Criar um workspace do Azure Machine Learning

  • 7 minutos

Para obter acesso a um workspace do Azure Machine Learning, primeiro você precisa criar o serviço do Azure Machine Learning em sua assinatura do Azure. O workspace é um local central onde você pode trabalhar com todos os recursos e ativos disponíveis para treinar e implantar modelos de machine learning. Para reprodutibilidade, o workspace armazena um histórico de todos os trabalhos de treinamento, incluindo logs, métricas, saídas e um instantâneo do código.

Entender mais sobre o serviço do Azure Machine Learning

Para criar um serviço do Azure Machine Learning, você precisa fazer o seguinte:

  1. Obter acesso ao Azure, por exemplo, por meio do portal do Azure.
  2. Entrar para obter acesso a uma assinatura do Azure.
  3. Criar um grupo de recursos em sua assinatura.
  4. Criar um serviço do Azure Machine Learning a fim de criar um workspace.

Quando um workspace é provisionado, o Azure cria outros recursos do Azure automaticamente no mesmo grupo de recursos para dar suporte a esse workspace:

  1. Conta de Armazenamento do Azure: para armazenar arquivos e notebooks usados no workspace e também metadados de trabalhos e modelos.
  2. Azure Key Vault: para gerenciar com segurança segredos, tais como chaves de autenticação e credenciais usadas pelo workspace.
  3. Application Insights: para monitorar serviços preditivos no workspace.
  4. Registro de Contêiner do Azure: criado quando necessário para armazenar imagens para ambientes do Azure Machine Learning.

Diagrama da hierarquia dos recursos do Azure necessários para o workspace do Azure Machine Learning.

Criar o workspace

Você pode criar um workspace do Azure Machine Learning com uma das seguintes maneiras:

Por exemplo, o seguinte código usa o SDK do Python para criar um workspace chamado mlw-example:

from azure.ai.ml.entities import Workspace

workspace_name = "mlw-example"

ws_basic = Workspace(
    name=workspace_name,
    location="eastus",
    display_name="Basic workspace-example",
    description="This example shows how to create a basic workspace",
)
ml_client.workspaces.begin_create(ws_basic)

Explorar o workspace no portal do Azure

A criação de um workspace do Azure Machine Learning costuma levar de 5 a 10 minutos para ser concluída. Depois que o workspace for criado, você poderá selecionar o workspace para exibir seus detalhes.

Captura de tela da página de visão geral do workspace do Azure Machine Learning no portal do Azure.

Na página Visão geral do workspace do Azure Machine Learning no portal do Azure, você pode iniciar o Estúdio do Azure Machine Learning. O Estúdio do Azure Machine Learning é um portal da Web e fornece uma interface amigável para criar, gerenciar e usar recursos e ativos no workspace.

No portal do Azure, você também pode conceder a outras pessoas o acesso ao workspace do Azure Machine Learning usando o Controle de acesso.

Conceder o acesso ao workspace do Azure Machine Learning

Você pode conceder a usuários individuais ou equipes o acesso ao workspace do Azure Machine Learning. O acesso é concedido no Azure usando o RBAC (controle de acesso baseado em função), que você pode configurar na guia Controle de acesso do recurso ou do grupo de recursos.

Na guia controle de acesso, é possível gerenciar permissões para restringir quais ações determinados usuários ou equipes podem executar. Por exemplo, você pode criar uma política que somente permita que os usuários no grupo de administradores do Azure criem destinos de computação e armazenamentos de dados. Enquanto os usuários do grupo de cientistas de dados podem criar e executar trabalhos para treinar e registrar modelos.

Há três funções internas gerais que você pode usar entre recursos e grupos de recursos para atribuir permissões a outros usuários:

  • Proprietário: obtém acesso total a todos os recursos e pode conceder acesso a outras pessoas usando o controle de acesso.
  • Colaborador: obtém acesso completo a todos os recursos, mas não pode conceder acesso a outras pessoas.
  • Leitor: só pode exibir o recurso, mas não tem permissão para fazer alterações.

E o Azure Machine Learning tem funções internas específicas que você pode usar:

  • Cientista de Dados do AzureML: pode executar todas as ações no workspace, exceto para criar ou excluir recursos de computação ou editar as configurações do workspace.
  • Operador de Computação do AzureML: tem permissão para criar, alterar e gerenciar o acesso aos recursos de computação em um workspace.

Por fim, se as funções internas não atenderem a suas necessidades, você poderá criar uma função personalizada para atribuir permissões a outros usuários.

Dica

Saiba mais sobre como gerenciar o acesso a um workspace do Azure Machine Learning, incluindo a criação de funções personalizadas.

Organizar seus workspaces

Inicialmente você talvez trabalhe com apenas um workspace. No entanto, ao trabalhar em projetos em larga escala, você poderá optar por usar vários workspaces.

Use workspaces para agrupar ativos de aprendizado de máquina baseados em projetos, ambientes de implantação (por exemplo, teste e produção), equipes ou algum outro princípio organizacional.

Dica

Saiba mais sobre como organizar workspaces do Azure Machine Learning para um ambiente corporativo.