Azure Machine Learning omgevingen organiseren en instellenOrganize and set up Azure Machine Learning environments

Bij het plannen van een Azure Machine Learning implementatie voor een bedrijfs omgeving, zijn er enkele algemene beslissings punten die van invloed zijn op hoe u de werk ruimte maakt:When planning an Azure Machine Learning deployment for an enterprise environment, there are some common decision points that affect how you create the workspace:

  • Team structuur: De manier waarop uw Machine Learning-teams zijn georganiseerd en samen werken aan projecten die gebruikmaken van gebruiks voorbeeld-en gegevens scheidings-of kosten beheer vereisten.Team structure: The way your Machine Learning teams are organized and collaborate on projects given use case and data segregation, or cost management requirements.

  • Omgevingen: De omgevingen die worden gebruikt als onderdeel van uw ontwikkelings-en release werk stroom om de ontwikkeling van de productie te scheiden.Environments: The environments used as part of your development and release workflow to segregate development from production.

  • Regio: De locatie van uw gegevens en de doel groep die u nodig hebt om uw Machine Learning oplossing aan te bieden.Region: The location of your data and the audience you need to serve your Machine Learning solution to.

Team structuur en werk ruimte instellenTeam structure and workspace setup

De werk ruimte is de resource op het hoogste niveau in Azure Machine Learning.The workspace is the top-level resource in Azure Machine Learning. De gemaakte artefacten worden opgeslagen bij het werken met Machine Learning en de beheerde reken-en aanwijzers op gekoppelde en gekoppelde resources.It stores the artifacts produced when working with Machine Learning and the managed compute and pointers to attached and associated resources. Vanuit het oogpunt van beheer baarheid biedt de werk ruimte als een Azure Resource Manager resource ondersteuning voor op rollen gebaseerd toegangs beheer (Azure RBAC) van Azure, beheer op basis van beleid en kan worden gebruikt als een eenheid voor kosten rapportage.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.

Organisaties kiezen meestal één of een combi natie van de volgende oplossings patronen om de beheer vereisten te volgen.Organizations typically choose one or a combination of the following solution patterns to follow manageability requirements.

Werk ruimte per team: Kies één werk ruimte voor elk team wanneer alle leden van een team hetzelfde toegangs niveau nodig hebben voor gegevens-en experimenten-assets.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. Een organisatie met drie machine learning teams kan bijvoorbeeld drie werk ruimten maken, één voor elk team.For example, an organization with three machine learning teams might create three workspaces, one for each team.

Het voor deel van het gebruik van één werk ruimte per team is dat alle Machine Learning artefacten voor de projecten van het team op één plek worden opgeslagen.The benefit of using one workspace per team is that all Machine Learning artifacts for the team’s projects are stored in one place. Productiviteits verhogingen kunnen worden gerealiseerd omdat team leden eenvoudig experimentele resultaten kunnen benaderen, verkennen en hergebruiken.Productivity increases can be realized because team members can easily access, explore, and reuse experimentation results. Het organiseren van uw werk ruimten op team vermindert uw Azure-footprint en vereenvoudigt het kosten beheer per team.Organizing your workspaces by team reduces your Azure footprint and simplifies cost management by team. Omdat het aantal experimentele assets snel kan groeien, kunt u uw artefacten ordenen door de volgende naamgevings-en label conventies te volgen.Because the number of experimentation assets can grow quickly, you can keep your artifacts organized by following naming and tagging conventions. Zie uw naamgevings-en coderings strategie ontwikkelen voor Azure-resourcesvoor aanbevelingen voor het benoemen van resources.For recommendations about how to name resources, see Develop your naming and tagging strategy for Azure resources.

Een overweging voor deze aanpak is dat elk teamlid vergelijk bare machtigingen voor gegevens toegangs niveau moet hebben.A consideration for this approach is each team member must have similar data access level permissions. Granulaire RBAC en toegangs beheer lijsten (ACL) voor gegevens bronnen en experimenten zijn beperkt in een werk ruimte.Granular RBAC and access control lists (ACL) for data sources and experimentation assets are limited within a workspace. U kunt geen use-case gegevens gebruiken voor schei ding.You can’t have use case data segregation requirements.

Werk ruimte per project: Kies één werk ruimte voor elk project als u schei ding van gegevens en experimenten per project nodig hebt of kosten rapportage en budget vereisten op project niveau hebt.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. Een organisatie met vier machine learning teams die elk drie projecten uitvoeren, kan bijvoorbeeld 12 werkruimte-instanties maken.For example, an organization with four machine learning teams that each runs three projects, might create 12 workspace instances.

Het voor deel van het gebruik van één werk ruimte per project is dat de kosten kunnen worden beheerd op project niveau.The benefit of using one workspace per project is that costs can be managed at the project level. Teams maken meestal een speciale resource groep voor Azure Machine Learning en gekoppelde resources om Vergelijk bare redenen.Teams typically create a dedicated resource group for Azure Machine Learning and associated resources for similar reasons. Wanneer u met externe inzenders werkt, vereenvoudigt een project-gecentreerde werk ruimte samen werking aan een project omdat externe gebruikers alleen toegang hoeven te krijgen tot de project resources, niet aan de team resources.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.

Een overweging met deze aanpak is de isolatie van de resultaten en activa van experimenten.A consideration with this approach is the isolation of experimentation results and assets. De detectie en het hergebruik van de activa kunnen lastiger zijn omdat activa over meerdere exemplaren van de werk ruimte worden verspreid.The discovery and reuse of the assets might be more difficult because of assets being spread across multiple workspace instances.

Eén werk ruimte: Kies één werk ruimte voor niet-team-of niet-project gerelateerde werk of wanneer de kosten niet rechtstreeks kunnen worden gekoppeld aan een specifieke facturerings eenheid, bijvoorbeeld 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.

Het voor deel van deze instelling is de kosten van afzonderlijke, niet-project gerelateerde werk dat kan worden losgekoppeld van projectgerelateerde kosten.The benefit of this setup is the cost of individual, non-project related work can be decoupled from project-related costs. Wanneer u één werk ruimte instelt voor alle gebruikers om hun afzonderlijke werk te doen, vermindert u de Azure-footprint.When you set up a single workspace for all users to do their individual work, you reduce your Azure footprint.

Een voor beeld van deze benadering is dat de werk ruimte snel kan worden geruimen wanneer veel Machine Learningers hetzelfde exemplaar delen.A consideration for this approach is the workspace might become cluttered quickly when many Machine Learning practitioners share the same instance. Gebruikers kunnen op gebruikers interface gebaseerde filtering van assets vereisen om hun resources effectief te vinden.Users might require UI-based filtering of assets to effectively find their resources. U kunt gedeelde Machine Learning-werk ruimten maken voor elke bedrijfs afdeling om schaal problemen op te lossen of om budgetten te segmenteren.You can create shared Machine Learning workspaces for each business division to mitigate scale concerns or to segment budgets.

Omgevingen en werk ruimte instellenEnvironments and workspace setup

Een omgeving is een verzameling resources die gericht zijn op basis van hun fase in de levens cyclus van de toepassing.An environment is a collection of resources that deployments target based on their stage in the application lifecycle. Gang bare voor beelden van omgevings namen zijn dev, testen, QA, staging en productie.Common examples of environment names are Dev, Test, QA, Staging, and Production.

Het ontwikkelings proces in uw organisatie is van invloed op vereisten voor het gebruik van de omgeving.The development process in your organization affects requirements for environment usage. Uw omgeving is van invloed op de installatie van Azure Machine Learning en gekoppelde resources, bijvoorbeeld een gekoppelde reken kracht.Your environment affects the setup of Azure Machine Learning and associated resources, for example attached compute. De beschik baarheid van gegevens kan bijvoorbeeld beperkingen opleveren voor de beheer baarheid van een Machine Learning exemplaar dat beschikbaar is voor elke omgeving.For example, data availability might put constraints on the manageability of having a Machine Learning instance available for each environment. De volgende oplossings patronen zijn gebruikelijk:The following solution patterns are common:

Implementatie van werk ruimte met één omgeving: Wanneer u een implementatie werkruimte voor één omgeving kiest, wordt Azure Machine Learning geïmplementeerd in één omgeving.Single environment workspace deployment: When you choose a single environment workspace deployment, Azure Machine Learning is deployed to one environment. Deze instelling is gebruikelijk voor onderzoek-gecentreerde scenario's waarbij het niet nodig is om Machine Learning artefacten uit te geven op basis van hun levenscyclus fase, in alle omgevingen.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. Een ander scenario waarbij deze installatie zinvol is wanneer alleen services worden verduidelijkt en niet Machine Learning pijp lijnen, worden in verschillende omgevingen geïmplementeerd.Another scenario where this setup makes sense is when only inferencing services, and not Machine Learning pipelines, are deployed across environments.

Het voor deel van een door onderzoek gecentreerde configuratie is een kleinere Azure-footprint en minimale beheer overhead.The benefit of a research-centered setup is a smaller Azure footprint and minimal management overhead. Deze manier van werken houdt in dat er geen Azure Machine Learning werk ruimte hoeft te worden geïmplementeerd in elke omgeving.This way of working implies no need to have an Azure Machine Learning workspace deployed in each environment.

Een overweging voor deze aanpak is een implementatie met één omgeving, afhankelijk van de beschik baarheid van de gegevens.A consideration for this approach is a single environment deployment is subject to data availability. Er is een waarschuwing vereist bij het instellen van de gegevens opslag.Caution is required with the Datastore set up. Als u uitgebreide toegang instelt, bijvoorbeeld Writer-toegang op productie gegevens bronnen, is het mogelijk dat u per ongeluk de kwaliteit van gegevens kunt beschadigen.If you set up extensive access, for example, writer access on production data sources, you might unintentionally harm data quality. Als u werk in dezelfde omgeving brengt als de ontwikkeling is voltooid, zijn dezelfde RBAC-beperkingen van toepassing voor zowel het ontwikkelings werk als voor de productie werkzaamheden.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. Deze installatie kan ervoor zorgen dat beide omgevingen te stijf of te flexibel zijn.This setup might make both environments too rigid or too flexible.

Implementatie met één omgeving

Implementatie van werk ruimte met meerdere omgevingen: Wanneer u een werk ruimte voor het implementeren van meerdere omgevingen kiest, wordt er een werkruimte-exemplaar geïmplementeerd voor elke omgeving.Multiple environment workspace deployment: When you choose a multiple environment workspace deployment, a workspace instance is deployed for each environment. Een veelvoorkomend scenario voor deze installatie is een gereguleerde werk plek met een duidelijke schei ding van taken tussen omgevingen en voor gebruikers die toegang hebben tot bronnen voor deze omgevingen.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.

De voor delen van deze installatie zijn:The benefits of this setup are:

  • Gefaseerde implementatie van Machine Learning werk stromen en artefacten.Staged rollout of Machine Learning workflows and artifacts. Bijvoorbeeld modellen in verschillende omgevingen, met de mogelijkheid om de flexibiliteit te verg Roten en de time-to-implementatie te reduceren.For example, models across environments, with the potential of enhancing agility and reducing time-to-deployment.

  • Verbeterde beveiliging en beheer van resources omdat u de mogelijkheid hebt om meer toegangs beperkingen in downstream-omgevingen toe te wijzen.Enhanced security and control of resources because you have the ability to assign more access restrictions in downstream environments.

  • Trainings scenario's voor productie gegevens in niet-ontwikkel omgevingen, omdat u een groep gebruikers toegang kunt geven.Training scenarios on production data in non-development environments because you can give a select group of users access.

Een voor deel van deze benadering is dat u een risico vormt voor meer beheer en proces overhead sinds deze installatie vereist een nauw keurig proces voor de ontwikkeling en implementatie van Machine Learning artefacten in de werkruimte-exemplaren.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. Daarnaast kunnen gegevens beheer en technische inspanningen nodig zijn om productie gegevens beschikbaar te maken voor training in de ontwikkel omgeving.Additionally, data management and engineering effort might be required to make production data available for training in the development environment. Toegangs beheer is vereist om een team toegang te geven tot het oplossen en onderzoeken van incidenten in de productie omgeving.Access management is required for you to give a team access to resolve and investigate incidents in production. En ten slotte is de technische expertise van Azure DevOps en Machine Learning nodig in uw team om Automation-werk stromen te implementeren.And finally, Azure DevOps and Machine Learning engineering expertise is needed on your team to implement automation workflows.

Implementatie van meerdere omgevingen

Eén omgeving met beperkte gegevens toegang, één met productie gegevens toegang: Wanneer u deze instelling kiest, wordt Azure Machine Learning geïmplementeerd in twee omgevingen: één omgeving met beperkte gegevens toegang en één omgeving met productie gegevens toegang.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. Deze instelling is gebruikelijk als u behoefte hebt aan de schei ding van ontwikkel-en productie omgevingen.This setup is common if you have a requirement to segregate development and production environments. Als u bijvoorbeeld werkt met beperkingen van de organisatie om productie gegevens beschikbaar te stellen in een wille keurige omgeving of wanneer u ontwikkelings werkzaamheden wilt scheiden van productie werkzaamheden zonder dat er gegevens hoeven te worden gedupliceerd als gevolg van de hoge kosten van onderhoud.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.

Het voor deel van deze installatie is de duidelijke schei ding van taken en toegang tussen ontwikkel-en productie omgevingen.The benefit of this setup is the clear separation of duties and access between development and production environments. Een ander voor deel is dat de overhead van resource beheer lager is in vergelijking met een implementatie scenario met meerdere omgevingen.Another benefit is lower resource management overhead when compared to a multi-environment deployment scenario.

Een overweging voor deze aanpak is een gedefinieerd ontwikkelings-en implementatie proces voor Machine Learning artefacten in werk ruimten is vereist.A consideration for this approach a defined development and rollout process for Machine Learning artifacts across workspaces is required. Een andere overweging is het mogelijk maken van gegevens beheer en technische inspanningen vereist om productie gegevens beschikbaar te stellen voor training in een ontwikkel omgeving.Another consideration is data management and engineering effort might be required to make production data available for training in a development environment. Het kan echter relatief minder inspanning vergen dan een implementatie van een werk ruimte met meerdere omgevingen.However, it might require relatively less effort than a multi-environment workspace deployment.

Eén omgeving met beperkte gegevens toegang, één omgeving met toegang tot productie gegevens

Regio's en resource instellenRegions and resource setup

De locatie van uw resources, gegevens of gebruikers kan vereisen dat u Azure Machine Learning werkruimte-instanties en gekoppelde resources in meerdere Azure-regio's maakt.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. Eén project kan bijvoorbeeld zijn resources in de Azure-regio's Europa-west en Oost beslaan voor prestatie-, kosten-en nalevings redenen.For example, one project might span its resources across the West Europe and East US Azure regions for performance, cost, and compliance reasons. De volgende scenario's zijn gebruikelijk:The following scenarios are common:

Regionale training: De machine learning trainings taken worden uitgevoerd in dezelfde Azure-regio als waar de gegevens zich bevinden.Regional training: The machine learning training jobs run in the same Azure region as where the data is located. In deze installatie wordt een Machine Learning-werk ruimte geïmplementeerd voor elke Azure-regio waarin de gegevens zich bevinden.In this setup, a Machine Learning workspace is deployed to each Azure region where data is located. Het is een veelvoorkomend scenario wanneer u werkt onder naleving of als u beperkingen hebt op het gebied van gegevens verplaatsing in verschillende regio's.It's a common scenario when you are acting under compliance, or when you have data movement constraints across regions.

Het voor deel van deze installatie kan experimenteren in het Data Center waar de gegevens zich bevinden met de minste netwerk latentie.The benefit of this setup is experimentation can be done in the data center where the data is located with the least network latency. Een overweging voor deze aanpak is wanneer een Machine Learning pijp lijn wordt uitgevoerd in meerdere werk ruimte-instanties, er meer beheer complexiteit aan is toegevoegd.A consideration for this approach is when a Machine Learning pipeline is run across multiple workspace instances, it adds more management complexity. Het is lastig om de resultaten van experimenten te vergelijken met verschillende instanties en de overhead aan quota-en reken beheer toe te voegen.It becomes challenging to compare experimentation results across instances and adds overhead to quota and compute management.

Als u opslag ruimte wilt koppelen aan regio's, maar reken kracht van de ene regio wilt gebruiken, Azure Machine Learning ondersteunt het scenario voor het koppelen van opslag accounts in een regio in plaats van de werk ruimte.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. Meta gegevens, zoals metrieken, worden opgeslagen in de werkruimte regio.Metadata, for example metrics, will be stored in the workspace region.

Regionale training

Regionaal behoud: Machine Learning Services worden geïmplementeerd in de buurt van de doel groep.Regional serving: Machine Learning services are deployed close to where the target audience lives. Als doel gebruikers zich bijvoorbeeld in Australië bevinden en de belangrijkste opslag-en experimenten regio is Europa-west, implementeert u de Machine Learning werk ruimte voor experimenten in Europa-west en implementeert u een AKS-cluster voor de implementatie van een eind punt in Australië.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.

De voor delen van deze installatie zijn de kans op het afnemen van gegevens in het Data Center waar nieuwe gegevens worden opgenomen, waarbij latentie en verplaatsing van gegevens worden geminimaliseerd en de naleving van lokale voor Schriften.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.

Een overweging voor deze aanpak is een configuratie met meerdere regio's en biedt een aantal voor delen, maar voegt ook meer overhead toe voor quotum-en reken beheer.A consideration for this approach is a multi-region setup provides several advantages, it also adds more overhead on quota and compute management. Als er sprake is van een batch-demijning, kan voor regionale verwerking een implementatie met meerdere werk ruimten vereist zijn.When there is a requirement for batch inferencing, regional serving might require a multi-workspace deployment. Gegevens die worden verzameld via het afdwingen van eind punten, moeten mogelijk worden overgedragen over verschillende regio's voor het opnieuw trainen van scenario's.Data collected through inferencing endpoints might require to be transferred across regions for retraining scenarios.

Regionaal behoud

Regionale fijnafstelling: Een basis model wordt getraind voor een eerste gegevensset, bijvoorbeeld open bare gegevens of gegevens uit alle regio's, en is later afgestemd op een regionale gegevensset.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. De regionale gegevensset kan alleen voor komen in een bepaalde regio vanwege compatibiliteit of beperkingen op het gebied van gegevens verplaatsing.The regional dataset might only exist in a particular region because of compliance or data movement constraints. De basis model training kan bijvoorbeeld worden uitgevoerd in een werk ruimte in regio A, terwijl u in een werk ruimte in regio B een verfijnings aanpassing kunt uitvoeren.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.

Het voor deel van deze installatie is dat er experimenteert met het Data Center waarin de gegevens zich bevinden en nog steeds gebruikmaken van basis model training in een grotere gegevensset in een eerdere pijplijn fase.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.

Houd er rekening mee dat deze benadering de mogelijkheid biedt om complexe experimenten te maken, maar kan echter meer uitdagingen opleveren.A consideration is this approach provides the ability for complex experimentation pipelines, however it might create more challenges. U kunt bijvoorbeeld Experimenteer resultaten vergelijken tussen regio's en meer overhead toevoegen aan quota en reken beheer.For example, comparing experiment results across regions and more adding more overhead to quota and compute management.

Regionale fijnafstelling

Referentie-implementatieReference implementation

Ter illustratie van de implementatie van Azure Machine Learning in een grotere instelling, wordt in deze sectie uitgelegd hoe de organisatie Contoso is ingesteld Azure Machine Learning heeft gezien de beperkingen, rapportage en budget vereisten voor het bedrijf: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 maakt resource groepen op basis van oplossingen voor kosten beheer en rapportage redenen.Contoso creates resource groups on a solution basis for cost management and reporting reasons.

  • IT-beheerders maken alleen resource groepen en resources voor gefinancierde oplossingen om te voldoen aan de budget vereisten.IT administrators only create resource groups and resources for funded solutions to meet budget requirements.

  • Vanwege de explorative en onzekere aard van de gegevens wetenschap, moeten gebruikers een plek hebben om te experimenteren en te werken voor het verkennen van gebruik en gegevens.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. Explorative werken vaak niet rechtstreeks aan een bepaalde use-case, en kunnen alleen worden gekoppeld aan R&D-budget.Explorative work many times can’t be directly associated to a particular use case, and can be associated only to R&D budget. Contoso wil een aantal Machine Learning resources op een centraal ogenief financieren dat iedereen kan gebruiken voor onderzoek doeleinden.Contoso is looking to fund some Machine Learning resources centrally that anyone can use for exploration purposes.

  • Zodra een Machine Learning use case in de explorative omgeving kan slagen, kunnen teams resource groepen aanvragen.Once a Machine Learning use case proves to be successful in the explorative environment, teams can request resource groups. Voor beeld: dev, QA en Prod voor iteratief Experimenteer project werk, en toegang tot productie gegevens bronnen kan worden ingesteld.For example, Dev, QA, and Prod for iterative experimentation project work, and access to production data sources can be set up.

  • Voor waarden voor gegevens scheiding en naleving mogen geen live productie gegevens voor komen in ontwikkel omgevingenData segregation and compliance requirements don’t allow live production data to exist in development environments

  • Er zijn verschillende RBAC-vereisten voor verschillende gebruikers groepen per omgeving, bijvoorbeeld toegang is meer beperkend in productie.Different RBAC requirements exist for various user groups by IT policy per environment, for example access is more restrictive in production.

  • Alle gegevens, experimenten en destoringen worden uitgevoerd in één Azure-regio.All data, experimentation, and inferencing is done in a single Azure region.

Om aan de bovenstaande vereisten te voldoen, heeft Contoso hun resources op de volgende manier ingesteld:To adhere to the above requirements, Contoso has set up their resources in the following way:

  • Azure Machine Learning-werk ruimten en resource groepen hebben een bereik per project om budget tering en use-case-schei ding vereisten te volgen.Azure Machine Learning workspaces and resource groups are scoped per project to follow budgeting and use case segregation requirements.
  • Een configuratie met meerdere omgevingen voor Azure Machine Learning en gekoppelde resources voor het oplossen van kosten beheer, RBAC en vereisten voor gegevens toegang.A multiple-environment setup for Azure Machine Learning and associated resources to address cost management, RBAC, and data access requirements.
  • Een enkele resource groep en Machine Learning-werk ruimte die is toegewezen voor verkennen.A single resource group and Machine Learning workspace that is dedicated for exploration.
  • Azure Active Directory groepen die verschillend zijn per gebruikersrol en omgeving, bijvoorbeeld bewerkingen die een gegevens wetenschapper kan uitvoeren in een productie omgeving, zijn anders dan in de ontwikkel omgeving, en de toegangs niveaus kunnen per oplossing verschillen.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.
  • Alle resources worden gemaakt in één Azure-regioAll resources are created in a single Azure region

Implementatie contoso-referentie