Azure Machine Learning maliyetlerini yönetmeyi planlayın

Bu makalede Azure Machine Learning maliyetlerinin nasıl planlanacağı ve yönetileceği açıklanmaktadır. İlk olarak, herhangi bir kaynak eklemeden önce maliyetleri planlamaya yardımcı olması için Azure Fiyatlandırma hesaplayıcısı ' nı kullanın. Daha sonra, Azure kaynaklarını eklerken Tahmini maliyetleri gözden geçirin.

Azure Machine Learning kaynaklarını kullanmaya başladıktan sonra, bütçe ayarlamak ve maliyetleri izlemek için maliyet yönetimi özelliklerini kullanın. Ayrıca tahmin edilen maliyetleri gözden geçirin ve hareket etmek isteyebileceğiniz bölgeleri belirlemek için harcama eğilimlerini belirler.

Azure Machine Learning maliyetlerinin yalnızca Azure faturanızda bulunan aylık maliyetlerin yalnızca bir kısmı olduğunu anlayın. Diğer Azure hizmetlerini kullanıyorsanız, üçüncü taraf hizmetler de dahil olmak üzere Azure aboneliğinizde kullanılan tüm Azure hizmetleri ve kaynakları için faturalandırılırsınız. Bu makalede, Azure Machine Learning maliyetlerinin nasıl planlanacağı ve yönetileceği açıklanmaktadır. Azure Machine Learning maliyetlerini yönetme hakkında bilgi sahibi olduktan sonra, aboneliğinizde kullanılan tüm Azure hizmetlerinin maliyetlerini yönetmek için benzer yöntemler uygulayın.

Maliyetleri iyileştirme hakkında daha fazla bilgi için bkz. Azure Machine Learning maliyeti yönetme ve iyileştirme.

Önkoşullar

Maliyet yönetimi 'nde maliyet analizi, çoğu Azure hesap türünü destekler, ancak bunların tümünü kullanmaz. Desteklenen hesap türlerinin tam listesini görüntülemek için, bkz. Maliyet Yönetimi verilerini anlama.

Maliyet verilerini görüntülemek için bir Azure hesabı için en azından okuma erişiminizin olması gerekir. Azure Maliyet Yönetimi verilerine erişim atama hakkında daha fazla bilgi için bkz. Verilere erişim atama.

Azure Machine Learning kullanmadan önce maliyetleri tahmin etme

• Azure Machine Learning çalışma alanında kaynakları oluşturmadan önce maliyetleri tahmin etmek için Azure fiyatlandırma hesaplayıcısı ' nı kullanın. sol tarafta aı + Machine Learning ve ardından başlamak için Azure Machine Learning öğesini seçin.

Aşağıdaki ekran, hesaplayıcı kullanılarak maliyet tahmini gösterir:

Çalışma alanınıza yeni kaynaklar eklerken bu Hesaplayıcı 'a dönün ve maliyet tahminlerinizi güncelleştirmek için aynı kaynağı buraya ekleyin.

daha fazla bilgi için bkz. Azure Machine Learning fiyatlandırması.

Azure Machine Learning için tam faturalandırma modelini anlayın

Azure Machine Learning, yeni kaynağı dağıtırken Azure Machine Learning ile birlikte maliyetleri tahakkuk eden Azure altyapısında çalışır. Ek altyapının maliyeti tahakkuk edebileceğini anlamak önemlidir. Dağıtılan kaynaklarda değişiklik yaptığınızda bu maliyeti yönetmeniz gerekir.

Genellikle Azure Machine Learning ile tahakkuk eden maliyetler

bir Azure Machine Learning çalışma alanı için kaynak oluşturduğunuzda, diğer Azure hizmetlerine yönelik kaynaklar da oluşturulur. Bunlar:

• Azure Container Registry Temel hesap
• Azure blok blobu Depolama (genel amaçlı v1)
• Anahtar Kasası
• Uygulama Bilgileri

Bir işlem örneğioluşturduğunuzda, sanal makine çalışmanız için kullanılabilir durumda kalır. Kullanmayı planlamadığınızda maliyeti kaydetmek için işlem örneğini (Önizleme) otomatik olarak başlatmak ve durdurmak üzere bir zamanlama ayarlayın .

Kaynak silinmeden önce maliyetler tahakkuk edebilir

Azure portal veya Azure clı ile bir Azure Machine Learning çalışma alanını silmeden önce, çalışma alanında etkin bir şekilde çalışmadığınızda bile, aşağıdaki alt kaynaklar biriktiren ortak maliyetlerdir. daha sonraki bir zamanda Azure Machine Learning çalışma alanınıza döndürmeyi planlıyorsanız, bu kaynaklar maliyetleri tahakkuk etmeye devam edebilir.

• VM'ler
• Load Balancer
• Sanal Ağ
• Bant genişliği

Her VM, çalıştığı saat başına faturalandırılır. Maliyet, VM belirtimlerine bağlıdır. Çalışan ancak bir veri kümesi üzerinde etkin olarak çalışmayan VM 'Ler yük dengeleyici üzerinden ücretlendirilir. Her işlem örneği için, bir yük dengeleyici günlük olarak faturalandırılır. Bir işlem kümesinin her 50 düğümü, faturalandırılan bir standart yük dengeleyiciye sahip olur. Her yük dengeleyici $0.33/gün içinde faturalandırılır. Durdurulmuş işlem örnekleri ve işlem kümelerinde yük dengeleyici maliyetlerinden kaçınmak için, işlem kaynağını silin. Bir sanal ağ, abonelik ve bölge başına faturalandırılır. Sanal ağlar bölge veya aboneliklere yayılamaz. VNet kurulumlarda özel uç noktaları ayarlamak da ücret uygulanabilir. Bant genişliği kullanıma göre ücretlendirilir; daha fazla veri aktarıldığından, ücretlendirilirsiniz.

Kaynak silme işleminin ardından maliyetler tahakkuk edebilir

Azure portal veya Azure clı ile bir Azure Machine Learning çalışma alanını sildikten sonra, aşağıdaki kaynaklar mevcut olmaya devam eder. Bunlar silinene kadar maliyetleri tahakkuk ettirmeye devam eder.

• Azure Container Registry
• Azure blok blobu Depolama
• Key Vault
• Application Insights

Çalışma alanını bu bağımlı kaynaklarla birlikte silmek için SDK 'Yı kullanın:

ws.delete(delete_dependent_resources=True)

Çalışma alanınızda Azure Kubernetes hizmeti (AKS) oluşturursanız veya çalışma alanınıza herhangi bir işlem kaynağı eklerseniz, bunları Azure Portalayrı olarak silmeniz gerekir.

Azure Machine Learning ile Azure ön ödeme kredisi kullanma

Azure ön ödeme krediniz ile Azure Machine Learning ücretleri için ödeme yapabilirsiniz. Ancak Azure ön ödeme kredisi, Azure Marketi 'nden dahil olan üçüncü taraf ürün ve hizmetlerine yönelik ücretler için ödeme yapmak üzere kullanamazsınız.

Azure portalında tahmini maliyetleri gözden geçirme

Azure Machine Learning için işlem kaynakları oluştururken tahmini maliyetleri görürsünüz.

• İşlem örneği * oluşturmak ve tahmini fiyatı görüntülemek için:

1. Azure Machine Learning studio 'da oturum açın
2. Sol tarafta işlem' ı seçin.
3. Üstteki araç çubuğunda + Yeni' yi seçin.
4. Her kullanılabilir sanal makine boyutu için ' de gösterilen tahmini fiyatı gözden geçirin.
5. Kaynağı oluşturmayı tamamlama.

Azure aboneliğinizin harcama limiti varsa, Azure kredi miktarınızdan harcamanıza engel olur. Azure kaynaklarını oluştururken ve kullanırken kredileriniz kullanılır. Kredi sınırınıza ulaştığınızda, dağıttığınız kaynaklar bu fatura döneminin geri kalanı için devre dışı bırakılır. Kredi sınırınızı değiştiremezsiniz, ancak kaldırabilirsiniz. Harcama limitleri hakkında daha fazla bilgi için bkz. Azure harcama limiti.

Maliyetleri izleme

Azure Machine Learning ile Azure kaynaklarını kullanırken maliyetleriniz vardır. Azure Kaynak kullanımı birim maliyetleri zaman aralıklarına (saniye, dakika, saat ve gün) veya birim kullanımı (bayt, megabayt vb.) göre farklılık gösterir. Azure Machine Learning kullanımı başladığı anda maliyetler ücretlendirilir ve maliyet analizindemaliyetleri görebilirsiniz.

maliyet analizini kullandığınızda, grafikler ve tablolardaki Azure Machine Learning maliyetlerini farklı zaman aralıkları için görüntüleyebilirsiniz. Bazı örnekler güne, geçerli ve önceki aya ve yıla göre yapılır. Ayrıca bütçeleri ve tahmin edilen maliyetleri de görüntüleyebilirsiniz. Zamana göre daha uzun görünümlere geçiş yapmak harcama eğilimlerini belirlemenize yardımcı olabilir. Ve fazla harcama oluşmuş olabileceğini görürsünüz. Bütçeleri oluşturduysanız, nerede aşıldığınızı da kolayca görebilirsiniz.

maliyet analizinde Azure Machine Learning maliyetlerini görüntülemek için:

1. Azure portalında oturum açın.
2. Azure portal kapsamı açın ve menüden Maliyet Analizi ' ni seçin. Örneğin, abonelikler' e gidin, listeden bir abonelik seçin ve ardından menüde Maliyet Analizi ' ni seçin. Maliyet analizinde farklı bir kapsama geçiş yapmak için kapsam ' ı seçin.
3. Varsayılan olarak, hizmetlerin maliyeti ilk halka grafiğinde gösterilir. Azure Machine Learning etiketli grafikteki alanı seçin.

Maliyet analizini ilk kez açtığınızda gerçek aylık maliyetler gösterilir. Tüm aylık kullanım maliyetlerini gösteren bir örnek burada vetir.

Maliyetler gibi tek bir hizmetin maliyetlerini daraltmak Azure Machine Learning Filtre ekle'yi ve ardından Hizmet adı'ı seçin. Ardından, öğesini Azure Machine Learning.

Yalnızca maliyetler için maliyetleri gösteren bir örnek Azure Machine Learning.

Önceki örnekte hizmetin geçerli maliyetini görüyorsunuz. Kaynak grubuna göre Azure bölgelerine (konumlara) Azure Machine Learning maliyetleri de gösterilir. Buradan maliyetleri kendi başına keşfedersiniz.

Bütçe oluşturma

Maliyetleri yönetmek için bütçeler oluşturabilir ve paydaşları harcama anormallikleri ve fazla harcama riskleri ile ilgili otomatik olarak bilgilendiren uyarılar oluşturabilirsiniz. Uyarılar, bütçe ve maliyet eşiklerine kıyasla harcamaya göre belirlenir. Bütçeler ve uyarılar Azure abonelikleri ve kaynak grupları için oluşturulur, bu nedenle genel maliyet izleme stratejisinin bir parçası olarak yararlıdır.

İzlemede daha fazla ayrıntıya sahip olmak için Azure'daki belirli kaynaklara veya hizmetlere yönelik filtrelerle bütçeler oluşturulabilir. Filtreler, yanlışlıkla ek para maliyetine sahip yeni kaynaklar oluşturmamanıza yardımcı olur. Bütçe oluşturmada filtre seçenekleri hakkında daha fazla bilgi için bkz. Grup ve filtre seçenekleri.

Maliyet verilerini dışarı aktarma

Maliyet verilerinizi bir depolama hesabına da aktarabilirsiniz. Bu, maliyetler için ek veri analizi yapmak için veya başkalarını ihtiyacınız olduğunda yararlı olur. Örneğin, finans ekipleri verileri analiz etmek için Excel veya Power BI. Maliyetlerinizi günlük, haftalık veya aylık zamanlamayla dışarı aktararak özel bir tarih aralığı oluşturabilirsiniz. Maliyet verilerini dışarı aktarma, maliyet veri kümelerini almak için önerilen yoldur.

Maliyetler için maliyetleri yönetmenin ve azaltmanın diğer Azure Machine Learning

İşlem kaynağı maliyetlerinizi yönetmenize ve iyileştirmenize yardımcı olmak için aşağıdaki ipuçlarını kullanın.

• Eğitim kümelerinizi otomatik ölçeklendirme için yapılandırma
• Aboneliğiniz ve çalışma alanlarınız için kota ayarlama
• Eğitim çalıştırmanız üzerinde sonlandırma ilkeleri ayarlama
• Düşük öncelikli sanal makineleri (VM) kullanma
• İşlem örneklerini otomatik olarak kapatacak ve başlatacak şekilde zamanlama
• Azure Ayrılmış VM Örneği kullanma
• Yerel olarak eğitin
• Eğitimi paralelleştirme
• Veri saklama ve silme ilkelerini ayarlama
• Kaynakları aynı bölgeye dağıtma
• Yakın gelecekte kullanmayı planlamıyorsanız örnekleri ve kümeleri silin.

Daha fazla bilgi için bkz. Azure Machine Learning.

Sonraki adımlar

• içinde maliyetleri yönetme ve iyileştirme Azure Machine Learning.
• Kurumsal ölçekte bütçeleri, maliyetleri ve Azure Machine Learning kotasını yönetme
• Azure Maliyet Yönetimi ile bulut yatırımlarınızı iyileştirmeyi öğrenin.
• Maliyet analiziyle maliyetleri yönetme hakkında daha fazla bilgi.
• Beklenmeyen maliyetleri önlemeyi öğrenin.
• Maliyet Yönetimi destekli öğrenme kursuna göz atabilirsiniz.