Plánování správy nákladů na Azure Machine Learning

  • Článek
  • 7 min ke čtení

Tento článek popisuje, jak plánovat a spravovat náklady na Azure Machine Learning. Nejprve pomocí cenové kalkulačky Azure naplánujte náklady před přidáním prostředků. Dále při přidávání prostředků Azure zkontrolujte odhadované náklady.

Až budete s používáním prostředků Azure Machine Learning, můžete pomocí funkcí správy nákladů nastavit rozpočty a monitorovat náklady. Také si prohlédněte předpovídáte náklady a identifikujte trendy útraty, abyste identifikovali oblasti, ve kterých byste mohli chtít jednat.

Pochopte, že náklady na Azure Machine Learning jsou jenom částí měsíčních nákladů na účtu Azure. Pokud používáte jiné služby Azure, budou se vám účtovat všechny služby a prostředky Azure používané ve vašem předplatném Azure, včetně služeb třetích stran. Tento článek vysvětluje, jak naplánovat a spravovat náklady na Azure Machine Learning. Jakmile se seznámíte se správou nákladů na Azure Machine Learning, použijte podobné metody pro správu nákladů na všechny služby Azure použité ve vašem předplatném.

Další informace o optimalizaci nákladů najdete v tématu správa a optimalizace nákladů v Azure Machine Learning.

Požadavky

Analýza nákladů v Cost Management podporuje většinu typů účtů Azure, ale ne všechny. Úplný seznam podporovaných typů účtů si můžete prohlédnout v článku Vysvětlení dat služby Cost Management.

Pokud chcete zobrazit data o nákladech, potřebujete pro účet Azure alespoň přístup pro čtení. Informace o přiřazování přístupu k datům služby Azure Cost Management najdete v článku Přiřazení přístupu k datům.

Odhad nákladů před použitím Azure Machine Learning

  • Pomocí cenové kalkulačky Azure můžete odhadnout náklady před vytvořením prostředků v Azure Machine Learning pracovním prostoru. Na levé straně vyberte AI + Machine Learning a pak vyberte Azure Machine Learning a začněte.

Následující snímek obrazovky ukazuje odhad nákladů pomocí kalkulačky:

Příklad znázorňující odhadované náklady v cenové kalkulačce Azure

Při přidávání nových prostředků do pracovního prostoru se vraťte do této kalkulačky a přidejte sem stejný prostředek, abyste mohli aktualizovat odhady nákladů.

Další informace najdete v tématu Azure Machine Learning ceny.

Principy plného fakturačního modelu pro Azure Machine Learning

Azure Machine Learning běží na infrastruktuře Azure, která při nasazování nového prostředku Azure Machine Learning společně s náklady. Je důležité si uvědomit, že náklady na další infrastrukturu můžou narůst. Tyto náklady musíte spravovat při změnách nasazených prostředků.

Náklady, které obvykle narůstá s Azure Machine Learning

Když vytváříte prostředky pro pracovní Azure Machine Learning, vytvoří se také prostředky pro ostatní služby Azure. Jsou to tyto:

Když vytvoříte výpočetní instanci , virtuálnípočítač zůstane v systému , aby byl k dispozici pro vaši práci. Nastavte plán pro automatické spuštění a zastavení výpočetní instance (Preview), abyste ušetřili náklady, když ji plánujete používat.

Náklady se můžou narůst ještě před odstraněním prostředku.

Před odstraněním pracovního prostoru Azure Machine Learning v Azure Portal nebo pomocí Azure CLI jsou běžné náklady spojené s následujícími dílčími prostředky, a to i v případě, že v pracovním prostoru aktivně nepracujete. Pokud se do svého pracovního prostoru plánujete Azure Machine Learning později, náklady na tyto prostředky mohou dál narůst.

  • Virtuální počítače
  • Load Balancer
  • Virtual Network
  • Šířka pásma

Každý virtuální počítač se účtuje po hodině, kdy je spuštěný. Náklady závisí na specifikacích virtuálních počítače. Virtuální počítače, které běží, ale aktivně nepracují na datové sadě, se budou dál účtovat prostřednictvím nástroje pro vyrovnávání zatížení. Pro každou výpočetní instanci se bude účtovat jeden nástroj pro vyrovnávání zatížení za den. Každých 50 uzlů výpočetního clusteru bude účtován jeden standardní nástroj pro vyrovnávání zatížení. Každý nástroj pro vyrovnávání zatížení se účtuje kolem 0,33 USD za den. Abyste se vyhnuli nákladům na nástroj pro vyrovnávání zatížení na zastavených výpočetních instancích a výpočetních clusterech, odstraňte výpočetní prostředek. Jedna virtuální síť se bude účtovat podle předplatného a oblasti. Virtuální sítě nemohou zahrnovat oblasti ani předplatná. Za nastavení privátních koncových bodů v nastaveních virtuálních sítí se náklady mohou také nastavovat. Šířka pásma se účtuje podle využití. Čím více dat se přenáší, tím více se vám bude účtovat.

Po odstranění prostředku se můžou narůstt náklady.

Po odstranění pracovního prostoru Azure Machine Learning ve službě Azure Portal nebo Pomocí Azure CLI budou dál existovat následující prostředky. Dokud je nevystraníte, budou se jim dál narůstat náklady.

  • Azure Container Registry
  • Azure Block Blob Storage
  • Key Vault
  • Application Insights

Pokud chcete pracovní prostor odstranit společně s těmito závislými prostředky, použijte sadu SDK:

ws.delete(delete_dependent_resources=True)

Pokud ve svém Azure Kubernetes Service vytvoříte výpočetní prostředky (AKS) nebo pokud k pracovnímu prostoru připojíte nějaké výpočetní prostředky, musíte je odstranit samostatně v Azure Portal.

Použití kreditu Azure Prepaymentu s Azure Machine Learning

Pomocí kreditu azure prepaymentu Azure Machine Learning platit všechny poplatky. Kredit Azure Prepaymentu ale nemůžete použít k placení poplatků za produkty a služby třetích stran, včetně těch z Azure Marketplace.

Zjištění odhadovaných nákladů na webu Azure Portal

Při vytváření výpočetních prostředků pro Azure Machine Learning se zobrazí odhadované náklady.

Vytvoření *výpočetní instance * a zobrazení odhadované ceny:

  1. Přihlaste se k Azure Machine Learning Studiu.
  2. Na levé straně vyberte Compute.
  3. Na horním panelu nástrojů vyberte + Nový.
  4. Zkontrolujte odhadovanou cenu zobrazenou v pro každou dostupnou velikost virtuálního počítače.
  5. Dokončete vytváření prostředku.

Příklad znázorňující odhadované náklady při vytváření výpočetní instance

Pokud má vaše předplatné Azure limit útraty, Azure vám zabrání v útratě nad výši vašeho kreditu. Při vytváření a používání prostředků Azure se vaše kredity používají. Když dosáhnete limitu kreditu, nasazené prostředky se po zbytek fakturačního období deaktivují. Limit kreditu nemůžete změnit, ale můžete ho odebrat. Další informace o limitech útraty najdete v tématu Limit útraty Azure.

Monitorování nákladů

Při používání prostředků Azure s Azure Machine Learning se vám účtut náklady. Náklady na jednotky využití prostředků Azure se liší podle časových intervalů (sekund, minut, hodin a dnů) nebo podle využití jednotek (bajty, megabajty atd.). Jakmile se Azure Machine Learning začnou používat, načtou se náklady a náklady uvidíte v analýze nákladů.

Při použití analýzy nákladů můžete zobrazit náklady Azure Machine Learning grafech a tabulkách v různých časových intervalech. Mezi příklady patří den, aktuální a předchozí měsíc a rok. Zobrazíte také náklady oproti rozpočtům a předpovídám náklady. Přechodem na delší zobrazení v průběhu času můžete identifikovat trendy útraty. A vidíte, kde mohlo dojít k přemáhání. Pokud jste vytvořili rozpočty, můžete také snadno zjistit, kde byly překročeny.

Zobrazení nákladů Azure Machine Learning v analýze nákladů:

  1. Přihlaste se k webu Azure Portal.
  2. Otevřete obor v Azure Portal a v nabídce vyberte Analýza nákladů. Přejděte například na Předplatná, vyberte předplatné ze seznamu a pak v nabídce vyberte Analýza nákladů. Pokud chcete v analýze nákladů přepnout na jiný rozsah, vyberte Obor.
  3. Ve výchozím nastavení se náklady na služby zobrazují v prvním prstencovém grafu. Vyberte oblast v grafu označenou Azure Machine Learning.

Skutečné měsíční náklady se zobrazí při počáteční analýze nákladů. Tady je příklad zobrazující všechny měsíční náklady na používání.

Příklad znázorňující nahromaděné náklady na předplatné.

chcete-li zúžit náklady na jednu službu, například Azure Machine Learning, vyberte možnost přidat filtr a potom vyberte možnost název služby. pak vyberte Azure Machine Learning.

Tady je příklad, který ukazuje náklady jenom na Azure Machine Learning.

Příklad znázorňující akumulované náklady pro ServiceName.

V předchozím příkladu vidíte aktuální náklady za službu. zobrazují se také náklady podle oblastí Azure (umístění) a Azure Machine Learningch nákladů podle skupiny prostředků. Z tohoto místa můžete sami prozkoumat náklady.

Tvorba rozpočtů

Pro účely řízení nákladů můžete vytvořit rozpočty a nastavit upozornění, která účastníky automaticky upozorňují na anomálie a nebezpečí nadměrných výdajů. Upozornění jsou založena na porovnání útraty s rozpočtem a prahovými hodnotami nákladů. Rozpočty a výstrahy se vytvářejí pro předplatná Azure a skupiny prostředků, takže jsou užitečné v rámci celkové strategie monitorování nákladů.

Rozpočty je možné vytvořit s filtry pro konkrétní prostředky nebo služby v Azure, pokud chcete mít v monitorování k dispozici větší členitost. Filtry vám pomůžou zajistit, aby nedošlo k náhodnému vytváření nových prostředků s náklady na další peníze. Další informace o možnostech filtru při vytváření rozpočtu najdete v tématu Možnosti skupiny a filtru.

Export dat nákladů

Data nákladů můžete také exportovat do účtu úložiště. To je užitečné v případě, že potřebujete nebo jiné provádět analýzu dat pro náklady. finanční týmy můžou například analyzovat data pomocí Excel nebo Power BI. Náklady můžete exportovat na denní, týdenní nebo měsíční plán a nastavit vlastní rozsah kalendářních dat. Export nákladových dat je doporučený způsob, jak načíst datové sady nákladů.

Další způsoby správy a snížení nákladů na Azure Machine Learning

Následující tipy vám pomůžou při správě a optimalizaci nákladů na výpočetní prostředky.

  • Konfigurace školicích clusterů pro automatické škálování
  • Nastavení kvót pro vaše předplatné a pracovní prostory
  • Nastavení zásad ukončení pro váš školicí běh
  • Použití virtuálních počítačů s nízkou prioritou
  • Plánování výpočetních instancí pro automatické ukončení a spuštění
  • Použití rezervované instance virtuálního počítače Azure
  • Výuka místně
  • Školení paralelizovat
  • Nastavení zásad uchovávání a odstraňování dat
  • Nasazení prostředků do stejné oblasti
  • Odstraňte instance a clustery, pokud je neplánujete při jejich použití v blízké budoucnosti.

Další informace najdete v tématu Správa a optimalizace nákladů v Azure Machine Learning.

Další kroky