Tarification Services Machine Learning ^Aperçu

Azure Machine Learning Workbench

• Suis-je facturé pour 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.

Service Expérimentation Azure Machine Learning

• Qu’est-ce qu’un « siège » ?

  Chaque siège correspond à un utilisateur Azure qui est ajouté au compte Expérimentation. Les deux premiers sièges de votre abonnement sont gratuits. Toutefois, les sièges gratuits et la tarification Dev/Test ne s’appliquent pas aux abonnements gratuits ou d’essai, ni aux abonnements issus d’une autre offre Azure.

• Suis-je facturé en fonction du nombre d’expériences que j’effectue ?

  Non. Le service Expérimentation autorise autant d’expérimentations que nécessaire et des frais sont facturés uniquement en fonction du nombre d’utilisateurs. Les ressources de calcul Expérimentation sont facturées séparément.

• Sur quels genres de ressources de calcul et de stockage mes expériences sont-elles exécutées ?

  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, utiliser 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

• Des frais sont-ils facturés pour l’exécution des modèles Azure Machine Learning avec Azure IoT Edge ?

  Les modèles Azure Machine Learning peuvent actuellement être utilisés avec Azure IoT Edge, gratuitement.

• Suis-je facturé en fonction du nombre d’appels de mes services web ?

  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.

• Qu’est-ce qu’un « modèle managé » ?

  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.

• Qu’est-ce qu’un « déploiement managé » ?

  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.

• Sur quel type de ressources de calcul mes déploiements sont-ils exécutés ?

  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.

• Qu’est-ce qu’un « cœur disponible » ?

  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.

• Puis-je combiner plusieurs unités des niveaux Gestion des modèles Azure Machine Learning ?

  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.

• Comment puis-je modifier le nombre d’unités que j’ai achetées dans le service Gestion des modèles Azure Machine Learning ?

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

• Puis-je utiliser le service Gestion des modèles Azure Machine Learning pour déployer des modèles créés à l’aide d’outils autres que le service Expérimentation ?

  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.

• À quoi ressemble ma facture ?

  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.