Wdrażanie modeli jako standardowe wdrożenie

Z tego artykułu dowiesz się, jak wdrożyć model z katalogu modeli jako standardowe wdrożenie.

Niektóre modele w katalogu modeli można wdrożyć jako standardowe wdrożenie ze standardowym rozliczeniem. Ten typ wdrożenia umożliwia korzystanie z modeli jako API bez hostowania ich w ramach subskrypcji, jednocześnie zapewniając wymagane przez organizacje bezpieczeństwo i zgodność z zasadami przedsiębiorstwa. Ta opcja wdrożenia nie wymaga kwoty z Twojej subskrypcji.

W tym artykule użyto wdrożenia modelu Meta Llama na potrzeby ilustracji. Można jednak użyć tych samych kroków, aby wdrożyć dowolne modele w wykazie modeli, które są dostępne do wdrożenia standardowego.

Wymagania wstępne

• Subskrypcja platformy Azure z prawidłową formą płatności. Subskrypcje platformy Azure w wersji bezpłatnej lub próbnej nie będą działać. Jeśli nie masz subskrypcji platformy Azure, utwórz płatne konto platformy Azure, aby rozpocząć.

• Obszar roboczy usługi Azure Machine Learning.

• Kontrola dostępu na podstawie ról platformy Azure (Azure RBAC): jest używana do udzielania dostępu do operacji w usłudze Azure Machine Learning. Aby wykonać kroki opisane w tym artykule, konto użytkownika musi mieć przypisaną rolę dewelopera usługi Azure AI w grupie zasobów. Aby uzyskać więcej informacji na temat uprawnień, zobacz Kontrola dostępu oparta na rolach w usłudze Azure Machine Learning.

• Aby pracować z usługą Azure Machine Learning, musisz zainstalować następujące oprogramowanie:

  Studio

  Aby nawigować po usłudze Azure Machine Learning, możesz użyć dowolnej zgodnej przeglądarki internetowej.

  Interfejs wiersza polecenia platformy Azure

  Azure CLI i rozszerzenie ml dla usługi Azure Machine Learning.

  az extension add -n ml
  

  Jeśli masz już zainstalowane rozszerzenie, upewnij się, że zainstalowano najnowszą wersję.

  az extension update -n ml
  

  Po zainstalowaniu rozszerzenia skonfiguruj je:

  az account set --subscription <subscription>
  az configure --defaults workspace=<workspace-name> group=<resource-group> location=<location>
  

  Zestaw SDK dla języka Python

  Zainstaluj zestaw AZURE Machine Learning SDK dla języka Python.

  pip install -U azure-ai-ml
  

  Po zainstalowaniu zaimportuj niezbędne przestrzenie nazw i utwórz klienta połączonego z obszarem roboczym:

  from azure.ai.ml import MLClient
  from azure.identity import InteractiveBrowserCredential
  from azure.ai.ml.entities import MarketplaceSubscription, ServerlessEndpoint
  
  client = MLClient(
      credential=InteractiveBrowserCredential(tenant_id="<tenant-id>"),
      subscription_id="<subscription-id>",
      resource_group_name="<resource-group>",
      workspace_name="<workspace-name>",
  )
  

  RAMIĘ

  Aby wdrożyć szablony usługi ARM w witrynie Microsoft Azure Portal lub użyć dowolnego z narzędzi wdrażania, możesz użyć dowolnej zgodnej przeglądarki internetowej. W tym samouczku jest używany interfejs wiersza polecenia platformy Azure.

Znajdowanie modelu i identyfikatora modelu w wykazie modeli

1. Zaloguj się do usługi Azure Machine Learning Studio

2. W przypadku modeli oferowanych za pośrednictwem witryny Azure Marketplace upewnij się, że Twoje konto ma uprawnienia roli dewelopera sztucznej inteligencji platformy Azure w grupie zasobów lub że spełniasz uprawnienia wymagane do subskrybowania ofert modeli.

   Modele oferowane przez dostawców innych niż Microsoft (na przykład modele Llama i Mistral) są rozliczane za pośrednictwem witryny Azure Marketplace. W przypadku takich modeli konieczne jest zapisanie obszaru roboczego do konkretnej oferty modelu. Modele oferowane przez firmę Microsoft (na przykład modele Phi-3) nie mają tego wymagania, ponieważ rozliczenia są wykonywane inaczej. Aby uzyskać szczegółowe informacje na temat rozliczeń dla bezserwerowego wdrażania modeli w katalogu modeli, zobacz Rozliczenia dla wdrożeń standardowych.

3. Przejdź do swojego obszaru roboczego. Aby korzystać ze standardowej oferty wdrażania, obszar roboczy musi należeć do jednego z regionów obsługiwanych w przypadku wdrożenia bezserwerowego dla określonego modelu, który chcesz wdrożyć.

4. Wybierz pozycję Katalog modeli na lewym pasku bocznym i znajdź kartę modelu, którą chcesz wdrożyć. W tym artykule wybierzesz model Bria-2.3-Fast .

   1. Jeśli wdrażasz model przy użyciu interfejsu wiersza polecenia platformy Azure, zestawu SDK języka Python lub usługi ARM, skopiuj identyfikator modelu.

   Ważne

   Nie dołączaj wersji podczas kopiowania identyfikatora modelu. Wdrożenia standardowe zawsze wdrażają najnowszą wersję modelu. Na przykład dla identyfikatora modelu azureml://registries/azureml-bria/models/Bria-2.3-Fast/versions/1 skopiuj azureml://registries/azureml-bria/models/Bria-2.3-Fast.

   

W następnej sekcji opisano kroki subskrypcji obszaru roboczego na ofertę modelu. Możesz pominąć tę sekcję i przejść do sekcji Wdrażanie modelu w standardowym wdrożeniu, jeśli wdrażasz model firmy Microsoft.

Subskrybuj swój obszar roboczy do oferty modelu

Wdrożenia standardowe mogą wdrażać zarówno modele oferowane przez Microsoft, jak i modele nieoferowane przez tę firmę. W przypadku modeli firmy Microsoft (takich jak modele Phi-3) nie trzeba tworzyć subskrypcji witryny Azure Marketplace i można je bezpośrednio wdrażać do standardowych wdrożeń w celu korzystania z ich przewidywań. W przypadku modeli innych niż Microsoft należy najpierw utworzyć subskrypcję. Jeśli po raz pierwszy wdrażasz model w obszarze roboczym, musisz zasubskrybować obszar roboczy dla konkretnej oferty modelu z witryny Azure Marketplace. Każdy obszar roboczy ma własną subskrypcję dla konkretnej oferty usługi Azure Marketplace modelu, która umożliwia kontrolowanie i monitorowanie wydatków.

Uwaga

Modele oferowane za pośrednictwem witryny Azure Marketplace są dostępne do wdrożenia w standardowych wdrożeniach w określonych regionach. Sprawdź dostępność regionów dla modeli we standardowych wdrożeniach , aby sprawdzić, które modele i regiony są dostępne. Jeśli ta, której potrzebujesz, nie ma na liście, możesz wdrożyć w obszarze roboczym w obsługiwanym regionie, a następnie korzystać ze standardowych wdrożeń z innego obszaru roboczego.

1. Utwórz subskrypcję platformy handlowej modelu. Podczas tworzenia subskrypcji akceptujesz warunki i postanowienia skojarzone z ofertą modelu. Pamiętaj, że nie musisz wykonywać tego kroku dla modeli oferowanych przez firmę Microsoft (takich jak Phi-3).

   Studio

   1. Na stronie Szczegóły modelu wybierz pozycję Użyj tego modelu. Zostanie otwarte okno Opcje wdrożenia , które daje wybór między standardowym wdrożeniem (bezserwerowym interfejsem API) i wdrożeniem przy użyciu zarządzanego środowiska obliczeniowego.

      

      Uwaga

      W przypadku modeli, które można wdrożyć tylko za pomocą wdrożenia standardowego, kreator wdrożeń standardowych otworzy się bezpośrednio po wybraniu opcji Użyj tego modelu na stronie szczegółów modelu.

   2. Wybierz Serverless API, aby otworzyć standardowego kreatora wdrażania.

      

   3. Jeśli widzisz notatkę Masz już subskrypcję witryny Azure Marketplace dla tego obszaru roboczego, nie musisz tworzyć subskrypcji, ponieważ masz już subskrypcję. Możesz przejść do sekcji Wdrażanie modelu w standardowym wdrożeniu.

   4. W kreatorze wdrażania wybierz link do warunków użytkowania witryny Azure Marketplace, aby dowiedzieć się więcej o warunkach użytkowania. Możesz również wybrać kartę Cennik i terminy , aby dowiedzieć się więcej o cenach dla wybranego modelu.

   5. W kreatorze wdrażania wybierz link do warunków użytkowania witryny Azure Marketplace, aby dowiedzieć się więcej o warunkach użytkowania. Możesz również wybrać kartę Szczegóły oferty w witrynie Marketplace, aby dowiedzieć się więcej o cenach dla wybranego modelu.

   6. Wybierz pozycję Subskrybuj i Wdróż.

   Interfejs wiersza polecenia platformy Azure

   subscription.yml

   name: bria-2.3-Fast
   model_id: azureml://registries/azureml-bria/models/Bria-2.3-Fast
   

   Użyj pliku subscription.yml, aby utworzyć subskrypcję:

   az ml marketplace-subscription create -f subscription.yml
   

   Zestaw SDK dla języka Python

   model_id="azureml://registries/azureml-bria/models/Bria-2.3-Fast"
   subscription_name="Bria-2.3-Fast""
   
   marketplace_subscription = MarketplaceSubscription(
       model_id=model_id,
       name=subscription_name,
   )
   
   marketplace_subscription = client.marketplace_subscriptions.begin_create_or_update(
       marketplace_subscription
   ).result()
   

   RAMIĘ

   Użyj następującego szablonu, aby utworzyć subskrypcję modelu:

   template.json

   {
       "$schema": "https://schema.management.azure.com/schemas/2019-04-01/deploymentTemplate.json#",
       "contentVersion": "1.0.0.0",
       "parameters": {
           "project_name": {
               "defaultValue": "my-project",
               "type": "String"
           },
           "subscription_name": {
               "defaultValue": "Bria-2.3-Fast",
               "type": "String"
           },
           "model_id": {
               "defaultValue": "azureml://registries/azureml-bria/models/Bria-2.3-Fast",
               "type": "String"
           }
       },
       "variables": {},
       "resources": [
           {
               "type": "Microsoft.MachineLearningServices/workspaces/marketplaceSubscriptions",
               "apiVersion": "2024-04-01",
               "name": "[concat(parameters('project_name'), '/', parameters('subscription_name'))]",
               "properties": {
                   "modelId": "[parameters('model_id')]"
               }
           }
       ]
   }
   

2. Po zasubskrybowaniu obszaru roboczego dla określonej oferty witryny Azure Marketplace kolejne wdrożenia tej samej oferty w tym samym obszarze roboczym nie wymagają ponownego subskrybowania.

3. W dowolnym momencie możesz zobaczyć oferty modelu, do których aktualnie subskrybowany jest obszar roboczy:

   Studio

   1. Przejdź do witryny Azure Portal.

   2. Przejdź do grupy zasobów, do której należy obszar roboczy.

   3. W filtrze Typ wybierz pozycję SaaS.

   4. Zobaczysz wszystkie oferty, do których obecnie subskrybujesz.

   5. Wybierz dowolny zasób, aby wyświetlić szczegóły.

   Interfejs wiersza polecenia platformy Azure

   az ml marketplace-subscription list
   

   Zestaw SDK dla języka Python

   marketplace_sub_list = client.marketplace_subscriptions.list()
   
   for sub in marketplace_sub_list:
       print(sub.as_dict())
   

   RAMIĘ

   Narzędzia do zarządzania zasobami umożliwiają wykonywanie zapytań dotyczących zasobów. Poniższy kod używa interfejsu wiersza polecenia platformy Azure:

   az resource list \
       --query "[?type=='Microsoft.SaaS']"
   

Wdrażanie modelu w standardowym wdrożeniu

Po utworzeniu subskrypcji dla modelu innego niż Microsoft możesz wdrożyć skojarzony model w standardowym wdrożeniu. W przypadku modeli firmy Microsoft (takich jak modele Phi-3) nie trzeba tworzyć subskrypcji.

Standardowe wdrożenie umożliwia korzystanie z modeli jako interfejsu API bez hostowania ich w ramach subskrypcji, przy jednoczesnym zachowaniu potrzeb organizacji w zakresie zabezpieczeń i zgodności przedsiębiorstwa. Ta opcja wdrożenia nie wymaga kwoty z Twojej subskrypcji.

W tej sekcji utworzysz punkt końcowy o nazwie Bria-2.3-Fast.

1. Tworzenie bezserwerowego punktu końcowego

   Studio

   1. Aby wdrożyć model firmy Microsoft, który nie wymaga subskrybowania oferty modelu, wybierz pozycję Użyj tego modelu , a następnie wybierz pozycję Bezserwerowy interfejs API , aby otworzyć kreatora wdrażania.

   2. Alternatywnie, w przypadku modelu spoza Microsoft, który wymaga subskrypcji, jeśli Twój obszar roboczy jest zasubskrybowany do oferty modelu w poprzedniej sekcji, wybierz pozycję Wdróż. Alternatywnie wybierz pozycję Kontynuuj, aby wdrożyć (jeśli kreator wdrażania zawierał notatkę Masz już subskrypcję witryny Azure Marketplace dla tego obszaru roboczego).

      

   3. Nadaj wdrożeniu nazwę. Ta nazwa staje się częścią adresu URL interfejsu API wdrażania. Ten adres URL musi być unikatowy w każdym regionie świadczenia usługi Azure.

      

      Napiwek

      Opcja Filtr zawartości (wersja zapoznawcza) jest domyślnie włączona. Pozostaw ustawienie domyślne dla usługi, aby wykrywać szkodliwe treści, takie jak nienawiść, samookaleczenia, treści seksualne i brutalne. Aby uzyskać więcej informacji na temat filtrowania zawartości (wersja zapoznawcza), zobacz Bezpieczeństwo zawartości dla modeli wdrożonych za pośrednictwem wdrożeń standardowych.

   4. Wybierz Wdróż. Poczekaj, aż wdrożenie będzie gotowe, a nastąpi przekierowanie do strony Wdrożenia.

   Interfejs wiersza polecenia platformy Azure

   endpoint.yml

   name: bria-2.3-Fast
   model_id: azureml://registries/azureml-bria/models/Bria-2.3-Fast
   

   Użyj pliku endpoint.yml, aby utworzyć punkt końcowy:

   az ml serverless-endpoint create -f endpoint.yml
   

   Zestaw SDK dla języka Python

   endpoint_name="bria-2.3-Fast"
   
   serverless_endpoint = ServerlessEndpoint(
       name=endpoint_name,
       model_id=model_id
   )
   
   created_endpoint = client.serverless_endpoints.begin_create_or_update(
       serverless_endpoint
   ).result()
   

   RAMIĘ

   Użyj następującego szablonu, aby utworzyć punkt końcowy:

   template.json

   {
       "$schema": "https://schema.management.azure.com/schemas/2019-04-01/deploymentTemplate.json#",
       "contentVersion": "1.0.0.0",
       "parameters": {
           "project_name": {
               "defaultValue": "my-project",
               "type": "String"
           },
           "endpoint_name": {
               "defaultValue": "bria-2.3-Fast",
               "type": "String"
           },
           "location": {
               "defaultValue": "eastus2",
               "type": "String"
           },
           "model_id": {
               "defaultValue": "azureml://registries/azureml-bria/models/Bria-2.3-Fast",
               "type": "String"
           }
       },
       "variables": {},
       "resources": [
           {
               "type": "Microsoft.MachineLearningServices/workspaces/serverlessEndpoints",
               "apiVersion": "2024-04-01",
               "name": "[concat(parameters('project_name'), '/', parameters('endpoint_name'))]",
               "location": "[parameters('location')]",
               "sku": {
                   "name": "Consumption"
               },
               "properties": {
                   "modelSettings": {
                       "modelId": "[parameters('model_id')]"
                   }
               }
           }
       ]
   }
   

   Następnie utwórz wdrożenie:

   az deployment group create \
       --name model-subscription-deployment \
       --resource-group <resource-group> \
       --template-file template.json
   

   Ukończenie szablonu wdrożenia platformy Azure może potrwać kilka minut. Po zakończeniu zostanie wyświetlony komunikat zawierający wynik:

   "provisioningState": "Succeeded",
   

2. W dowolnym momencie można zobaczyć punkty końcowe wdrożone do Twojego obszaru roboczego.

   Studio

   1. Przejdź do swojego obszaru roboczego.

   2. Wybierz Punkty końcowe.

   3. Wybierz kartę Punkty końcowe bezserwerowe , aby wyświetlić standardowe wdrożenia.

   Interfejs wiersza polecenia platformy Azure

   az ml serverless-endpoint list
   

   Zestaw SDK dla języka Python

   endpoints = ml_client.online_endpoints.list()
   for endpoint in endpoints:
       print(endpoint.name)
   

   RAMIĘ

   Narzędzia do zarządzania zasobami umożliwiają wykonywanie zapytań dotyczących zasobów. Poniższy kod używa interfejsu wiersza polecenia platformy Azure:

   az resource list \
       --query "[?type=='Microsoft.MachineLearningServices/workspaces/serverlessEndpoints']"
   

3. Utworzony punkt końcowy używa uwierzytelniania klucza do autoryzacji. Wykonaj poniższe kroki, aby uzyskać klucze skojarzone z danym punktem końcowym.

   Studio

   1. Aby powrócić do strony wdrożenia, wybierz nazwę punktu końcowego z listy punktów końcowych bezserwerowych.
   2. Zanotuj docelowy identyfikator URI i klucz punktu końcowego. Użyj ich do wywoływania wdrożenia i generowania przewidywań.

   Uwaga

   W przypadku korzystania z witryny Azure Portal standardowe wdrożenia nie są domyślnie wyświetlane w grupie zasobów. Użyj opcji Pokaż ukryte typy, aby wyświetlić je w grupie zasobów.

   Interfejs wiersza polecenia platformy Azure

   az ml serverless-endpoint get-credentials -n bria-2.3-Fast
   

   Zestaw SDK dla języka Python

   endpoint_keys = client.serverless_endpoints.get_keys(endpoint_name)
   print(endpoint_keys.primary_key)
   print(endpoint_keys.secondary_key)
   

   RAMIĘ

   Użyj interfejsów API REST, aby wykonywać zapytania dotyczące tych informacji.

4. Na tym etapie punkt końcowy jest gotowy do użycia.

5. Jeśli musisz korzystać z tego wdrożenia z innego obszaru roboczego lub planujesz użyć przepływu monitów do tworzenia inteligentnych aplikacji, musisz utworzyć połączenie ze standardowym wdrożeniem. Aby dowiedzieć się, jak skonfigurować istniejące standardowe wdrożenie w nowym obszarze roboczym lub centrum, zobacz Korzystanie z wdrożonych wdrożeń standardowych z innego obszaru roboczego lub z przepływu Prompt.

   Napiwek

   Jeśli używasz przepływu monitów w tym samym obszarze roboczym, gdzie zostało przeprowadzone wdrożenie, nadal musisz utworzyć połączenie.

Użyj standardowego wdrożenia

Modele wdrożone w usługach Azure Machine Learning i Microsoft Foundry we standardowych wdrożeniach obsługują interfejs API wnioskowania modelu sztucznej inteligencji platformy Azure , który uwidacznia wspólny zestaw możliwości dla podstawowych modeli i który może być używany przez deweloperów do korzystania z przewidywań z różnych zestawów modeli w jednolity i spójny sposób.

Dowiedz się więcej o możliwościach tego interfejsu API i sposobach korzystania z niego podczas tworzenia aplikacji.

Usuń punkty końcowe i subskrypcje

Możesz usunąć subskrypcje modelu i punkty końcowe. Usunięcie subskrypcji modelu sprawia, że skojarzony punkt końcowy staje się niezdolny do działania i bezużyteczny.

Studio

Aby usunąć standardowe wdrożenie:

1. Przejdź do usługi Azure Machine Learning Studio.

2. Wybierz pozycję Punkty końcowe na lewym pasku bocznym.

3. Wybierz kartę Punkty końcowe bezserwerowe , aby wyświetlić standardowe wdrożenia.

4. Otwórz punkt końcowy, który chcesz usunąć.

5. Wybierz Usuń.

Aby usunąć skojarzoną subskrypcję modelu:

1. Przejdź do witryny Azure Portal.

2. Przejdź do grupy zasobów, do której należy obszar roboczy.

3. W filtrze Typ wybierz pozycję SaaS.

4. Wybierz subskrypcję, którą chcesz usunąć.

5. Wybierz Usuń.

Interfejs wiersza polecenia platformy Azure

Aby usunąć standardowe wdrożenie:

az ml serverless-endpoint delete \
    --name "bria-2.3-Fast"

Aby usunąć skojarzoną subskrypcję modelu:

az ml marketplace-subscription delete \
    --name "bria-2.3-Fast"

Zestaw SDK dla języka Python

Aby usunąć standardowe wdrożenie:

client.serverless_endpoints.begin_delete(endpoint_name).wait()

Aby usunąć skojarzoną subskrypcję modelu:

client.marketplace_subscriptions.begin_delete(subscription_name).wait()

RAMIĘ

Do zarządzania zasobami można użyć narzędzi do zarządzania zasobami. Poniższy kod używa interfejsu wiersza polecenia platformy Azure:

az resource delete --name <resource-name>

Zagadnienia dotyczące kosztów i limitów przydziału dla modeli wdrożonych jako wdrożenia standardowe

Przydział jest zarządzany dla każdego wdrożenia. Każde wdrożenie ma limit szybkości wynoszący 200 000 tokenów na minutę i 1000 żądań interfejsu API na minutę. Obecnie jednak ograniczamy jedno wdrożenie na model na obszar roboczy. Skontaktuj się z pomocą techniczną platformy Microsoft Azure, jeśli bieżące limity szybkości nie są wystarczające dla Twoich scenariuszy.

Koszt modeli firmy Microsoft

Informacje o cenach można znaleźć na karcie Cennik i warunki kreatora wdrażania podczas wdrażania modeli firmy Microsoft (takich jak modele Phi-3) jako wdrożenia standardowe.

Koszt dla modeli innych niż Microsoft

Modele firmy innej niż Microsoft wdrożone jako standardowe wdrożenia są oferowane za pośrednictwem witryny Azure Marketplace i zintegrowane z rozwiązaniem Foundry do użycia. Cennik witryny Azure Marketplace można znaleźć podczas wdrażania lub dostrajania tych modeli.

Za każdym razem, gdy obszar roboczy subskrybuje daną ofertę z witryny Azure Marketplace, tworzony jest nowy zasób w celu śledzenia kosztów związanych z jego zużyciem. Ten sam zasób służy do śledzenia kosztów skojarzonych z wnioskowaniem i dostrajania; jednak w ramach śledzenia każdego scenariusza można niezależnie śledzić wiele mierników.

Aby uzyskać więcej informacji na temat śledzenia kosztów, zobacz Monitorowanie kosztów modeli oferowanych za pośrednictwem witryny Azure Marketplace.

Wymagane uprawnienia, aby subskrybować oferty modeli

Kontrola dostępu na podstawie ról platformy Azure (Azure RBAC): jest używana do udzielania dostępu do operacji w usłudze Azure Machine Learning. Aby wykonać kroki opisane w tym artykule, konto użytkownika musi mieć przypisaną rolę Właściciela, Współautora lub Dewelopera sztucznej inteligencji platformy Azure dla subskrypcji platformy Azure. Możesz też przypisać swojemu kontu rolę niestandardową, która ma następujące uprawnienia:

• W subskrypcji Azure — aby przypisać obszar roboczy do oferty w Azure Marketplace, raz dla każdego obszaru roboczego, na ofertę:

  • Microsoft.MarketplaceOrdering/agreements/offers/plans/read
  • Microsoft.MarketplaceOrdering/agreements/offers/plans/sign/action
  • Microsoft.MarketplaceOrdering/offerTypes/publishers/offers/plans/agreements/read
  • Microsoft.Marketplace/offerTypes/publishers/offers/plans/agreements/read
  • Microsoft.SaaS/register/action

• W grupie zasobów — do tworzenia zasobu SaaS i jego użycia:

  • Microsoft.SaaS/resources/read
  • Microsoft.SaaS/resources/write

• W obszarze roboczym — do wdrażania punktów końcowych (rola badacza danych usługi Azure Machine Learning zawiera już te uprawnienia):

  • Microsoft.MachineLearningServices/workspaces/marketplaceModelSubscriptions/*
  • Microsoft.MachineLearningServices/workspaces/serverlessEndpoints/*

Aby uzyskać więcej informacji na temat uprawnień, zobacz Zarządzanie dostępem do obszaru roboczego usługi Azure Machine Learning.

Powiązana zawartość

• Wykaz modeli i kolekcje
• Korzystanie z wdrożonych wdrożeń standardowych z innego obszaru roboczego