Organizzare e configurare Azure Machine Learning ambientiOrganize and set up Azure Machine Learning environments

Quando si pianifica una distribuzione Azure Machine Learning per un ambiente aziendale, esistono alcuni punti decisionali comuni che influiscono sulla modalità di creazione dell'area di lavoro:When planning an Azure Machine Learning deployment for an enterprise environment, there are some common decision points that affect how you create the workspace:

  • Struttura del team: Il modo in cui i team di Machine Learning sono organizzati e collaborano ai progetti, a seconda del caso d'uso e della separazione dei dati o dei requisiti di gestione dei costi.Team structure: The way your Machine Learning teams are organized and collaborate on projects given use case and data segregation, or cost management requirements.

  • Ambienti: Gli ambienti utilizzati come parte del flusso di lavoro di sviluppo e rilascio per separare lo sviluppo dalla produzione.Environments: The environments used as part of your development and release workflow to segregate development from production.

  • Area geografica: Il percorso dei dati e i destinatari a cui è necessario fornire la soluzione Machine Learning.Region: The location of your data and the audience you need to serve your Machine Learning solution to.

Struttura del team e configurazione dell'area di lavoroTeam structure and workspace setup

L'area di lavoro è la risorsa di livello principale in Azure Machine Learning.The workspace is the top-level resource in Azure Machine Learning. Archivia gli artefatti prodotti quando si lavora con Machine Learning e i puntatori e di calcolo gestiti a risorse associate e associate.It stores the artifacts produced when working with Machine Learning and the managed compute and pointers to attached and associated resources. Dal punto di vista della gestibilità, l'area di lavoro come risorsa Azure Resource Manager consente il controllo degli accessi in base al ruolo di Azure (RBAC di Azure), la gestione dei criteri e può essere usato come unità per la creazione di report sui costi.From a manageability standpoint, the workspace as an Azure Resource Manager resource allows for Azure role-based access control (Azure RBAC), management by Policy, and can be used as a unit for cost reporting.

In genere, le organizzazioni scelgono una combinazione dei modelli di soluzione seguenti per seguire i requisiti di gestibilità.Organizations typically choose one or a combination of the following solution patterns to follow manageability requirements.

Area di lavoro per ogni team: scegliere di usare un'area di lavoro per ogni team quando tutti i membri di un team richiedono lo stesso livello di accesso agli asset di dati e sperimentazione.Workspace per team: Choose to use one workspace for each team when all members of a team require the same level of access to data and experimentation assets. Ad esempio, un'organizzazione con tre team di Machine Learning potrebbe creare tre aree di lavoro, una per ogni team.For example, an organization with three machine learning teams might create three workspaces, one for each team.

Il vantaggio di usare un'area di lavoro per ogni team è che tutti gli elementi Machine Learning per i progetti del team vengono archiviati in un'unica posizione.The benefit of using one workspace per team is that all Machine Learning artifacts for the team’s projects are stored in one place. Gli aumenti di produttività possono essere realizzati perché i membri del team possono accedere, esplorare e riutilizzare facilmente i risultati della sperimentazione.Productivity increases can be realized because team members can easily access, explore, and reuse experimentation results. Organizzare le aree di lavoro in base al team riduce il footprint di Azure e semplifica la gestione dei costi da team.Organizing your workspaces by team reduces your Azure footprint and simplifies cost management by team. Poiché il numero di asset di sperimentazione può crescere rapidamente, è possibile organizzare gli artefatti seguendo le convenzioni di denominazione e assegnazione di tag.Because the number of experimentation assets can grow quickly, you can keep your artifacts organized by following naming and tagging conventions. Per consigli su come assegnare un nome alle risorse, vedere sviluppare la strategia di denominazione e assegnazione di tag per le risorse di Azure.For recommendations about how to name resources, see Develop your naming and tagging strategy for Azure resources.

Una considerazione di questo approccio è che ogni membro del team deve disporre di autorizzazioni simili a livello di accesso ai dati.A consideration for this approach is each team member must have similar data access level permissions. Gli elenchi di controllo di accesso e RBAC per le origini dati e gli asset di sperimentazione sono limitati all'interno di un'area di lavoro.Granular RBAC and access control lists (ACL) for data sources and experimentation assets are limited within a workspace. Non è possibile avere requisiti di separazione dei dati del caso di utilizzo.You can’t have use case data segregation requirements.

Area di lavoro per progetto: Scegliere di usare un'area di lavoro per ogni progetto se è necessaria la separazione degli asset di dati e sperimentazione per progetto o se sono presenti requisiti per la creazione di report e i costi di budget a livello di progetto.Workspace per project: Choose to use one workspace for each project if you require segregation of data and experimentation assets by project, or have cost reporting and budgeting requirements at a project level. Ad esempio, un'organizzazione con quattro team di Machine Learning che eseguono tre progetti, potrebbe creare 12 istanze dell'area di lavoro.For example, an organization with four machine learning teams that each runs three projects, might create 12 workspace instances.

Il vantaggio di usare un'area di lavoro per ogni progetto è che i costi possono essere gestiti a livello di progetto.The benefit of using one workspace per project is that costs can be managed at the project level. I team in genere creano un gruppo di risorse dedicato per Azure Machine Learning e le risorse associate per motivi simili.Teams typically create a dedicated resource group for Azure Machine Learning and associated resources for similar reasons. Quando si lavora con collaboratori esterni, ad esempio, un'area di lavoro centrata sul progetto semplifica la collaborazione in un progetto perché gli utenti esterni devono solo disporre dell'accesso alle risorse del progetto e non alle risorse del team.When you work with external contributors, for example, a project-centered workspace simplifies collaboration on a project because external users only need to be granted access to the project resources, not the team resources.

Una considerazione di questo approccio è l'isolamento dei risultati di sperimentazione e delle risorse.A consideration with this approach is the isolation of experimentation results and assets. L'individuazione e il riutilizzo degli asset potrebbero risultare più difficili a causa di risorse distribuite in più istanze dell'area di lavoro.The discovery and reuse of the assets might be more difficult because of assets being spread across multiple workspace instances.

Area di lavoro singola: Scegliere di usare un'area di lavoro per il lavoro non correlato a un team o non per il progetto oppure quando non è possibile associare i costi direttamente a un'unità di fatturazione specifica, ad esempio con R&D.Single Workspace: Choose to use one workspace for non-team or non-project related work, or when costs can’t be directly associated to a specific unit of billing, for example with R&D.

Il vantaggio di questa configurazione è il costo di singoli lavori non correlati al progetto che possono essere separati dai costi correlati al progetto.The benefit of this setup is the cost of individual, non-project related work can be decoupled from project-related costs. Quando si configura un'unica area di lavoro per consentire a tutti gli utenti di eseguire le singole attività, si riduce il footprint di Azure.When you set up a single workspace for all users to do their individual work, you reduce your Azure footprint.

Una considerazione di questo approccio è che l'area di lavoro potrebbe diventare rapidamente disordinata quando molti Machine Learning professionisti condividono la stessa istanza.A consideration for this approach is the workspace might become cluttered quickly when many Machine Learning practitioners share the same instance. Per trovare efficacemente le risorse, gli utenti potrebbero richiedere un filtro basato sull'interfaccia utente per le risorse.Users might require UI-based filtering of assets to effectively find their resources. È possibile creare aree di lavoro Machine Learning condivise per ogni divisione aziendale per attenuare i problemi di scalabilità o per segmentare i budget.You can create shared Machine Learning workspaces for each business division to mitigate scale concerns or to segment budgets.

Ambiente e configurazione dell'area di lavoroEnvironments and workspace setup

Un ambiente è una raccolta di risorse destinate alle distribuzioni in base alla fase del ciclo di vita dell'applicazione.An environment is a collection of resources that deployments target based on their stage in the application lifecycle. Esempi comuni di nomi di ambiente sono sviluppo, test, QA, gestione temporanea e produzione.Common examples of environment names are Dev, Test, QA, Staging, and Production.

Il processo di sviluppo nell'organizzazione influiscono sui requisiti per l'utilizzo dell'ambiente.The development process in your organization affects requirements for environment usage. L'ambiente influiscono sull'installazione di Azure Machine Learning e delle risorse associate, ad esempio il calcolo collegato.Your environment affects the setup of Azure Machine Learning and associated resources, for example attached compute. Ad esempio, la disponibilità dei dati potrebbe mettere a disposizione dei vincoli sulla gestibilità della disponibilità di un'istanza di Machine Learning per ogni ambiente.For example, data availability might put constraints on the manageability of having a Machine Learning instance available for each environment. I modelli di soluzione seguenti sono comuni:The following solution patterns are common:

Distribuzione dell'area di lavoro per ambiente singolo: Quando si sceglie una distribuzione dell'area di lavoro per l'ambiente, Azure Machine Learning viene distribuita in un unico ambiente.Single environment workspace deployment: When you choose a single environment workspace deployment, Azure Machine Learning is deployed to one environment. Questa configurazione è comune per gli scenari di ricerca centrata, in cui non è necessario rilasciare Machine Learning artefatti in base alla fase del ciclo di vita, tra gli ambienti.This setup is common for research-centered scenarios, where there is no need to release Machine Learning artifacts based on their lifecycle stage, across environments. Un altro scenario in cui questa configurazione ha senso è quando solo i servizi di inferenza e non Machine Learning pipeline vengono distribuiti tra ambienti.Another scenario where this setup makes sense is when only inferencing services, and not Machine Learning pipelines, are deployed across environments.

Il vantaggio di una configurazione centrata sulla ricerca è un footprint di Azure ridotto e un sovraccarico di gestione minimo.The benefit of a research-centered setup is a smaller Azure footprint and minimal management overhead. In questo modo non è necessario disporre di un'area di lavoro Azure Machine Learning distribuita in ogni ambiente.This way of working implies no need to have an Azure Machine Learning workspace deployed in each environment.

Una considerazione di questo approccio è la distribuzione di un singolo ambiente in base alla disponibilità dei dati.A consideration for this approach is a single environment deployment is subject to data availability. È necessario prestare attenzione alla configurazione dell'archivio dati.Caution is required with the Datastore set up. Se si configura l'accesso completo, ad esempio l'accesso a writer sulle origini dati di produzione, è possibile che si danneggi involontariamente la qualità dei dati.If you set up extensive access, for example, writer access on production data sources, you might unintentionally harm data quality. Se si porta lavoro in produzione nello stesso ambiente in cui viene eseguito lo sviluppo, le stesse restrizioni RBAC si applicano sia per il lavoro di sviluppo che per il lavoro di produzione.If you bring work to production in the same environment where development is done, the same RBAC restrictions apply for both the development work and the production work. Questa configurazione potrebbe rendere gli ambienti troppo rigidi o troppo flessibili.This setup might make both environments too rigid or too flexible.

Distribuzione in un singolo ambiente

Distribuzione dell'area di lavoro per più ambienti: Quando si sceglie una distribuzione dell'area di lavoro per più ambienti, viene distribuita un'istanza dell'area di lavoro per ogni ambiente.Multiple environment workspace deployment: When you choose a multiple environment workspace deployment, a workspace instance is deployed for each environment. Uno scenario comune per questa configurazione è un'area di lavoro regolamentata con una netta separazione dei compiti tra gli ambienti e per gli utenti che hanno accesso alle risorse a tali ambienti.A common scenario for this setup is a regulated workplace with a clear separation of duties between environments, and for users who have resource access to those environments.

I vantaggi di questa configurazione sono i seguenti:The benefits of this setup are:

  • Implementazione di gestione temporanea di Machine Learning flussi di lavoro e artefatti.Staged rollout of Machine Learning workflows and artifacts. Ad esempio, i modelli negli ambienti, con il potenziale di migliorare l'agilità e ridurre i tempi di distribuzione.For example, models across environments, with the potential of enhancing agility and reducing time-to-deployment.

  • Sicurezza e controllo migliorati delle risorse perché si ha la possibilità di assegnare più restrizioni di accesso negli ambienti downstream.Enhanced security and control of resources because you have the ability to assign more access restrictions in downstream environments.

  • Scenari di training sui dati di produzione in ambienti non di sviluppo perché è possibile concedere a un gruppo selezionato di utenti l'accesso.Training scenarios on production data in non-development environments because you can give a select group of users access.

Una considerazione di questo approccio è rappresentata dal rischio di un maggiore sovraccarico di gestione e di elaborazione, poiché questa configurazione richiede un processo di sviluppo e implementazione con granularità fine per Machine Learning artefatti tra le istanze dell'area di lavoro.A consideration for this approach is you are at risk for more management and process overhead since this setup requires a fine-grained development and rollout process for Machine Learning artifacts across workspace instances. Inoltre, la gestione dei dati e il lavoro di progettazione potrebbero essere necessari per rendere disponibili i dati di produzione per il training nell'ambiente di sviluppo.Additionally, data management and engineering effort might be required to make production data available for training in the development environment. La gestione dell'accesso è necessaria per consentire all'utente di accedere al team per risolvere e analizzare gli eventi imprevisti nell'ambiente di produzione.Access management is required for you to give a team access to resolve and investigate incidents in production. Infine, per implementare i flussi di lavoro di automazione è necessario che il team di Azure DevOps e l'esperienza di progettazione Machine Learning.And finally, Azure DevOps and Machine Learning engineering expertise is needed on your team to implement automation workflows.

Distribuzione di più ambienti

Un ambiente con accesso ai dati limitato, uno con accesso ai dati di produzione: Quando si sceglie questa impostazione, Azure Machine Learning viene distribuita in due ambienti: un ambiente con accesso ai dati limitato e un ambiente con accesso ai dati di produzione.One environment with limited data access, one with production data access: When you choose this setup, Azure Machine Learning is deployed to two environments – one environment that has limited data access, and one environment that has production data access. Questa configurazione è comune se si ha la necessità di separare gli ambienti di sviluppo e di produzione.This setup is common if you have a requirement to segregate development and production environments. Se, ad esempio, si lavora con vincoli aziendali per rendere disponibili i dati di produzione in qualsiasi ambiente o quando si desidera separare il lavoro di sviluppo dal lavoro di produzione senza duplicare i dati più che richiesti a causa del costo elevato di manutenzione.For example, if you are working under organizational constraints to make production data available in any environment or when you want to segregate development work from production work without duplicating data more than required due to the high cost of maintenance.

Il vantaggio di questa configurazione è la netta separazione dei compiti e dell'accesso tra gli ambienti di sviluppo e di produzione.The benefit of this setup is the clear separation of duties and access between development and production environments. Un altro vantaggio è un sovraccarico di gestione delle risorse inferiore rispetto a uno scenario di distribuzione in più ambienti.Another benefit is lower resource management overhead when compared to a multi-environment deployment scenario.

Una considerazione di questo approccio è che è necessario un processo di sviluppo e implementazione definito per Machine Learning gli artefatti tra le aree di lavoro.A consideration for this approach a defined development and rollout process for Machine Learning artifacts across workspaces is required. Un altro aspetto da considerare è che la gestione e la progettazione dei dati potrebbero essere necessarie per rendere disponibili i dati di produzione per il training in un ambiente di sviluppo.Another consideration is data management and engineering effort might be required to make production data available for training in a development environment. Tuttavia, potrebbe richiedere un lavoro relativamente inferiore rispetto alla distribuzione di un'area di lavoro multiambiente.However, it might require relatively less effort than a multi-environment workspace deployment.

Un ambiente con accesso ai dati limitato, un ambiente con accesso ai dati di produzione

Configurazione delle aree e delle risorseRegions and resource setup

Il percorso di risorse, dati o utenti potrebbe richiedere la creazione di Azure Machine Learning istanze dell'area di lavoro e le risorse associate in più aree di Azure.The location of your resources, data, or users, might require you to create Azure Machine Learning workspace instances and associated resources in multiple Azure regions. Ad esempio, un progetto può estendersi sulle proprie risorse nelle aree di Azure Europa occidentale e Stati Uniti orientali per motivi di prestazioni, costi e conformità.For example, one project might span its resources across the West Europe and East US Azure regions for performance, cost, and compliance reasons. Sono comuni gli scenari seguenti:The following scenarios are common:

Formazione a livello di area: I processi di training di Machine Learning vengono eseguiti nella stessa area di Azure in cui si trovano i dati.Regional training: The machine learning training jobs run in the same Azure region as where the data is located. In questa configurazione, un'area di lavoro Machine Learning viene distribuita in ogni area di Azure in cui si trovano i dati.In this setup, a Machine Learning workspace is deployed to each Azure region where data is located. Si tratta di uno scenario comune quando si agisce in conformità o quando si hanno vincoli di spostamento dei dati tra le aree.It's a common scenario when you are acting under compliance, or when you have data movement constraints across regions.

Il vantaggio di questa configurazione è la sperimentazione può essere eseguita nel data center in cui i dati si trovano con la latenza di rete minima.The benefit of this setup is experimentation can be done in the data center where the data is located with the least network latency. Una considerazione di questo approccio è quando una pipeline Machine Learning viene eseguita in più istanze dell'area di lavoro, ma aggiunge una maggiore complessità di gestione.A consideration for this approach is when a Machine Learning pipeline is run across multiple workspace instances, it adds more management complexity. Si tratta di una sfida per confrontare i risultati della sperimentazione tra le istanze e aggiungere overhead alla gestione delle quote e delle risorse di calcolo.It becomes challenging to compare experimentation results across instances and adds overhead to quota and compute management.

Se si vuole alleghi l'archiviazione tra le aree, ma si usa il calcolo da un'area, Azure Machine Learning supporta lo scenario di connessione degli account di archiviazione in un'area anziché nell'area di lavoro.If you want to attach storage across regions, but use compute from one region, Azure Machine Learning supports the scenario of attaching storage accounts in a region rather than the workspace. I metadati, ad esempio le metriche, verranno archiviati nell'area dell'area di lavoro.Metadata, for example metrics, will be stored in the workspace region.

Formazione a livello di area

Servizio a livello di area: I servizi Machine Learning vengono distribuiti vicino alla posizione in cui risiedono i destinatari.Regional serving: Machine Learning services are deployed close to where the target audience lives. Se, ad esempio, gli utenti di destinazione sono in Australia e l'area principale di archiviazione e sperimentazione è l'Europa occidentale, distribuire l'area di lavoro Machine Learning per la sperimentazione in Europa occidentale e distribuire un cluster AKS per la distribuzione dell'endpoint di inferenza in Australia.For example, if target users are in Australia and the main storage and experimentation region is West Europe, deploy the Machine Learning workspace for experimentation in West Europe, and deploy an AKS cluster for inference endpoint deployment in Australia.

I vantaggi di questa configurazione sono la possibilità di inferenza nei data center in cui vengono inseriti nuovi dati, riducendo al minimo la latenza e lo spostamento dei dati e la conformità alle normative locali.The benefits of this setup are the opportunity for inferencing in the data center where new data is ingested, minimizing latency and data movement, and compliance with local regulations.

Una considerazione di questo approccio è la configurazione di più aree che offre diversi vantaggi, ma aumenta anche il sovraccarico sulla gestione delle quote e delle risorse di calcolo.A consideration for this approach is a multi-region setup provides several advantages, it also adds more overhead on quota and compute management. Quando esiste un requisito per l'inferenza di batch, il servizio regionale potrebbe richiedere una distribuzione di più aree di lavoro.When there is a requirement for batch inferencing, regional serving might require a multi-workspace deployment. Per gli scenari di ripetizione del training è possibile che i dati raccolti tramite l'inferenza degli endpoint debbano essere trasferiti tra le aree.Data collected through inferencing endpoints might require to be transferred across regions for retraining scenarios.

Servizio a livello di area

Ottimizzazione a livello di area: Un modello di base viene sottoposto a training su un set di dati iniziale, ad esempio dati pubblici o dati di tutte le aree, e viene ottimizzato in un secondo momento con un set di dati a livello di area.Regional fine-tuning: A base model is trained on an initial dataset, for example, public data or data from all regions, and is later fine-tuned with a regional dataset. Il set di dati a livello di area potrebbe esistere solo in una determinata area a causa dei vincoli di conformità o spostamento dei dati.The regional dataset might only exist in a particular region because of compliance or data movement constraints. Ad esempio, il training del modello di base può essere eseguito in un'area di lavoro nell'area A, mentre l'ottimizzazione può essere eseguita in un'area di lavoro nell'area B.For example, base model training might be done in a workspace in region A, while fine tuning might be done in a workspace in region B.

Il vantaggio di questa configurazione è che la sperimentazione è disponibile in conformità con la data center in cui si trovano i dati e sfrutta al tempo stesso il training del modello di base su un set di dati più grande in una fase della pipeline precedente.The benefit of this setup is experimentation is available in compliance with the data center where the data resides, and still takes advantage of base model training on a larger dataset in an earlier pipeline stage.

Una considerazione è che questo approccio offre la possibilità di eseguire pipeline di sperimentazione complesse, ma potrebbe creare più problemi.A consideration is this approach provides the ability for complex experimentation pipelines, however it might create more challenges. Ad esempio, confrontando i risultati dell'esperimento tra le aree e aumentando l'overhead per la gestione delle quote e delle risorse di calcolo.For example, comparing experiment results across regions and more adding more overhead to quota and compute management.

Ottimizzazione a livello di area

Implementazione di riferimentoReference implementation

Per illustrare la distribuzione di Azure Machine Learning in un'impostazione più ampia, in questa sezione viene descritto il modo in cui l'organizzazione ' Contoso ' ha configurato Azure Machine Learning in base ai vincoli aziendali, alla creazione di report e ai requisiti di budget:To illustrate the deployment of Azure Machine Learning in a larger setting, this section outlines how the organization 'Contoso' has set up Azure Machine Learning given their organizational constraints, reporting, and budgeting requirements:

  • Contoso crea gruppi di risorse in base a una soluzione per la gestione dei costi e per la creazione di report.Contoso creates resource groups on a solution basis for cost management and reporting reasons.

  • Gli amministratori IT possono creare solo gruppi di risorse e risorse per le soluzioni finanziate per soddisfare i requisiti di budget.IT administrators only create resource groups and resources for funded solutions to meet budget requirements.

  • A causa del esplorativo e della natura incerta dell'analisi scientifica dei dati, è necessario che gli utenti dispongano di una posizione per sperimentare e lavorare per il caso d'uso e l'esplorazione dei dati.Because of the explorative and uncertain nature of Data Science, there’s a need for users to have a place to experiment and work for use case and data exploration. Il lavoro di esplorativo non può essere associato a un particolare caso di utilizzo e può essere associato solo a un budget R&D.Explorative work many times can’t be directly associated to a particular use case, and can be associated only to R&D budget. Contoso sta cercando di finanziare in modo centralizzato alcune risorse di Machine Learning che chiunque può usare a scopo di esplorazione.Contoso is looking to fund some Machine Learning resources centrally that anyone can use for exploration purposes.

  • Una volta che un Machine Learning caso di utilizzo dimostra l'esito positivo dell'ambiente esplorativo, i team possono richiedere i gruppi di risorse.Once a Machine Learning use case proves to be successful in the explorative environment, teams can request resource groups. Ad esempio, dev, QA e prod per il lavoro di sperimentazione iterativa del progetto e l'accesso alle origini dati di produzione può essere configurato.For example, Dev, QA, and Prod for iterative experimentation project work, and access to production data sources can be set up.

  • I requisiti di separazione e conformità dei dati non consentono l'esistenza di dati di produzione attivi negli ambienti di sviluppoData segregation and compliance requirements don’t allow live production data to exist in development environments

  • Esistono requisiti diversi per il controllo degli accessi in base al ruolo per diversi gruppi di utenti in base ai criteri IT per ambiente, ad esempio l'accesso è più restrittivo in produzioneDifferent RBAC requirements exist for various user groups by IT policy per environment, for example access is more restrictive in production.

  • Tutti i dati, la sperimentazione e l'inferenza vengono eseguiti in una singola area di Azure.All data, experimentation, and inferencing is done in a single Azure region.

Per rispettare i requisiti indicati in precedenza, Contoso ha configurato le risorse nel modo seguente:To adhere to the above requirements, Contoso has set up their resources in the following way:

  • Le aree di lavoro e i gruppi di risorse Azure Machine Learning hanno come ambito ogni progetto per rispettare i requisiti di separazione dei casi di utilizzo e di budget.Azure Machine Learning workspaces and resource groups are scoped per project to follow budgeting and use case segregation requirements.
  • Una configurazione con più ambienti per Azure Machine Learning e le risorse associate per soddisfare i requisiti di gestione dei costi, RBAC e di accesso ai dati.A multiple-environment setup for Azure Machine Learning and associated resources to address cost management, RBAC, and data access requirements.
  • Un singolo gruppo di risorse e Machine Learning area di lavoro dedicata per l'esplorazione.A single resource group and Machine Learning workspace that is dedicated for exploration.
  • Azure Active Directory gruppi diversi per ogni ruolo utente e ambiente, ad esempio operazioni che un data scientist può eseguire in un ambiente di produzione, è diverso rispetto all'ambiente di sviluppo e i livelli di accesso potrebbero essere diversi per ogni soluzione.Azure Active Directory groups that are different per user role and environment, for example operations that a data scientist can do in a production environment are different than in the development environment, and access levels might differ per solution.
  • Tutte le risorse vengono create in una singola area di AzureAll resources are created in a single Azure region

Implementazione di riferimento contoso