Wat is een Azure Machine Learning-werkruimte?

Werkruimten zijn plaatsen om samen te werken met collega's om machine learning-artefacten en groepsgerelateerd werk te maken. Bijvoorbeeld experimenten, taken, gegevenssets, modellen, onderdelen en deductie-eindpunten. In dit artikel worden werkruimten beschreven, hoe u de toegang tot deze werkruimten beheert en hoe u ze kunt gebruiken om uw werk te organiseren.

Klaar om aan de slag te gaan? Een werkruimte maken.

Taken die worden uitgevoerd in een werkruimte

Voor machine learning-teams is de werkruimte een plek om hun werk te organiseren. Hier volgen enkele taken die u vanuit een werkruimte kunt starten:

• Maak taken aan - Taken zijn trainingsruns die u gebruikt om uw modellen te bouwen. U kunt taken groeperen in experimenten om metrische gegevens te vergelijken.
• Author pipelines: Pipelines zijn herbruikbare werkstromen voor het trainen en hertrainen van uw model.
• Registreer gegevensassets - Gegevensassets helpen bij het beheer van de gegevens die u gebruikt voor modeltraining en het maken van pijplijnen.
• Modellen registreren: zodra u een model hebt dat u wilt implementeren, maakt u een geregistreerd model.

Naast het groeperen van uw machine learning-resultaten, hosten werkruimten ook resourceconfiguraties:

• Rekendoelen worden gebruikt om uw experimenten uit te voeren.
• Datastores definiëren hoe u en anderen verbinding kunnen maken met gegevensbronnen wanneer gegevensassets worden gebruikt.
• Beveiligingsinstellingen : netwerk-, identiteits- en toegangsbeheer en versleutelingsinstellingen.

Werkruimten organiseren

Voor leads en beheerders van machine learning-teams fungeren werkruimten als containers voor toegangsbeheer, kostenbeheer en gegevensisolatie. Hier volgen enkele tips voor het organiseren van werkruimten:

• Gebruikersrollen gebruiken voor machtigingsbeheer in de werkruimte tussen gebruikers. Bijvoorbeeld een data scientist, een machine learning-engineer of beheerder.
• Toegang toewijzen aan gebruikersgroepen: Als u Microsoft Entra-gebruikersgroepen gebruikt, hoeft u geen afzonderlijke gebruikers toe te voegen aan elke werkruimte en aan andere resources waarvoor dezelfde groep gebruikers toegang nodig heeft.
• Een werkruimte per project maken: hoewel een werkruimte voor meerdere projecten kan worden gebruikt, kunt u deze beperken tot één project per werkruimte, zodat kostenrapportage tot projectniveau kan worden opgebouwd. Hiermee kunt u ook configuraties zoals gegevensarchieven beheren binnen het bereik van elk project.
• Azure-resources delen: voor werkruimten moet u verschillende gekoppelde resources maken. Deel deze resources tussen werkruimten om terugkerende installatiestappen op te slaan.
• Selfservice inschakelen: Maak gekoppelde resources vooraf en beveilig deze als IT-beheerder en gebruik gebruikersrollen om gegevenswetenschappers zelf werkruimten te laten maken.
• Assets delen: U kunt assets delen tussen werkruimten met behulp van Azure Machine Learning-registers.

Hoe wordt mijn inhoud opgeslagen in een werkruimte?

Uw werkruimte houdt een geschiedenis bij van alle trainingssessies, inclusief logboeken, statistieken, uitvoer, afstammingsmetadata en een momentopname van uw scripts. Wanneer u taken uitvoert in Azure Machine Learning, worden artefacten gegenereerd. Hun metagegevens en gegevens worden opgeslagen in de werkruimte en op de bijbehorende hulpmiddelen.

Gekoppelde bronnen

Wanneer u een nieuwe werkruimte maakt, moet u andere Azure-resources gebruiken om uw gegevens op te slaan. Als u deze resources niet hebt opgegeven, worden deze resources automatisch door Azure Machine Learning gemaakt.

• Azure Storage account. Slaat machine learning-artefacten op, zoals taaklogboeken. Dit opslagaccount wordt standaard gebruikt wanneer u gegevens uploadt naar de werkruimte. Jupyter-notebooks die worden gebruikt met uw Azure Machine Learning-rekeninstanties worden hier ook opgeslagen.

  Belangrijk

  U kunt een bestaand Azure Storage-account niet gebruiken als dit het volgende is:

  • Een account van het type BlobStorage
  • Een Premium-account (Premium_LRS en Premium_GRS)
  • Een account met hiërarchische naamruimte (gebruikt met Azure Data Lake Storage Gen2).

  U kunt Premium Storage of hiërarchische naamruimte gebruiken als extra opslag door een gegevensarchief te maken.

  Schakel hiërarchische naamruimte niet in voor het opslagaccount na een upgrade naar algemeen gebruik v2.

  Als u een bestaand v1-opslagaccount voor algemeen gebruik gebruikt, kunt u upgraden naar algemeen gebruik v2 nadat de werkruimte is gemaakt.

• Azure Container Registry (ACR). Slaat gemaakte Docker-containers op wanneer u aangepaste omgevingen bouwt via Azure Machine Learning. Door AutoML-modellen en gegevensprofiel te implementeren, worden aangepaste omgevingen gemaakt.

  Werkruimten kunnen worden gemaakt zonder dat ACR een vereiste afhankelijkheid is, mits u geen aangepaste Docker-containers hoeft te bouwen. Azure Machine Learning kan lezen uit externe containerregisters.

  ACR wordt automatisch ingericht wanneer u aangepaste docker-afbeeldingen bouwt. Gebruik op rollen gebaseerd toegangsbeheer van Azure (Azure RBAC) om te voorkomen dat dockercontainers van klanten worden gebouwd.

  Belangrijk

  Als uw abonnementsinstelling vereist dat er tags aan de onderliggende resources worden toegevoegd, mislukt de ACR die door Azure Machine Learning is aangemaakt, omdat we geen tags kunnen instellen op ACR.

• Azure Application Insights. Helpt u bij het bewaken en verzamelen van diagnostische gegevens van uw deductie-eindpunten.

  Zie Online-eindpunten bewaken voor meer informatie.

• Azure Key Vault. Slaat geheimen op die worden gebruikt door computedoelen en andere gevoelige informatie die de werkruimte nodig heeft.

Een werkruimte maken

Er zijn meerdere manieren om een werkruimte te maken. Gebruik een van de volgende opties om aan de slag te gaan:

• Met de Azure Machine Learning-studio kunt u snel een werkruimte maken met standaardinstellingen.
• Gebruik Azure Portal voor een point-and-click-interface met meer beveiligingsopties.
• Gebruik de VS Code-extensie als u in Visual Studio Code werkt.

Voor het automatiseren van het maken van werkruimten met behulp van uw favoriete beveiligingsinstellingen:

Hulpprogramma's voor interactie en beheer van werkruimten

Zodra uw werkruimte is ingesteld, kunt u er op de volgende manieren mee werken:

De volgende werkruimtebeheertaken zijn beschikbaar in elke interface.

Subbronnen

Wanneer u rekenclusters en rekeninstanties in Azure Machine Learning maakt, worden subresources gemaakt.

• VM's: rekenkracht bieden voor rekeninstanties en rekenclusters, die u gebruikt om taken uit te voeren.
• Load Balancer: er wordt een netwerktaakverdeling gemaakt voor elk rekenproces en rekencluster om verkeer te beheren, zelfs wanneer het rekenproces/cluster wordt gestopt.
• Virtueel netwerk: deze helpen Azure-resources met elkaar, internet en andere on-premises netwerken te communiceren.
• Bandbreedte: omvat alle uitgaande gegevensoverdrachten tussen regio's.

Volgende stappen

Zie Azure Machine Learning organiseren en instellen voor meer informatie over het plannen van een werkruimte voor de vereisten van uw organisatie.

Als u aan de slag wilt met Azure Machine Learning, raadpleegt u:

• Wat is Azure Machine Learning?
• Werkruimte maken en beheren
• Een werkruimte herstellen na verwijdering (voorlopig verwijderen)
• Aan de slag met Azure Machine Learning
• Zelfstudie: Uw eerste classificatiemodel maken met geautomatiseerde machine learning