Toegang tot Azure Machine Learning-werkruimten beheren

Artikel
09/03/2024

In dit artikel wordt uitgelegd hoe u de toegang (autorisatie) beheert tot Azure Machine Learning-werkruimten. U kunt op rollen gebaseerd toegangsbeheer van Azure (Azure RBAC) gebruiken om de toegang tot Azure-resources te beheren, zodat gebruikers nieuwe resources kunnen maken of bestaande resources kunnen gebruiken. Gebruikers in uw Microsoft Entra ID krijgen specifieke rollen toegewezen, die toegang verlenen tot resources. Azure biedt zowel ingebouwde rollen als de mogelijkheid om aangepaste rollen te maken.

Tip

Hoewel dit artikel zich richt op Azure Machine Learning, bieden afzonderlijke services hun eigen RBAC-instellingen. Met behulp van de informatie in dit artikel kunt u bijvoorbeeld configureren wie scoreaanvragen kan indienen bij een model dat is geïmplementeerd als een webservice in Azure Kubernetes Service. Maar Azure Kubernetes Service biedt een eigen set Azure-rollen. Zie de volgende koppelingen voor servicespecifieke RBAC-informatie die nuttig kan zijn met Azure Machine Learning:

Waarschuwing

Het toepassen van bepaalde rollen kan de functionaliteit van de gebruikersinterface in Azure Machine Learning-studio voor andere gebruikers beperken. Als de rol van een gebruiker bijvoorbeeld niet over de mogelijkheid beschikt om een rekenproces te maken, is de optie voor het maken van een rekenproces niet beschikbaar in Studio. Dit gedrag wordt verwacht en voorkomt dat de gebruiker bewerkingen probeert uit te voeren die een fout 'Toegang geweigerd' retourneren.

Standaardrollen

Azure Machine Learning-werkruimten hebben ingebouwde rollen die standaard beschikbaar zijn. Wanneer u gebruikers aan een werkruimte toevoegt, kunnen ze een van de volgende rollen krijgen.

Role	Toegangsniveau
AzureML-Datawetenschapper	Kan alle acties uitvoeren binnen een Azure Machine Learning-werkruimte, met uitzondering van het maken of verwijderen van rekenresources en het wijzigen van de werkruimte zelf.
AzureML Compute-operator	Kan rekenresources binnen een werkruimte maken, beheren, verwijderen en openen.
Lezer	Alleen-lezenacties in de werkruimte. Lezers kunnen assets, waaronder referenties voor het gegevensarchief , weergeven en weergeven in een werkruimte. Lezers kunnen deze assets niet maken of bijwerken.
Inzender	Assets in een werkruimte bekijken, maken, bewerken of verwijderen (waar van toepassing). Zo kunnen inzenders een experiment maken, een rekencluster maken of koppelen, een uitvoering starten en een webservice implementeren.
Eigenaar	Volledige toegang tot de werkruimte, inclusief de mogelijkheid om assets in een werkruimte te bekijken, maken, bewerken of verwijderen (waar van toepassing). Daarnaast kunt u roltoewijzingen wijzigen.

Daarnaast hebben Azure Machine Learning-registers een Azure Machine Learning Registry-gebruikersrol die kan worden toegewezen aan een registerresource om machtigingen op gebruikersniveau te verlenen aan gegevenswetenschappers. Gebruik de rol Inzender of Eigenaar voor machtigingen op beheerdersniveau voor het maken of verwijderen van registers.

Role	Toegangsniveau
AzureML Registry-gebruiker	U kunt registers ophalen en assets erin lezen, schrijven en verwijderen. Kan geen nieuwe registerbronnen maken of verwijderen.

U kunt de rollen combineren om verschillende toegangsniveaus te verlenen. U kunt bijvoorbeeld een werkruimtegebruiker zowel AzureML-Datawetenschapper- als AzureML Compute Operator-rollen verlenen om de gebruiker in staat te stellen experimenten uit te voeren tijdens het maken van berekeningen op een selfservice-manier.

Belangrijk

Roltoegang kan worden beperkt tot meerdere niveaus in Azure. Iemand met eigenaarstoegang tot een werkruimte heeft bijvoorbeeld mogelijk geen eigenaarstoegang tot de resourcegroep die de werkruimte bevat. Zie Hoe Azure RBAC werkt voor meer informatie.

Azure AI-beheerdersrol

Vóór 11-19-2024 werd de door het systeem toegewezen beheerde identiteit die voor de werkruimte is gemaakt, automatisch de rol Inzender toegewezen voor de resourcegroep die de werkruimte bevat. Werkruimten die na deze datum zijn gemaakt, hebben de door het systeem toegewezen beheerde identiteit toegewezen aan de rol Azure AI-beheerder . Deze rol wordt beperkter beperkt tot de minimale machtigingen die nodig zijn voor de beheerde identiteit om de taken uit te voeren.

De rol Azure AI-beheerder is momenteel beschikbaar als openbare preview.

Belangrijk

Deze functie is momenteel beschikbaar als openbare preview-versie. Deze preview-versie wordt geleverd zonder een service level agreement en we raden deze niet aan voor productieworkloads. Misschien worden bepaalde functies niet ondersteund of zijn de mogelijkheden ervan beperkt.

Zie Aanvullende gebruiksvoorwaarden voor Microsoft Azure-previews voor meer informatie.

De rol Azure AI-beheerder heeft de volgende machtigingen:

{
    "permissions": [
        {
            "actions": [
                "Microsoft.Authorization/*/read",
                "Microsoft.CognitiveServices/*",
                "Microsoft.ContainerRegistry/registries/*",
                "Microsoft.DocumentDb/databaseAccounts/*",
                "Microsoft.Features/features/read",
                "Microsoft.Features/providers/features/read",
                "Microsoft.Features/providers/features/register/action",
                "Microsoft.Insights/alertRules/*",
                "Microsoft.Insights/components/*",
                "Microsoft.Insights/diagnosticSettings/*",
                "Microsoft.Insights/generateLiveToken/read",
                "Microsoft.Insights/logDefinitions/read",
                "Microsoft.Insights/metricAlerts/*",
                "Microsoft.Insights/metricdefinitions/read",
                "Microsoft.Insights/metrics/read",
                "Microsoft.Insights/scheduledqueryrules/*",
                "Microsoft.Insights/topology/read",
                "Microsoft.Insights/transactions/read",
                "Microsoft.Insights/webtests/*",
                "Microsoft.KeyVault/*",
                "Microsoft.MachineLearningServices/workspaces/*",
                "Microsoft.Network/virtualNetworks/subnets/joinViaServiceEndpoint/action",
                "Microsoft.ResourceHealth/availabilityStatuses/read",
                "Microsoft.Resources/deployments/*",
                "Microsoft.Resources/deployments/operations/read",
                "Microsoft.Resources/subscriptions/operationresults/read",
                "Microsoft.Resources/subscriptions/read",
                "Microsoft.Resources/subscriptions/resourcegroups/deployments/*",
                "Microsoft.Resources/subscriptions/resourceGroups/read",
                "Microsoft.Resources/subscriptions/resourceGroups/write",
                "Microsoft.Storage/storageAccounts/*",
                "Microsoft.Support/*",
                "Microsoft.Search/searchServices/write",
                "Microsoft.Search/searchServices/read",
                "Microsoft.Search/searchServices/delete",
                "Microsoft.Search/searchServices/indexes/*",
                "Microsoft.DataFactory/factories/*"
            ],
            "notActions": [],
            "dataActions": [],
            "notDataActions": []
        }
    ]
}

Een bestaande door het systeem beheerde identiteit converteren naar de azure AI-beheerdersrol

Tip

U wordt aangeraden werkruimten te converteren die vóór 11-19-2024 zijn gemaakt om de azure AI-beheerdersrol te gebruiken. De rol Azure AI-beheerder is beperkter dan de eerder gebruikte rol Inzender en volgt de principal van minimale bevoegdheden.

U kunt werkruimten die vóór 11-19-2024 zijn gemaakt, converteren met behulp van een van de volgende methoden:

Azure REST API: Gebruik een PATCH aanvraag voor de Azure REST API voor de werkruimte. De hoofdtekst van de aanvraag moet worden ingesteld {"properties":{"allowRoleAssignmeentOnRG":true}}. In het volgende voorbeeld ziet u een PATCH aanvraag met behulp van curl. Vervang , <resource-group-name>, <workspace-name>en <YOUR-ACCESS-TOKEN> door <your-subscription>de waarden voor uw scenario. Voor meer informatie over het gebruik van REST API's raadpleegt u de Documentatie van de Azure REST API.
```
curl -X PATCH https://management.azure.com/subscriptions/<your-subscription>/resourcegroups/<resource-group-name>/providers/Microsoft.MachineLearningServices/workspaces/<workspace-name>?api-version=2024-04-01-preview -H "Authorization:Bearer <YOUR-ACCESS-TOKEN>"
```
Azure CLI: Gebruik de az ml workspace update opdracht met de --allow-roleassignment-on-rg true parameter. In het volgende voorbeeld wordt een werkruimte bijgewerkt met de naam myworkspace. Voor deze opdracht is de Azure Machine Learning CLI-extensie versie 2.27.0 of hoger vereist.
```
az ml workspace update --name myworkspace --allow-roleassignment-on-rg true
```
Azure Python SDK: stel de allow_roleassignment_on_rg eigenschap van het werkruimteobject True in op en voer vervolgens een updatebewerking uit. In het volgende voorbeeld wordt een werkruimte bijgewerkt met de naam myworkspace. Voor deze bewerking is azure Machine Learning SDK versie 1.17.0 of hoger vereist.
```
ws = ml_client.workspaces.get(name="myworkspace")
ws.allow_roleassignment_on_rg = True
ws = ml_client.workspaces.begin_update(workspace=ws).result()
```

Toegang tot werkruimten beheren

Als u de eigenaar van een werkruimte bent, kunt u rollen voor de werkruimte toevoegen en verwijderen. U kunt ook rollen toewijzen aan gebruikers. Gebruik de volgende koppelingen om te ontdekken hoe u toegang kunt beheren:

Gebruik bijvoorbeeld de Azure CLI om de rol Inzender toe te wijzen aan joe@contoso.com de resourcegroep this-rg met de volgende opdracht:

az role assignment create --role "Contributor" --assignee "joe@contoso.com" --resource-group this-rg

Microsoft Entra-beveiligingsgroepen gebruiken om toegang tot werkruimten te beheren

U kunt Microsoft Entra-beveiligingsgroepen gebruiken om de toegang tot werkruimten te beheren. Deze aanpak heeft de volgende voordelen:

Team- of projectmanagers kunnen gebruikerstoegang tot de werkruimte beheren als eigenaren van beveiligingsgroepen, zonder de rol Eigenaar van de werkruimteresource rechtstreeks nodig te hebben.
U kunt machtigingen van gebruikers indelen, beheren en intrekken voor werkruimten en andere resources als groep, zonder dat u machtigingen per gebruiker hoeft te beheren.
Als u Microsoft Entra-groepen gebruikt, kunt u voorkomen dat de abonnementslimiet voor roltoewijzingen wordt bereikt.

Microsoft Entra-beveiligingsgroepen gebruiken:

Maak een beveiligingsgroep.
Voeg een groepseigenaar toe. Deze gebruiker heeft machtigingen om groepsleden toe te voegen of te verwijderen. De groepseigenaar hoeft geen groepslid te zijn of directe RBAC-rol in de werkruimte te hebben.
Wijs de groep een RBAC-rol toe aan de werkruimte, zoals AzureML Datawetenschapper, Lezer of Inzender.
Groepsleden toevoegen. De leden krijgen toegang tot de werkruimte.

Aangepast rol maken

Als de ingebouwde rollen niet voldoen, kunt u aangepaste rollen maken. Aangepaste rollen hebben mogelijk machtigingen voor lees-, schrijf-, verwijder- en rekenresources in die werkruimte. U kunt de rol beschikbaar maken op een specifiek werkruimteniveau, een specifiek resourcegroepniveau of een specifiek abonnementsniveau.

Notitie

U moet eigenaar zijn van de resource op dat niveau om aangepaste rollen binnen die resource te maken.

Als u een aangepaste rol wilt maken, maakt u eerst een JSON-bestand met de roldefinitie waarmee de machtiging en het bereik voor de rol worden opgegeven. In het volgende voorbeeld wordt een aangepaste Datawetenschapper Aangepaste rol gedefinieerd op een specifiek werkruimteniveau:

data_scientist_custom_role.json:

{
    "Name": "Data Scientist Custom",
    "IsCustom": true,
    "Description": "Can run experiment but can't create or delete compute.",
    "Actions": ["*"],
    "NotActions": [
        "Microsoft.MachineLearningServices/workspaces/*/delete",
        "Microsoft.MachineLearningServices/workspaces/write",
        "Microsoft.MachineLearningServices/workspaces/computes/*/write",
        "Microsoft.MachineLearningServices/workspaces/computes/*/delete", 
        "Microsoft.Authorization/*/write"
    ],
    "AssignableScopes": [
        "/subscriptions/<subscriptionId>/resourceGroups/<resourceGroupName>/providers/Microsoft.MachineLearningServices/workspaces/<workspaceName>"
    ]
}

Tip

U kunt het AssignableScopes veld wijzigen om het bereik van deze aangepaste rol in te stellen op abonnementsniveau, het niveau van de resourcegroep of een specifiek werkruimteniveau. De vorige aangepaste rol is slechts een voorbeeld. Bekijk enkele voorgestelde aangepaste rollen voor de Azure Machine Learning-service.

Deze aangepaste rol kan alles doen in de werkruimte, met uitzondering van de volgende acties:

De werkruimte kan niet worden verwijderd.
De werkruimte kan niet worden gemaakt of bijgewerkt.
Er kunnen geen rekenresources worden gemaakt of bijgewerkt.
Rekenresources kunnen niet worden verwijderd.
Het kan geen roltoewijzingen toevoegen, verwijderen of wijzigen.

Gebruik de volgende Azure CLI-opdracht om deze aangepaste rol te implementeren:

az role definition create --role-definition data_scientist_custom_role.json

Na de implementatie is deze rol beschikbaar in de opgegeven werkruimte. U kunt deze rol nu toevoegen en toewijzen in Azure Portal.

Zie Aangepaste Azure-rollen voor meer informatie over aangepaste rollen.

Azure Machine Learning-bewerkingen

Zie Bewerkingen van de resourceprovider voor meer informatie over de bewerkingen (acties en niet acties) die kunnen worden gebruikt met aangepaste rollen. U kunt ook de volgende Azure CLI-opdracht gebruiken om bewerkingen weer te geven:

az provider operation show –n Microsoft.MachineLearningServices

Aangepaste rollen opvragen

Voer in de Azure CLI de volgende opdracht uit:

az role definition list --subscription <subscriptionId> --custom-role-only true

Als u de roldefinitie voor een specifieke aangepaste rol wilt weergeven, gebruikt u de volgende Azure CLI-opdracht. De <roleName> waarde moet dezelfde indeling hebben die wordt geretourneerd door de vorige opdracht:

az role definition list -n <roleName> --subscription <subscriptionId>

Een aangepaste rol bijwerken

Voer in de Azure CLI de volgende opdracht uit:

az role definition update --role-definition update_def.json --subscription <subscriptionId>

U moet machtigingen hebben voor het hele bereik van uw nieuwe roldefinitie. Als deze nieuwe rol bijvoorbeeld een bereik heeft voor drie abonnementen, moet u machtigingen hebben voor alle drie abonnementen.

Notitie

Het kan 15 minuten tot een uur duren voordat rolupdates van toepassing zijn op alle roltoewijzingen in dat bereik.

Azure Resource Manager-sjablonen gebruiken voor herhaalbaarheid

Als u verwacht dat u complexe roltoewijzingen opnieuw moet maken, kan een Azure Resource Manager-sjabloon een belangrijke hulp zijn. De sjabloon voor machine learning-afhankelijkheden-roltoewijzing laat zien hoe roltoewijzingen kunnen worden opgegeven in de broncode voor hergebruik.

Algemene scenario's

De volgende tabel is een overzicht van Azure Machine Learning-activiteiten en de machtigingen die nodig zijn om ze ten minste binnen het bereik uit te voeren. Als een activiteit bijvoorbeeld kan worden uitgevoerd met een werkruimtebereik (kolom 4), werken alle hogere bereiken met die machtiging ook automatisch. Voor bepaalde activiteiten verschillen de machtigingen tussen V1- en V2-API's.

Belangrijk

Alle paden in deze tabel die beginnen met / zijn relatieve paden naar Microsoft.MachineLearningServices/ :

Activiteit	Bereik op abonnementsniveau	Bereik op resourcegroepniveau	Bereik op werkruimteniveau
Nieuwe werkruimte _{maken 1}	Niet vereist	Eigenaar of inzender	N.b. (wordt eigenaar of neemt een hogere bereikrol over na het maken)
Amlcompute-quotum aanvragen of quotum voor werkruimteniveau instellen	Eigenaar, inzender of aangepaste rol Waardoor `/locations/updateQuotas/action` op abonnementsbereik	Niet gemachtigd	Niet gemachtigd
Nieuw rekencluster maken	Niet vereist	Niet vereist	Eigenaar, inzender of aangepaste rol die het volgende toestaat: `/workspaces/computes/write`
Nieuw rekenproces maken	Niet vereist	Niet vereist	Eigenaar, inzender of aangepaste rol die het volgende toestaat: `/workspaces/computes/write`
Elk type uitvoering verzenden (V1)	Niet vereist	Niet vereist	Eigenaar, inzender of aangepaste rol die: `/workspaces/*/read`, `/workspaces/environments/write`, `/workspaces/experiments/runs/write`, `/workspaces/metadata/artifacts/write`, `/workspaces/metadata/snapshots/write`, `/workspaces/environments/build/action/workspaces/experiments/runs/submit/action/workspaces/environments/readSecrets/action`
Elk type uitvoering verzenden (V2)	Niet vereist	Niet vereist	Eigenaar, inzender of aangepaste rol die het volgende toestaat: `/workspaces//read`, `/workspaces/environments/write`, , `/workspaces/metadata/artifacts/write/workspaces/metadata/codes//write/workspaces/environments/build/action/workspaces/jobs/*/workspaces/environments/readSecrets/action`
Pijplijnen en eindpunten publiceren (V1)	Niet vereist	Niet vereist	Eigenaar, inzender of aangepaste rol die: `/workspaces/endpoints/pipelines/`, `/workspaces/pipelinedrafts/`, `/workspaces/modules/*`
Pijplijnen en eindpunten publiceren (V2)	Niet vereist	Niet vereist	Eigenaar, inzender of aangepaste rol die: `/workspaces/endpoints/pipelines/`, `/workspaces/pipelinedrafts/`, `/workspaces/components/*`
Een AKS-resource _{koppelen 2}	Niet vereist	Eigenaar of inzender voor de resourcegroep die AKS bevat
Een geregistreerd model implementeren op een AKS/ACI-resource	Niet vereist	Niet vereist	Eigenaar, inzender of aangepaste rol die het volgende toestaat: `/workspaces/services/aks/write`, `/workspaces/services/aci/write`
Scoren op basis van een geïmplementeerd AKS-eindpunt	Niet vereist	Niet vereist	Eigenaar, inzender of aangepaste rol die: `/workspaces/services/aks/score/action`, `/workspaces/services/aks/listkeys/action` (wanneer u geen Microsoft Entra-verificatie gebruikt) OF `/workspaces/read` (wanneer u tokenverificatie gebruikt)
Toegang tot opslag met behulp van interactieve notebooks	Niet vereist	Niet vereist	Eigenaar, inzender of aangepaste rol die het volgende toestaat: `/workspaces/computes/read`, `/workspaces/notebooks/samples/read`, `/workspaces/notebooks/storage/*`, `/workspaces/listStorageAccountKeys/action/workspaces/listNotebookAccessToken/read`
Nieuwe aangepaste rol maken	Eigenaar, inzender of aangepaste rol toestaan `Microsoft.Authorization/roleDefinitions/write`	Niet vereist	Eigenaar, inzender of aangepaste rol die het volgende toestaat: `/workspaces/computes/write`
Online-eindpunten en -implementaties maken/beheren	Niet vereist	Om in studio te implementeren, `Microsoft.Resources/deployments/write`	Eigenaar, inzender of aangepaste rol toestaan `Microsoft.MachineLearningServices/workspaces/onlineEndpoints/*`.
Verificatiereferenties ophalen voor online-eindpunten	Niet vereist	Niet vereist	Eigenaar, inzender of aangepaste rol die toestaat `Microsoft.MachineLearningServices/workspaces/onlineEndpoints/token/action` en `Microsoft.MachineLearningServices/workspaces/onlineEndpoints/listkeys/action`

Als er een fout optreedt bij het maken van een werkruimte voor de eerste keer, moet u ervoor zorgen dat uw rol is toegestaan Microsoft.MachineLearningServices/register/action. Met deze actie kunt u de Azure Machine Learning-resourceprovider registreren bij uw Azure-abonnement.
Wanneer u een AKS-cluster koppelt, moet u ook de rol Azure Kubernetes Service-clusterbeheerder hebben in het cluster.

Implementeren in een virtueel netwerk of subnet

Als u resources wilt implementeren in een virtueel netwerk of subnet, moet uw gebruikersaccount machtigingen hebben voor de volgende acties in op rollen gebaseerd toegangsbeheer van Azure (Azure RBAC):
- 'Microsoft.Network/*/read' in de resource van het virtuele netwerk. Deze machtiging is niet nodig voor arm-sjabloonimplementaties (Azure Resource Manager).
- 'Microsoft.Network/virtualNetworks/join/action' in de resource van het virtuele netwerk.
- 'Microsoft.Network/virtualNetworks/subnetten/join/action' in de subnetresource.
Zie de ingebouwde netwerkrollen voor meer informatie over Azure RBAC met netwerken

Verschillen tussen acties voor V1- en V2-API's

Er zijn bepaalde verschillen tussen acties voor V1-API's en V2-API's.

Activa	Actiepad voor V1-API	Actiepad voor V2-API
Gegevensset	Microsoft.MachineLearningServices/workspaces/datasets	Microsoft.MachineLearningServices/workspaces/datasets/versions
Experimentuitvoeringen en -taken	Microsoft.MachineLearningServices/workspaces/experimenten	Microsoft.MachineLearningServices/workspaces/jobs
Modellen	Microsoft.MachineLearningServices/workspaces/models	Microsoft.MachineLearningServices/workspaces/models/versions
Momentopnamen en code	Microsoft.MachineLearningServices/workspaces/snapshots	Microsoft.MachineLearningServices/workspaces/codes/versions
Modules en onderdelen	Microsoft.MachineLearningServices/workspaces/modules	Microsoft.MachineLearningServices/workspaces/components

U kunt aangepaste rollen compatibel maken met zowel V1- als V2-API's door beide acties op te nemen of jokertekens te gebruiken die beide acties bevatten, bijvoorbeeld Microsoft.MachineLearningServices/workspaces/datasets/*/read.

Een werkruimte maken met een door de klant beheerde sleutel

Wanneer u een door de klant beheerde sleutel (CMK) gebruikt, wordt een Azure Key Vault gebruikt om de sleutel op te slaan. De gebruiker of service-principal die wordt gebruikt om de werkruimte te maken, moet eigenaar- of inzendertoegang hebben tot de sleutelkluis.

Als uw werkruimte is geconfigureerd met een door de gebruiker toegewezen beheerde identiteit, moet de identiteit de volgende rollen krijgen. Met deze rollen kan de beheerde identiteit de Azure Storage-, Azure Cosmos DB- en Azure Search-resources maken die worden gebruikt bij het gebruik van een door de klant beheerde sleutel:

Microsoft.Storage/storageAccounts/write
Microsoft.Search/searchServices/write
Microsoft.DocumentDB/databaseAccounts/write

Binnen de sleutelkluis moet de gebruiker of service-principal toegang tot de sleutel hebben gemaakt, ophalen, verwijderen en opschonen via een toegangsbeleid voor een sleutelkluis. Zie Azure Key Vault-beveiliging voor meer informatie.

Door de gebruiker toegewezen beheerde identiteit met Azure Machine Learning-rekencluster

Als u een door de gebruiker toegewezen identiteit wilt toewijzen aan een Azure Machine Learning-rekencluster, hebt u schrijfmachtigingen nodig om de rekenkracht en de rol van operator voor beheerde identiteiten te maken. Lees hoe u door de gebruiker toegewezen identiteiten beheert voor meer informatie over Azure RBAC met beheerde identiteiten

MLflow-bewerkingen

Als u MLflow-bewerkingen wilt uitvoeren met uw Azure Machine Learning-werkruimte, gebruikt u de volgende bereiken voor uw aangepaste rol:

MLflow-bewerking	Bereik
(V1) Experimenten weergeven, lezen, maken, bijwerken of verwijderen	`Microsoft.MachineLearningServices/workspaces/experiments/*`
(V2) Taken weergeven, lezen, maken, bijwerken of verwijderen	`Microsoft.MachineLearningServices/workspaces/jobs/*`
Geregistreerd model ophalen op naam, een lijst ophalen van alle geregistreerde modellen in het register, zoeken naar geregistreerde modellen, meest recente versiemodellen voor elke aanvraagfase, de versie van een geregistreerd model ophalen, modelversies zoeken, URI ophalen waar de artefacten van een modelversie worden opgeslagen, zoeken naar uitvoeringen op experiment-id's	`Microsoft.MachineLearningServices/workspaces/models/*/read`
Een nieuw geregistreerd model maken, de naam/beschrijving van een geregistreerd model bijwerken, de naam van een bestaand geregistreerd model wijzigen, een nieuwe versie van het model maken, de beschrijving van een modelversie bijwerken, een geregistreerd model overzetten naar een van de fasen	`Microsoft.MachineLearningServices/workspaces/models/*/write`
Een geregistreerd model samen met alle bijbehorende versies verwijderen, specifieke versies van een geregistreerd model verwijderen	`Microsoft.MachineLearningServices/workspaces/models/*/delete`

Voorbeeld van aangepaste rollen

Data scientist

Hiermee kan een data scientist alle bewerkingen in een werkruimte uitvoeren, behalve:

Berekening maken
Modellen implementeren in een AKS-productiecluster
Een pijplijneindpunt implementeren in productie

data_scientist_custom_role.json:

{
    "Name": "Data Scientist Custom",
    "IsCustom": true,
    "Description": "Can run experiment but can't create or delete compute or deploy production endpoints.",
    "Actions": [
        "Microsoft.MachineLearningServices/workspaces/*/read",
        "Microsoft.MachineLearningServices/workspaces/*/action",
        "Microsoft.MachineLearningServices/workspaces/*/delete",
        "Microsoft.MachineLearningServices/workspaces/*/write"
    ],
    "NotActions": [
        "Microsoft.MachineLearningServices/workspaces/delete",
        "Microsoft.MachineLearningServices/workspaces/write",
        "Microsoft.MachineLearningServices/workspaces/computes/*/write",
        "Microsoft.MachineLearningServices/workspaces/computes/*/delete", 
        "Microsoft.Authorization/*",
        "Microsoft.MachineLearningServices/workspaces/computes/listKeys/action",
        "Microsoft.MachineLearningServices/workspaces/listKeys/action",
        "Microsoft.MachineLearningServices/workspaces/services/aks/write",
        "Microsoft.MachineLearningServices/workspaces/services/aks/delete",
        "Microsoft.MachineLearningServices/workspaces/endpoints/pipelines/write"
    ],
    "AssignableScopes": [
        "/subscriptions/<subscriptionId>"
    ]
}

Data scientist beperkt

Een meer beperkte roldefinitie zonder jokertekens in de toegestane acties. Alle bewerkingen in een werkruimte kunnen worden uitgevoerd, met uitzondering van:

Berekening maken
Modellen implementeren in een AKS-productiecluster
Een pijplijneindpunt implementeren in productie

data_scientist_restricted_custom_role.json :

{
    "Name": "Data Scientist Restricted Custom",
    "IsCustom": true,
    "Description": "Can run experiment but can't create or delete compute or deploy production endpoints",
    "Actions": [
        "Microsoft.MachineLearningServices/workspaces/*/read",
        "Microsoft.MachineLearningServices/workspaces/computes/start/action",
        "Microsoft.MachineLearningServices/workspaces/computes/stop/action",
        "Microsoft.MachineLearningServices/workspaces/computes/restart/action",
        "Microsoft.MachineLearningServices/workspaces/computes/applicationaccess/action",
        "Microsoft.MachineLearningServices/workspaces/notebooks/storage/write",
        "Microsoft.MachineLearningServices/workspaces/notebooks/storage/delete",
        "Microsoft.MachineLearningServices/workspaces/experiments/runs/write",
        "Microsoft.MachineLearningServices/workspaces/experiments/write",
        "Microsoft.MachineLearningServices/workspaces/experiments/runs/submit/action",
        "Microsoft.MachineLearningServices/workspaces/pipelinedrafts/write",
        "Microsoft.MachineLearningServices/workspaces/metadata/snapshots/write",
        "Microsoft.MachineLearningServices/workspaces/metadata/artifacts/write",
        "Microsoft.MachineLearningServices/workspaces/environments/write",
        "Microsoft.MachineLearningServices/workspaces/models/*/write",
        "Microsoft.MachineLearningServices/workspaces/modules/write",
        "Microsoft.MachineLearningServices/workspaces/components/*/write",
        "Microsoft.MachineLearningServices/workspaces/datasets/*/write", 
        "Microsoft.MachineLearningServices/workspaces/datasets/*/delete",
        "Microsoft.MachineLearningServices/workspaces/computes/listNodes/action",
        "Microsoft.MachineLearningServices/workspaces/environments/build/action"
    ],
    "NotActions": [
        "Microsoft.MachineLearningServices/workspaces/computes/write",
        "Microsoft.MachineLearningServices/workspaces/write",
        "Microsoft.MachineLearningServices/workspaces/computes/delete",
        "Microsoft.MachineLearningServices/workspaces/delete",
        "Microsoft.MachineLearningServices/workspaces/computes/listKeys/action",
        "Microsoft.MachineLearningServices/workspaces/connections/listsecrets/action",
        "Microsoft.MachineLearningServices/workspaces/listKeys/action",
        "Microsoft.Authorization/*",
        "Microsoft.MachineLearningServices/workspaces/datasets/registered/profile/read",
        "Microsoft.MachineLearningServices/workspaces/datasets/registered/preview/read",
        "Microsoft.MachineLearningServices/workspaces/datasets/unregistered/profile/read",
        "Microsoft.MachineLearningServices/workspaces/datasets/unregistered/preview/read",
        "Microsoft.MachineLearningServices/workspaces/datasets/registered/schema/read",    
        "Microsoft.MachineLearningServices/workspaces/datasets/unregistered/schema/read",
        "Microsoft.MachineLearningServices/workspaces/datastores/write",
        "Microsoft.MachineLearningServices/workspaces/datastores/delete"
    ],
    "AssignableScopes": [
        "/subscriptions/<subscriptionId>"
    ]
}

MLflow data scientist

Hiermee kan een data scientist alle ondersteunde MLflow Azure Machine Learning-bewerkingen uitvoeren, behalve:

Berekening maken
Modellen implementeren in een AKS-productiecluster
Een pijplijneindpunt implementeren in productie

mlflow_data_scientist_custom_role.json:

{
    "Name": "MLFlow Data Scientist Custom",
    "IsCustom": true,
    "Description": "Can perform azureml mlflow integrated functionalities that includes mlflow tracking, projects, model registry",
    "Actions": [
        "Microsoft.MachineLearningServices/workspaces/experiments/*",
        "Microsoft.MachineLearningServices/workspaces/jobs/*",
        "Microsoft.MachineLearningServices/workspaces/models/*"
    ],
    "NotActions": [
        "Microsoft.MachineLearningServices/workspaces/delete",
        "Microsoft.MachineLearningServices/workspaces/write",
        "Microsoft.MachineLearningServices/workspaces/computes/*/write",
        "Microsoft.MachineLearningServices/workspaces/computes/*/delete", 
        "Microsoft.Authorization/*",
        "Microsoft.MachineLearningServices/workspaces/computes/listKeys/action",
        "Microsoft.MachineLearningServices/workspaces/listKeys/action",
        "Microsoft.MachineLearningServices/workspaces/services/aks/write",
        "Microsoft.MachineLearningServices/workspaces/services/aks/delete",
        "Microsoft.MachineLearningServices/workspaces/endpoints/pipelines/write"
    ],
    "AssignableScopes": [
        "/subscriptions/<subscriptionId>"
    ]
}

MLOps

Hiermee kunt u een rol toewijzen aan een service-principal en deze gebruiken om uw MLOps-pijplijnen te automatiseren. Als u bijvoorbeeld uitvoeringen wilt verzenden op een al gepubliceerde pijplijn:

mlops_custom_role.json:

{
    "Name": "MLOps Custom",
    "IsCustom": true,
    "Description": "Can run pipelines against a published pipeline endpoint",
    "Actions": [
        "Microsoft.MachineLearningServices/workspaces/read",
        "Microsoft.MachineLearningServices/workspaces/endpoints/pipelines/read",
        "Microsoft.MachineLearningServices/workspaces/metadata/artifacts/read",
        "Microsoft.MachineLearningServices/workspaces/metadata/snapshots/read",
        "Microsoft.MachineLearningServices/workspaces/environments/read",    
        "Microsoft.MachineLearningServices/workspaces/metadata/secrets/read",
        "Microsoft.MachineLearningServices/workspaces/modules/read",
        "Microsoft.MachineLearningServices/workspaces/components/read",       
        "Microsoft.MachineLearningServices/workspaces/datasets/*/read",
        "Microsoft.MachineLearningServices/workspaces/datastores/read",
        "Microsoft.MachineLearningServices/workspaces/environments/write",
        "Microsoft.MachineLearningServices/workspaces/experiments/runs/read",       
        "Microsoft.MachineLearningServices/workspaces/experiments/runs/write",
        "Microsoft.MachineLearningServices/workspaces/experiments/runs/submit/action",
        "Microsoft.MachineLearningServices/workspaces/experiments/jobs/read",       
        "Microsoft.MachineLearningServices/workspaces/experiments/jobs/write",
        "Microsoft.MachineLearningServices/workspaces/metadata/artifacts/write",
        "Microsoft.MachineLearningServices/workspaces/metadata/snapshots/write",
        "Microsoft.MachineLearningServices/workspaces/metadata/codes/*/write",       
        "Microsoft.MachineLearningServices/workspaces/environments/build/action",
    ],
    "NotActions": [
        "Microsoft.MachineLearningServices/workspaces/computes/write",
        "Microsoft.MachineLearningServices/workspaces/write",
        "Microsoft.MachineLearningServices/workspaces/computes/delete",
        "Microsoft.MachineLearningServices/workspaces/delete",
        "Microsoft.MachineLearningServices/workspaces/computes/listKeys/action",
        "Microsoft.MachineLearningServices/workspaces/listKeys/action",
        "Microsoft.Authorization/*"
    ],
    "AssignableScopes": [
        "/subscriptions/<subscriptionId>"
    ]
}

Werkruimte beheerder

Hiermee kunt u alle bewerkingen uitvoeren binnen het bereik van een werkruimte, met uitzondering van:

Een nieuwe werkruimte maken
Quota op abonnements- of werkruimteniveau toewijzen

De werkruimtebeheerder kan ook geen nieuwe rol maken. Het kan alleen bestaande ingebouwde of aangepaste rollen toewijzen binnen het bereik van hun werkruimte:

workspace_admin_custom_role.json:

{
    "Name": "Workspace Admin Custom",
    "IsCustom": true,
    "Description": "Can perform all operations except quota management and upgrades",
    "Actions": [
        "Microsoft.MachineLearningServices/workspaces/*/read",
        "Microsoft.MachineLearningServices/workspaces/*/action",
        "Microsoft.MachineLearningServices/workspaces/*/write",
        "Microsoft.MachineLearningServices/workspaces/*/delete",
        "Microsoft.Authorization/roleAssignments/*"
    ],
    "NotActions": [
        "Microsoft.MachineLearningServices/workspaces/write"
    ],
    "AssignableScopes": [
        "/subscriptions/<subscriptionId>"
    ]
}

Gegevens labelen

Er is een ingebouwde rol voor het labelen van gegevens, alleen gericht op het labelen van gegevens. De volgende aangepaste rollen bieden andere toegangsniveaus voor een gegevenslabelproject.

Met de labelteamleider kunt u de gelabelde gegevensset controleren en afwijzen en inzichten voor labelen weergeven. Daarnaast kunt u met deze rol ook de rol van een labelaar uitvoeren.

labeling_team_lead_custom_role.json:

{
    "Name": "Labeling Team Lead",
    "IsCustom": true,
    "Description": "Team lead for Labeling Projects",
    "Actions": [
        "Microsoft.MachineLearningServices/workspaces/read",
        "Microsoft.MachineLearningServices/workspaces/labeling/labels/read",
        "Microsoft.MachineLearningServices/workspaces/labeling/labels/write",
        "Microsoft.MachineLearningServices/workspaces/labeling/labels/reject/action",
        "Microsoft.MachineLearningServices/workspaces/labeling/labels/update/action",
        "Microsoft.MachineLearningServices/workspaces/labeling/projects/read",
        "Microsoft.MachineLearningServices/workspaces/labeling/projects/summary/read"
    ],
    "NotActions": [
        "Microsoft.MachineLearningServices/workspaces/labeling/projects/write",
        "Microsoft.MachineLearningServices/workspaces/labeling/projects/delete",
        "Microsoft.MachineLearningServices/workspaces/labeling/export/action"
    ],
    "AssignableScopes": [
        "/subscriptions/<subscriptionId>"
    ]
}

Een leverancieraccountmanager kan helpen bij het beheren van alle leveranciersrollen en het uitvoeren van een labelactie. Ze kunnen projecten niet wijzigen of MLAssist-experimenten bekijken.

vendor_admin_role.json:

{
    "Name": "Vendor account admin",
    "IsCustom": true,
    "Description": "Vendor account admin for Labeling Projects",
    "Actions": [
        "Microsoft.MachineLearningServices/workspaces/read", 
        "Microsoft.MachineLearningServices/workspaces/experiments/runs/read", 
        "Microsoft.MachineLearningServices/workspaces/labeling/labels/read", 
        "Microsoft.MachineLearningServices/workspaces/labeling/labels/write", 
        "Microsoft.MachineLearningServices/workspaces/labeling/labels/reject/action",
        "Microsoft.MachineLearningServices/workspaces/labeling/labels/update/action",
        "Microsoft.MachineLearningServices/workspaces/labeling/labels/approve_unapprove/action",
        "Microsoft.MachineLearningServices/workspaces/labeling/projects/read", 
        "Microsoft.MachineLearningServices/workspaces/labeling/projects/summary/read", 
        "Microsoft.MachineLearningServices/workspaces/labeling/export/action", 
        "Microsoft.MachineLearningServices/workspaces/datasets/registered/read"
    ],
    "AssignableScopes": [
        "/subscriptions/<subscriptionId>"
    ]
}

Een rol voor kwaliteitscontrole van klanten kan projectdashboards bekijken, voorbeeldgegevenssets bekijken, een labelproject exporteren en ingediende labels beoordelen. Deze rol kan geen labels verzenden.

customer_qa_role.json:

{
    "Name": "Customer QA",
    "IsCustom": true,
    "Description": "Customer QA for Labeling Projects",
    "Actions": [
        "Microsoft.MachineLearningServices/workspaces/read",
        "Microsoft.MachineLearningServices/workspaces/experiments/runs/read",
        "Microsoft.MachineLearningServices/workspaces/labeling/labels/read",
        "Microsoft.MachineLearningServices/workspaces/labeling/labels/reject/action",
        "Microsoft.MachineLearningServices/workspaces/labeling/labels/approve_unapprove/action",
        "Microsoft.MachineLearningServices/workspaces/labeling/projects/read",
        "Microsoft.MachineLearningServices/workspaces/labeling/projects/summary/read",
        "Microsoft.MachineLearningServices/workspaces/labeling/export/action",
        "Microsoft.MachineLearningServices/workspaces/datasets/registered/read"
    ],
    "AssignableScopes": [
        "/subscriptions/<subscriptionId>"
    ]
}

Een rol voor kwaliteitscontrole van leveranciers kan een rol voor kwaliteitscontrole van klanten uitvoeren, maar kan geen voorbeeld van de gegevensset bekijken.

vendor_qa_role.json:

{
    "Name": "Vendor QA",
    "IsCustom": true,
    "Description": "Vendor QA for Labeling Projects",
    "Actions": [
        "Microsoft.MachineLearningServices/workspaces/read", 
        "Microsoft.MachineLearningServices/workspaces/experiments/runs/read", 
        "Microsoft.MachineLearningServices/workspaces/labeling/labels/read", 
        "Microsoft.MachineLearningServices/workspaces/labeling/labels/reject/action",
        "Microsoft.MachineLearningServices/workspaces/labeling/labels/update/action",
        "Microsoft.MachineLearningServices/workspaces/labeling/labels/approve_unapprove/action",
        "Microsoft.MachineLearningServices/workspaces/labeling/projects/read", 
        "Microsoft.MachineLearningServices/workspaces/labeling/projects/summary/read", 
        "Microsoft.MachineLearningServices/workspaces/labeling/export/action"
    ],
    "AssignableScopes": [
        "/subscriptions/<subscriptionId>"
    ]
}

Probleemoplossing

Hier volgen enkele dingen waar u rekening mee moet houden terwijl u Azure RBAC gebruikt:

Wanneer u een resource maakt in Azure, zoals een werkruimte, bent u niet rechtstreeks de eigenaar van de resource. Uw rol wordt overgenomen van de rol van het hoogste bereik waarvoor u bent gemachtigd in dat abonnement. Als u bijvoorbeeld een netwerkbeheerder bent en over de machtigingen beschikt om een Machine Learning-werkruimte te maken, krijgt u de rol Netwerkbeheerder toegewezen voor die werkruimte. Niet de rol Van eigenaar .
Als u quotumbewerkingen wilt uitvoeren in een werkruimte, hebt u machtigingen op abonnementsniveau nodig. Dit betekent dat het instellen van het quotum op abonnementsniveau of het quotum op werkruimteniveau voor uw beheerde rekenrecources alleen kan plaatsvinden als u schrijfmachtigingen hebt op het abonnementsbereik.
Als u in studio wilt implementeren, hebt u AND Microsoft.MachineLearningServices/workspaces/onlineEndpoints/deployments/writenodigMicrosoft.Resources/deployments/write. Voor SDK-/CLI-implementaties hebt u het nodig Microsoft.MachineLearningServices/workspaces/onlineEndpoints/deployments/write. Neem contact op met de eigenaar van uw werkruimte/resourcegroep voor de extra machtigingen.
Wanneer er twee roltoewijzingen zijn voor dezelfde Microsoft Entra-gebruiker met conflicterende secties van Actions/NotActions, worden uw bewerkingen die worden vermeld in NotActions van de ene rol mogelijk niet van kracht als ze ook worden vermeld als Acties in een andere rol. Lees Hoe op rollen gebaseerd toegangsbeheer van Azure bepaalt of een gebruiker toegang heeft tot een resource voor meer informatie over hoe Azure roltoewijzingen parseert
Het kan soms tot één uur duren voordat uw nieuwe roltoewijzingen van kracht worden via machtigingen in de cache in de stack.

Delen via

Toegang tot Azure Machine Learning-werkruimten beheren

Standaardrollen

Azure AI-beheerdersrol

Een bestaande door het systeem beheerde identiteit converteren naar de azure AI-beheerdersrol

Toegang tot werkruimten beheren

Microsoft Entra-beveiligingsgroepen gebruiken om toegang tot werkruimten te beheren

Aangepast rol maken

Azure Machine Learning-bewerkingen

Aangepaste rollen opvragen

Een aangepaste rol bijwerken

Azure Resource Manager-sjablonen gebruiken voor herhaalbaarheid

Algemene scenario's

Implementeren in een virtueel netwerk of subnet

Verschillen tussen acties voor V1- en V2-API's

Een werkruimte maken met een door de klant beheerde sleutel

Door de gebruiker toegewezen beheerde identiteit met Azure Machine Learning-rekencluster

MLflow-bewerkingen

Voorbeeld van aangepaste rollen

Data scientist

Data scientist beperkt

MLflow data scientist

MLOps

Werkruimte beheerder

Gegevens labelen

Probleemoplossing

Feedback

Aanvullende resources

Delen via

Toegang tot Azure Machine Learning-werkruimten beheren

Standaardrollen

Azure AI-beheerdersrol

Een bestaande door het systeem beheerde identiteit converteren naar de azure AI-beheerdersrol

Toegang tot werkruimten beheren

Microsoft Entra-beveiligingsgroepen gebruiken om toegang tot werkruimten te beheren

Aangepast rol maken

Azure Machine Learning-bewerkingen

Aangepaste rollen opvragen

Een aangepaste rol bijwerken

Azure Resource Manager-sjablonen gebruiken voor herhaalbaarheid

Algemene scenario's

Implementeren in een virtueel netwerk of subnet

Verschillen tussen acties voor V1- en V2-API's

Een werkruimte maken met een door de klant beheerde sleutel

Door de gebruiker toegewezen beheerde identiteit met Azure Machine Learning-rekencluster

MLflow-bewerkingen

Voorbeeld van aangepaste rollen

Data scientist

Data scientist beperkt

MLflow data scientist

MLOps

Werkruimte beheerder

Gegevens labelen

Probleemoplossing

Gerelateerde inhoud

Feedback

Aanvullende resources