AI İşlevleri için faturalama

AI İşlevleri, verilerinizi ayrı uç nokta kurulumu olmadan dönüştürmek ve zenginleştirmek için yerleşik Fabric barındırılan büyük dil modeli (LLM) uç noktasını kullanır. Bu makalede, bu yerleşik uç nokta için faturalama ölçümü, tüketim oranları ve kullanım izleme seçenekleri açıklanmaktadır.

Important

Bu makale, yerleşik Fabric LLM uç noktasını kullanan Yapay Zeka İşlevleri için geçerlidir. Pandalar ve PySpark için, kendi modelinizi özel Azure OpenAI, Microsoft Foundry veya OpenAI uyumlu uç nokta aracılığıyla getirebilirsiniz. Fabric, özel uç noktanıza model çağrıları için ücret almıyor. LLM sağlayıcınız token kullanımı için ücret alır ve Fabric hesaplama ücretleri hâlâ geçerlidir. Kurulum ayrıntıları için bkz. Pandas ile Yapay Zeka İşlevlerini Özelleştirme ve PySpark ile Yapay Zeka İşlevlerini Özelleştirme.

Faturalama sayacı

Yerleşik Fabric LLM uç noktası üzerinden yapılan AI işlev çağrıları, Fabric kapasitenize Copilot ve AI sayacı kapsamında faturalandırılır. Microsoft Fabric Kapasite Ölçümleri uygulamasında kullanım, AI İşlevleri işlemi olarak görünür.

Usage Faturalama sayacı veya işlem
Yerleşik Fabric LLM uç noktası üzerinden model çağrıları Copilot ve yapay zeka ölçer, Yapay Zeka İşlevleri olarak bildirilir.
Özel bir uç nokta üzerinden model çağrıları Fabric'ten model çağrısı ücreti alınmaz. LLM sağlayıcınız token kullanımını faturalandırır.
Not defteri veya Spark işi çalıştıran Spark işlem kaynağı Spark faturalama sayacı.
Dönüşümleri çalıştıran Dataflow Gen2 işlem gücü Dataflow Gen2 kullanımı.
Veri ambarı veya SQL analiz uç noktası sorgu işlemleme Data Warehouse veya SQL analytics uç noktası kullanımı.

Maliyetleri ve harcamaları görüntüleme

Yapay Zeka İşlevleri harcamalarını ve kapasite etkisini izlemek için Kapasite Ölçümleri uygulamasını kullanın:

  1. Microsoft Fabric Kapasite Ölçümleri uygulamasını açın.
  2. AI İşlevleri iş yükünüzü çalıştıran kapasiteye, çalışma alanına ve zaman aralığına göre filtreleyin.
  3. İşlem düzeyi görünümlerinde, Copilot ve Yapay Zeka ölçeri altında Yapay Zeka İşlevleri'ni arayın.
  4. Model çağrısı tüketimini iş yükünü düzenleyen işlemden ayırmak için Yapay Zeka İşlevleri işlemini Spark, Veri Akışı 2. Nesil veya ambar işlemleriyle karşılaştırın.

Çalışma zamanı kullanımını izleme

Geliştirme sırasında, işlem hattını ölçeklendirmeden önce tüketimi tahmin etmek ve doğrulamak için çalışma zamanı kullanım istatistiklerini kullanın.

Pandas ve PySpark notebook’larında, yürütme ve belirteç kullanımı ayrıntıları da dahil olmak üzere ayrıntıları görüntülemek için AI işlevi sonuçlarında ai.stats öğesine erişin:

  • num_successful, , num_exceptions, num_unevaluated ve num_harmful.
  • cached_tokens, , input_tokens, output_tokens ve reasoning_tokens.
  • client_type, input_types ve model.
# This code uses AI. Always review output for mistakes.

df["summary"] = df["text"].ai.summarize()
display(df["summary"].ai.stats)
display(df.ai.stats)

Çıkış şu tabloya benzer olabilir:

num_successful num_exceptions num_unevaluated num_harmful önbelleğe_alınmış_belirteçler input_tokens output_tokens akıl yürütme birimleri client_type input_types model
2 0 0 0 0 555 4 0 fabric_llm_endpoint {"text": 2} gpt-5-mini

Pandas notebook’larında, fonksiyon çalışırken gerçek zamanlı belirteç ve kapasite birimi tahminlerini göstermek için progress_bar_mode="stats" ayarlayın:

import synapse.ml.aifunc as aifunc

aifunc.default_conf.progress_bar_mode = "stats"

İlerleme çubuğunda canlı ve öngörülen önbelleğe alınmış giriş, giriş, çıkış ve kapasite birimi tahminleri gösterilir, ardından işlem tamamlandığında son değerler gösterilir. Bkz . İlerleme çubuğu modları ve PySpark ile Yapay Zeka İşlevlerini Özelleştirme.

Tüketim oranları

Farklı bir model yapılandırmadığınız sürece, pandas ve PySpark için Python AI İşlevleri varsayılan olarak gpt-5-mini kullanır; reasoning_effort ise low olarak ayarlanır. Tüketim, belirteç kullanımını temel alır. Giriş, önbelleğe alınmış giriş ve çıkış belirteçleri farklı hızlara sahip olabilir.

Dil modelleri

Model Dağıtım Adı Bağlam Penceresi (Belirteçler) Girişi (1.000 Jeton Başına) Önbelleğe Alınan Giriş (1.000 Belirteç Başına) Çıkışı (1.000 Belirteç Başına)
gpt-5.1-2025-11-13 gpt-5.1 400,000
Maksimum çıkış: 128.000		 42.02 CU saniye 4,20 CU saniye 336.13 CU saniye
gpt-5-mini-2025-08-07 gpt-5-mini 400,000
Maksimum çıkış: 128.000		 8,40 CU saniye 0,84 CU saniye 67,23 CU saniye

Modelleri ekleme

Model Dağıtım adı Bağlam penceresi (belirteçler) Giriş (1.000 belirteç başına)
Ada text-embedding-ada-002 8,192 3,36 CU saniye

Tüketim oranları değişebilir. Tam tüketim oranı listesi ve oran değiştirme ilkesi için bkz. Fabric'deki Döküm Araçları'nda tüketim oranı.

Model taşıma kılavuzu

Daha karmaşık dönüştürmeler için, daha yüksek kalitede sonuçlar elde etmek üzere daha fazla işlem gücü kullanacak şekilde gpt-5.1 yapılandırabilir veya reasoning_effort ayarlayabilirsiniz. Kurulum ayrıntıları için bkz. Pandas ile Yapay Zeka İşlevlerini Özelleştirme ve PySpark ile Yapay Zeka İşlevlerini Özelleştirme.

İlgili içerik

  • Last updated on