Pianificare i processi della pipeline di Machine Learning

SI APPLICA A:Estensione ml dell'interfaccia della riga di comando di Azure v2 (corrente)Python SDK azure-ai-ml v2 (corrente)

Questo articolo illustra come pianificare l'esecuzione di pipeline di apprendimento automatico in Azure. È possibile pianificare attività di routine come la ripetizione del training dei modelli o l'aggiornamento regolare delle stime in batch in base al tempo trascorso.

Questo articolo illustra come creare, recuperare, aggiornare e disattivare le pianificazioni mediante l'interfaccia della riga di comando di Azure Machine Learning, Azure Machine Learning SDK v2 per Python o l'interfaccia utente dello studio di Azure Machine Learning.

Suggerimento

Per pianificare i processi usando un agente di orchestrazione esterno, come Azure Data Factory o Microsoft Fabric, è consigliabile distribuire i processi di pipeline in un endpoint batch. Per altre informazioni, vedere Distribuire processi di pipeline esistenti in endpoint batch e Eseguire modelli di Azure Machine Learning da Fabric usando endpoint batch (anteprima).

Prerequisiti

• Una sottoscrizione di Azure. Se non se ne dispone, creare un account gratuito prima di iniziare.
• Un'area di lavoro di Azure Machine Learning. Per creare un'area di lavoro, vedere Creare risorse dell'area di lavoro.
• Conoscenza delle pipeline di Azure Machine Learning. Per informazioni, vedere Cosa sono le pipeline di Azure Machine Learning?.

Interfaccia della riga di comando di Azure

• Interfaccia della riga di comando di Azure ed estensione ml installate seguendo le istruzioni in Installare, configurare e usare l'interfaccia della riga di comando (v2).
• Conoscenza della procedura di creazione di pipeline YAML di Azure Machine Learning. Per informazioni, vedere Creare ed eseguire pipeline di apprendimento automatico usando componenti con l'interfaccia della riga di comando di Azure Machine Learning.

Python SDK

• Azure Machine Learning SDK v2 per Python installato.
• Conoscenza della procedura di creazione di pipeline Python per Azure Machine Learning. Per informazioni, vedere Creare ed eseguire pipeline di apprendimento automatico usando componenti con Azure Machine Learning SDK.

Interfaccia utente di Studio

• Conoscenza della procedura di creazione di pipeline nello studio di Azure Machine Learning. Per informazioni, vedere Creare ed eseguire pipeline di apprendimento automatico usando componenti con lo studio di Azure Machine Learning.

Limiti

• Le pianificazioni di Azure Machine Learning v2 non supportano i trigger basati su eventi.
• Le pianificazioni dell'interfaccia della riga di comando e dell'SDK v2 supportano la specifica di criteri di ricorrenza complessi che contengono più timestamp di trigger. L'interfaccia utente dello studio visualizza i criteri complessi ma non ne supporta la modifica.
• L'interfaccia utente dello studio supporta solo le pianificazioni v2 e non è in grado di elencare o accedere alle pianificazioni v1 basate su pipeline pubblicate o endpoint di pipeline. È possibile creare una pianificazione per una pipeline non pubblicata.
• Se la ricorrenza è impostata al 31° o al 30° giorno di ogni mese, la pianificazione non attiva i processi in mesi che hanno meno giorni.
• I valori DAYS e MONTHS non sono supportati nelle espressioni di pianificazioni Cron. I valori passati per questi parametri vengono ignorati e considerati come *.

Creare una programmazione

Quando le prestazioni e gli output di un processo di pipeline sono soddisfacenti, è possibile configurare una pianificazione per l’attivazione automatica del processo a intervalli regolari. A questo scopo è necessario creare una pianificazione che associ il processo a un trigger. Il trigger può essere un criterio recurrence o un'espressione cron che specifica l'intervallo e la frequenza di esecuzione del processo.

In entrambi i casi occorre prima definire un processo di pipeline, inline o specificandone uno esistente. È possibile definire pipeline in YAML ed eseguirle dall'interfaccia della riga di comando, creare pipeline inline in Python oppure comporre pipeline nello studio di Azure Machine Learning. È possibile creare processi di pipeline in locale o da processi esistenti nell'area di lavoro.

È possibile creare pianificazioni v2 per processi di pipeline v2 o v1 usando l'interfaccia utente dello studio, l'SDK v2 o l'interfaccia della riga di comando v2. Non è necessario pubblicare prima le pipeline esistenti per poter configurare le pianificazioni per i processi di pipeline.

Interfaccia della riga di comando di Azure

Gli esempi di codice forniti in questo articolo sono tratti da Uso della pianificazione nell'interfaccia della riga di comando di Azure Machine Learning 2.0.

Python SDK

Gli esempi di codice forniti in questo articolo sono estratti del notebook di Azure Machine Learning Uso della pianificazione. Eseguire il notebook per creare e gestire le pianificazioni come descritto.

Interfaccia utente di Studio

Per creare una pianificazione per un processo di pipeline di Azure Machine Learning nell'interfaccia utente dello studio, aprire la pagina dei dettagli del processo di pipeline.

Definire una pianificazione basata sul tempo con un criterio di ricorrenza

Interfaccia della riga di comando di Azure

Il codice YAML seguente definisce una pianificazione ricorrente per un processo di pipeline. Il parametro obbligatorio type specifica che il tipo di trigger è recurrence.

$schema: https://azuremlschemas.azureedge.net/latest/schedule.schema.json
name: simple_recurrence_job_schedule
display_name: Simple recurrence job schedule
description: a simple hourly recurrence job schedule

trigger:
  type: recurrence
  frequency: day #can be minute, hour, day, week, month
  interval: 1 #every day
  schedule:
    hours: [4,5,10,11,12]
    minutes: [0,30]
  start_time: "2022-07-10T10:00:00" # optional - default will be schedule creation time
  time_zone: "Pacific Standard Time" # optional - default will be UTC

create_job: ./simple-pipeline-job.yml
# create_job: azureml:simple-pipeline-job

È obbligatorio o facoltativo specificare i parametri di pianificazione seguenti:

Python SDK

Il codice seguente usa RecurrenceTrigger per offrire un'esperienza di codifica migliore.

schedule_name = "simple_sdk_create_schedule_recurrence"

schedule_start_time = datetime.utcnow()
recurrence_trigger = RecurrenceTrigger(
    frequency="day",
    interval=1,
    schedule=RecurrencePattern(hours=10, minutes=[0, 1]),
    start_time=schedule_start_time,
    time_zone=TimeZone.UTC,
)

job_schedule = JobSchedule(
    name=schedule_name, trigger=recurrence_trigger, create_job=pipeline_job
)

È obbligatorio o facoltativo specificare i parametri di pianificazione seguenti:

Interfaccia utente di Studio

Per aprire la creazione guidata pianificazione, selezionare Pianificazione>Crea nuova pianificazione nella parte superiore della pagina.

Interfaccia della riga di comando di Azure / Python SDK

Parametri

• frequency (obbligatorio) è l'unità di tempo in base alla quale viene attivata la pianificazione. Può essere minutes, hours, days, weeks o months.
• interval (obbligatorio) è il numero di unità di tempo tra le ricorrenze della pianificazione.
• schedule (facoltativo) definisce il criterio di ricorrenza, che può contenere hours, minutes e weekdays. Se omesso, i processi vengono attivati in base alla logica di start_time, frequency e interval.
  • Quando frequency è uguale a day, il criterio può specificare hours e minutes.
  • Quando frequency è uguale a week o a month, il criterio può specificare hours, minutes e weekdays.
    • hours è un numero intero o un elenco compreso tra 0 e 23.
    • minutes è un numero intero o un elenco compreso tra 0 e 59.
    • weekdays è una stringa o un elenco compreso tra monday e sunday.
• start_time (facoltativo) è la data e l'ora di inizio con il fuso orario. Se omesso, il valore predefinito è uguale alla data e ora di creazione della pianificazione. Se la data e ora di inizio è nel passato, il primo processo viene eseguito alla data e ora di esecuzione successiva calcolata.
• end_time (facoltativo) è la data e l'ora di fine con il fuso orario. Se omesso, la pianificazione rimane attiva finché non viene disabilitata manualmente.
• time_zone (facoltativo) specifica il fuso orario della pianificazione della ricorrenza. Se omesso, il valore predefinito è Coordinated Universal Time (UTC). Per altre informazioni sui valori del fuso orario, vedere la relativa appendice.

Interfaccia utente di Studio

Per definire una pianificazione basata su ricorrenza, nella schermata Impostazioni di base definire le proprietà seguenti. È obbligatorio immettere un valore solo per la proprietà Nome. Se non si specificano valori per le altre proprietà, la pianificazione predefinita è un criterio Ricorrenza che inizia al momento della creazione della pianificazione e viene eseguito dal lunedì al venerdì alle 16:00 UTC.

• Nome: identificatore univoco della pianificazione nell'area di lavoro.
• Descrizione: descrizione della pianificazione.
• Trigger: criterio di ricorrenza della pianificazione, incluse le proprietà seguenti:
  • Fuso orario: fuso orario da usare per l'ora di attivazione, UTC per impostazione predefinita.
  • Selezionare Ricorrenza e specificare un criterio di ricorrenza di minuti, ore, giorni, settimane o mesi.
  • Inizio: data in cui la pianificazione diventa attiva, per impostazione predefinita la data di creazione.
  • Fine: data in cui la pianificazione diventa inattiva. Per impostazione predefinita, il valore è indefinito e la pianificazione rimane attiva finché non viene disabilitata manualmente.
  • Tag: tag della pianificazione.

Interfaccia della riga di comando di Azure

Dopo aver creato lo schema YAML della pianificazione, è possibile usare il comando seguente per creare la pianificazione tramite l'interfaccia della riga di comando:

# This action creates related resources for a schedule. It takes dozens of seconds to complete.
az ml schedule create --file simple-pipeline-job.yml --no-wait

Python SDK

Il codice Python seguente crea la pianificazione definita:

job_schedule = ml_client.schedules.begin_create_or_update(
    schedule=job_schedule
).result()
print(job_schedule)

Interfaccia utente di Studio

Dopo aver configurato le impostazioni di base, selezionare Rivedi e crea, rivedere le impostazioni e quindi selezionare di nuovo Rivedi e crea per creare la pianificazione.

Definire una pianificazione basata sul tempo con un'espressione Cron

Un'espressione Cron consente di specificare un criterio di ricorrenza più flessibile e personalizzato per una pianificazione. Un’espressione crontab standard è costituita dai campi delimitati da spazi MINUTES HOURS DAYS MONTHS DAYS-OF-WEEK. Il carattere jolly * indica tutti i valori di un campo.

In un'espressione Cron per le pianificazioni di Azure Machine Learning:

• MINUTES è un numero intero o un elenco compreso tra 0 e 59.
• HOURS è un numero intero o un elenco compreso tra 0 e 23.
• I valori DAYS non sono supportati e vengono sempre considerati come *. Il valore * in DAYS indica tutti i giorni di un mese (varia con mese e anno).
• I valori MONTHS non sono supportati e vengono sempre considerati come *.
• DAYS-OF-WEEK è un numero intero o un elenco compreso tra 0 e 6, dove 0 corrisponde a domenica. Sono accettati anche i nomi dei giorni.

Ad esempio, l'espressione 15 16 * * 1 indica le 16:15 UTC di ogni lunedì. Per altre informazioni sulle espressioni crontab, vedere la wiki sull’espressione Crontab in GitHub.

Interfaccia della riga di comando di Azure

Il codice YAML seguente definisce una pianificazione ricorrente per un processo di pipeline. Il parametro obbligatorio type specifica che il tipo di trigger è cron.

$schema: https://azuremlschemas.azureedge.net/latest/schedule.schema.json
name: simple_cron_job_schedule
display_name: Simple cron job schedule
description: a simple hourly cron job schedule

trigger:
  type: cron
  expression: "0 * * * *"
  start_time: "2022-07-10T10:00:00" # optional - default will be schedule creation time
  time_zone: "Pacific Standard Time" # optional - default will be UTC

# create_job: azureml:simple-pipeline-job
create_job: ./simple-pipeline-job.yml

È obbligatorio o facoltativo specificare i parametri di pianificazione seguenti:

Python SDK

Il codice seguente usa CronTrigger per offrire un'esperienza di codifica migliore.

schedule_name = "simple_sdk_create_schedule_cron"

schedule_start_time = datetime.utcnow()
cron_trigger = CronTrigger(
    expression="15 10 * * *",
    start_time=schedule_start_time,  # start time
    time_zone="Eastern Standard Time",  # time zone of expression
)

job_schedule = JobSchedule(
    name=schedule_name, trigger=cron_trigger, create_job=pipeline_job
)

È obbligatorio o facoltativo specificare i parametri di pianificazione seguenti:

Interfaccia utente di Studio

Per definire una pianificazione basata su Cron, selezionare Espressione Cron invece di Ricorrenza nella schermata Impostazioni di base della pianificazione.

Interfaccia della riga di comando di Azure / Python SDK

Parametri

• expression (obbligatorio) è un'espressione crontab standard che esprime una pianificazione ricorrente.
• start_time (facoltativo) è la data e l'ora di inizio della pianificazione con il fuso orario. Ad esempio, start_time: "2022-05-10T10:15:00-04:00" indica che la pianificazione inizia alle 10:15:00 del 10 maggio 2022 nel fuso orario UTC-4. Se omesso, il valore predefinito è uguale alla data e ora di creazione della pianificazione. Se la data e ora di inizio è nel passato, il primo processo viene eseguito alla data e ora di esecuzione successiva calcolata.
• end_time (facoltativo) è la data e l'ora di fine con il fuso orario. Se omesso, la pianificazione rimane attiva finché non viene disabilitata manualmente.
• time_zone (facoltativo) specifica il fuso orario della pianificazione della ricorrenza. Se omesso, il valore predefinito è UTC.

Interfaccia utente di Studio

È obbligatorio immettere un valore solo per la proprietà Nome. Se non si specifica un'espressione Cron, l'espressione Cron predefinita crea una pianificazione che viene eseguita ogni giorno alle 16:00 UTC.

• Nome: identificatore univoco della pianificazione nell'area di lavoro.
• Descrizione: descrizione della pianificazione.
• Trigger: criterio di ricorrenza della pianificazione, incluse le proprietà seguenti:
  • Fuso orario: fuso orario da usare per l'ora di attivazione, Coordinated Universal Time (UTC) per impostazione predefinita.
  • Selezionare Espressione Cron e specificare un'espressione crontab standard che esprime una pianificazione ricorrente.
  • Inizio: data in cui la pianificazione diventa attiva, per impostazione predefinita la data di creazione.
  • Fine: data in cui la pianificazione diventa inattiva. Per impostazione predefinita, il valore è indefinito e una pianificazione rimane attiva finché non la si disabilita manualmente.
  • Tag: tag della pianificazione.

Interfaccia della riga di comando di Azure

Dopo aver creato lo schema YAML della pianificazione, è possibile usare il comando seguente per creare la pianificazione tramite l'interfaccia della riga di comando:

# This action creates related resources for a schedule. It takes dozens of seconds to complete.
az ml schedule create --file simple-pipeline-job.yml --no-wait

Python SDK

Il codice Python seguente crea la pianificazione definita:

job_schedule = ml_client.schedules.begin_create_or_update(
    schedule=job_schedule
).result()
print(job_schedule)

Interfaccia utente di Studio

Dopo aver configurato le impostazioni di base, selezionare Rivedi e crea, rivedere le impostazioni e quindi selezionare di nuovo Rivedi e crea per creare la pianificazione.

Modificare le impostazioni del processo durante la definizione delle pianificazioni

In alcuni casi può essere opportuno che i processi attivati dalle pianificazioni abbiano configurazioni diverse dai processi di test. Quando si definisce una pianificazione usando un processo esistente, è possibile modificare le impostazioni del processo. Questo approccio consente di definire più pianificazioni che usano lo stesso processo con input diversi.

Interfaccia della riga di comando di Azure

Durante la definizione di una pianificazione, è possibile modificare i valori di settings, inputs o outputs da usare per l'esecuzione del processo di pipeline. È anche possibile modificare il valore experiment_name del processo attivato.

La definizione di pianificazione seguente modifica le impostazioni di un processo esistente.

$schema: https://azuremlschemas.azureedge.net/latest/schedule.schema.json
name: cron_with_settings_job_schedule
display_name: Simple cron job schedule
description: a simple hourly cron job schedule

trigger:
  type: cron
  expression: "0 * * * *"
  start_time: "2022-07-10T10:00:00" # optional - default will be schedule creation time
  time_zone: "Pacific Standard Time" # optional - default will be UTC

create_job: 
  type: pipeline
  job: ./simple-pipeline-job.yml
  # job: azureml:simple-pipeline-job
  # runtime settings
  settings:
    #default_compute: azureml:cpu-cluster
    continue_on_step_failure: true
  inputs:
    hello_string_top_level_input: ${{name}} 
  tags: 
    schedule: cron_with_settings_schedule

Python SDK

Durante la definizione di una pianificazione, è possibile modificare i valori di settings, inputs o outputs da usare per l'esecuzione del processo di pipeline. È anche possibile modificare il valore experiment_name del processo attivato.

La definizione di pianificazione seguente modifica le impostazioni di una pipeline per processo.

# set run time settings
pipeline_job = pipeline_with_components_from_yaml(
    training_input=Input(type="uri_folder", path=parent_dir + "/data/"),
    test_input=Input(type="uri_folder", path=parent_dir + "/data/"),
    training_max_epochs=20,
    training_learning_rate=1.8,
    learning_rate_schedule="time-based",
)

# set pipeline level compute
pipeline_job.settings.default_compute = "cpu-cluster"

Interfaccia utente di Studio

Nell'interfaccia utente dello studio è possibile usare Impostazioni avanzate nella creazione guidata pianificazione per modificare i valori di inputs, outputs e settings di runtime per un processo di pipeline. Non è possibile modificare il valore di experiment_name nell'interfaccia utente dello studio.

1. In Input e output del processo è possibile modificare gli input e gli output per i processi futuri attivati dalla pianificazione. È possibile usare espressioni macro per i percorsi di input e output.

   

2. In Impostazioni di runtime del processo è possibile modificare le impostazioni di calcolo e altre impostazioni di runtime per i processi attivati dalla pianificazione.

   

3. Selezionare Rivedi e crea per rivedere le impostazioni della pianificazione configurate e quindi selezionare di nuovo Rivedi e crea per creare la pianificazione.

   

Usare espressioni supportate nelle pianificazioni

Durante la definizione di una pianificazione, è possibile usare le espressioni macro seguenti per definire i valori dei parametri dinamici che si risolvono in valori effettivi durante il runtime del processo.

Expression	Descrizione	Proprietà supportate
${{name}}	Nome del processo	Percorso di outputs del processo di pipeline
${{creation_context.trigger_time}}	Ora di attivazione del processo	inputs di tipo stringa del processo della pipeline

Gestisci pianificazione

È possibile elencare, aggiornare, disabilitare, abilitare ed eliminare pianificazioni, nonché visualizzarne i dettagli, in un'area di lavoro.

Elencare le pianificazioni

Interfaccia della riga di comando di Azure

az ml schedule list

Python SDK

schedules = ml_client.schedules.list()
[s.name for s in schedules]

Interfaccia utente di Studio

Nello studio, in Processi selezionare la scheda Tutte le pianificazioni per visualizzare un elenco di tutte le pianificazioni dei processi v2 create dall'SDK, dall'interfaccia della riga di comando o dall'interfaccia utente dello studio in questa area di lavoro.

Visualizzare i dettagli della pianificazione

Interfaccia della riga di comando di Azure

az ml schedule show -n simple_cron_job_schedule

Python SDK

created_schedule = ml_client.schedules.get(name=schedule_name)
[created_schedule.name]

Interfaccia utente di Studio

Selezionare un nome di pianificazione per visualizzare la relativa pagina dei dettagli, che contiene le schede seguenti:

• Panoramica fornisce informazioni di base sulla pianificazione.

  

• Definizione processo definisce il processo attivato dalla pianificazione.

  

• Cronologia processi fornisce un elenco di tutti i processi attivati dalla pianificazione.

  

Aggiornare una pianificazione

Interfaccia della riga di comando di Azure

az ml schedule update -n simple_cron_job_schedule  --set description="new description" --no-wait

Nota

Per aggiornare altre voci oltre ai tag e alla descrizione, è consigliabile usare az ml schedule create --file update_schedule.yml.

Python SDK

# Update trigger expression
job_schedule.trigger.expression = "10 10 * * 1"
job_schedule = ml_client.schedules.begin_create_or_update(
    schedule=job_schedule
).result()
print(job_schedule)

Interfaccia utente di Studio

Nella pagina dei dettagli della pianificazione è possibile selezionare Aggiorna impostazioni per aggiornare le impostazioni della pianificazione, incluse le impostazioni di input/output e di runtime del processo.

Aggiornare una nuova pipeline di versione a una pianificazione esistente

Dopo aver configurato una pianificazione per eseguire regolarmente il training o l'inferenza batch nell'ambiente di produzione, è possibile continuare a perfezionare o ottimizzare il modello. Quando si dispone di un nuovo processo della pipeline di versione con prestazioni ottimizzate, è possibile aggiornare l’esecuzione della nuova pipeline di versione in base a una pianificazione esistente.

1. Nella pagina dei dettagli del nuovo processo della pipeline della versione selezionare Pianificazione>Esegui l'aggiornamento alla pianificazione esistente.

   

2. Selezionare una pianificazione esistente per aggiornare la relativa definizione del processo.

   

   Importante

   Assicurarsi di selezionare la pianificazione corretta da aggiornare.

3. Se si vuole, selezionare Avanti per modificare gli input/output del processo e le impostazioni di runtime per i processi futuri attivati dalla pianificazione.

4. Selezionare Rivedi e aggiorna per rivedere le impostazioni della pianificazione e quindi selezionare di nuovo Rivedi e aggiorna per completare l'aggiornamento.

Al termine dell'aggiornamento, nella pagina dei dettagli della pianificazione verrà visualizzata la nuova definizione del processo. La pianificazione attiva ora il nuovo processo.

Disabilitare una pianificazione

Interfaccia della riga di comando di Azure

az ml schedule disable -n simple_cron_job_schedule --no-wait

Python SDK

Il codice seguente restituisce False:

job_schedule = ml_client.schedules.begin_disable(name=schedule_name).result()
job_schedule.is_enabled

Interfaccia utente di Studio

È possibile disabilitare le pianificazioni nella scheda Tutte le pianificazioni o disabilitare la pianificazione corrente nella pagina dei dettagli della pianificazione.

Abilitare una pianificazione

Interfaccia della riga di comando di Azure

az ml schedule enable -n simple_cron_job_schedule --no-wait

Python SDK

Il codice seguente restituisce True:

job_schedule = ml_client.schedules.begin_enable(name=schedule_name).result()
job_schedule.is_enabled

Interfaccia utente di Studio

È possibile abilitare le pianificazioni nella scheda Tutte le pianificazioni o abilitare la pianificazione corrente nella pagina dei dettagli della pianificazione.

Eliminare una pianificazione

Importante

Per eliminare una pianificazione, occorre prima disabilitarla. L'eliminazione è un’operazione permanente e irreversibile.

Interfaccia della riga di comando di Azure

az ml schedule delete -n simple_cron_job_schedule

Python SDK

# Only disabled schedules can be deleted
ml_client.schedules.begin_disable(name=schedule_name).result()
ml_client.schedules.begin_delete(name=schedule_name).result()

Interfaccia utente di Studio

È possibile eliminare le pianificazioni nella scheda Tutte le pianificazioni o eliminare la pianificazione corrente nella pagina dei dettagli della pianificazione.

Eseguire query sui processi attivati da una pianificazione

Tutti i processi attivati da una pianificazione specifica hanno il nome visualizzato <schedule_name>-YYYYMMDDThhmmssZ. Ad esempio, se una pianificazione denominata named-schedule viene eseguita ogni 12 ore a partire dalle 6:00 del 1° gennaio 2021, i processi creati avranno i nomi visualizzati seguenti:

• named-schedule-20210101T060000Z
• named-schedule-20210101T180000Z
• named-schedule-20210102T060000Z
• named-schedule-20210102T180000Z e così via

È anche possibile applicare la query JMESPath dell'interfaccia della riga di comando di Azure per eseguire query sui processi attivati da un nome di pianificazione.

# query triggered jobs from schedule, please replace the simple_cron_job_schedule to your schedule name
az ml job list --query "[?contains(display_name,'simple_cron_schedule')]"

Suggerimento

La scheda Cronologia processi nella pagina dei dettagli della pianificazione nello studio offre un modo semplice per trovare tutti i processi attivati da una pianificazione.

---

Supporto del controllo degli accessi in base al ruolo

Poiché le pianificazioni vengono usate per la produzione, è importante ridurre la possibilità e l'impatto di eventuali operazioni errate. Gli amministratori dell'area di lavoro possono limitare l'accesso alle operazioni di creazione e gestione delle pianificazioni in un'area di lavoro.

Gli amministratori possono configurare le seguenti regole di azione relative alle pianificazioni nel portale di Azure. Per altre informazioni, vedere Gestire l'accesso alle aree di lavoro di Azure Machine Learning.

Azione	Descrizione	Regola
Lettura	Ottenere ed elencare le pianificazioni	Microsoft.MachineLearningServices/workspaces/schedules/read
Scrittura	Creare, aggiornare, disabilitare e abilitare pianificazioni	Microsoft.MachineLearningServices/workspaces/schedules/write
Elimina	Eliminare pianificazioni	Microsoft.MachineLearningServices/workspaces/schedules/delete

Considerazioni sui costi

Le pianificazioni vengono fatturate in base al numero. Ogni pianificazione crea un'app per la logica ospitata in Azure Machine Learning per conto dell'utente (HOBO).

L'app per la logica viene addebitata sulla sottoscrizione di Azure dell'utente. I costi delle risorse HOBO vengono fatturati usando lo stesso contatore generato dal provider di risorse originale. Gli addebiti vengono visualizzati nella risorsa host, ovvero l'area di lavoro di Azure Machine Learning.

Contenuto correlato

• Schema YAML di pianificazione dei processi dell’interfaccia della riga di comando (v2)
• Sintassi YAML principale dell'interfaccia della riga di comando (v2)
• Cosa sono le pipeline di apprendimento automatico?
• Che cos'è un componente di Azure Machine Learning?