Preço do Machine Learning

A camada Gratuita do Azure Machine Learning tem o objetivo de fornecer uma introdução abrangente ao Estúdio de Azure Machine Learning. Tudo o que você precisa é de uma conta da Microsoft para se conectar. A camada Gratuita inclui acesso gratuito a um espaço de trabalho do Estúdio de Azure Machine Learning por conta da Microsoft. Ela inclui a capacidade de usar até 10 GB de armazenamento e de operacionalizar modelos como APIs de preparo. Cargas de trabalho de camada gratuita não são cobertas por um SLA e destinam-se ao desenvolvimento e uso pessoal. As cargas de trabalho de camada gratuita não podem acessar dados ao conectar-se a um servidor SQL local. A tabela acima destaca muitas diferenças entre as camadas Gratuita e Standard, mas podem existir outras diferenças e os recursos da camada Gratuita estão sujeitos a alterações a qualquer momento.

Tudo o que você precisa é de uma conta da Microsoft. Vá para o início do Azure Machine Learning e clique no botão Iniciar agora. Conecte-se com sua conta da Microsoft e um espaço de trabalho na camada Gratuita será criado para você. É possível começar a explorar e criar testes do Machine Learning imediatamente.

Primeiro, é necessário ter acesso a uma assinatura do Azure para criar um espaço de trabalho do Aprendizado de Máquina Standard. Você pode se inscrever em uma avaliação gratuita de 30 dias e atualizar posteriormente para pagar pela assinatura do Azure ou comprar uma assinatura do Azure imediatamente. Em seguida, é possível criar um espaço de trabalho do Machine Learning no portal clássico do Microsoft Azure depois de obter acesso à assinatura. Veja as instruções detalhadas.

Se preferir, é possível ser convidado por um proprietário de espaço de trabalho de Aprendizado de Máquina Standard para acessar o espaço de trabalho do proprietário.

Não. Não é possível especificar sua própria conta de armazenamento de blob para usar com a camada Gratuita. Para usar seu próprio armazenamento do Azure, é necessário usar a camada Standard.

Sim. É possível operacionalizar os modelos de aprendizado de máquina para serviços de API de preparo como parte da camada gratuita. Para colocar o serviço de API de preparo em produção e obter um ponto de extremidade de produção para o serviço operacionalizado, é necessário usar a camada Standard.

A avaliação gratuita do Microsoft Azure oferece créditos que podem ser aplicados a qualquer serviço do Azure para um mês enquanto a camada gratuita do Azure Machine Learning oferece acesso contínuo especificamente para o serviço de Azure Machine Learning para cargas de trabalho não de produção.

Para copiar seus testes da camada Gratuita para a camada Standard, siga as etapas descritas abaixo.

1. Conecte-se ao Estúdio de Azure Machine Learning e certifique-se de que esteja visualizando o espaço de trabalho Gratuito e a Standard no seletor na parte superior da varra de navegação.
2. Alterne para o espaço de trabalho Gratuito se estiver na Standard.
3. Na exibição de lista de testes, selecione um teste que você deseja copiar e clique no botão de comando Copiar.
4. Selecione o espaço de trabalho Standard na caixa de diálogo pop-up e clique no botão Copiar.
5. Observe que todos os conjuntos de dados associados, modelos treinados, etc. serão copiados com o teste no espaço de trabalho Padrão.
6. Você precisará executar novamente o teste e republicá-lo no serviço Web no espaço de trabalho Standard.

O serviço do Machine Learning suporta alta disponibilidade ao parear duas regiões na mesma localidade. A região Centro-Sul dos EUA é pareada com o Centro-Norte dos EUA.

As horas de produção de chamada à API podem variar significativamente, indo geralmente de centenas de milissegundos a alguns segundos, mas podem exigir minutos, dependendo da complexidade do processamento dos dados e do modelo de aprendizado de máquina. A melhor forma de estimar os tempos de chamada à API de produção é submeter um modelo a benchmark no serviço de Machine Learning.

O serviço de Machine Learning é um serviço multilocatário, cujos recursos reais de computação usados no back-end variam e são otimizados para oferecer desempenho e previsibilidade.

As cobranças referentes a espaços de trabalho serão divididas em separado para cada medidor aplicável em uma única fatura.