Gegevens van uw Machine Learning Service-werkruimte exporteren of verwijderen
In Azure Machine Learning kunt u uw werkruimtegegevens exporteren of verwijderen met de grafische portalinterface of de Python SDK. In dit artikel worden beide opties beschreven.
Notitie
Voor meer informatie over persoonsgegevens bekijken of verwijderen, raadpleegt u AVG-verzoeken van betrokkenen voor Azure. Zie de AVG-sectie van het Microsoft Trust Center en de AVG-sectie van de Service Trust Portal voor algemene informatie over de AVG.
Notitie
Dit artikel bevat stappen voor het verwijderen van persoonlijke gegevens van het apparaat of de service. U kunt het ook gebruiken om uw verplichtingen met betrekking tot de AVG (Algemene Verordening Gegevensbescherming) na te komen. Zie voor algemene informatie over AVG de AVG-sectie van het Vertrouwenscentrum van Microsoft en de AVG-sectie van de Service Trust Portal.
Uw werkruimtegegevens beheren
Azure Machine Learning slaat in-productgegevens op die beschikbaar zijn voor exporteren en verwijderen. U kunt gegevens exporteren en verwijderen met Azure Machine Learning-studio, de CLI of de SDK. Daarnaast hebt u toegang tot telemetriegegevens via azure Privacy Portal.
In Azure Machine Learning bestaan persoonlijke gegevens uit gebruikersgegevens in taakgeschiedenisdocumenten.
Een Azure-werkruimte is afhankelijk van een resourcegroep voor het opslaan van de gerelateerde resources voor een Azure-oplossing. Wanneer u een werkruimte maakt, kunt u een bestaande resourcegroep gebruiken of een nieuwe maken. Ga naar deze resource voor meer informatie over Azure-resourcegroepen.
Resources op hoog niveau verwijderen met behulp van de portal
Wanneer u een werkruimte maakt, worden in Azure verschillende resources binnen de resourcegroep gemaakt:
- De werkruimte zelf
- Een opslagaccount
- Een containerregister
- Een Applications Insights-exemplaar
- Een sleutelkluis
Als u deze resources wilt verwijderen, selecteert u deze in de lijst en kiest u Verwijderen:
Belangrijk
Als de resource is geconfigureerd voor voorlopig verwijderen, worden de gegevens pas daadwerkelijk verwijderd als u er optioneel voor kiest om de resource permanent te verwijderen. Ga voor meer informatie naar deze bronnen:
Er wordt een bevestigingsdialoogvenster geopend, waarin u uw keuzes kunt bevestigen.
Documenten voor taakgeschiedenis kunnen persoonlijke gebruikersgegevens bevatten. Deze documenten worden opgeslagen in het opslagaccount in blobopslag, in /azureml submappen. U kunt de gegevens downloaden en verwijderen uit de portal. Selecteer eerst de Azure-services voor Opslagaccounts in Azure Portal, zoals wordt weergegeven in deze schermopname:
Selecteer op de pagina Opslagaccounts het relevante opslagaccount, zoals wordt weergegeven in deze schermopname:
Selecteer Containers , zoals wordt weergegeven in deze schermopname:
Selecteer een specifieke container, zoals wordt weergegeven in deze schermopname:
Selecteer en verwijder in die container de resource of resources die u wilt verwijderen, zoals wordt weergegeven in deze schermopname:
Machine learning-resources exporteren en verwijderen met behulp van Azure Machine Learning-studio
Azure Machine Learning-studio biedt een uniforme weergave van uw machine learning-resources, bijvoorbeeld gegevensassets, modellen, notebooks en taken. Azure Machine Learning-studio benadrukt het behoud van een record van uw gegevens en experimenten. U kunt rekenresources - pijplijnen en rekenresources - rechtstreeks in de browser verwijderen. Voor deze resources gaat u naar de betreffende resource en kiest u Verwijderen.
U kunt de registratie van gegevensassets en archieftaken ongedaan maken, maar met deze bewerkingen worden de gegevens niet verwijderd. Als u de gegevens volledig wilt verwijderen, moeten gegevensassets en taakgegevens op opslagniveau worden verwijderd. Verwijdering op opslagniveau vindt plaats in de portal, zoals eerder is beschreven. Azure Machine Learning-studio kan afzonderlijke verwijdering verwerken. Bij het verwijderen van de taak worden de gegevens van die taak verwijderd.
Artefact- en logboekdownloads van taken
Azure Machine Learning-studio kan het downloaden van trainingsartefacten en logboeken verwerken vanuit experimentele taken. Selecteer taken op de hoofdpagina van Azure Machine Learning-studio, zoals wordt weergegeven in deze schermopname:
Als u de beschikbare taken wilt weergeven, selecteert u het tabblad Alle taken , zoals wordt weergegeven in deze schermopname:
Selecteer een specifieke taak, zoals wordt weergegeven in deze schermopname:
Selecteer Alles downloaden, zoals wordt weergegeven in deze schermopname:
Een geregistreerd model downloaden
Als u een geregistreerd model wilt downloaden, selecteert u Modellen om de lijst met modellen te openen in Azure Machine Learning-studio en selecteert u vervolgens een specifiek model, zoals wordt weergegeven in deze schermopname:
Selecteer Alles downloaden om het downloadproces van het model te starten, zoals wordt weergegeven in deze schermopname:
Resources exporteren en verwijderen met behulp van de Python SDK
U kunt de uitvoer van een bepaalde taak downloaden met behulp van:
# Retrieved from Azure Machine Learning web UI
run_id = 'aaaaaaaa-bbbb-cccc-dddd-0123456789AB'
experiment = ws.experiments['my-experiment']
run = next(run for run in ex.get_runs() if run.id == run_id)
metrics_output_port = run.get_pipeline_output('metrics_output')
model_output_port = run.get_pipeline_output('model_output')
metrics_output_port.download('.', show_progress=True)
model_output_port.download('.', show_progress=True)
U kunt deze machine learning-resources verwijderen met de Python SDK:
| Type | Functieoproep | Opmerkingen |
|---|---|---|
Workspace |
delete |
Gebruiken delete-dependent-resources om de verwijdering trapsgewijs te verwijderen |
Model |
delete |
|
ComputeTarget |
delete |
|
WebService |
delete |