Azure Machine Learning çalışma alanı nedir?

Çalışma alanları, makine öğrenmesi yapıtları oluşturmak ve ilgili işleri gruplandırmak için iş arkadaşlarınızla işbirliği yapılan yerlerdir. Örneğin denemeler, işler, veri kümeleri, modeller, bileşenler ve çıkarım uç noktaları. Bu makalede çalışma alanları, bunlara erişimi yönetme ve çalışmanızı düzenlemek için bunların nasıl kullanılacağı açıklanmaktadır.

Başlamaya hazır mısınız? Çalışma alanı oluşturun.

Çalışma alanı içinde gerçekleştirilen görevler

Makine öğrenmesi ekipleri için çalışma alanı, çalışmalarını düzenlemek için bir yerdir. Çalışma alanından başlatabileceğiniz görevlerden bazıları şunlardır:

• İş oluştur - İşler, modellerinizi oluşturmak için kullandığınız eğitim süreçleridir. Ölçümleri karşılaştırmak için işleri denemeler halinde gruplandırabilirsiniz.
• Yazar işlem hatları - İşlem hatları, modelinizi eğitme ve yeniden eğitme için yeniden kullanılabilir iş akışlarıdır.
• Veri varlıklarını kaydetme - Veri varlıkları, model eğitimi ve işlem hattı oluşturma için kullandığınız verilerin yönetimine yardımcı olur.
• Modelleri kaydetme - Dağıtmak istediğiniz bir modele sahip olduktan sonra kayıtlı bir model oluşturursunuz.

• Çevrimiçi uç noktalar oluşturma - Çevrimiçi uç nokta oluşturmak için kayıtlı bir model ve puanlama betiği kullanın.

Çalışma alanları, makine öğrenmesi sonuçlarınızı gruplandırmanın yanı sıra kaynak yapılandırmalarını da barındırıyor:

• İşlem hedefleri denemelerinizi çalıştırmak için kullanılır.
• Veri depoları , sizin ve başkalarının veri varlıklarını kullanırken veri kaynaklarına nasıl bağlanabileceğinizi tanımlar.
• Güvenlik ayarları - Ağ, kimlik ve erişim denetimi ve şifreleme ayarları.

Çalışma alanlarını düzenleme

Makine öğrenmesi ekibi liderleri ve yöneticileri için çalışma alanları erişim yönetimi, maliyet yönetimi ve veri yalıtımı için kapsayıcı görevi görür. Çalışma alanlarını düzenlemeye yönelik bazı ipuçları şunlardır:

• Kullanıcılar arasındaki çalışma alanında izinleri yönetmek için kullanıcı rollerini kullanın. Örneğin, veri bilimcisi, makine öğrenmesi mühendisi veya yönetici rollerini kullanın.
• Kullanıcı gruplarına erişim atama: Microsoft Entra kullanıcı gruplarını kullanarak her çalışma alanına tek tek kullanıcılar eklemeniz gerekmez. Diğer kaynaklara erişim vermek için aynı kullanıcı gruplarını kullanın.
• Proje başına çalışma alanı oluşturma: Çalışma alanı birden çok proje için kullanılabilse de, çalışma alanı başına bir projeyle sınırlandırıldığında proje düzeyinde tahakkuk eden maliyet raporlaması sağlanır. Ayrıca, her projenin kapsamındaki veri depoları gibi yapılandırmaları yönetmenize de olanak tanır.
• Azure kaynaklarını paylaşma: Çalışma alanları, ilişkili birkaç kaynak oluşturmanızı gerektirir. Yinelenen kurulum adımlarını kaydetmek için bu kaynakları çalışma alanları arasında paylaşın.
• Kendi kendine hizmeti etkinleştirin: BT yöneticisi olarak ilişkili kaynakları önceden oluşturun ve güvenliğini sağlamak için, veri bilimcilerin kendi çalışma alanlarını oluşturmalarına izin vermek amacıyla kullanıcı rollerini kullanın.
• Varlıkları paylaşma: Azure Machine Learning kayıt defterlerini kullanarak varlıkları çalışma alanları arasında paylaşabilirsiniz.
• Merkezi idare için hub çalışma alanlarını kullanma: Merkez çalışma alanı paylaşılan güvenlik ayarları, bağlantılar ve işlem kaynaklarıyla birden çok proje çalışma alanını gruplandırıyor. Hub çalışma alanları Microsoft Foundry hub'larıyla aynı kaynak türüdür, bu nedenle bunları hem Azure Machine Learning Stüdyosu'dan hem de Foundry'den kullanabilirsiniz.

İçeriğim çalışma alanında nasıl depolanır?

Çalışma alanınız; günlükler, ölçümler, çıktı, köken soy meta verileri ve betiklerinizin anlık görüntüsüyle tüm eğitim çalıştırma geçmişini tutar. Azure Machine Learning'de görevleri gerçekleştirirken yapıtlar oluşturursunuz. Onların meta verileri ve verileri, çalışma alanında ve bununla ilişkili kaynaklarda depolanır.

İlişkili kaynaklar

Yeni bir çalışma alanı oluşturduğunuzda, verilerinizi depolamak için diğer Azure kaynaklarını getirmeniz gerekir. Bu kaynakları sağlamazsanız Azure Machine Learning bunları otomatik olarak oluşturur.

• Azure Depolama hesabı. İş günlükleri gibi makine öğrenmesi yapıtlarını depolar. Varsayılan olarak, verileri karşıya yüklediğinizde çalışma alanı bu depolama hesabını kullanır. Azure Machine Learning işlem örneklerinizle birlikte kullandığınız Jupyter not defterleri de burada depolanır.

  Önemli

  Mevcut bir Azure Depolama hesabını şu durumda kullanamazsınız:

  • BlobStorage türünde bir hesap
  • Premium hesap (Premium_LRS ve Premium_GRS)
  • Hiyerarşik ad alanına sahip bir hesap (Azure Data Lake Storage 2. Nesil ile kullanılır).

  Veri deposu oluşturarak ekstra depolama alanı olarak premium depolama veya hiyerarşik ad alanı kullanabilirsiniz.

  Genel amaçlı v2'ye yükselttikten sonra depolama hesabında hiyerarşik ad alanını etkinleştirmeyin.

  Mevcut bir genel amaçlı v1 depolama hesabını getirirseniz, çalışma alanı oluşturulduktan sonra genel amaçlı v2'ye yükseltebilirsiniz . ŞUNLAR IÇIN GEÇERLIDIR:Azure CLI ml uzantısı v2 (geçerli)Python SDK azure-ai-ml v2 (geçerli)

• Azure Container Registry (ACR). Azure Machine Learning aracılığıyla özel ortamlar oluşturduğunuzda oluşturulan docker kapsayıcılarını depolar. AutoML modellerinin ve veri profilinin dağıtılması özel ortamların oluşturulmasını tetikler.

  Özel docker kapsayıcıları oluşturmanız gerekmiyorsa bağımlılık olarak ACR olmadan çalışma alanları oluşturabilirsiniz . Azure Machine Learning dış kapsayıcı kayıt defterlerinden okuyabilir.

  Özel docker görüntüleri oluşturduğunuzda ACR otomatik olarak sağlanır. Azure rol tabanlı erişim denetimi (Azure RBAC) kullanarak müşteri Docker kapsayıcılarının derlenmesini önleyin.

  Önemli

  Abonelik ayarınız altındaki kaynaklara etiket eklenmesini gerektiriyorsa, etiketleri ACR olarak ayarlayamadığımız için Azure Machine Learning tarafından oluşturulan ACR başarısız olur.

• Azure Uygulaması Insights. Çıkarım uç noktalarınızdan tanılama bilgilerini izlemenize ve toplamanıza yardımcı olur.

  Daha fazla bilgi için bkz Çevrimiçi uç noktaları izleme.

• Azure Key Vault. Hesaplama hedefleri için kullanılan gizli bilgileri ve çalışma alanının ihtiyaç duyduğu diğer hassas bilgileri depolar.

Çalışma alanı oluşturma

Çalışma alanı oluşturmak için birçok yöntem kullanabilirsiniz. Başlamak için aşağıdaki seçeneklerden birini kullanın:

• Azure Machine Learning Stüdyosu' da varsayılan ayarlarla hızla bir çalışma alanı oluşturabilirsiniz.
• Daha fazla güvenlik seçeneğine sahip bir nokta ve tıklama arabirimi için Azure portalı.
• Visual Studio Code'da çalışıyorsanız VS Code uzantısını kullanabilirsiniz.

Tercih ettiğiniz güvenlik ayarlarını kullanarak çalışma alanı oluşturmayı otomatikleştirmek için:

• Azure Resource Manager / Bicep şablonları , Azure kaynaklarını dağıtmak için bildirim temelli bir söz dizimi sağlar. Terraform'un kullanılması alternatif bir seçenektir. Ayrıca bkz . Bicep şablonu veya Terraform şablonu.
• Prototip oluşturma ve MLOps iş akışlarınızın bir parçası olarak Python için Azure Machine Learning CLI veya Azure Machine Learning SDK'sını kullanın.
• REST API'lerini doğrudan betik ortamında, platform tümleştirmesinde veya MLOps iş akışlarında kullanın.

Çalışma alanı etkileşimi ve yönetimi için araçlar

Çalışma alanınızı ayarladıktan sonra aşağıdaki yollarla onunla etkileşim kurabilirsiniz:

• Web'de:
  • Azure portalı
  • Azure Machine Learning Studio
  • Azure Machine Learning tasarımcısı
• Azure Machine Learning SDK'sı ile tüm Python ortamlarında.
• Komut satırında, Azure Machine Learning CLI uzantısı v2'yi kullanarak.
• Azure Machine Learning VS Code Uzantısı

Her arabirim aşağıdaki çalışma alanı yönetim görevlerini sağlar.

Çalışma alanı yönetim görevi	Portal	Stüdyo	Python SDK'sı	Azure Komut Satırı Arayüzü (Azure CLI)	VS Code
Çalışma alanı oluşturma	✓	✓	✓	✓	✓
Çalışma alanı erişimini yönetme	✓			✓
İşlem kaynaklarını oluşturma ve yönetme	✓	✓	✓	✓	✓
İşlem örneği oluştur		✓	✓	✓	✓

Uyarı

Azure Machine Learning çalışma alanınızı farklı bir aboneliğe taşıyamazsınız. Ayrıca sahip olan aboneliği yeni bir kiracıya taşıyamazsınız. Bu eylemler hatalara neden olabilir.

Alt kaynaklar

Azure Machine Learning'de işlem kümeleri ve işlem örnekleri oluşturduğunuzda, alt kaynaklar da oluşturursunuz.

• VM'ler: İşlem örnekleri ve işlem kümeleri için bilgi işlem gücü sağlar. İşleri yürütmek için bunları kullanın.
• Load Balancer: Her işlem örneği ve işlem kümesi için bir ağ yük dengeleyici oluşturulur. İşlem örneği veya küme durdurulduğunda bile trafiği yönetir.
• Sanal Ağ: Bunlar Azure kaynaklarının birbirleriyle, İnternet'le ve diğer şirket içi ağlarla iletişim kurmalarına yardımcı olur.
• Bant genişliği: Bölgeler arasında giden tüm veri aktarımlarını kapsüller.

Sonraki adımlar

Kuruluşunuzun gereksinimlerine yönelik bir çalışma alanı planlama hakkında daha fazla bilgi edinmek için bkz . Azure Machine Learning'i düzenleme ve ayarlama.

Azure Machine Learning'i kullanmaya başlamak için bkz:

• Azure Machine Learning nedir?
• Çalışma alanı oluşturma ve yönetme
• Silme işleminden sonra çalışma alanını kurtarma (geçici silme)
• Azure Machine Learning'i kullanmaya başlama
• Öğretici: Otomatik makine öğrenmesi ile ilk sınıflandırma modelinizi oluşturma