Planejar o gerenciamento de custos para o Azure Machine Learning

  • Artigo

Este artigo descreve como planejar e gerenciar custos para o Azure Machine Learning. Primeiro, use a calculadora de preços do Azure para ajudar a planejar os custos antes de adicionar recursos. Em seguida, revise os custos estimados enquanto adiciona recursos do Azure.

Depois de começar a usar os recursos do Azure Machine Learning, use os recursos de gerenciamento de custos para definir orçamentos e monitorar custos. Além disso, revise os custos previstos e identifique tendências de gastos para identificar áreas em que você pode querer atuar.

Entenda que os custos do Azure Machine Learning são apenas uma parte dos custos mensais em sua fatura do Azure. Se você usar outros serviços do Azure, será cobrado por todos os serviços e recursos do Azure usados em sua assinatura do Azure, incluindo serviços de terceiros. Este artigo explica como planear e gerir custos para o Azure Machine Learning. Depois de se familiarizar com o gerenciamento de custos para o Azure Machine Learning, aplique métodos semelhantes para gerenciar custos para todos os serviços do Azure usados em sua assinatura.

Para obter mais informações sobre como otimizar custos, consulte Gerenciar e otimizar custos do Azure Machine Learning.

Pré-requisitos

A análise de custos no Microsoft Cost Management suporta a maioria dos tipos de conta do Azure, mas não todos. Para ver a lista completa dos tipos de contas suportados, veja Compreender os dados do Cost Management.

Para exibir dados de custo, você precisa de pelo menos acesso de leitura para uma conta do Azure. Para obter informações sobre como atribuir acesso a dados do Gerenciamento de Custos, consulte Atribuir acesso a dados.

Estimar custos antes de usar o Azure Machine Learning

Use a calculadora de preços do Azure para estimar custos antes de criar recursos em um espaço de trabalho do Azure Machine Learning. No lado esquerdo da calculadora de preços, selecione AI + Machine Learning e, em seguida, selecione Azure Machine Learning para começar.

A captura de tela a seguir mostra um exemplo de estimativa de custo na calculadora de preços:

Captura de ecrã que mostra um exemplo de custo estimado na calculadora de preços do Azure.

À medida que você adiciona recursos ao seu espaço de trabalho, retorne a esta calculadora e adicione o mesmo recurso aqui para atualizar suas estimativas de custo.

Para obter mais informações, consulte Preços do Azure Machine Learning.

Compreender o modelo de faturação completo do Azure Machine Learning

O Azure Machine Learning é executado na infraestrutura do Azure que acumula custos juntamente com o Azure Machine Learning quando você implanta o novo recurso. É importante entender que a infraestrutura extra pode gerar custos. Você precisa gerenciar esse custo ao fazer alterações nos recursos implantados.

Custos que normalmente se acumulam com o Azure Machine Learning

Quando você cria recursos para um espaço de trabalho do Azure Machine Learning, recursos para outros serviços do Azure também são criados. Eles são:

Quando você cria uma instância de computação, a máquina virtual (VM) permanece ativada para que esteja disponível para seu trabalho.

  • Habilite o desligamento ocioso para reduzir os custos quando a VM estiver ociosa por um período de tempo especificado.
  • Ou configure uma programação para iniciar e parar automaticamente a instância de computação para reduzir custos quando você não estiver planejando usá-la.

Os custos podem acumular-se antes da eliminação de recursos

Antes de excluir um espaço de trabalho do Azure Machine Learning no portal do Azure ou com a CLI do Azure, os subrecursos a seguir são custos comuns que se acumulam mesmo quando você não está trabalhando ativamente no espaço de trabalho. Se você planeja retornar ao seu espaço de trabalho do Azure Machine Learning posteriormente, esses recursos podem continuar a acumular custos.

  • VMs
  • Balanceador de Carga
  • Rede Virtual do Azure
  • Largura de banda

Cada VM é cobrada por hora executada. O custo depende das especificações da VM. As VMs que são executadas, mas não trabalham ativamente em um conjunto de dados, ainda são cobradas por meio do balanceador de carga. Para cada instância de computação, um balanceador de carga é cobrado por dia. Cada 50 nós de um cluster de computação têm um balanceador de carga padrão cobrado. Cada balanceador de carga é cobrado em torno de US$ 0,33/dia. Para evitar custos do balanceador de carga em instâncias de computação interrompidas e clusters de computação, exclua o recurso de computação.

As instâncias de computação também incorrem em custos de disco P10, mesmo no estado interrompido, porque qualquer conteúdo de usuário salvo lá persiste no estado interrompido, semelhante às VMs do Azure. Estamos a trabalhar para tornar o tamanho/tipo de disco do SO configurável para controlar melhor os custos. Para as Redes Virtuais do Azure, uma rede virtual é cobrada por assinatura e por região. As redes virtuais não podem abranger regiões ou subscrições. A configuração de pontos de extremidade privados em uma rede virtual também pode incorrer em cobranças. Se sua rede virtual usa um Firewall do Azure, isso também pode incorrer em encargos. As taxas de largura de banda refletem o uso; Quanto mais dados forem transferidos, maior será a cobrança.

Gorjeta

Usar uma rede virtual gerenciada do Azure Machine Learning é gratuito. No entanto, alguns recursos da rede gerenciada dependem do Azure Private Link (para pontos de extremidade privados) e do Firewall do Azure (para regras FQDN), que incorrem em encargos. Para obter mais informações, consulte Isolamento de rede virtual gerenciado.

Os custos podem acumular-se após a eliminação de recursos

Depois de excluir um espaço de trabalho do Azure Machine Learning no portal do Azure ou com a CLI do Azure, os seguintes recursos continuam a existir. Estes recursos continuam a acumular custos até serem eliminados.

  • Registo de Contentores do Azure
  • Armazenamento de Blobs do Azure
  • Key Vault
  • Application Insights

Para excluir o espaço de trabalho junto com esses recursos dependentes, use o SDK:

APLICA-SE A: Python SDK azure-ai-ml v2 (atual)

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

Se você criar o Serviço Kubernetes do Azure (AKS) em seu espaço de trabalho ou se anexar quaisquer recursos de computação ao seu espaço de trabalho, deverá excluí-los separadamente no portal do Azure.

Usar o crédito de pré-pagamento do Azure com o Azure Machine Learning

Você pode pagar pelas cobranças do Azure Machine Learning usando seu crédito de Pré-pagamento do Azure. No entanto, não pode utilizar o crédito de Pré-pagamento do Azure para pagar produtos e serviços de terceiros, incluindo os do Azure Marketplace.

Rever os custos estimados no portal do Azure

Ao criar recursos de computação para o Azure Machine Learning, você vê os custos estimados.

Para criar uma instância de computação e visualizar o preço estimado:

  1. Entre no estúdio do Azure Machine Learning.
  2. No lado esquerdo, selecione Computar.
  3. Na barra de ferramentas superior, selecione +Novo.
  4. Analise o preço estimado mostrado para cada tamanho de máquina virtual disponível.
  5. Conclua a criação do recurso.

Captura de tela mostrando os custos estimados para criar uma instância de computação.

Se a sua subscrição do Azure tiver um limite de gastos, o Azure impedirá que gaste acima do valor do crédito. À medida que cria e usa recursos do Azure, os seus créditos são usados. Quando atingir o limite de crédito, os recursos que tiver implementado são desativados durante o resto do período de cobrança. Não pode alterar o seu limite de crédito, mas pode removê-lo. Para obter mais informações sobre os limites de gastos, consulte Limitede gastos do Azure.

Monitorizar os custos

Você incorre em custos para usar os recursos do Azure com o Azure Machine Learning. Os custos unitários de uso de recursos do Azure variam por intervalos de tempo (segundos, minutos, horas e dias) ou por uso de unidade (bytes, megabytes e assim por diante). Assim que o uso do Azure Machine Learning é iniciado, os custos são incorridos e você pode ver os custos na análise de custos.

Ao usar a análise de custos, você exibe os custos do Aprendizado de Máquina do Azure em gráficos e tabelas para diferentes intervalos de tempo. Alguns exemplos são por dia, mês atual e anterior, e ano. Você também visualiza os custos em relação aos orçamentos e custos previstos. Mudar para visualizações mais longas ao longo do tempo pode ajudá-lo a identificar tendências de gastos. E você vê onde o excesso de gastos pode ter ocorrido. Se você criar orçamentos, também poderá ver facilmente onde eles são excedidos.

Para exibir os custos do Azure Machine Learning na análise de custos:

  1. Inicie sessão no portal do Azure.
  2. Abra o escopo no portal do Azure e selecione Análise de custos no menu. Por exemplo, aceda a Subscrições, selecione uma subscrição na lista e, em seguida, selecione Análise de custos no menu. Selecione Escopo para alternar para um escopo diferente na análise de custos.
  3. Por padrão, os custos dos serviços são mostrados no primeiro gráfico de rosquinhas. Selecione a área no gráfico rotulada Azure Machine Learning.

Os custos mensais reais são mostrados quando você abre inicialmente a análise de custos. Aqui está um exemplo que mostra todos os custos mensais de uso.

Captura de ecrã a mostrar os custos acumulados de uma subscrição.

Para reduzir os custos de um único serviço, como o Azure Machine Learning, selecione Adicionar filtro e, em seguida, selecione Nome do serviço. Em seguida, selecione máquinas virtuais.

Aqui está um exemplo que mostra os custos apenas para o Azure Machine Learning.

Captura de tela mostrando os custos acumulados para ServiceName.

No exemplo anterior, vê o custo atual do serviço. Os custos por regiões do Azure (locais) e os custos do Azure Machine Learning por grupo de recursos também são mostrados. A partir daqui, você pode explorar os custos por conta própria.

Criar orçamentos

Pode criar orçamentos para gerir custos e criar alertas que notifiquem automaticamente as partes interessadas das anomalias nos gastos e do risco em fazer gastos excessivos. Os alertas são baseados nos gastos em comparação com os orçamentos e os limites de custos. Os orçamentos e alertas são criados para subscrições do Azure e grupos de recursos, pelo que são úteis como parte de uma estratégia geral de monitorização de custos.

Os orçamentos podem ser criados com filtros para recursos ou serviços específicos no Azure se você quiser mais granularidade presente em seu monitoramento. Os filtros ajudam a garantir que você não crie acidentalmente novos recursos que custam dinheiro extra. Para saber mais sobre as opções de filtro ao criar um orçamento, consulte Opções de grupo e filtro.

Exportar dados de custo

Também pode exportar os dados de custos para uma conta de armazenamento. Isso é útil quando você ou outras pessoas precisam fazer mais análise de dados para custos. Por exemplo, uma equipe financeira pode analisar os dados usando o Excel ou o Power BI. Você pode exportar seus custos em uma programação diária, semanal ou mensal e definir um intervalo de datas personalizado. A exportação de dados de custo é a maneira recomendada de recuperar conjuntos de dados de custo.

Outras formas de gerir e reduzir custos para o Azure Machine Learning

Use as dicas a seguir para ajudá-lo a gerenciar e otimizar seus custos de recursos de computação.

  • Configure seus clusters de treinamento para dimensionamento automático.
  • Defina quotas na sua subscrição e espaços de trabalho.
  • Defina políticas de rescisão em seu trabalho de treinamento.
  • Use máquinas virtuais de baixa prioridade.
  • Agende instâncias de computação para desligar e iniciar automaticamente.
  • Use uma instância de VM Reservada do Azure.
  • Treine localmente.
  • Treino em paralelo.
  • Defina políticas de retenção e exclusão de dados.
  • Implante recursos na mesma região.
  • Exclua instâncias e clusters se não planeja usá-los em breve.

Para obter mais informações, consulte Gerenciar e otimizar os custos do Azure Machine Learning.

Próximos passos