdert in Azure Portal of met Azure CLI, zijn de volgende subbronnen algemene kosten die zich zelfs verzamelen wanneer u niet actief in de werkruimte werkt. Als u van plan bent om op een later tijdstip terug te keren naar uw Azure Machine Learning-werkruimte, kunnen deze resources de kosten blijven oplopen.

  • VM's
  • Load Balancer
  • Azure Virtual Network
  • Bandbreedte

Elke VM wordt gefactureerd per uur dat deze wordt uitgevoerd. De kosten zijn afhankelijk van vm-specificaties. VM's die worden uitgevoerd, maar die niet actief werken aan een gegevensset, worden nog steeds in rekening gebracht via de load balancer. Voor elk rekenproces wordt één load balancer per dag gefactureerd. Elke 50 knooppunten van een rekencluster hebben één standaard load balancer in rekening gebracht. Elke load balancer wordt ongeveer $ 0,33/dag gefactureerd. Verwijder de rekenresource om kosten voor load balancer bij gestopte rekeninstanties en rekenclusters te voorkomen.

Voor rekeninstanties worden ook P10-schijfkosten in rekening gebracht, zelfs in de status Gestopt, omdat alle gebruikersinhoud die daar is opgeslagen, zich blijft voordoen in de status Gestopt, vergelijkbaar met virtuele Azure-machines. We werken aan het configureren van de schijfgrootte/het type besturingssysteem om de kosten beter te beheren. Voor Azure Virtual Networks wordt één virtueel netwerk gefactureerd per abonnement en per regio. Virtuele netwerken kunnen geen regio's of abonnementen omvatten. Het instellen van privé-eindpunten in een virtueel netwerk kan ook kosten in rekening brengen. Als uw virtuele netwerk gebruikmaakt van een Azure Firewall, worden er mogelijk ook kosten in rekening gebracht. Bandbreedtekosten weerspiegelen het gebruik; hoe meer gegevens worden overgedragen, hoe groter de kosten.

Tip

  • Het gebruik van een door Azure Machine Learning beheerd virtueel netwerk is gratis. Sommige functies van het beheerde netwerk zijn echter afhankelijk van Azure Private Link (voor privé-eindpunten) en Azure Firewall (voor FQDN-regels), waarvoor kosten in rekening worden gebracht. Zie Isolatie van beheerde virtuele netwerken voor meer informatie.
  • Het beheerde online-eindpunt maakt gebruik van VM's voor de implementaties. Als u een aanvraag hebt ingediend om een online-implementatie te maken en deze is mislukt, is de fase mogelijk verstreken wanneer de berekening wordt gemaakt. In dat geval worden voor de mislukte implementatie kosten in rekening gebracht. Als u klaar bent met foutopsporing of onderzoek naar de fout, kunt u de mislukte implementaties verwijderen om de kosten te besparen.

Kosten kunnen toenemen na het verwijderen van resources

Nadat u een Azure Machine Learning-werkruimte hebt verwijderd in Azure Portal of met Azure CLI, blijven de volgende resources bestaan. Deze blijven kosten maken totdat u ze verwijdert.

  • Azure Container Registry
  • Azure Blob-opslag
  • Key Vault
  • Analyses van toepassingen

Als u de werkruimte samen met deze afhankelijke resources wilt verwijderen, gebruikt u de SDK:

VAN TOEPASSING OP: Python SDK azure-ai-ml v2 (actueel)

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

Als u Azure Kubernetes Service (AKS) in uw werkruimte maakt of als u rekenresources aan uw werkruimte koppelt, moet u deze afzonderlijk verwijderen in Azure Portal.

Azure-vooruitbetalingstegoed gebruiken met Azure Machine Learning

U kunt betalen voor Azure Machine Learning-kosten met behulp van uw Azure-vooruitbetalingstegoed. U kunt echter geen Azure-vooruitbetalingstegoed gebruiken om te betalen voor producten en services van derden, inclusief producten en services van Azure Marketplace.

Geschatte kosten controleren in Azure Portal

Wanneer u rekenresources voor Azure Machine Learning maakt, ziet u geschatte kosten.

Een rekenproces maken en de geschatte prijs weergeven:

  1. Meld u aan bij de Azure Machine Learning-studio.
  2. Selecteer Compute aan de linkerkant.
  3. Selecteer +Nieuw op de bovenste werkbalk.
  4. Bekijk de geschatte prijs die wordt weergegeven voor elke beschikbare grootte van virtuele machines.
  5. Voltooi het maken van de resource.

Schermopname van geschatte kosten voor het maken van een rekenproces.

Als uw Azure-abonnement een bestedingslimiet heeft, voorkomt Azure dat u uw tegoed overschrijdt. Wanneer u Azure-resources maakt en gebruikt, worden uw tegoed gebruikt. Wanneer u uw tegoedlimiet bereikt, worden de resources die u hebt geïmplementeerd, uitgeschakeld voor de rest van die factureringsperiode. U kunt uw kredietlimiet niet wijzigen, maar u kunt deze verwijderen. Bekijk bestedingslimiet van Azure voor meer informatie over bestedingslimieten.

Kosten bewaken

Er worden kosten in rekening gebracht voor het gebruik van Azure-resources met Azure Machine Learning. De kosten voor azure-resourcegebruikseenheden variëren per tijdsinterval (seconden, minuten, uren en dagen) of per eenheidsgebruik (bytes, megabytes, enzovoort).) Zodra azure Machine Learning-gebruik wordt gestart, worden er kosten gemaakt en kunt u de kosten in kostenanalyse bekijken.

Wanneer u kostenanalyse gebruikt, bekijkt u azure Machine Learning-kosten in grafieken en tabellen voor verschillende tijdsintervallen. Enkele voorbeelden zijn per dag, huidige en vorige maand en jaar. U kunt ook kosten weergeven op basis van budgetten en geraamde kosten. Als u overschakelt naar langere weergaven in de loop van de tijd, kunt u uitgaventrends identificeren. En u ziet waar overbesteding mogelijk is opgetreden. Als u budgetten maakt, kunt u ook eenvoudig zien waar ze worden overschreden.

Azure Machine Learning-kosten weergeven in kostenanalyse:

  1. Meld u aan bij het Azure-portaal.
  2. Open het bereik in Azure Portal en selecteer Kostenanalyse in het menu. Ga bijvoorbeeld naar Abonnementen, selecteer een abonnement in de lijst en selecteer vervolgens Kostenanalyse in het menu. Selecteer Bereik om over te schakelen naar een ander bereik in kostenanalyse.
  3. Standaard worden de kosten voor services weergegeven in het eerste ringdiagram. Selecteer het gebied in de grafiek met het label Azure Machine Learning.

De werkelijke maandelijkse kosten worden weergegeven wanneer u in eerste instantie kostenanalyse opent. Hier volgt een voorbeeld waarin alle maandelijkse gebruikskosten worden weergegeven.

Schermopname van de samengevoegde kosten voor een abonnement.

Als u de kosten voor één service wilt beperken, zoals Azure Machine Learning, selecteert u Filter toevoegen en selecteert u vervolgens Servicenaam. Selecteer vervolgens virtuele machines.

Hier volgt een voorbeeld waarin de kosten voor alleen Azure Machine Learning worden weergegeven.

Schermopname van de samengevoegde kosten voor ServiceName.

In het voorgaande voorbeeld ziet u de huidige kosten voor de service. Kosten per Azure-regio (locaties) en Azure Machine Learning-kosten per resourcegroep worden ook weergegeven. Hier kunt u zelf de kosten verkennen.

Budgetten maken

U kunt budgetten maken om kosten te beheren en waarschuwingen te maken waarmee belanghebbenden automatisch worden geïnformeerd over afwijkende uitgaven en het risico om teveel uit te geven. Waarschuwingen zijn gebaseerd op de vergelijking tussen uitgaven en drempelwaarden voor budgetten en kosten. Budgetten en waarschuwingen worden gemaakt voor Azure-abonnementen en -resourcegroepen, zodat ze nuttig zijn als onderdeel van een algehele strategie voor kostenbewaking.

Budgetten kunnen worden gemaakt met filters voor specifieke resources of services in Azure als u meer granulariteit in uw bewaking wilt. Filters zorgen ervoor dat u niet per ongeluk nieuwe resources maakt die u extra geld kosten. Zie Groeps- en filteropties voor meer informatie over de filteropties wanneer u een budget maakt.

Kostengegevens exporteren

U kunt uw kostengegevens ook exporteren naar ene opslagaccount. Dit is handig wanneer u of anderen meer gegevensanalyses moeten uitvoeren voor kosten. Een financieel team kan bijvoorbeeld de gegevens analyseren met Excel of Power BI. U kunt uw kosten exporteren volgens een dagelijks, wekelijks of maandelijks schema en een aangepast datumbereik instellen. Kostengegevens exporteren is de aanbevolen manier om kostengegevenssets op te halen.

Andere manieren om kosten voor Azure Machine Learning te beheren en te verlagen

Gebruik de volgende tips om de kosten van uw rekenresources te beheren en te optimaliseren.

  • Configureer uw trainingsclusters voor automatisch schalen.
  • Configureer uw beheerde online-eindpunten voor automatisch schalen.
  • Quota instellen voor uw abonnement en werkruimten.
  • Beleid voor beëindiging instellen voor uw trainingstaak.
  • Virtuele machines met lage prioriteit gebruiken.
  • Plan rekeninstanties om automatisch af te sluiten en te starten.
  • Gebruik een gereserveerde VM-instantie van Azure.
  • Lokaal trainen.
  • Parallelliseren van training.
  • Bewaar- en verwijderingsbeleid voor gegevens instellen.
  • Resources implementeren in dezelfde regio.
  • Verwijder exemplaren, clusters en/of onlineimplementaties als u deze binnenkort niet meer wilt gebruiken.
  • Verwijder mislukte implementaties als er berekeningen voor deze worden gemaakt.

Zie Azure Machine Learning-kosten beheren en optimaliseren voor meer informatie.

Volgende stappen