Azure Machine Learning에 대한 비용 관리 계획
이 문서에서는 Azure Machine Learning에 대한 비용을 계획하고 관리하는 방법을 설명합니다. 먼저, Azure 가격 책정 계산기를 사용하여 리소스를 추가하기 전에 비용을 계획할 수 있습니다. 그런 다음, Azure 리소스를 추가할 때 예상 비용을 검토합니다.
Azure Machine Learning 리소스 사용을 시작한 후에는 비용 관리 기능을 사용하여 예산을 설정하고 비용을 모니터링합니다. 또한 예측 비용을 검토하고 지출 추세를 파악하여 작업할 수 있는 영역을 식별할 수 있습니다.
Azure Machine Learning에 대한 비용은 Azure 청구서의 월별 비용 중 일부일 뿐입니다. 다른 Azure 서비스를 사용하는 경우 타사 서비스를 포함하여 Azure 구독에 사용되는 모든 Azure 서비스 및 리소스에 대한 요금이 청구됩니다. 이 문서에서는 Azure Machine Learning에 대한 비용을 계획하고 관리하는 방법을 설명합니다. Azure Machine Learning에 대한 비용 관리에 익숙해지면 비슷한 방법을 적용하여 구독에 사용되는 모든 Azure 서비스에 대한 비용을 관리할 수 있습니다.
비용 최적화에 대한 자세한 내용은 Azure Machine Learning 비용 관리 및 최적화를 참조하세요.
필수 조건
Microsoft Cost Management에서의 비용 분석은 대부분의 Azure 계정 유형을 지원하지만 일부는 지원하지 않습니다. 지원되는 계정 유형의 전체 목록을 보려면 Cost Management 데이터 이해를 참조하세요.
비용 데이터를 보려면 최소한 Azure 계정에 대한 읽기 액세스 권한이 있어야 합니다. Cost Management 데이터에 액세스하는 방법에 대한 정보는 데이터에 대한 액세스 할당을 참조하세요.
Azure Machine Learning을 사용하기 전에 비용 추정
Azure Machine Learning 작업 영역에서 리소스를 만들기 전에 Azure 가격 계산기를 사용하여 비용을 추정합니다. 가격 계산기 왼쪽에서 AI + 기계 학습을 선택한 다음, Azure Machine Learning을 선택하여 시작합니다.
다음 스크린샷은 가격 계산기의 비용 예측 예제를 보여 줍니다.
작업 영역에 리소스를 추가할 때 이 계산기로 돌아가서 동일한 리소스를 추가하여 비용 추정치를 업데이트합니다.
자세한 내용은 Azure Machine Learning 가격 책정을 참조하세요.
Azure Machine Learning에 대한 전체 청구 모델 이해
Azure Machine Learning은 새 리소스를 배포할 때 Azure Machine Learning과 함께 비용이 누적되는 Azure 인프라에서 실행됩니다. 추가 인프라로 인해 비용이 누적될 수 있다는 것을 이해하는 것이 중요합니다. 배포된 리소스를 변경할 때 비용을 관리해야 합니다.
일반적으로 Azure Machine Learning으로 누적되는 비용
Azure Machine Learning 작업 영역에 대한 리소스를 만들 때 다른 Azure 서비스에 대한 리소스도 생성됩니다. 화면은 다음과 같습니다.
컴퓨팅 인스턴스를 만들 때 VM(가상 머신)은 작업에 사용할 수 있도록 유지됩니다.
- VM이 지정된 기간 동안 유휴 상태인 경우 유휴 종료를 사용하여 비용을 줄입니다.
- 컴퓨팅 인스턴스를 자동으로 시작 및 중지하도록 일정을 설정하여 사용하지 않을 때 비용을 줄입니다.
리소스를 삭제하기 전 비용이 누적될 수 있음
Azure Portal에서 또는 Azure CLI를 사용하여 Azure Machine Learning 작업 영역을 삭제하기 전에 다음 하위 리소스는 작업 영역에서 적극적으로 작업하지 않는 경우에도 누적되는 일반적인 비용입니다. 나중에 Azure Machine Learning 작업 영역으로 돌아가려는 경우 이러한 리소스는 비용이 계속 발생할 수 있습니다.
- VM
- Load Balancer
- Azure Virtual Network
- 대역폭
각 VM은 실행 중인 시간당 요금이 청구됩니다. 비용은 VM 사양에 따라 달라집니다. 실행되지만 데이터 세트에 적극적으로 작동하지 않는 VM은 부하 분산 장치를 통해 요금이 계속 청구됩니다. 각 컴퓨팅 인스턴스의 경우 하루에 하나의 부하 분산 장치에 대한 요금이 청구됩니다. 컴퓨팅 클러스터의 노드 50개마다 하나의 표준 부하 분산 장치에 대한 요금이 청구됩니다. 각 부하 분산 장치는 하루에 약 0.33달러의 요금이 청구됩니다. 중지된 컴퓨팅 인스턴스 및 컴퓨팅 클러스터에서 부하 분산 장치 비용을 방지하려면 컴퓨팅 리소스를 삭제합니다.
또한 컴퓨팅 인스턴스에는 저장된 사용자 콘텐츠가 Azure VM과 유사하게 중지된 상태에서 유지되므로 중지된 상태에서도 P10 디스크 비용이 발생합니다. 비용을 더 잘 관리하기 위해 OS 디스크 크기/형식을 구성할 수 있도록 노력하고 있습니다. Azure Virtual Network의 경우 구독당 및 지역당 하나의 가상 네트워크가 청구됩니다. 가상 네트워크는 지역 또는 구독을 포괄할 수 없습니다. 가상 네트워크에서 프라이빗 엔드포인트를 설정하는 경우에도 요금이 발생할 수 있습니다. 가상 네트워크가 Azure Firewall을 사용하는 경우에도 요금이 발생할 수 있습니다. 대역폭 요금은 사용량을 반영합니다. 즉, 전송된 데이터가 많을수록 더 큰 요금이 부과됩니다.
팁
Azure Machine Learning 관리형 가상 네트워크는 무료로 사용할 수 있습니다. 그러나 관리 네트워크의 일부 기능은 Azure Private Link(프라이빗 엔드포인트용) 및 Azure Firewall(FQDN 규칙용)을 사용하므로 요금이 부과됩니다. 자세한 내용은 관리되는 가상 네트워크 격리를 참조하세요.
리소스를 삭제한 후에도 비용이 증가할 수 있습니다.
Azure Portal에서 또는 Azure CLI를 사용하여 Azure Machine Learning 작업 영역을 삭제하면 다음과 같은 리소스가 계속 남아 있습니다. 해당 리소스는 삭제할 때까지 계속해서 비용을 발생시킵니다.
- Azure Container Registry
- Azure Blob Storage
- Key Vault
- Application Insights
이러한 종속 리소스와 함께 작업 영역을 삭제하려면 SDK를 사용합니다.
적용 대상: 
Python SDK azure-ai-ml v2(현재)
from azure.ai.ml.entities import Workspace
ml_client.workspaces.begin_delete(name=ws.name, delete_dependent_resources=True)
작업 영역에 AKS(Azure Kubernetes Service)를 만들거나 작업 영역에 컴퓨팅 리소스를 연결하는 경우 Azure Portal에서 별도로 삭제해야 합니다.
Azure Machine Learning에 Azure 선불 크레딧 사용
Azure 선불 크레딧을 사용하여 Azure Machine Learning 요금을 지불할 수 있습니다. 그러나 Azure 선불 크레딧을 사용하여 Azure Marketplace에 있는 항목을 포함한 타사 제품 및 서비스에 대한 요금을 지불할 수는 없습니다.
Azure Portal에서 예상 비용 검토
Azure Machine Learning에 대한 컴퓨팅 리소스를 만들 때 예상 비용이 표시됩니다.
*컴퓨팅 인스턴스*를 만들고 예상 가격을 보려면 다음을 수행합니다.
- Azure Machine Learning 스튜디오에 로그인합니다.
- 왼쪽에서 컴퓨팅을 선택합니다.
- 상단 도구 모음에서 +새로 만들기를 선택합니다.
- 사용 가능한 각 가상 머신 크기에 대해 표시된 예상 가격을 검토합니다.
- 리소스 만들기를 완료합니다.
Azure 구독에 지출 한도가 있는 경우 Azure는 크레딧 금액을 초과하여 지출하지 못하도록 합니다. Azure 리소스를 만들고 사용할 경우 크레딧이 사용됩니다. 크레딧 한도에 도달하면 배포한 리소스는 해당 청구 기간의 나머지 기간 동안 사용하지 않도록 설정됩니다. 크레딧 한도는 변경할 수 없지만 제거할 수는 있습니다. 지출 한도에 대한 자세한 내용은 Azure 지출 한도를 참조하세요.
비용 모니터링
Azure Machine Learning에서 Azure 리소스를 사용하면 비용이 발생합니다. Azure 리소스 사용량 단위 비용은 시간 간격(초, 분, 시간 및 일) 또는 단위 사용량(바이트, 메가바이트 등)에 따라 다릅니다. Azure Machine Learning 사용이 시작되자마자 비용이 발생하며 비용 분석에서 비용을 확인할 수 있습니다.
비용 분석을 사용하면 서로 다른 시간 간격에 대한 그래프 및 테이블로 Azure Machine Learning 비용을 조회할 수 있습니다. 몇 가지 예로 일, 현재 달과 이전 달 및 연도에 따라 확인할 수 있습니다. 예산 및 예상 비용에 대한 비용도 조회할 수 있습니다. 시간이 지남에 따라 더 긴 보기로 전환하면 지출 추세를 파악하는 데 도움이 됩니다. 그리고 과도한 지출이 발생한 위치를 확인할 수 있습니다. 예산을 만들면 초과된 부분도 쉽게 확인할 수 있습니다.
비용 분석에서 Azure Machine Learning 비용을 보려면:
- Azure Portal에 로그인합니다.
- Azure Portal에서 범위를 열고, 메뉴에서 비용 분석을 선택합니다. 예를 들어, 구독으로 이동하여 목록에서 구독을 선택한 다음, 메뉴에서 비용 분석을 선택합니다. 범위를 선택하여 비용 분석에서 다른 범위로 전환합니다.
- 기본적으로 서비스 비용은 첫 번째 도넛형 차트에 표시됩니다. Azure Machine Learning이라는 레이블이 지정된 차트에서 영역을 선택합니다.
처음으로 비용 분석을 열 경우 실제 월별 비용이 표시됩니다. 다음은 모든 월별 사용량 비용을 보여 주는 예입니다.
Azure Machine Learning과 같은 단일 서비스로 비용 범위를 좁히려면 필터 추가를 선택한 다음, 서비스 이름을 선택합니다. 그런 후 가상 머신을 선택합니다.
Azure Machine Learning에 대한 비용을 보여 주는 예제는 다음과 같습니다.
앞의 예제에서 서비스에 대한 현재 비용이 표시됩니다. Azure 지역(위치) 및 리소스 그룹별 Azure Machine Learning 비용 또한 표시됩니다. 여기에서 자신의 비용을 살펴볼 수 있습니다.
예산 만들기
예산을 만들면 비용을 관리하고 관련자에게 비정상 지출 및 과다 지출 위험을 자동으로 알리는 경고를 만들 수 있습니다. 경고는 예산 및 비용 임계값에 따른 지출을 기준으로 합니다. Azure 구독 및 리소스 그룹에 대한 예산 및 경고가 만들어지므로 전체 비용 모니터링 전략의 일부로 유용합니다.
모니터링에 더 많은 세분성을 제공하려는 경우 Azure의 특정 리소스 또는 서비스에 대한 필터를 사용하여 예산을 만들 수 있습니다. 필터는 추가 비용이 드는 새 리소스를 실수로 만들지 않도록 도움을 줍니다. 예산을 만들 때 사용하는 필터 옵션에 대한 자세한 내용은 그룹 및 필터 옵션을 참조하세요.
비용 데이터 내보내기
스토리지 계정으로 비용 데이터를 내보낼 수도 있습니다. 이는 귀하나 다른 사용자가 비용에 대한 추가 데이터 분석을 수행해야 하는 경우에 유용합니다. 예를 들어 재무 팀은 Excel 또는 Power BI를 사용하여 데이터를 분석할 수 있습니다. 매일, 매주 또는 매월 일정으로 비용을 내보내고 사용자 지정 날짜 범위를 설정할 수 있습니다. 비용 데이터를 내보내는 것은 비용 데이터 세트를 검색하는 데 권장되는 방법입니다.
Azure Machine Learning에 대한 비용을 관리하고 절감하는 기타 방법
다음 팁을 사용하여 컴퓨팅 리소스 비용을 관리하고 최적화할 수 있습니다.
- 자동 스케일링을 위한 학습 클러스터를 구성합니다.
- 구독 및 작업 영역에 대한 할당량을 설정합니다.
- 학습 작업에 대한 종료 정책을 설정합니다.
- 우선 순위가 낮은 가상 머신을 사용합니다.
- 컴퓨팅 인스턴스가 자동으로 종료 및 시작하도록 예약합니다.
- Azure Reserved VM Instance를 사용합니다.
- 로컬에서 학습합니다.
- 학습을 병렬화합니다.
- 데이터 보존 및 삭제 정책을 설정합니다.
- 동일한 지역에 리소스를 배포합니다.
- 곧 사용할 계획이 없는 경우 인스턴스 및 클러스터를 삭제합니다.
자세한 내용은 Azure Machine Learning 비용 관리 및 최적화를 참조하세요.