Uw Machine Learning Service-werkruimtegegevens exporteren of verwijderen

In Azure Machine Learning kunt u uw werkruimtegegevens exporteren of verwijderen met behulp van de grafische interface van de portal 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 sectie AVG van het Microsoft Trust Center en de AVG-sectie van de Service Trust-portal voor meer informatie over de AVG.

Notitie

Dit artikel bevat stappen voor het verwijderen van persoonsgegevens van het apparaat of de service en kan worden gebruikt om uw verplichtingen onder de AVG te ondersteunen. Zie de sectie AVG van het Microsoft Trust Center en de AVG-sectie van de Service Trust-portal voor algemene informatie over de AVG.

Uw werkruimtegegevens beheren

In-productgegevens die zijn opgeslagen door Azure Machine Learning, zijn beschikbaar voor export en verwijdering. U kunt exporteren en verwijderen met behulp van Azure Machine Learning-studio, CLI en SDK. Telemetriegegevens kunnen worden geopend via de Azure Privacy-portal.

In Azure Machine Learning bestaan persoonlijke gegevens uit gebruikersgegevens in taakgeschiedenisdocumenten.

Resources op hoog niveau verwijderen met behulp van de portal

Wanneer u een werkruimte maakt, maakt Azure verschillende resources in de resourcegroep:

  • De werkruimte zelf
  • Een opslagaccount
  • Een containerregister
  • Een Applications Insights-exemplaar
  • Een sleutelkluis

Deze resources kunnen worden verwijderd door ze te selecteren in de lijst en Verwijderen te kiezen

Schermopname van de portal, met het pictogram Verwijderen gemarkeerd

Documenten voor taakgeschiedenis, die mogelijk persoonlijke gebruikersgegevens bevatten, worden opgeslagen in het opslagaccount in blobopslag, in submappen van /azureml. U kunt de gegevens downloaden en verwijderen uit de portal.

Schermopname van azureml-directory in opslagaccount, in de portal

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, zoals notebooks, gegevenssets, modellen en experimenten. Azure Machine Learning-studio benadrukt het behouden van een record van uw gegevens en experimenten. Rekenresources, zoals pijplijnen en rekenresources, kunnen worden verwijderd met behulp van de browser. Voor deze resources gaat u naar de betreffende resource en kiest u Verwijderen.

Gegevenssets kunnen niet worden geregistreerd en Experimenten kunnen worden gearchiveerd, maar deze bewerkingen verwijderen de gegevens niet. Als u de gegevens volledig wilt verwijderen, moeten gegevenssets en experimentgegevens worden verwijderd op opslagniveau. Verwijderen op opslagniveau wordt uitgevoerd met behulp van de portal, zoals eerder is beschreven. Een afzonderlijke taak kan rechtstreeks in studio worden verwijderd. Als u een taak verwijdert, worden de gegevens van de taak verwijderd.

Notitie

Voordat u de registratie van een gegevensset ongedaan wilt maken, gebruikt u de koppeling Gegevensbron om de specifieke gegevens-URL te vinden die u wilt verwijderen.

U kunt trainingsartefacten downloaden uit experimentele taken met behulp van Studio. Kies het experiment en de taak waarin u geïnteresseerd bent. Kies Uitvoer en logboeken en navigeer naar de specifieke artefacten die u wilt downloaden. Kies ... en Download.

U kunt een geregistreerd model downloaden door naar het model te navigeren en Downloaden te kiezen.

Schermopname van de studiomodelpagina met de downloadoptie gemarkeerd

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)

De volgende machine learning-resources kunnen worden verwijderd met behulp van de Python SDK:

Type Functieoproep Notities
Workspace delete Gebruiken delete-dependent-resources om de verwijdering trapsgewijs te verwijderen
Model delete
ComputeTarget delete
WebService delete