Gestire le aree di lavoro di Azure Machine Learning nel portale o con Python SDK (v2)

SI APPLICA A: Python SDK azure-ai-ml v2 (corrente)

Questo articolo illustra come creare, visualizzare ed eliminare aree di lavoro di Azure Machine Learning per Azure Machine Learning, con il portale di Azure o con l’SDK per Python.

Man mano che le esigenze cambiano o aumentano i requisiti di automazione, è possibile gestire le aree di lavoro con l'interfaccia della riga di comando, Azure PowerShell o tramite l'estensione Visual Studio Code.

Prerequisiti

• Una sottoscrizione di Azure. Se non si ha una sottoscrizione di Azure, creare un account gratuito prima di iniziare. Provare la versione gratuita o a pagamento di Azure Machine Learning.
• Con Python SDK:

  1. Installare l'SDK v2.

  2. Installare azure-identity: pip install azure-identity. Se si trova in una cella del notebook, usare %pip install azure-identity.

  3. Fornire i dettagli della sottoscrizione:

     SI APPLICA A: Python SDK azure-ai-ml v2 (corrente)

     # Enter details of your subscription
     subscription_id = "<SUBSCRIPTION_ID>"
     resource_group = "<RESOURCE_GROUP>"

  4. Ottenere un handle per la sottoscrizione. Tutto il codice Python in questo articolo usa ml_client:

     # get a handle to the subscription
     
     from azure.ai.ml import MLClient
     from azure.identity import DefaultAzureCredential
     
     ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)

     • (Facoltativo) Se si dispone di più account, aggiungere l'ID tenant del Microsoft Entra ID da usare in DefaultAzureCredential. Trovare l'ID tenant dal portale di Azure in Microsoft Entra ID, Identità esterne.

       DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")
       

     • (Facoltativo) Se si lavora nelle aree Azure per enti pubblici - Stati Uniti o Azure Cina (21Vianet), è necessario specificare il cloud in cui si desidera eseguire l'autenticazione. È possibile specificare queste aree in DefaultAzureCredential.

       from azure.identity import AzureAuthorityHosts
       DefaultAzureCredential(authority=AzureAuthorityHosts.AZURE_GOVERNMENT))
       

Limiti

• Quando si crea una nuova area di lavoro, è possibile creare automaticamente i servizi necessari per l’area di lavoro o usare i servizi esistenti. Se si vogliono usare i servizi esistenti di una sottoscrizione di Azure diversa rispetto all'area di lavoro, è necessario registrare lo spazio dei nomi di Azure Machine Learning nella sottoscrizione che contiene tali servizi. Ad esempio, se si crea un’area di lavoro nella sottoscrizione A che usa un account di archiviazione nella sottoscrizione B, lo spazio dei nomi di Azure Machine Learning deve essere registrato nella sottoscrizione B prima che l’area di lavoro possa usare l’account di archiviazione.

  Il provider di risorse per Azure Machine Learning è Microsoft.MachineLearningServices. Per informazioni sul controllo di una registrazione o per eseguire una registrazione, vedere Provider e tipi di risorse di Azure.

  Importante

  Questo vale solo per le risorse fornite durante la creazione dell'area di lavoro: Account di Archiviazione di Azure, Registro Azure Container, Azure Key Vault e Application Insights.

• Per l'isolamento rete con gli endpoint online, è possibile usare le risorse associate all'area di lavoro (Registro Azure Container (ACR), account di archiviazione, Key Vault e Application Insights) da un gruppo di risorse diverso dall'area di lavoro. Tuttavia, queste risorse devono appartenere alla stessa sottoscrizione e allo stesso tenant dell'area di lavoro. Per informazioni sulle limitazioni che si applicano alla protezione degli endpoint online gestiti tramite la rete virtuale gestita di un'area di lavoro, vedere Isolamento rete con endpoint online gestiti.

• La creazione dell'area di lavoro crea anche un Registro Azure Container (ACR) per impostazione predefinita. Poiché il Registro Azure Container non supporta attualmente i caratteri Unicode nei nomi dei gruppi di risorse, usare un gruppo di risorse che evita questi caratteri.

• Azure Machine Learning non supporta lo spazio dei nomi gerarchico (funzionalità Azure Data Lake Storage Gen2) per l'account di archiviazione predefinito dell'area di lavoro.

Creare un'area di lavoro

È possibile creare un'area di lavoro direttamente in Azure Machine Learning Studio, con opzioni limitate disponibili. È anche possibile usare uno di questi metodi per un maggiore controllo delle opzioni:

Rete

# Creating a unique workspace name with current datetime to avoid conflicts
import datetime
from azure.ai.ml.entities import Workspace

basic_private_link_workspace_name = (
    "mlw-privatelink-prod-" + datetime.datetime.now().strftime("%Y%m%d%H%M")
)

ws_private = Workspace(
    name=basic_private_link_workspace_name,
    location="eastus",
    display_name="Private Link endpoint workspace-example",
    description="When using private link, you must set the image_build_compute property to a cluster name to use for Docker image environment building. You can also specify whether the workspace should be accessible over the internet.",
    image_build_compute="cpu-compute",
    public_network_access="Disabled",
    tags=dict(purpose="demonstration"),
)

ml_client.workspaces.begin_create(ws_private).result()

Crittografia

Per impostazione predefinita, un'istanza di Azure Cosmos DB archivia i metadati dell'area di lavoro. Microsoft gestisce questa istanza di Cosmos DB. Le chiavi gestite da Microsoft crittografano questi dati.

Usare la propria chiave di crittografia dei dati

È possibile fornire la propria chiave per la crittografia dei dati. Se si specifica una chiave personalizzata, viene creata l'istanza di Azure Cosmos DB che archivia i metadati nella sottoscrizione di Azure. Per altre informazioni, vedere Chiavi gestite dal cliente.

Usare questi passaggi per fornire la propria chiave:

from azure.ai.ml.entities import Workspace, CustomerManagedKey

# specify the workspace details
ws = Workspace(
    name="my_workspace",
    location="eastus",
    display_name="My workspace",
    description="This example shows how to create a workspace",
    customer_managed_key=CustomerManagedKey(
        key_vault="/subscriptions/<SUBSCRIPTION_ID>/resourcegroups/<RESOURCE_GROUP>/providers/microsoft.keyvault/vaults/<VAULT_NAME>"
        key_uri="<KEY-IDENTIFIER>"
    )
    tags=dict(purpose="demo")
)

ml_client.workspaces.begin_create(ws)

Identità

Nel portale usare la pagina Identità per configurare l'identità gestita, l'accesso all'account di archiviazione e l'impatto sui dati. Per l'SDK di Python, vedere i collegamenti nelle sezioni seguenti.

Identità gestita

A un'area di lavoro può essere assegnata un'identità assegnata dal sistema o un'identità assegnata dall'utente. Questa identità viene usata per accedere alle risorse nella sottoscrizione. Per altre informazioni, vedere Configurare l'autenticazione tra Azure Machine Learning e altri servizi.

Accesso all'account di archiviazione

Scegliere tra l'accesso basato sulle credenziali o l'accesso basato su identità durante la connessione all'account di archiviazione predefinito. Per l'autenticazione basata su identità, il ruolo Collaboratore ai dati dei BLOB di archiviazione deve essere concesso all'identità gestita dell'area di lavoro nell'account di archiviazione.

Impatto dei dati

Per limitare i dati raccolti da Microsoft nell'area di lavoro, selezionare Area di lavoro a impatto aziendale elevato nel portale o impostare hbi_workspace=true in Python. Per altre informazioni su questa impostazione, vedere Crittografia dei dati inattivi.

Tag

I tag sono coppie nome-valore che consentono di classificare le risorse e visualizzare dati di fatturazione consolidati tramite l'applicazione dello stesso tag a più risorse e gruppi di risorse.

Assegnare tag per l'area di lavoro immettendo le coppie nome/valore. Per altre informazioni, vedere Usare tag per organizzare le risorse di Azure.

Usare anche i tag per [applicare i criteri dell'area di lavoro)(#enforce-policies).

Scaricare un file di configurazione

Se si esegue il codice in un'istanza di ambiente di calcolo, ignorare questo passaggio. L'istanza di ambiente calcolo crea e archivia automaticamente una copia di questo file.

Per usare il codice nell'ambiente locale che fa riferimento a questa area di lavoro, scaricare il file:

1. Selezionare l'area di lavoro in Azure Studio

2. In alto a destra selezionare il nome dell'area di lavoro, quindi selezionare Scarica config.json

   

Inserire il file nella struttura di directory che contiene gli script Python o Jupyter Notebook. La stessa directory, una sottodirectory denominata .azuremlo una directory padre può contenere questo file. Quando si crea un'istanza di ambiente di calcolo, questo file viene aggiunto direttamente alla directory corretta nella macchina virtuale.

Applicare i criteri

È possibile attivare/disattivare queste funzionalità di un'area di lavoro:

• Opportunità di feedback nell'area di lavoro. Le opportunità includono sondaggi occasionali all'interno del prodotto e lo strumento di feedback faccia sorridente-imbronciata nel banner dell'area di lavoro.
• Possibilità di provare le funzionalità di anteprima nell'area di lavoro.

Queste funzionalità sono attivate per impostazione predefinita. Per disattivarle:

• Quando si crea l'area di lavoro, disattivare le funzionalità dalla sezione Tag:

  1. Disattivare il feedback aggiungendo la coppia "ADMIN_HIDE_SURVEY: TRUE"
  2. Disattivare le anteprime aggiungendo la coppia "AZML_DISABLE_PREVIEW_FEATURE": "TRUE"

• Per un'area di lavoro esistente, disattivare le funzionalità dalla sezione Tag:

  1. Passare alla risorsa dell'area di lavoro nel portale di Azure
  2. Apri Tag dal pannello di navigazione a sinistra
  3. Disattivare il feedback aggiungendo la coppia "ADMIN_HIDE_SURVEY: TRUE"
  4. Disattivare le anteprime aggiungendo la coppia "AZML_DISABLE_PREVIEW_FEATURE: TRUE"
  5. Selezionare Applica.

È possibile disattivare le anteprime a livello di sottoscrizione, assicurandosi che siano disattivate per tutte le aree di lavoro nella sottoscrizione. In questo caso, gli utenti nella sottoscrizione non possono accedere allo strumento di anteprima prima di selezionare un'area di lavoro. Questa impostazione è utile per gli amministratori che vogliono assicurarsi che le funzionalità di anteprima non vengano usate nell'organizzazione.

Se l'impostazione di anteprima è disabilitata a livello di sottoscrizione, l'impostazione nelle singole aree di lavoro viene ignorata.

Per disabilitare le funzionalità di anteprima a livello di sottoscrizione:

1. Passare alla risorsa di sottoscrizione nel portale di Azure
2. Apri Tag dal pannello di navigazione a sinistra
3. Disattivare le anteprime per tutte le aree di lavoro nella sottoscrizione aggiungendo la coppia "AZML_DISABLE_PREVIEW_FEATURE": "TRUE"
4. Selezionare Applica.

Connettersi a un'area di lavoro

Quando si eseguono attività di Machine Learning con l'SDK, è necessario un oggetto MLClient che specifica la connessione all'area di lavoro. È possibile creare un oggetto MLClient da parametri o con un file di configurazione.

SI APPLICA A: Python SDK azure-ai-ml v2 (corrente)

• Con un file di configurazione: questo codice legge il contenuto del file di configurazione per trovare l'area di lavoro. Viene aperto un prompt per accedere se non è già stata eseguita l'autenticazione.

  from azure.ai.ml import MLClient
  
  # read the config from the current directory
  ws_from_config = MLClient.from_config(credential=DefaultAzureCredential())
  

• Dai parametri: non è necessario disporre di un file config.json disponibile se si adotta questo approccio.

  from azure.ai.ml import MLClient
  from azure.ai.ml.entities import Workspace
  from azure.identity import DefaultAzureCredential
  
  ws = MLClient(
      DefaultAzureCredential(),
      subscription_id="<SUBSCRIPTION_ID>",
      resource_group_name="<RESOURCE_GROUP>",
      workspace_name="<AML_WORKSPACE_NAME>",
  )
  print(ws)

Se si verificano problemi durante l'accesso alla sottoscrizione, vedere Configurare l'autenticazione per le risorse e i flussi di lavoro di Azure Machine Learning e il notebook di Autenticazione di Azure Machine Learning.

Individuare un'area di lavoro

Visualizzare un elenco di tutte le aree di lavoro disponibili. Inoltre è possibile cercare un'area di lavoro all'interno di Studio. Vedere Cercare gli asset di Azure Machine Learning (anteprima).

from azure.ai.ml import MLClient
from azure.ai.ml.entities import Workspace
from azure.identity import DefaultAzureCredential

# Enter details of your subscription
subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"

my_ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)

for ws in my_ml_client.workspaces.list():
    print(ws.name, ":", ws.location, ":", ws.description)

ws = my_ml_client.workspaces.get("<AML_WORKSPACE_NAME>")
# uncomment this line after providing a workspace name above
# print(ws.location,":", ws.resource_group)

Eliminazione di un'area di lavoro

Quando non è più necessaria un'area di lavoro, eliminarla.

ml_client.workspaces.begin_delete(name=ws_basic.name, delete_dependent_resources=True)

Pulire le risorse

Se le risorse create non servono più, eliminarle per evitare addebiti:

1. Nella casella di ricerca della portale di Azure immettere Gruppi di risorse e selezionarlo nei risultati.

2. Nell'elenco selezionare il gruppo di risorse creato.

3. Nella pagina Panoramica selezionare Elimina gruppo di risorse.

   

4. Immettere il nome del gruppo di risorse. Quindi seleziona Elimina.

Risoluzione dei problemi

• Browser supportato nello studio di Azure Machine Learning: è consigliabile usare il browser più aggiornato che sia compatibile con il sistema operativo. Questi browser sono supportati:

  • Microsoft Edge (il nuovo Microsoft Edge, ultima versione. Nota: la versione legacy di Microsoft Edge non è supportata)
  • Safari (versione più recente, solo Mac)
  • Chrome (versione più recente)
  • Firefox (versione più recente)

• Portale di Azure:

  • Se si passa direttamente all'area di lavoro da un collegamento di condivisione da SDK o dal portale Azure, non sarà possibile visualizzare la pagina Panoramica normale con le informazioni sulla sottoscrizione nell'estensione. In questo scenario, inoltre, non è possibile passare a un'altra area di lavoro. Per visualizzare un'altra area di lavoro, passare direttamente a studio di Azure Machine Learning e cercare il nome dell'area di lavoro.
  • Tutti gli asset (dati, esperimenti, calcoli e così via) sono disponibili solo in studio di Azure Machine Learning. Il portale di Azure non* le offre.
  • Il tentativo di esportare un modello per un'area di lavoro dal portale di Azure potrebbe restituire un errore simile al testo seguente: Could not get resource of the type <type>. Resources of this type will not be exported. Come soluzione alternativa, usare uno dei modelli forniti in https://github.com/Azure/azure-quickstart-templates/tree/master/quickstarts/microsoft.machinelearningservices come base per il modello.

Diagnostica dell'area di lavoro

È possibile eseguire la diagnostica dell'area di lavoro da studio di Azure Machine Learning o da Python SDK. Dopo l'esecuzione della diagnostica, viene restituito un elenco di eventuali problemi rilevati. Questo elenco include i collegamenti a possibili soluzioni. Per altre informazioni, vedere Come usare la diagnostica dell'area di lavoro.

Errori del provider di risorse

Quando si crea un'area di lavoro di Azure Machine Learning o una risorsa usata dall'area di lavoro, è possibile che venga visualizzato un errore simile ai messaggi seguenti:

• No registered resource provider found for location {location}
• The subscription is not registered to use namespace {resource-provider-namespace}

Molti provider di risorse vengono registrati automaticamente, ma non tutti. Se si riceve questo messaggio, è necessario registrare il provider indicato.

La tabella seguente contiene un elenco dei provider di risorse richiesti da Azure Machine Learning:

Se si prevede di usare una chiave gestita dal cliente con Azure Machine Learning, è necessario registrare i provider di servizi seguenti:

Se si prevede di usare una rete virtuale gestita con Azure Machine Learning, è necessario registrare il provider di risorse Microsoft.Network. Questo provider di risorse viene usato dall'area di lavoro quando si creano endpoint privati per la rete virtuale gestita.

Per informazioni sulla registrazione dei provider di risorse, vedere Risoluzione degli errori di registrazione del provider di risorse.

Eliminazione del Registro Azure Container

L'area di lavoro di Azure Machine Learning usa il Registro Azure Container (ACR) per alcune operazioni. Viene creata automaticamente un'istanza di ACR quando è necessaria per la prima volta.

Esempi

Gli esempi in questo articolo provengono da workspace.ipynb.

Passaggi successivi

Informazioni su come Eseguire il training e distribuire un modello dopo aver creato un'area di lavoro.

Per altre informazioni sulla pianificazione di un'area di lavoro per i requisiti dell'organizzazione, visitare Organizzare e configurare Azure Machine Learning.

• Per informazioni su come spostare un'area di lavoro in un'altra sottoscrizione di Azure, visitare Come spostare un'area di lavoro.

Per informazioni su come mantenere aggiornato Azure Machine Learning con gli aggiornamenti della sicurezza più recenti, visitare Gestione delle vulnerabilità.