Compartilhar via


Planejar para gerenciar custos para o Azure Machine Learning

Este artigo descreve como planejar e gerenciar custos para o Azure Machine Learning. Primeiro, você deve usar a calculadora de preços do Azure para ajudar a planejar os custos antes de adicionar qualquer recurso. Em seguida, examine os custos estimados enquanto adiciona recursos do Azure.

Depois de começar a usar os recursos do Azure Machine Learning, use as funcionalidade do Gerenciamento de Custos para definir orçamentos e monitorar custos. Você também pode examinar os custos previstos e identificar as tendências de gastos para identificar as áreas em que talvez queira agir.

Entenda que os custos de Azure Machine Learning são apenas uma parte dos custos mensais em sua fatura do Azure. Se você usar outros serviços do Azure, a cobrança incidirá sobre todos os serviços e recursos usados em sua assinatura do Azure, incluindo serviços de terceiros. Este artigo explica como planejar e gerenciar custos para o Azure Machine Learning. Depois de estar familiarizado com o gerenciamento de custos para o Azure Machine Learning, você pode aplicar métodos semelhantes para gerenciar os custos de todos os serviços do Azure usados em sua assinatura.

Para obter mais informações sobre a otimização dos custos, consulte Gerenciar e otimizar os custos no Azure Machine Learning.

Pré-requisitos

A análise de custos no Gerenciamento de Custos da Microsoft dá suporte à maioria dos tipos de conta do Azure, mas não a todos eles. Para exibir a lista completa dos tipos de contas compatíveis, confira Entender os dados do Gerenciamento de Custos.

Para visualizar os dados de custo, você precisará ter pelo menos acesso de leitura para uma conta do Azure. Para obter informações sobre como atribuir o acesso aos dados do Gerenciamento de Custos, confira Atribuir acesso aos dados.

Estimar os custos antes de usar Azure Machine Learning

Use a calculadora de preços do Azure para estimar os custos antes de criar os recursos em um workspace do Azure Machine Learning. No lado esquerdo da calculadora de preços, selecione IA + Machine Learning, depois selecione Azure Machine Learning para começar.

A captura de tela a seguir mostra um exemplo de estimativa de custo na calculadora de preços:

Captura de tela que mostra um exemplo de custo estimado na calculadora de preços do Azure.

Ao adicionar recursos ao seu espaços de trabalho, retorne a esta calculadora e adicione os mesmos recursos aqui a fim de atualizar as estimativas de custo.

Para saber mais, consulte as Preço do Azure Machine Learning.

Entender o modelo de cobrança completo para o Azure Machine Learning

O Azure Machine Learning é executado na infraestrutura do Azure que acumula custos junto com Azure Machine Learning quando você implanta o novo recurso. É importante entender que infraestrutura adicional pode gerar custos. Você precisa gerenciar esse custo ao fazer alterações nos recursos implantados.

Custos que normalmente se acumulam com Azure Machine Learning

Quando você cria recursos para um espaço de trabalho Azure Machine Learning, os recursos para outros serviços do Azure também são criados. Eles são:

Quando você cria uma instância de computação, a máquina virtual (VM) permanece ligada para que esteja disponível para seu trabalho.

  • Habilite o desligamento ocioso para reduzir os custos quando a VM ficar ociosa por um período especificado.
  • Ou configure um agendamento para iniciar e parar automaticamente a instância de computação a fim de reduzir os custos quando não pretender usá-la.

Custos podem ser acumulados antes da exclusão do recurso

Antes de excluir um workspace do Azure Machine Learning no portal do Azure ou com a CLI do Azure, os seguintes sub-recursos são custos comuns que se acumulam mesmo quando você não está trabalhando ativamente no workspace. Caso planeje retornar ao seu workspace do Azure Machine Learning mais tarde, esses recursos poderão continuar a acumular custos.

  • VMs
  • Load Balancer
  • Rede Virtual do Azure
  • Largura de banda

Cada VM é cobrada por hora executada. O custo depende das especificações da VM. As VMs que forem executadas, mas que não funcionem ativamente em um conjunto de dados ainda serão cobradas por meio do balanceador de carga. Para cada instância de computação, um balanceador de carga é cobrado por dia. Cada 50 nós de um cluster de computação têm um balanceador de carga padrão cobrado. Cada balanceador de carga é cobrado cerca de US$ 0,33/dia. Para evitar custos do balanceador de carga nas instâncias de computação e nos clusters de computação interrompidos, exclua o recurso de computação.

As instâncias de computação também incorrem em custos de disco P10 mesmo no estado parado, porque qualquer conteúdo do usuário salvo nelas persiste em todo o estado parado, semelhante às VMs do Azure. Estamos trabalhando para tornar o tamanho/tipo de disco do SO configurável para controlar melhor os custos. Para as Redes Virtuais do Azure, uma rede virtual é cobrada por assinatura e por região. As VNets não podem abranger regiões ou assinaturas. A configuração de pontos de extremidade privados em uma rede virtual também pode incorrer em cobranças. Se sua rede virtual usar um Firewall do Azure, isso também poderá incorrer em cobranças. Os preços da largura de banda refletem o uso: quanto mais dados forem transferidos, maior será a cobrança.

Dica

  • O uso de um recurso de rede virtual gerenciada do Azure Machine Learning é gratuito. No entanto, alguns recursos da rede gerenciada dependem do Link Privado do Azure (para pontos de extremidade privados) e do Firewall do Azure (para regras de FQDN), os quais incorrerão em cobranças. Para obter mais informações, consulte Isolamento da rede virtual gerenciada.
  • O ponto de extremidade online gerenciado usa VMs para as implantações. Se você enviou uma solicitação para criar uma implantação online e ocorreu uma falha, a implantação pode ter passado da fase em que a computação é criada. Nesse caso, a implantação com falha seria cobrada. Se tiver terminado de depurar ou de investigar a falha, você pode excluir as implantações com falha para economizar no custo.

Custos podem ser acumulados após a exclusão de recursos

Após excluir um espaço de trabalho Azure Machine Learning no portal do Azure ou com CLI do Azure, os recursos a seguir continuam existindo. Eles continuarão a acumular custos até que você os exclua.

  • Registro de Contêiner do Azure
  • Armazenamento do Blobs do Azure
  • Key Vault
  • Application Insights

Para excluir o espaço de trabalho junto com estes recursos dependentes, use o SDK:

APLICA-SE A: SDK do Python azure-ai-ml v2 (atual)

from azure.ai.ml.entities import Workspace
ml_client.workspaces.begin_delete(name=ws.name, delete_dependent_resources=True)

Se você criar o Serviço de Kubernetes do Azure (AKS) no seu espaço de trabalho, ou se anexar quaisquer recursos de computação ao seu espaço de trabalho, será necessário excluí-los separadamente no portal do Azure.

Usar o crédito de pagamento antecipado do Azure com Azure Machine Learning

Você pode pagar os encargos do Azure Machine Learning usando seu crédito de pagamento antecipado do Azure. No entanto, você não pode usar o crédito de pagamento antecipado do Azure para pagar produtos e serviços de terceiros, inclusive aqueles do Azure Marketplace.

Examinar os custos estimados no portal do Azure

Ao criar recursos de computação para o Azure Machine Learning, você verá os custos estimados.

Para criar uma instância de computação e exibir o preço estimado:

  1. Entre no Estúdio do Azure Machine Learning.
  2. No lado esquerdo, selecione Computação.
  3. Na barra de ferramentas superior, selecione +Novo.
  4. Examine o preço estimado mostrado para cada tamanho de máquina virtual disponível.
  5. Finalize a criação do recurso.

Captura de tela mostrando os custos estimados para criar uma instância de computação.

Se sua assinatura do Azure tiver um limite de gastos, o Azure impedirá que você gaste acima do seu valor de crédito. Conforme você cria e usa os recursos do Azure, seus créditos são usados. Quando você atingir seu limite de crédito, os recursos implantados serão desabilitados para o restante desse período de cobrança. Você não pode alterar seu limite de crédito, mas pode removê-lo. Para obter mais informações sobre limites de gastos, consulte Limite de gastos do Azure.

Monitorar custos

Há custos para usar recursos do Azure com o Azure Machine Learning. Os custos de unidade de uso de recursos do Azure variam de acordo com os intervalos de tempo (segundos, minutos, horas e dias) ou por uso de unidade (bytes, megabytes e assim por diante). Assim que o Azure Machine Learning iniciar, os custos serão incorridos e você poderá ver os custos na análise de custo.

Ao usar a análise de custo, você exibe os custos do Azure Machine Learning em gráficos e tabelas para intervalos de tempo diferentes. Alguns exemplos são por dia, mês atual e anterior e ano. Você também visualiza os custos em relação aos orçamentos e os custos previstos. Alternar para exibições mais extensas ao longo do tempo pode ajudar você a identificar tendências de gastos. E você verá onde pode ter ocorrido excessos de gastos. Se você cria orçamentos, também pode ver facilmente o local em que eles foram excedidos.

Para exibir os custos do Azure Machine Learning na análise de custos:

  1. Entre no portal do Azure.
  2. Abra o escopo no portal do Azure e selecione Análise de custos no menu. Por exemplo, navegue até Inscrições, selecione uma assinatura na lista e depois escolha Análise de custo no menu. Selecione Escopo para alternar para um escopo diferente na análise de custos.
  3. Por padrão, os custos dos serviços são mostrados no primeiro gráfico de rosca. Selecione a área no gráfico rotulada Azure Machine Learning.

Os custos mensais reais são mostrados quando a análise de custo é aberta inicialmente. Aqui está um exemplo que mostra todos os custos mensais de uso.

Captura de tela mostrando os custos acumulados de uma assinatura.

Para restringir os custos a um único serviço, como o Azure Machine Learning, selecione Adicionar filtro e escolha Nome do serviço. Em seguida, selecione Máquinas virtuais.

Veja um exemplo que mostra os custos apenas para o Azure Machine Learning.

Captura de tela mostrando os custos acumulados do ServiceName.

No exemplo anterior, você vê o custo atual do serviço. São mostrados também os custos por região do Azure (localizações) e Azure Machine Learning por grupo de recursos. A partir daqui, você poderá explorar os custos por conta própria.

Criar orçamentos

É possível criar orçamentos para gerenciar custos e criar alertas que notificam automaticamente os stakeholders de anomalias de gastos e risco de gastos em excesso. Os alertas são baseados nos gastos comparados com os limites de orçamento e de custo. Orçamentos e alertas são criados para assinaturas e grupos de recursos do Azure, para que sejam úteis como parte de uma estratégia de monitoramento de custo geral.

Os orçamentos podem ser criados com filtros para recursos ou serviços específicos no Azure se você quiser mais granularidade no monitoramento. Os filtros ajudam a garantir que você não crie acidentalmente novos recursos com custo extra. Para obter mais informações sobre as opções de filtro ao criar um orçamento, confira Opções de grupo e filtro.

Exportar dados de custo

Você também pode exportar seus dados de custo para uma conta de armazenamento. Isso é útil quando você ou outras pessoas precisam realizar mais análises de dados para custos. Por exemplo, uma equipe de finanças pode analisar os dados usando o Excel ou o Power BI. Você pode exportar seus custos em uma agenda diária, semanal ou mensal e definir um intervalo de datas personalizado. A exportação de dados de custo é a maneira recomendada de recuperar conjuntos de dados de custos.

Outras maneiras de gerenciar e reduzir custos para o Azure Machine Learning

Use as dicas a seguir para ajudá-lo a gerenciar e otimizar os custos de recursos de computação.

  • Configure seus clusters de treinamento para o dimensionamento automático.
  • Configure seus pontos de extremidade online gerenciados para dimensionamento automático.
  • Defina cotas em sua assinatura e espaços de trabalho.
  • Defina políticas de encerramento no trabalho de treinamento.
  • Use máquinas virtuais de baixa prioridade.
  • Agende instâncias de computação para ligar e desligar automaticamente.
  • Use uma Instância de VM Reservada do Azure.
  • Treine localmente.
  • Paralelize o treinamento.
  • Defina políticas de retenção e exclusão de dados.
  • Implante recursos na mesma região.
  • Exclua instâncias, clusters e/ou implantações online se você não planeja usá-los em breve.
  • Exclua as implantações com falha se as computações foram criadas para elas.

Para obter mais informações, confira Gerenciar e otimizar os custos do Azure Machine Learning.

Próximas etapas