Skapa ett projekt i Azure AI Foundry-portalen

I den här artikeln beskrivs hur du skapar ett Azure AI Foundry-projekt. Ett projekt används för att organisera ditt arbete och spara tillstånd när du skapar anpassade AI-appar.

Projekt hanteras av en Azure AI Foundry-hubb. Om ditt företag har ett administrativt team som har skapat en hubb åt dig kan du skapa ett projekt från hubben. Om du arbetar på egen hand kan du skapa ett projekt och en standardhubb skapas automatiskt åt dig.

Mer information om projekt- och hubbarmodellen finns i Azure AI Foundry-hubbar.

Förutsättningar

• En Azure-prenumeration. Om du inte har någon Azure-prenumeration kan du skapa ett kostnadsfritt konto.
• För Python SDK- eller CLI-steg, en Azure AI Foundry-hubb. Om du inte har någon hubb kan du läsa Så här skapar och hanterar du en Azure AI Foundry-hubb.
• För Azure AI Foundry krävs ingen hubb. Den skapas åt dig när det behövs.

Skapa ett projekt

Använd följande flikar för att välja den metod som du planerar att använda för att skapa ett projekt:

Azure AI Foundry

Följ dessa steg för att skapa ett projekt i Azure AI Foundry:

1. Gå till Azure AI Foundry. Om du är i ett projekt väljer du Azure AI Foundry längst upp till vänster på sidan för att gå till startsidan .

2. Välj + Skapa projekt.

3. Ange ett namn för projektet.

4. Om du har en hubb ser du den som du senast använde valt.

   • Om du har åtkomst till mer än en hubb kan du välja en annan hubb i listrutan.

   • Om du vill skapa en ny väljer du Skapa ny hubb och anger ett namn. Om du vill anpassa standardvärdena kan du läsa nästa avsnitt.

     

5. Om du inte har en hubb skapas en standard för dig. Om du vill anpassa standardvärdena kan du läsa nästa avsnitt.

6. Välj Skapa ett projekt. Om du vill anpassa en ny hubb följer du stegen i nästa avsnitt.

Anpassa hubben

Projekt finns i en hubb. Med en hubb kan du dela konfigurationer som dataanslutningar med alla projekt och hantera säkerhetsinställningar och utgifter centralt. Om du ingår i ett team delas hubbar mellan andra teammedlemmar i din prenumeration. Mer information om relationen mellan hubbar och projekt finns i översiktsdokumentationen för hubbar och projekt.

När du skapar en ny hubb måste du ha behörigheten Ägare eller Deltagare för den valda resursgruppen. Om du ingår i ett team och inte har dessa behörigheter bör administratören skapa en hubb åt dig.

Du kan skapa en hubb som en del av projektskapandet, men du har mer kontroll och kan ange mer avancerade inställningar för hubben om du skapar den separat. Du kan till exempel anpassa nätverkssäkerhet eller det underliggande Azure Storage-kontot. Mer information finns i Skapa och hantera en Azure AI Foundry-hubb.

När du skapar en ny hubb som en del av projektets skapande tillhandahålls standardinställningarna. Om du vill anpassa de här inställningarna gör du det innan du skapar projektet:

1. I formuläret Skapa ett projekt väljer du Anpassa.

   

2. Välj en befintlig resursgrupp som du vill använda eller lämna standardvärdet för att skapa en ny resursgrupp.

   Dricks

   Speciellt för att komma igång rekommenderar vi att du skapar en ny resursgrupp för projektet. På så sätt kan du enkelt hantera projektet och alla dess resurser tillsammans. När du skapar ett projekt skapas flera resurser i resursgruppen, inklusive en hubb, ett containerregister och ett lagringskonto.

3. Välj en plats eller använd standardinställningen. Platsen är den region där hubben finns. Platsen för hubben är också platsen för projektet. Tillgängligheten för Azure AI-tjänster skiljer sig åt per region. Vissa modeller kanske till exempel inte är tillgängliga i vissa regioner.

4. Välj en befintlig Azure AI-tjänstresurs (inklusive Azure OpenAI) i listrutan om du har en eller använd standardvärdet för att skapa en ny resurs.

   

5. Välj Skapa ett projekt. Du ser förloppet för att skapa resurser och projektet skapas när processen är klar.

   

Python SDK

Koden i det här avsnittet förutsätter att du har en befintlig hubb. Om du inte har en hubb kan du läsa Skapa och hantera en Azure AI Foundry-hubb för att skapa en.

1. Installera Python enligt beskrivningen i snabbstarten för SDK.

2. Installera Azure Machine Learning SDK v2.

3. Installera azure-identity: pip install azure-identity. Om du är i en notebook-cell använder du %pip install azure-identity.

4. Ange din prenumerationsinformation:

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

5. Hämta ett handtag till prenumerationen. All Python-kod i den här artikeln använder 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)

6. (Valfritt) Om du har flera konton lägger du till klient-ID:t för det Microsoft Entra-ID som du vill använda i DefaultAzureCredential. Hitta ditt klientorganisations-ID från Azure Portal under Microsoft Entra-ID, externa identiteter.

   DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")
   

7. (Valfritt) Om du arbetar med i regionerna Azure Government – USA eller Azure China 21Vianet anger du i vilken region du vill autentisera. Du kan ange regionen med DefaultAzureCredential. Följande exempel autentiserar till Azure Government – USA-regionen:

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

8. Använd följande kod för att skapa ett projekt från en hubb som du eller administratören skapade tidigare. Ersätt exempelsträngvärden med dina egna värden:

   from azure.ai.ml.entities import Project
   
   my_project_name = "myexampleproject"
   my_display_name = "My Example Project"
   hub_name = "myhubname" # Azure resource manager ID of the hub
   hub_id=f"/subscriptions/{subscription_id}/resourceGroups/{resource_group}/providers/Microsoft.MachineLearningServices/workspaces/{hub_name}"
   
   my_project = Project(name=my_project_name, 
                   display_name=my_display_name,
                   hub_id=hub_id)
   
   created_project = ml_client.workspaces.begin_create(workspace=my_project).result()
   

Azure CLI

Koden i det här avsnittet förutsätter att du har en befintlig hubb. Om du inte har en hubb kan du läsa Skapa och hantera en Azure AI Foundry-hubb för att skapa en.

1. Om du inte har installerat Azure CLI och maskininlärningstillägget följer du stegen i artikeln Installera och konfigurera maskininlärningstillägget .

2. Om du vill autentisera till din Azure-prenumeration från Azure CLI använder du följande kommando:

   az login
   

   Mer information om autentisering finns i Autentiseringsmetoder.

3. När tillägget har installerats och autentiserats till din Azure-prenumeration använder du följande kommando för att skapa ett nytt Azure AI Foundry-projekt från en befintlig Azure AI Foundry-hubb:

   az ml workspace create --kind project --hub-id {my_hub_ARM_ID} --resource-group {my_resource_group} --name {my_project_name}
   

Visa projektinställningar

Azure AI Foundry

På projektöversiktssidan hittar du information om projektet.

• Namn: Namnet på projektet visas i det övre vänstra hörnet. Du kan byta namn på projektet med hjälp av redigeringsverktyget.
• Prenumeration: Den prenumeration som är värd för den hubb som är värd för projektet.
• Resursgrupp: Resursgruppen som är värd för den hubb som är värd för projektet.

Välj Hanteringscenter för att navigera till projektresurserna i Azure AI Foundry-portalen. Välj Hantera i Azure Portal för att navigera till projektresurserna i Azure Portal.

Python SDK

Om du vill hantera eller använda det nya projektet tar du med det i MLClient:

ml_client = MLClient(workspace_name=my_project_name, resource_group_name=resource_group, subscription_id=subscription_id,credential=DefaultAzureCredential())

Azure CLI

Om du vill visa inställningar för projektet använder du az ml workspace show kommandot . Till exempel:

az ml workspace show --name {my_project_name} --resource-group {my_resource_group}

Få åtkomst till projektresurser

Vanliga konfigurationer på hubben delas med ditt projekt, inklusive anslutningar, beräkningsinstanser och nätverksåtkomst, så att du kan börja utveckla direkt.

Dessutom är ett antal resurser endast tillgängliga för användare på projektarbetsytan:

• Komponenter som datauppsättningar, flöden, index, distribuerade MODELL-API-slutpunkter (öppna och serverlösa).

• Anslutningar som skapats av dig under "projektinställningar".

• Azure Storage-blobcontainrar och en filresurs för dataöverföring i projektet. Få åtkomst till lagring med hjälp av följande anslutningar:

  Dataanslutning	Lagringsplats	Syfte
  workspaceblobstore	{project-GUID}-azureml-blobstore	Standardcontainer för dataöverföringar
  workspaceartifactstore	{project-GUID}-azureml	Lagrar komponenter och metadata för projektet, till exempel modellvikter
  workspacefilestore	{project-GUID}-code	Är värd för filer som skapats på din beräkning och med hjälp av promptflöde

Kommentar

Lagringsanslutningar skapas inte direkt med projektet när ditt lagringskonto har offentlig nätverksåtkomst inställd på inaktiverad. Dessa skapas i stället när en första användare kommer åt AI Foundry via en privat nätverksanslutning. Felsöka lagringsanslutningar

Relaterat innehåll

• Distribuera en webbapp för företagschatt
• Läs mer om Azure AI Foundry
• Läs mer om hubbar