Tarification Services Machine Learning

Proposez l’intelligence artificielle à tous avec une plateforme de bout en bout, scalable et approuvée qui inclut Expérimentation et Gestion des modèles.

Les services Expérimentation et Gestion des modèles Azure Machine Learning offrent une solution cloud, locale et en périphérie qui permet aux chercheurs de données et aux développeurs de proposer l’intelligence artificielle à tous et en tout lieu. Pour en savoir plus sur la suite d’offres disponibles dans Machine Learning Studio, visitez la page sur la tarification Machine Learning Studio.

Détails des prix appliqués

La tarification ci-dessous tient compte d’une remise pour la version préliminaire.

Tarification Expérimentation

Standard
Tarif 2 premiers sièges gratuits
Seats 3 and above—$- per seat per month

Tarification Gestion des modèles

Développement/Test Standard S1 Standard S2 Standard S3 *
Prix du niveau par mois $- $- $- $-
Fonctionnalités
Modèles managés 20 100 1 000 10 000
Déploiements managés 2 10 100 1 000
Cœurs disponibles** 4 16 120 800
*Si vous avez besoin de quantités supérieures à celles disponibles pour les modèles managés, les déploiements managés et/ou les cœurs disponibles qui sont inclus dans le niveau S3, vous pouvez acheter plusieurs unités du niveau S3. Pour plus d’informations, consultez les questions fréquentes ci-dessous. **Indique le nombre de cœurs qui peuvent être utilisés pour les déploiements à un moment donné. N’inclut aucun frais pour les heures de calcul. Pour plus d’informations, consultez les questions fréquentes ci-dessous.

Support technique et contrat SLA

  • Nous assurons le support technique pour tous les services Azure en disponibilité générale, y compris pour le niveau Machine Learning standard, par le biais du support Azure, à partir de $29/mois. Le support pour la gestion et la facturation des abonnements est fourni gratuitement.
  • Le support technique du niveau Gratuit de Machine Learning est disponible uniquement via les forums des communautés. Des vidéos et de la documentation de formation sont également disponibles pour offrir un support à la communauté des utilisateurs.
  • Contrat SLA : pour le service de requête-réponse (RRS, Request-Response Service), nous garantissons une disponibilité à 99,95 % des transactions API. Pour le service d’exécution de lots (BES, Batch Execution Service) et les API de gestion, nous garantissons une disponibilité à 99,9 % des transactions API. Nous ne proposons pas de contrat SLA pour le niveau gratuit de Machine Learning. Pour en savoir plus sur le contrat SLA, consultez la page correspondante.

Forum Aux Questions

Azure Machine Learning Workbench

  • Non. Azure Machine Learning Workbench est une application gratuite. Vous pouvez la télécharger sur le nombre de machines et pour le nombre d’utilisateurs de votre choix. Pour utiliser Azure Machine Learning Workbench, vous devez avoir un compte Expérimentation. Azure Machine Learning Workbench vous permet de développer des modèles localement sur votre propre machine ou sur le cloud. Vous pouvez ainsi facilement mettre à l’échelle et déployer votre travail sur Azure.

Service Expérimentation Azure Machine Learning

  • Chaque siège correspond à un utilisateur Azure qui est ajouté au compte Expérimentation. Les deux premiers sièges de votre abonnement sont gratuits.

  • No, the Experimentation Service allows as many experiments as you need, and charges only based on the number of users. Experimentation compute resources are charged separately.

  • Le service Expérimentation Azure Machine Learning peut exécuter vos expériences sur les composants suivants : machine locale (directe ou basée sur Docker), ressources de calcul Azure (machines virtuelles) et HDInsight. Il a également besoin d’accéder au compte Stockage Blob Azure pour le stockage des sorties d’exécutions suivies. Il peut également, de façon facultative, tirer parti d’un compte Visual Studio Team Service pour la gestion de version de votre projet à l’aide d’un dépôt Git. Notez que vous êtes facturé indépendamment pour les ressources de calcul et de stockage consommées, en fonction de leur tarification individuelle.

Gestion des modèles Azure Machine Learning

  • Non. Les services web peuvent être appelés aussi souvent que nécessaire, sans que des frais liés à Gestion des modèles ne soient facturés. Vous avez un contrôle total sur la scalabilité de vos déploiements, que vous définissez en fonction des besoins de vos applications.

  • Un modèle correspond à la sortie d’un processus de formation, et à l’application d’un algorithme Machine Learning à des données de formation. Le service Gestion des modèles vous permet de déployer des modèles en tant que services web, de gérer plusieurs versions des modèles et d’assurer le monitoring de vos modèles et des métriques associées. Les modèles managés sont des modèles qui ont été inscrits à un compte Gestion des modèles Azure Machine Learning. Prenons l’exemple d’un scénario où vous tentez de prévoir des ventes. Pendant la phase d’expérimentation, vous générez de nombreux modèles à l’aide de différents jeux de données ou algorithmes. Si vous avez généré quatre modèles avec différentes précisions, vous pouvez choisir d’inscrire uniquement le modèle avec la précision la plus élevée.

    À chaque fois que vous inscrivez un nouveau modèle ou une nouvelle version d’un modèle actuel, celui-ci est comptabilisé dans votre plan. À tout moment, vous pouvez atteindre le nombre maximal de modèles managés spécifiés par les niveaux que vous avez achetés.

  • Le service Gestion des modèles vous permet de déployer des modèles en tant que conteneurs de service web packagés dans Azure qui peuvent être appelés à l’aide d’API REST. Chaque service web est comptabilisé comme un seul déploiement, et le nombre total de déploiements actifs exécutés est comptabilisé dans votre plan. À tout moment, vous pouvez atteindre le nombre maximal de déploiements spécifiés par le niveau que vous avez acheté. À l’aide de l’exemple de prévision des ventes, en déployant votre meilleur modèle d’exécution, vous incrémentez votre plan d’un seul déploiement. Si vous reformez et redéployez ensuite votre modèle, vous obtenez deux déploiements. Si vous déterminez que le modèle plus récent est meilleur et que vous supprimez l’original, votre nombre de déploiement est décrémenté de 1.

  • Le service Gestion des modèles Azure Machine Learning peut exécuter vos déploiements en tant que conteneurs Docker sur Azure Container Service, Machines virtuelles Azure et des machines locales. D’autres cibles seront bientôt disponibles. Notez que vous êtes facturé indépendamment pour les ressources de calcul consommées, en fonction de leur tarification individuelle.

  • Le service Gestion des modèles Azure Machine Learning fournit des fonctionnalités avancées pour optimiser le déploiement sur de volumineux clusters. Vous pouvez déployer et gérer les modèles jusqu’au nombre total de cœurs déployés sur les ressources de calcul que vous avez approvisionnées. Par exemple, si vous avez déployé un cluster Azure Container Service à l’aide de 2 nœuds principaux de machines virtuelles D13 (8 cœurs par nœud) et de 10 nœuds de travail de machines virtuelles D13 (8 cœurs par nœud), votre nombre total de cœurs est le suivant : 2 x 8 + 10 x 8 = 96.

  • Une seule unité DEV/TEST peut être allouée par abonnement Azure, mais plusieurs unités S1, S2 et S3 peuvent être combinées. Par exemple, si vous voulez avoir 25 déploiements managés, vous pouvez acheter 3 unités de Gestion des modèles S1.

  • Vous pouvez augmenter ou réduire le nombre d’unités à l’aide du portail de gestion Azure ou de l’interface CLI.

  • Vous bénéficiez d’une expérience optimale lorsque vous déployez des modèles créés à l’aide du service Expérimentation. Mais les modèles que vous pouvez déployer ne sont pas limités à ceux créés à l’aide de ce service. Nous prenons en charge un large éventail de modèles (tels que Spark ML, TensorFlow, CNTK, scikit-learn, Keras, etc.) créés à l’aide d’outils tels que Azure Batch AI Training, Microsoft ML Server et d’autres outils tiers.

  • Vous êtes facturé quotidiennement. Pour la facturation, un jour commence à minuit UTC. Les factures sont générées mensuellement. Prenons l’exemple suivant : vous êtes abonné au service Expérimentation pour une équipe constituée de 10 utilisateurs. Vous avez également acheté 3 unités du niveau Gestion des modèles S1.

    • Frais liés au compte Expérimentation : (((sièges * jours) – inclus) * tarif quotidien)
    • 2 sièges gratuits * 31 jours = 62 jours de sièges inclus gratuitement chaque mois, par abonnement
    • Frais liés au compte Gestion des modèles : (unités * jours * tarif quotidien du niveau)

    Pour un mois de facturation comptant 30 jours,

    • Frais liés au compte Expérimentation : (((10 * 30) – 62) * tarif quotidien)
    • Frais liés au compte Gestion des modèles : (3 * 30 * tarif quotidien du niveau)

    Notez que nous vous facturons des frais distincts pour les services Azure consommés avec Azure Machine Learning, y compris mais sans s’y limiter, les frais de calcul, HDInsight, Azure Container Service, Azure Container Registry, Stockage Blob Azure , Application Insights, Azure Key Vault, Visual Studio Team Services, Réseau virtuel, Azure Event Hub et Azure Stream Analytics.

Pour plus d’informations sur les prix appliqués, consultez les questions fréquentes dans la documentation.

Resources

Estimate your monthly costs for Azure services

Review Azure pricing frequently asked questions

Learn more about Services Machine Learning

Review technical tutorials, videos, and more resources

Learn and build with $200 in credit, and keep going for free

Free account