Поделиться через


Планируйте управление затратами на Машинное обучение Microsoft Azure

В этой статье описывается планирование и управление затратами на Машинное обучение Azure. Во-первых, используйте калькулятор цен Azure для планирования затрат перед добавлением ресурсов. Затем просмотрите предполагаемые затраты при добавлении ресурсов Azure.

После начала использования Машинное обучение Azure ресурсов используйте функции управления затратами, чтобы задать бюджеты и отслеживать затраты. Кроме того, просмотрите прогнозируемые затраты и определите тенденции расходов, чтобы определить области, в которых может потребоваться действовать.

Учтите, что затраты на Машинное обучение Azure составляют только часть ежемесячных затрат в счете Azure. Если вы используете другие службы Azure, вы оплачиваете все службы и ресурсы Azure, используемые в подписке Azure, включая сторонние службы. В этой статье объясняется, как планировать затраты на Машинное обучение Azure и управлять ими. Познакомившись с управлением затратами на Машинное обучение Azure, примените аналогичные методы, чтобы управлять затратами для всех служб Azure, используемых в вашей подписке.

Дополнительные сведения об оптимизации затрат см. в статье "Управление и оптимизация Машинное обучение Azure затрат".

Необходимые компоненты

Анализ затрат в Microsoft Cost Management поддерживает большинство типов учетных записей Azure, но не все из них. Полный список поддерживаемых типов учетных записей см. в статье Understand Cost Management data (Интерпретация данных службы "Управление затратами").

Чтобы просмотреть данные о затратах, требуется по крайней мере доступ на чтение для учетной записи Azure. Сведения о назначении доступа к данным службы "Управление затратами" см. в этой статье.

Оценка затрат перед использованием Машинного обучения Azure

Используйте калькулятор цен Azure для оценки затрат перед созданием ресурсов в рабочей области Машинное обучение Azure. В левой части калькулятора цен выберите AI + Машинное обучение, а затем выберите Машинное обучение Azure, чтобы начать работу.

На следующем снимке экрана показан пример оценки затрат в калькуляторе цен:

Снимок экрана: пример предполагаемой стоимости в калькуляторе цен Azure.

При добавлении ресурсов в рабочую область вернитесь к этому калькулятору и добавьте тот же ресурс, чтобы обновить оценки затрат.

Дополнительные сведения см. в статье Цены для Машинного обучения Azure.

Освоение полной модели выставления счетов за Машинное обучение Azure

Машинное обучение Azure работает в инфраструктуре Azure, расходы на которую добавляются к затратам на Машинное обучение Azure при развертывании нового ресурса. Важно понимать, что дополнительная инфраструктура может начислять затраты. Эти затраты необходимо контролировать при внесении изменений в развернутые ресурсы.

Затраты, которые обычно сопровождают Машинное обучение Azure

При создании ресурсов для рабочей области Машинного обучения Azure также создаются ресурсы для других служб Azure. В их число входят:

  • базовая учетная запись Реестр контейнеров Azure
  • Хранилище BLOB-объектов Azure (общего назначения версии 1)
  • Azure Key Vault
  • Azure Monitor

При создании вычислительного экземпляра виртуальная машина остается на ней, чтобы она была доступна для вашей работы.

  • Включите завершение работы бездействия, чтобы сократить затраты при простое виртуальной машины в течение указанного периода времени.
  • Или настройте расписание для автоматического запуска и остановки вычислительного экземпляра, чтобы сократить затраты, если вы не планируете использовать его.

Затраты могут начисляться и до удаления ресурсов

Перед удалением рабочей области Машинное обучение Azure в портал Azure или с помощью Azure CLI следующие вложенные ресурсы являются общими затратами, которые накапливаются, даже если вы не работаете в рабочей области. Если вы планируете вернуться в рабочую область Машинное обучение Azure позже, эти ресурсы могут продолжать накапливаться затраты.

  • Виртуальные машины
  • Load Balancer
  • Виртуальная сеть Azure
  • Пропускная способность

Плата за каждую виртуальную машину взимается в час. Стоимость зависит от характеристик виртуальной машины. Виртуальные машины, которые выполняются, но не активно работают над набором данных, по-прежнему взимается с помощью подсистемы балансировки нагрузки. Для каждого вычислительного экземпляра плата взимается по одному подсистеме балансировки нагрузки в день. На каждые 50 узлов вычислительного кластера взимается одна стандартная подсистема балансировки нагрузки. За каждую стандартную подсистему балансировки нагрузки взимается 0,33 доллара США в сутки. Чтобы избежать затрат на подсистемы балансировки нагрузки по остановленным вычислительным экземплярам и кластерам, удалите вычислительный ресурс.

Вычислительные экземпляры также несут затраты на диск P10 даже в остановленном состоянии, так как любое содержимое пользователя, сохраненное там, сохраняется в остановленном состоянии, аналогичном виртуальным машинам Azure. Мы работаем над настройкой размера или типа диска ОС, чтобы повысить затраты на управление. Для виртуальная сеть Azure плата за одну виртуальную сеть взимается за подписку и в каждом регионе. Виртуальные сети не могут охватывать регионы или подписки. Кроме того, при настройке частных конечных точек в виртуальной сети могут взиматься плата. Если виртуальная сеть использует Брандмауэр Azure, это также может нести расходы. Плата за пропускную способность отражает использование; чем больше передаваемых данных, тем больше плата.

Совет

  • Использование управляемой виртуальной сети Машинное обучение Azure бесплатно. Однако некоторые функции управляемой сети зависят от Приватный канал Azure (для частных конечных точек) и Брандмауэр Azure (для правил полного доменного имени), которые несут расходы. Дополнительные сведения см. в разделе "Изоляция управляемой виртуальной сети".
  • Управляемые сетевые конечные точки используют виртуальные машины для развертываний. Если вы отправили запрос на создание сетевого развертывания и завершилось сбоем, возможно, он прошел этап при создании вычислений. В этом случае не удалось выполнить развертывание. Если вы завершили отладку или расследование сбоя, вы можете удалить неудачные развертывания, чтобы сэкономить затраты.

После удаления ресурсов могут начисляться затраты

После удаления рабочей области Машинного обучения Azure на портале Azure или с помощью Azure CLI следующие ресурсы по-прежнему продолжают существовать. Для них продолжают начисляться затраты вплоть до их удаления.

  • Реестр контейнеров Azure
  • Хранилище BLOB-объектов Azure
  • Key Vault
  • Application Insights

Чтобы удалить рабочую область вместе с этими зависимыми ресурсами, используйте пакет SDK.

ОБЛАСТЬ ПРИМЕНЕНИЯ: Пакет SDK для Python azure-ai-ml версии 2 (current)

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

При создании Служба Azure Kubernetes (AKS) в рабочей области или при присоединении вычислительных ресурсов к рабочей области их необходимо удалить отдельно в портал Azure.

Использование кредита на предоплату Azure с Машинное обучение Azure

Вы можете заплатить за Машинное обучение Azure расходы с помощью кредита на предоплату Azure. Однако вы не можете использовать кредит на предоплату Azure для оплаты сторонних продуктов и служб, в том числе из Azure Marketplace.

Просмотр предполагаемых затрат на портале Azure

При создании вычислительных ресурсов для Машинного обучения Azure отображаются примерные затраты.

Чтобы создать вычислительный экземпляр и просмотреть оценочную цену:

  1. Войдите в Студия машинного обучения Azure.
  2. Слева выберите Вычисление.
  3. В верхней панели инструментов выберите +Создать.
  4. Просмотрите оценочную цену, указанную для каждого доступного размера виртуальной машины.
  5. Завершите создание ресурса.

Снимок экрана: предполагаемые затраты для создания вычислительного экземпляра.

Если для вашей подписки Azure установлена предельная сумма затрат, Azure не позволяет тратить средства свыше суммы кредита. При создании и использовании ресурсов Azure будут использоваться ваши кредиты. При достижении лимита кредитов развернутые ресурсы будут отключены на остаток расчетного периода. Ограничения для кредита изменить нельзя, но можно удалить сам лимит. Дополнительные сведения об ограничении затрат см. в статье Предельная сумма затрат в Azure.

Мониторинг затрат

Затраты на использование ресурсов Azure с Машинное обучение Azure. Затраты на единицу использования ресурсов Azure учитываются в зависимости от временных интервалов (секунды, минуты, часы и дни) или потребления на единицу измерения (байты, мегабайты и т. д.). С началом использования ресурсов Машинного обучения Azure начинает начисляться оплата и вы можете просмотреть затраты в разделе Анализ затрат.

С помощью функций анализа затрат можно просматривать расходы на использование службы Машинного обучения Azure в виде графиков и таблиц для различных интервалов времени. Например, можно отслеживать данные за день, текущий и предыдущий месяц и год. Вы также можете просматривать затраты по бюджету и прогнозируемые затраты. Чтобы выявить тенденции по затратам, можно выбрать представления затрат в динамике за более длительный срок. Это позволяет определить, где возможен перерасход средств. Если вы создаете бюджеты, вы также можете легко увидеть, где они превышены.

Просмотр затрат на Машинное обучение Azure в анализе затрат:

  1. Войдите на портал Azure.
  2. Откройте необходимую область портала Azure и выберите в меню пункт Анализ затрат. Например, перейдите к разделу Подписки, выберите подписку из списка и щелкните в меню Анализ стоимости. Выберите Область, чтобы перейти в другую область анализа затрат.
  3. По умолчанию затраты на услуги отображаются на первой кольцевой диаграмме. Выберите область диаграммы с меткой "Машинное обучение Azure".

Фактические затраты за месяц отображаются при первом открытии анализа затрат. Ниже приведен пример, показывающий все ежемесячные затраты на использование.

Снимок экрана: накопленные затраты на подписку.

Чтобы сократить затраты на отдельную службу, например Машинное обучение Azure, выберите Добавить фильтр и Имя службы. Затем выберите виртуальные машины.

Ниже приведен пример, показывающий затраты только на Машинное обучение Azure.

Снимок экрана: накопленные затраты для ServiceName.

В предыдущем примере показаны текущие затраты на службу. Также показаны затраты на регионы Azure (расположения) и затраты на Машинное обучение Azure по группам ресурсов. Здесь можно самостоятельно изучить затраты.

Создание бюджетов

Вы можете создать бюджеты, чтобы управлять затратами и создавать оповещения, которые автоматически уведомляют заинтересованные лица о нетипичных и чрезмерных затратах. Оповещения основываются на расходах по сравнению с пороговыми значениями бюджета и затрат. Бюджеты и оповещения создаются для подписок и групп ресурсов Azure, поэтому их рекомендуется использовать в рамках общей стратегии мониторинга затрат.

Бюджеты можно создавать с использованием фильтров для конкретных ресурсов или служб в Azure, если требуется дополнительная детализация результатов мониторинга. Фильтры помогают предотвратить случайное создание новых ресурсов, позволяя избежать дополнительных затрат. Дополнительные сведения о параметрах фильтра при создании бюджета см. в разделе Параметры группы и фильтра.

Экспорт данных о затратах

Можно также экспортировать данные о затратах в учетную запись хранения. Это полезно, если вам или другим людям необходимо провести дополнительный анализ данных о затратах. Например, специалисты по финансам могут анализировать данные с помощью Excel или Power BI. Можно экспортировать данные о затратах ежедневно, еженедельно или ежемесячно и задать настраиваемый диапазон дат. Экспорт данных по затратам — это рекомендуемый способ извлечения неагрегированных данных о затратах.

Другие способы управления затратами на Машинное обучение Azure и их сокращения

Нижеприведенные советы помогут вам управлять расходами на вычислительные ресурсы и эффективно их оптимизировать.

  • Настройте обучающие кластеры для автомасштабирования.
  • Настройте управляемые сетевые конечные точки для автоматического масштабирования.
  • Задайте квоты для подписки и рабочих областей.
  • Задайте политики завершения задания обучения.
  • Используйте виртуальные машины с низким приоритетом.
  • Запланируйте автоматическое завершение работы вычислительных экземпляров и запуск.
  • Используйте экземпляр зарезервированной виртуальной машины Azure.
  • Обучить локально.
  • Параллелизация обучения.
  • Задайте политики хранения и удаления данных.
  • Развертывание ресурсов в одном регионе.
  • Удалите экземпляры, кластеры и (или) сетевые развертывания, если вы не планируете использовать их в ближайшее время.
  • Удаление неудачных развертываний, если для них создаются вычислительные ресурсы.

Дополнительные сведения см. в разделе "Управление и оптимизация Машинное обучение Azure затрат".

Следующие шаги