Exportera och ta bort användardata i produkten från Machine Learning Studio (klassisk)

GÄLLER FÖR: Machine Learning Studio (klassisk) Azure Machine Learning

Viktigt!

Stödet för Machine Learning Studio (klassisk) upphör den 31 augusti 2024. Vi rekommenderar att du byter till Azure Machine Learning innan dess.

Från och med den 1 december 2021 kan du inte längre skapa nya Machine Learning Studio-resurser (klassisk). Du kan fortsätta att använda befintliga Machine Learning Studio-resurser (klassisk) till och med den 31 augusti 2024.

• Se information om hur du flyttar maskininlärningsprojekt från ML Studio (klassisk) till Azure Machine Learning.
• Läs mer om Azure Machine Learning

Dokumentationen om ML Studio (klassisk) håller på att dras tillbaka och kanske inte uppdateras i framtiden.

Du kan ta bort eller exportera produktdata som lagras av Machine Learning Studio (klassisk) med hjälp av Azure Portal, Studio-gränssnittet (klassiskt) PowerShell och autentiserade REST-API:er. Den här artikeln beskriver hur.

Telemetridata kan nås via Azures sekretessportal.

Kommentar

I Azure-begäranden från registrerad person för GDPR finns det information om att visa eller ta bort personuppgifter. Mer information om GDPR finns i avsnittet GDPR i Microsoft Trust Center och GDPR-avsnittet i Service Trust-portalen.

Kommentar

Den här artikeln innehåller steg om hur du tar bort personuppgifter från enheten eller tjänsten och kan användas för att stödja dina skyldigheter enligt GDPR. För allmän information om GDPR, se GDPR-avsnittet för Microsoft Trust Center och GDPR-avsnitt av Service Trust Portal.

Vilka typer av användardata samlar Studio (klassisk) in?

För den här tjänsten består användardata av information om användare som har behörighet att komma åt arbetsytor och telemetriposter för användarinteraktioner med tjänsten.

Det finns två typer av användardata i Machine Learning Studio (klassisk):

• Personliga kontodata: Konto-ID:t och e-postadresser som är associerade med ett konto.
• Kunddata: Data som du laddade upp för att analysera.

Studio-kontotyper (klassisk) och hur data lagras

Det finns tre typer av konton i Machine Learning Studio (klassisk). Vilken typ av konto du har avgör hur dina data lagras och hur du kan ta bort eller exportera dem.

• En gästarbetsyta är ett kostnadsfritt, anonymt konto. Du registrerar dig utan att ange autentiseringsuppgifter, till exempel en e-postadress eller ett lösenord.
  • Data rensas när gästarbetsytan upphör att gälla.
  • Gästanvändare kan exportera kunddata via användargränssnittet, REST-API:er eller PowerShell-paketet.
• En kostnadsfri arbetsyta är ett kostnadsfritt konto som du loggar in på med Microsoft-kontoautentiseringsuppgifter – en e-postadress och ett lösenord.
  • Du kan exportera och ta bort personliga data och kunddata, som omfattas av DSR-begäranden (Data Subject Rights).
  • Du kan exportera kunddata via användargränssnittet, REST-API:er eller PowerShell-paketet.
  • För kostnadsfria arbetsytor som inte använder Azure AD-konton kan telemetri exporteras med hjälp av sekretessportalen.
  • När du tar bort arbetsytan tar du bort alla personliga kunddata.
• En standardarbetsyta är ett betalkonto som du har åtkomst till med inloggningsuppgifter.
  • Du kan exportera och ta bort personliga data och kunddata, som omfattas av DSR-begäranden.
  • Du kan komma åt data via Azures sekretessportal
  • Du kan exportera personliga data och kunddata via användargränssnittet, REST-API:er eller PowerShell-paketet
  • Du kan ta bort dina data i Azure Portal.

Ta bort arbetsytedata i Studio (klassisk)

Ta bort enskilda tillgångar

Användare kan ta bort tillgångar på en arbetsyta genom att välja dem och sedan välja knappen Ta bort.

Ta bort en hel arbetsyta

Användarna kan också ta bort hela arbetsytan:

• Betald arbetsyta: Ta bort via Azure Portal.
• Kostnadsfri arbetsyta: Använd knappen Ta bort i fönstret Inställningar .

Exportera Studio-data (klassisk) med PowerShell

Använd PowerShell för att exportera all information till ett portabelt format från Machine Learning Studio (klassisk) med hjälp av kommandon. Mer information finns i artikeln PowerShell-modulen för Machine Learning Studio (klassisk).

Nästa steg

Dokumentation om webbtjänster och fakturering av åtagandeplaner finns i REST API-referensen för Machine Learning Studio (klassisk).