Что такое рабочая область Машинного обучения Azure?

Рабочие области — это места для совместной работы с коллегами для создания результатов машинного обучения и организации связанных задач. Например, эксперименты, задания, наборы данных, модели, компоненты и конечные точки вывода. В этой статье описываются рабочие области, управление доступом к ним и их использование для упорядочивания работы.

Готовы приступить к работе? Создайте рабочую область.

Задачи, выполняемые в рабочей области

Для команд машинного обучения рабочая область — это место для организации своей работы. Ниже приведены некоторые задачи, которые можно начать с рабочей области:

• Создайте задания: задания — это тренировочные процессы, используемые для создания моделей. Можно сгруппировать задания в эксперименты для сравнения метрик.
• Авторские конвейеры — конвейеры являются повторно используемыми рабочими процессами для модели обучения и переобучения.
• Регистрация ресурсов данных — ресурсы данных помогают управлять данными, используемыми для обучения моделей и создания конвейера.
• Регистрация моделей - Когда у вас есть модель, которую вы хотите развернуть, создается зарегистрированная модель.

Помимо группировки результатов машинного обучения рабочие области также размещают конфигурации ресурсов:

• Целевые объекты вычислений используются для выполнения экспериментов.
• Хранилища данных определяют способ подключения к источникам данных при использовании ресурсов данных.
• Параметры безопасности — сетевые параметры, управление удостоверениями и доступом, а также параметры шифрования.

Организация рабочих областей

Для руководителей и администраторов группы машинного обучения рабочие области служат контейнерами для управления доступом, управления затратами и изоляции данных. Ниже приведены некоторые советы по организации рабочих областей.

• Используйте роли пользователей для управления разрешениями в рабочей области между пользователями. Например, используйте роли для специалистов по обработке и анализу данных, инженеру машинного обучения или администратору.
• Назначение доступа к группам пользователей. С помощью групп пользователей Microsoft Entra вам не нужно добавлять отдельных пользователей в каждую рабочую область. Используйте те же группы пользователей, чтобы предоставить доступ к другим ресурсам.
• Создайте рабочую область для каждого проекта: хотя рабочую область можно использовать для нескольких проектов, ограничение ее на один проект на рабочую область позволяет получать отчеты о затратах на уровень проекта. Он также позволяет управлять конфигурациями, такими как хранилища данных в области каждого проекта.
• Совместное использование ресурсов Azure: рабочие области требуют создания нескольких связанных ресурсов. Поделитесь этими ресурсами между рабочими областями, чтобы сохранить повторяющиеся шаги настройки.
• Включение самообслуживания: создание и защита связанных ресурсов в качестве ИТ-администратора и использование ролей пользователей, чтобы специалисты по обработке и анализу данных могли создавать рабочие области самостоятельно.
• Совместное использование ресурсов: Вы можете делиться ресурсами между рабочими областями с помощью реестров Azure Machine Learning.
• Используйте рабочие области концентратора для централизованного управления: концентратор рабочей области группирует несколько рабочих областей проекта с общими параметрами безопасности, подключениями и вычислительными ресурсами. Рабочие области хабов являются таким же типом ресурсов, как центры Microsoft Foundry, поэтому их можно использовать как в студии Azure Machine Learning, так и в Foundry.

Как хранится содержимое в рабочей области?

Рабочая область сохраняет историю всех обучающих запусков, включая журналы, метрики, выходные данные, метаданные происхождения и снимок ваших скриптов. При выполнении задач в Машинном обучении Azure создаются артефакты. Их метаданные и данные хранятся в рабочей области и на связанных с ней ресурсах.

Связанные ресурсы

При создании новой рабочей области необходимо перенести другие ресурсы Azure для хранения данных. Если эти ресурсы не предоставляются, машинное обучение Azure автоматически создает их.

• Учетная запись хранения Azure. Хранит артефакты машинного обучения, такие как журналы заданий. По умолчанию рабочая область использует эту учетную запись хранения при отправке данных. Записные книжки Jupyter, используемые с вычислительными экземплярами машинного обучения Azure, также хранятся здесь.

  Внимание

  Вы не можете использовать существующую учетную запись службы хранилища Azure, если она:

  • Учетная запись типа BlobStorage
  • Учетная запись уровня "Премиум" (Premium_LRS и Premium_GRS)
  • Учетная запись с иерархическим пространством имен (используется с Azure Data Lake Storage 2-го поколения).

  Хранилище класса Premium или иерархическое пространство имен можно использовать в качестве дополнительного хранилища, создав хранилище данных.

  Не включайте иерархическое пространство имен в учетной записи хранения после обновления до версии общего назначения v2.

  Если вы используете существующую учетную запись общего назначения v1, можно обновить до общего назначения v2 после создания рабочей области. ПРИМЕНЯЕТСЯ К:Расширение машинного обучения Azure CLI версии 2 (текущее)Python SDK azure-ai-ml v2 (текущая версия)

• Реестр контейнеров Azure (ACR). Хранятся созданные контейнеры Docker при построении пользовательских сред с помощью Azure Machine Learning. Развертывание моделей AutoML и профилей данных активирует создание пользовательских сред.

  Рабочие области можно создавать без ACR в качестве зависимости, если вам не нужно создавать пользовательские контейнеры Docker. Машинное обучение Azure может считываться из внешних реестров контейнеров.

  ACR автоматически подготавливается при создании пользовательских образов Docker. Используйте управление доступом на основе ролей Azure (Azure RBAC), чтобы предотвратить создание контейнеров Docker клиента.

  Внимание

  Если в настройках подписки требуется добавление тегов к ресурсам, ACR, созданный с помощью машинного обучения Azure, завершается сбоем, так как не удается задать теги для ACR.

• Azure Application Insights. Помогает отслеживать и собирать диагностические данные из конечных точек вывода.

  Дополнительные сведения см. в статье Отслеживание сетевых конечных точек.

• Azure Key Vault. Хранит секреты, предназначенные для целевых вычислительных ресурсов, а также другую конфиденциальную информацию, необходимую для рабочей области.

Создание рабочей области

Вы можете создать рабочую область различными способами. Чтобы приступить к работе, используйте один из следующих вариантов:

• Студия машинного обучения Azure позволяет быстро создать рабочую область с параметрами по умолчанию.
• Портал Azure для интерфейса "точка и щелчок" с дополнительными параметрами безопасности.
• Расширение VS Code, если вы работаете в Visual Studio Code.

Чтобы автоматизировать создание рабочей области с помощью предпочитаемых параметров безопасности:

Инструменты для взаимодействия и управления рабочим пространством

После настройки рабочей области вы можете взаимодействовать с ней следующими способами:

Каждый интерфейс предоставляет следующие задачи управления рабочими областями.

Подресурсы

При создании вычислительных кластеров и вычислительных экземпляров в Машинном обучении Azure также создаются подресурсы.

• Виртуальные машины. Предоставление вычислительной мощности для вычислительных экземпляров и вычислительных кластеров. Используйте их для выполнения заданий.
• Load Balancer: для каждого вычислительного экземпляра и вычислительного кластера создается подсистема балансировки нагрузки сети. Он управляет трафиком даже во время остановки вычислительного экземпляра или кластера.
• Виртуальная сеть: эти ресурсы помогают ресурсам Azure взаимодействовать друг с другом, Интернетом и другими локальными сетями.
• Пропускная способность: инкапсулирует все исходящие передачи данных между регионами.

Следующие шаги

Дополнительные сведения о планировании рабочей области в соответствии с требованиями организации см. в статье об упорядочении и настройке Машинного обучения Azure.

Чтобы быстро начать работу с Машинным обучением Azure, изучите следующие статьи:

• Что такое Машинное обучение Azure?
• Создание рабочей области и управление ею
• Восстановление рабочей области после удаления (мягкое удаление)
• Начало работы с Azure Machine Learning
• Руководство. Создание первой модели классификации с помощью автоматизированного машинного обучения