Co to jest obszar roboczy usługi Azure Machine Learning?

Obszary robocze to miejsca do współpracy z innymi osobami w celu tworzenia artefaktów uczenia maszynowego i pracy związanej z grupą. Na przykład eksperymenty, zadania, zestawy danych, modele, składniki i punkty końcowe wnioskowania. W tym artykule opisano obszary robocze, sposób zarządzania dostępem do nich oraz sposób ich używania do organizowania pracy.

Chcesz rozpocząć? Utwórz obszar roboczy.

Zadania wykonywane w obszarze roboczym

W przypadku zespołów uczenia maszynowego obszar roboczy to miejsce do organizowania swojej pracy. Poniżej przedstawiono niektóre zadania, które można rozpocząć od obszaru roboczego:

• Tworzenie zadań — zadania to przebiegi szkoleniowe używane do tworzenia modeli. Zadania można grupować w eksperymenty , aby porównać metryki.
• Potoki autorskie — potoki są wielokrotnie używalnymi przepływami pracy do trenowania i ponownego trenowania twojego modelu.
• Rejestrowanie zasobów danych — zasoby danych ułatwiają zarządzanie danymi używanymi do trenowania modelu i tworzenia potoku.
• Rejestrowanie modeli — po utworzeniu modelu, który chcesz wdrożyć, należy utworzyć zarejestrowany model.

• Tworzenie punktów końcowych online — użyj zarejestrowanego modelu i skryptu oceny, aby utworzyć punkt końcowy online.

Oprócz grupowania wyników uczenia maszynowego obszary robocze hostuje również konfiguracje zasobów:

• Docelowe obiekty obliczeniowe służą do uruchamiania eksperymentów.
• Zbiory danych definiują sposób, w jaki ty i inni mogą łączyć się ze źródłami danych przy użyciu zasobów danych.
• Ustawienia zabezpieczeń — ustawienia sieci, tożsamości i dostępu oraz szyfrowania.

Organizowanie obszarów roboczych

Dla liderów zespołów uczenia maszynowego i administratorów przestrzenie robocze służą jako kontenery do zarządzania dostępem, zarządzania kosztami i izolacji danych. Oto kilka wskazówek dotyczących organizowania obszarów roboczych:

• Użyj ról użytkowników do zarządzania uprawnieniami w obszarze roboczym między użytkownikami. Na przykład analityk danych, inżynier uczenia maszynowego lub administrator.
• Przypisywanie dostępu do grup użytkowników: przy użyciu grup użytkowników firmy Microsoft Entra nie trzeba dodawać poszczególnych użytkowników do każdego obszaru roboczego, a do innych zasobów ta sama grupa użytkowników wymaga dostępu.
• Tworzenie obszaru roboczego na projekt: chociaż obszar roboczy może być używany dla wielu projektów, ograniczenie go do jednego projektu na obszar roboczy umożliwia raportowanie kosztów naliczane na poziomie projektu. Umożliwia również zarządzanie konfiguracjami, takimi jak magazyny danych w zakresie każdego projektu.
• Udostępnianie zasobów platformy Azure: obszary robocze wymagają utworzenia kilku skojarzonych zasobów. Udostępnij te zasoby między obszarami roboczymi, aby zapisać powtarzające się kroki konfiguracji.
• Włącz samoobsługę: twórz i zabezpieczaj skojarzone zasoby jako administrator IT i używaj ról użytkowników, aby umożliwić analitykom danych tworzenie własnych obszarów roboczych.
• Udostępnianie zasobów: zasoby można udostępniać między obszarami roboczymi przy użyciu rejestrów usługi Azure Machine Learning.

W jaki sposób moja zawartość jest przechowywana w obszarze roboczym?

Obszar roboczy przechowuje historię wszystkich treningów, w tym dzienniki, metryki, dane wyjściowe, metadane powiązań oraz migawkę skryptów. Podczas wykonywania zadań w usłudze Azure Machine Learning artefakty są generowane. Ich metadane i dane są przechowywane w obszarze roboczym i w skojarzonych z nimi zasobach.

Skojarzone zasoby

Podczas tworzenia nowego obszaru roboczego musisz przenieść inne zasoby platformy Azure do przechowywania danych. Jeśli nie zostaną ci udostępnione, usługa Azure Machine Learning automatycznie utworzy te zasoby.

• Konto usługi Azure Storage. Przechowuje artefakty uczenia maszynowego, takie jak dzienniki zadań. Domyślnie to konto magazynu jest używane podczas wysyłania danych do obszaru roboczego. Notatniki Jupyter, które są używane z wystąpieniami obliczeniowymi usługi Azure Machine Learning, są również przechowywane w tym miejscu.

  Ważne

  Nie można użyć istniejącego konta usługi Azure Storage, jeśli jest to:

  • Konto typu BlobStorage
  • Konto Premium (Premium_LRS i Premium_GRS)
  • Konto z hierarchiczną przestrzenią nazw (używane z usługą Azure Data Lake Storage Gen2).

  Możesz użyć magazynu premium lub przestrzeni nazw z hierarchią jako dodatkowej pamięci, tworząc magazyn danych.

  Nie włączaj hierarchicznej przestrzeni nazw na koncie magazynu po uaktualnieniu do warstwy ogólnego przeznaczenia w wersji 2.

  Jeśli korzystasz z istniejącego konta magazynu ogólnego przeznaczenia w wersji 1, możesz uaktualnić do wersji 2 ogólnego przeznaczenia po utworzeniu obszaru roboczego.

• Azure Container Registry (ACR). Utworzone kontenery Dockera są przechowywane podczas budowania środowisk niestandardowych za pośrednictwem Azure Machine Learning. Wdrażanie modeli automatycznego uczenia maszynowego i profilu danych wyzwala tworzenie środowisk niestandardowych.

  Obszary robocze można tworzyć bez usługi ACR jako zależności, jeśli nie musisz tworzyć niestandardowych kontenerów platformy Docker. Usługa Azure Machine Learning może odczytywać dane z zewnętrznych rejestrów kontenerów.

  Usługa ACR jest automatycznie konfigurowana podczas tworzenia niestandardowych obrazów Docker. Użyj kontroli dostępu opartej na rolach (RBAC) platformy Azure, aby uniemożliwić kompilowanie kontenerów platformy Docker klienta.

  Ważne

  Jeśli ustawienie subskrypcji wymaga dodania tagów do zasobów, usługa ACR utworzona przez usługę Azure Machine Learning kończy się niepowodzeniem, ponieważ nie możemy ustawić tagów na usługę ACR.

• Azure Application Insights. Ułatwia monitorowanie i zbieranie informacji diagnostycznych z punktów końcowych wnioskowania.

  Aby uzyskać więcej informacji, zobacz Monitorowanie punktów końcowych online.

• Azure Key Vault. Przechowuje tajne informacje, które są używane przez cele obliczeń i inne poufne informacje potrzebne w przestrzeni roboczej.

Tworzenie obszaru roboczego

Istnieje wiele sposobów tworzenia obszaru roboczego. Aby rozpocząć pracę, użyj jednej z następujących opcji:

• Usługa Azure Machine Learning Studio umożliwia szybkie tworzenie obszaru roboczego z ustawieniami domyślnymi.
• Użyj portalu Azure z interfejsem wskazywania i kliknięcia oraz większą liczbą opcji zabezpieczeń.
• Użyj rozszerzenia VS Code, jeśli pracujesz w programie Visual Studio Code.

Aby zautomatyzować tworzenie obszaru roboczego przy użyciu preferowanych ustawień zabezpieczeń:

• Szablony usługi Azure Resource Manager/Bicep zapewniają składnię deklaratywną do wdrażania zasobów platformy Azure. Alternatywną opcją jest użycie narzędzia Terraform. Zobacz również szablon Bicep lub szablon narzędzia Terraform.
• Użyj interfejsu wiersza poleceń Azure Machine Learning lub zestawu SDK dla języka Python Azure Machine Learning do tworzenia prototypów i jako część przepływów pracy MLOps.
• Używaj bezpośrednio interfejsów REST API w środowisku skryptowym na potrzeby integracji platform lub przepływów pracy w MLOps.

Narzędzia do interakcji i zarządzania obszarem roboczym

Po skonfigurowaniu obszaru roboczego możesz wchodzić z nim w interakcje w następujący sposób:

• W internecie:
  • Portal Azure
  • Azure Machine Learning Studio
  • Projektant usługi Azure Machine Learning
• W dowolnym środowisku języka Python z zestawem Azure Machine Learning SDK.
• W wierszu polecenia, używając rozszerzenia CLI usługi Azure Machine Learning w wersji 2
• Rozszerzenie usługi Azure Machine Learning dla Visual Studio Code

Następujące zadania zarządzania obszarami roboczymi są dostępne w każdym interfejsie.

Zadanie zarządzania obszarem roboczym	Portal	Pracownia	Zestaw SDK dla języka Python	Interfejs wiersza polecenia platformy Azure	VS Code
Tworzenie obszaru roboczego	✓	✓	✓	✓	✓
Zarządzanie dostępem do obszaru roboczego	✓			✓
Tworzenie zasobów obliczeniowych i zarządzanie nimi	✓	✓	✓	✓	✓
Utwórz wystąpienie obliczeniowe		✓	✓	✓	✓

Ostrzeżenie

Przenoszenie obszaru roboczego usługi Azure Machine Learning do innej subskrypcji lub przenoszenie subskrypcji własnej do nowej dzierżawy nie jest obsługiwane. Może to spowodować błędy.

Zasoby podrzędne

Podczas tworzenia klastrów obliczeniowych i wystąpień obliczeniowych w usłudze Azure Machine Learning tworzone są zasoby podrzędne.

• Maszyny wirtualne: zapewniają moc obliczeniową dla wystąpień obliczeniowych i klastrów obliczeniowych, których używasz do uruchamiania zadań.
• Moduł równoważenia obciążenia: moduł równoważenia obciążenia sieciowego jest tworzony dla każdego wystąpienia obliczeniowego i klastra obliczeniowego w celu zarządzania ruchem nawet podczas zatrzymania wystąpienia obliczeniowego/klastra.
• Sieć wirtualna: ułatwiają one zasobom platformy Azure komunikowanie się ze sobą, Internetem i innymi sieciami lokalnymi.
• Przepustowość: hermetyzuje wszystkie wychodzące transfery danych w różnych regionach.

Następne kroki

Aby dowiedzieć się więcej na temat planowania obszaru roboczego dla wymagań organizacji, zobacz Organizowanie i konfigurowanie usługi Azure Machine Learning.

Aby rozpocząć pracę z usługą Azure Machine Learning, zobacz:

• Co to jest Azure Machine Learning?
• Tworzenie obszaru roboczego i zarządzanie nim
• Odzyskiwanie obszaru roboczego po usunięciu (usuwanie nietrwałe)
• Rozpoczynanie pracy z usługą Azure Machine Learning
• Samouczek: tworzenie pierwszego modelu klasyfikacji za pomocą zautomatyzowanego uczenia maszynowego