Azure Machine Learning maliyetlerini yönetmeyi planlama

Bu makalede Azure Machine Learning maliyetlerini planlama ve yönetme işlemleri açıklanmaktadır. İlk olarak, herhangi bir kaynak eklemeden önce maliyetleri planlamaya yardımcı olması için Azure fiyatlandırma hesaplayıcısını kullanın. Ardından, Azure kaynaklarını eklerken tahmini maliyetleri gözden geçirin.

Azure Machine Learning kaynaklarını kullanmaya başladıktan sonra, bütçeleri ayarlamak ve maliyetleri izlemek için maliyet yönetimi özelliklerini kullanın. Ayrıca tahmin edilen maliyetleri gözden geçirin ve harekete geçmek isteyebileceğiniz alanları belirlemek için harcama eğilimlerini belirleyin.

Azure Machine Learning maliyetlerinin Azure faturanızdaki aylık maliyetlerin yalnızca bir bölümü 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 maliyetlerini planlama ve yönetme işlemleri 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 maliyetlerini yönetme ve iyileştirme.

Önkoşullar

Microsoft Maliyet Yönetimi'ndeki maliyet analizi çoğu Azure hesap türünü destekler, ancak tümünü desteklemez. Desteklenen hesap türlerinin tam listesini görüntülemek için, bkz. Maliyet Yönetimi verilerini anlama.

Maliyet verilerini görüntülemek için azure hesabı için en azından okuma erişimine sahip olmanız gerekir. Maliyet Yönetimi verilerine erişim atama hakkında bilgi için bkz . Verilere erişim atama.

Azure Machine Learning'i kullanmadan önce maliyetleri tahmin edin

Azure Machine Learning çalışma alanında kaynak oluşturmadan önce maliyetleri tahmin etmek için Azure fiyatlandırma hesaplayıcısını kullanın. Fiyatlandırma hesaplayıcısının sol tarafında AI + Machine Learning'i ve ardından başlamak için Azure Machine Learning'i seçin.

Aşağıdaki ekran görüntüsünde fiyatlandırma hesaplayıcısında örnek bir maliyet tahmini gösterilmektedir:

Çalışma alanınıza kaynak eklerken bu hesap makinesine dönün ve maliyet tahminlerinizi güncelleştirmek için aynı kaynağı buraya ekleyin.

Daha fazla bilgi için bkz . Azure Machine Learning fiyatlandırması.

Azure Machine Learning için tam faturalama modelini anlama

Azure Machine Learning, yeni kaynağı dağıttığınızda Azure Machine Learning ile birlikte maliyetleri tahakkuk eden Azure altyapısında çalışır. Ek altyapının maliyet tahakkuk ettirebileceğini anlamak önemlidir. Dağıtılan kaynaklarda değişiklik yaparken bu maliyeti yönetmeniz gerekir.

Genellikle Azure Machine Learning ile tahakkuk eden maliyetler

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

• Azure Container Registry temel hesabı
• Azure Blob Depolama (genel amaçlı v1)
• Azure Key Vault
• Azure İzleyici

Bir işlem örneği oluşturduğunuzda, sanal makine (VM) çalışmanız için kullanılabilir durumda olacak şekilde açık kalır.

• VM belirli bir süre boşta kaldığında maliyetleri azaltmak için boşta kapatmayı etkinleştirin.
• Alternatif olarak, kullanmayı planlamıyorsanız maliyetleri azaltmak için işlem örneğini otomatik olarak başlatacak ve durduracak bir zamanlama ayarlayabilirsiniz.

Kaynak silinmeden önce maliyetler tahakkuk edebilir

Azure portalında veya Azure CLI ile bir Azure Machine Learning çalışma alanını silmeden önce, aşağıdaki alt kaynaklar çalışma alanında etkin olarak çalışmadığınızda bile biriken yaygın maliyetlerdir. Daha sonra Azure Machine Learning çalışma alanınıza geri dönmeyi planlıyorsanız, bu kaynaklar maliyet tahakkuk etmeye devam edebilir.

• VM’ler
• Load Balancer
• Azure Sanal Ağ
• Bant genişliği

Her VM, çalıştırılan saat başına faturalandırılır. Maliyet, VM belirtimlerine bağlıdır. Çalışan ancak bir veri kümesi üzerinde etkin olarak çalışmayan VM'ler yine de yük dengeleyici aracılığıyla ücretlendirilir. Her işlem örneği için günde bir yük dengeleyici faturalandırılır. İşlem kümesinin her 50 düğümünde bir standart yük dengeleyici faturalandırılır. Her yük dengeleyici günde yaklaşık 0,33 ABD doları faturalandırılır. Durdurulan işlem örneklerinde ve işlem kümelerinde yük dengeleyici maliyetlerini önlemek için işlem kaynağını silin.

İşlem örnekleri ayrıca P10 disk maliyetlerinin durdurulmuş durumda bile olmasına neden olur çünkü oraya kaydedilen tüm kullanıcı içeriği Azure VM'lerine benzer şekilde durdurulmuş durumda kalır. İşletim sistemi disk boyutunu/ türünü, maliyetleri daha iyi denetlemek için yapılandırılabilir hale getirmek için çalışıyoruz. Azure Sanal Ağ için abonelik başına ve bölge başına bir sanal ağ faturalandırılır. Sanal ağlar bölgelere veya aboneliklere yayılamaz. Sanal ağda özel uç noktaların ayarlanması da ücrete tabi olabilir. Sanal ağınız bir Azure Güvenlik Duvarı kullanıyorsa bu ücrete de neden olabilir. Bant genişliği ücretleri kullanımı yansıtır; ne kadar çok veri aktarılırsa ücret o kadar fazla olur.

Kaynak silindikten sonra maliyetler tahakkuk edebilir

Azure portalında veya Azure CLI'da bir Azure Machine Learning çalışma alanını sildikten sonra aşağıdaki kaynaklar varolmaya devam eder. Siz bu kaynakları silene kadar bir maliyet yansıtılır.

• Azure Container Registry
• Azure Blob Storage
• Key Vault
• Application Insights

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

ŞUNLAR IÇIN GEÇERLIDIR: Python SDK'sı azure-ai-ml v2 (geçerli)

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

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

Azure Machine Learning ile Azure Ön Ödeme kredisi kullanma

Azure Ön Ödeme kredinizi kullanarak Azure Machine Learning ücretleri için ödeme yapabilirsiniz. Ancak, Azure Market olanlar dahil olmak üzere üçüncü taraf ürün ve hizmetler için ödeme yapmak için Azure Ön Ödeme kredisini 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 stüdyosu oturum açın.
2. Sol tarafta İşlem'i seçin.
3. Üst araç çubuğunda +Yeni'yi seçin.
4. Kullanılabilir her sanal makine boyutu için gösterilen tahmini fiyatı gözden geçirin.
5. Kaynağı oluşturmayı tamamlayın.

Azure aboneliğinizin harcama limiti varsa Azure, kredi tutarınız üzerinde harcama yapmanızı engeller. Azure kaynaklarını oluşturup kullandığınızda kredileriniz kullanılır. Kredi limitinize ulaştığınızda, dağıttığınız kaynaklar bu faturalama döneminin geri kalanında devre dışı bırakılır. Kredi limitinizi değiştiremezsiniz ancak kaldırabilirsiniz. Harcama limitleri hakkında daha fazla bilgi için bkz. Azure harcama limiti.

Maliyetleri izleme

Azure Machine Learning ile Azure kaynaklarını kullanmak için maliyetler doğurabilirsiniz. Azure kaynak kullanım birimi maliyetleri zaman aralıklarına (saniye, dakika, saat ve gün) veya birim kullanımına (bayt, megabayt vb.) göre farklılık gösterir. Azure Machine Learning kullanımı başlar başlamaz maliyetler tahakkuk eder ve maliyetleri maliyet analizinde görebilirsiniz.

Maliyet analizini kullandığınızda Azure Machine Learning maliyetlerini farklı zaman aralıkları için grafikler ve tablolarda görüntülersiniz. Bazı örnekler güne, geçerli ve önceki aya ve yıla göredir. Ayrıca bütçelere ve tahmin edilen maliyetlere göre maliyetleri de görüntüleyebilirsiniz. Zaman içinde daha uzun görünümlere geçmek, harcama eğilimlerini belirlemenize yardımcı olabilir. Aşırı harcamanın nerede meydana gelebileceğini de görürsünüz. Bütçeler oluşturursanız, bunların aşıldığı yerleri de kolayca görebilirsiniz.

Azure Machine Learning maliyetlerini maliyet analizinde görüntülemek için:

1. Azure Portal’ında oturum açın.
2. Azure portalında kapsamı açın ve menüden Maliyet analizi'ni seçin. Örneğin Abonelikler'e gidin, listeden bir abonelik belirleyin ve menüden Maliyet analizi'ni seçin. Maliyet analizinde farklı bir kapsama geçmek için Kapsam'ı seçin.
3. Varsayılan olarak, hizmetlere yönelik maliyetler ilk halka grafikte gösterilir. Grafikte Azure Machine Learning etiketli alanı seçin.

Maliyet analizini ilk açtığınızda gerçek aylık maliyetler gösterilir. Aşağıda tüm aylık kullanım maliyetlerini gösteren bir örnek verilmiştir.

Azure Machine Learning gibi tek bir hizmetin maliyetlerini daraltmak için Filtre ekle'yi ve ardından Hizmet adı'na tıklayın. Ardından sanal makineler'i seçin.

Aşağıda yalnızca Azure Machine Learning maliyetlerini gösteren bir örnek verilmiştir.

Yukarıdaki örnekte, hizmetin geçerli maliyetini görürsünüz. Azure bölgelerine (konumlara) göre maliyetler ve kaynak grubuna göre Azure Machine Learning maliyetleri de gösterilir. Buradan maliyetleri kendiniz keşfedebilirsiniz.

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. Azure abonelikleri ve kaynak grupları için bütçeler ve uyarılar oluşturulur, bu nedenle genel maliyet izleme stratejisinin bir parçası olarak kullanışlıdır.

İzlemenizde daha fazla ayrıntı düzeyi olmasını istiyorsanız Azure'daki belirli kaynaklara veya hizmetlere yönelik filtrelerle bütçeler oluşturulabilir. Filtreler, yanlışlıkla ek paraya mal olan yeni kaynaklar oluşturmamanıza yardımcı olur. Bütçe oluştururken filtre seçenekleri hakkında daha fazla bilgi için bkz . Grup ve filtre seçenekleri.

Maliyet verilerini dışarı aktarma

Ayrıca, bir depolama hesabına da maliyet verilerinizi çıkartabilirsiniz. Bu, sizin veya başkalarının maliyetler için daha fazla veri analizi yapması gerektiğinde yararlıdır. Örneğin, finans ekibi Excel veya Power BI kullanarak verileri analiz edebilir. Maliyetlerinizi günlük, haftalık veya aylık bir zamanlamaya göre dışarı aktarabilir ve özel bir tarih aralığı ayarlayabilirsiniz. Maliyet verilerini dışarı aktarmak, maliyet veri kümelerini almak için önerilen yoldur.

Azure Machine Learning maliyetlerini yönetmenin ve azaltmanın diğer yolları

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

• Eğitim kümelerinizi otomatik ölçeklendirme için yapılandırın.
• Yönetilen çevrimiçi uç noktalarınızı otomatik ölçeklendirme için yapılandırın.
• Aboneliğinizde ve çalışma alanlarınızda kotalar ayarlayın.
• Eğitim işinizde sonlandırma ilkeleri ayarlayın.
• Düşük öncelikli sanal makineler kullanın.
• İşlem örneklerini otomatik olarak kapatmak ve başlatmak için zamanlayın.
• Azure Ayrılmış VM örneği kullanın.
• Yerel olarak eğitin.
• Eğitimi paralelleştirin.
• Veri saklama ve silme ilkelerini ayarlayın.
• Kaynakları aynı bölgeye dağıtın.
• Yakın zamanda kullanmayı planlamıyorsanız örnekleri, kümeleri ve/veya çevrimiçi dağıtımları silin.
• İşlemler bunlar için oluşturulduysa başarısız dağıtımları silin.

Daha fazla bilgi için bkz . Azure Machine Learning maliyetlerini yönetme ve iyileştirme.

Sonraki adımlar

• Azure Machine Learning maliyetlerini yönetme ve iyileştirme
• Yönetilen çevrimiçi uç nokta maliyetlerini görüntüleme
• Azure Machine Learning için kuruluş ölçeğinde bütçeleri, maliyetleri ve kotaları yönetme
• Maliyet Yönetimi ile bulut yatırımınızı iyileştirmeyi öğrenin
• Hızlı Başlangıç: Maliyet analizini kullanmaya başlamak
• Maliyetteki anomalileri ve beklenmeyen değişiklikleri belirleme
• Maliyet Yönetimi destekli öğrenme kursuna katılın