Exportera och ta bort användardata i produkten från Machine Learning Studio (klassisk)

  • Artikel

GÄLLER FÖR:Gäller för. Machine Learning Studio (klassisk) Gäller inte för.Azure Machine Learning

Viktigt

Stödet för Machine Learning Studio (klassisk) upphör den 31 augusti 2024. Vi rekommenderar att du byter till Azure Machine Learning innan dess.

Från och med den 1 december 2021 kan du inte längre skapa nya Machine Learning Studio-resurser (klassisk). Du kan fortsätta att använda befintliga Machine Learning Studio-resurser (klassisk) till och med den 31 augusti 2024.

Dokumentationen om ML Studio (klassisk) håller på att dras tillbaka och kanske inte uppdateras i framtiden.

Du kan ta bort eller exportera produktdata som lagras av Machine Learning Studio (klassisk) med hjälp av Azure Portal, Studio-gränssnittet (klassiskt), PowerShell och autentiserade REST-API:er. Den här artikeln beskriver hur.

Telemetridata kan nås via Azure Privacy Portal.

Anteckning

I Azure-begäranden från registrerad person för GDPR finns det information om att visa eller ta bort personuppgifter. Mer information om GDPR finns i avsnittet GDPR i Microsoft Trust Center och GDPR i Service Trust-portalen.

Anteckning

Den här artikeln innehåller steg om hur du tar bort personuppgifter från enheten eller tjänsten och kan användas för att stödja dina skyldigheter enligt GDPR. Allmän information om GDPR finns i avsnittet GDPR i Microsoft Trust Center och GDPR i Service Trust-portalen.

Vilka typer av användardata samlar Studio (klassisk) in?

För den här tjänsten består användardata av information om användare som har behörighet att komma åt arbetsytor och telemetriposter för användarinteraktioner med tjänsten.

Det finns två typer av användardata i Machine Learning Studio (klassisk):

  • Personliga kontodata: Konto-ID och e-postadresser som är associerade med ett konto.
  • Kunddata: Data som du laddade upp för att analysera.

Studio-kontotyper (klassisk) och hur data lagras

Det finns tre typer av konton i Machine Learning Studio (klassisk). Vilken typ av konto du har avgör hur dina data lagras och hur du kan ta bort eller exportera dem.

  • En gästarbetsyta är ett kostnadsfritt, anonymt konto. Du registrerar dig utan att ange autentiseringsuppgifter, till exempel en e-postadress eller ett lösenord.
    • Data rensas när gästarbetsytan upphör att gälla.
    • Gästanvändare kan exportera kunddata via användargränssnittet, REST-API:er eller PowerShell-paketet.
  • En kostnadsfri arbetsyta är ett kostnadsfritt konto som du loggar in på med Microsoft-kontoautentiseringsuppgifter – en e-postadress och ett lösenord.
    • Du kan exportera och ta bort personliga data och kunddata som omfattas av begäranden om registrerades rättigheter (DSR).
    • Du kan exportera kunddata via användargränssnittet, REST API:er eller PowerShell-paketet.
    • För kostnadsfria arbetsytor som inte använder Azure AD konton kan telemetri exporteras med hjälp av sekretessportalen.
    • När du tar bort arbetsytan tar du bort alla personliga kunddata.
  • En standardarbetsyta är ett betalt konto som du har åtkomst till med inloggningsuppgifter.
    • Du kan exportera och ta bort personliga data och kunddata som omfattas av DSR-begäranden.
    • Du kan komma åt data via Azure Privacy Portal
    • Du kan exportera personliga data och kunddata via användargränssnittet, REST-API:er eller PowerShell-paketet
    • Du kan ta bort dina data i Azure Portal.

Ta bort arbetsytedata i Studio (klassisk)

Ta bort enskilda tillgångar

Användare kan ta bort tillgångar på en arbetsyta genom att välja dem och sedan välja knappen Ta bort.

Ta bort tillgångar i Machine Learning Studio (klassisk)

Ta bort en hel arbetsyta

Användarna kan också ta bort hela arbetsytan:

  • Betald arbetsyta: Ta bort via Azure Portal.
  • Kostnadsfri arbetsyta: Använd knappen Ta bort i fönstret Inställningar .

Ta bort en kostnadsfri arbetsyta i Machine Learning Studio (klassisk)

Exportera Studio-data (klassisk) med PowerShell

Använd PowerShell för att exportera all din information till ett portabelt format från Machine Learning Studio (klassisk) med hjälp av kommandon. Mer information finns i artikeln PowerShell-modulen för Machine Learning Studio (klassisk).

Nästa steg

Dokumentation om webbtjänster och fakturering av åtagandeplaner finns i REST API-referensen för Machine Learning Studio (klassisk).