Abrechnung für KI-Funktionen

KI-Funktionen verwenden den integrierten, in Fabric gehosteten LLM-Endpunkt, um Ihre Daten umzuwandeln und anzureichern, ohne einen separaten Endpunkt einrichten zu müssen. In diesem Artikel werden die Optionen für Abrechnungszähler, Verbrauchssätze und Nutzungsüberwachungsoptionen für diesen integrierten Endpunkt erläutert.

Abrechnungsmesser

KI-Funktionsaufrufe über den integrierten Fabric-LLM-Endpunkt werden Ihrer Fabric-Kapazität über den Zähler Copilot and AI in Rechnung gestellt. In der App „Microsoft Fabric Capacity Metrics“ wird die Nutzung als Vorgang „AI Functions“ angezeigt.

Anzeigen von Kosten und Ausgaben

Verwenden Sie die App "Kapazitätsmetriken", um die Ausgaben und Kapazitätsauswirkungen von KI-Funktionen zu überwachen:

1. Öffnen Sie die Microsoft Fabric-Kapazitätsmetriken-App.
2. Filtern Sie nach der Kapazität, dem Arbeitsbereich und dem Zeitraum, die Ihre KI-Funktionen-Workload ausgeführt haben.
3. Suchen Sie in Ansichten auf Vorgangsebene nach KI-Funktionen unter dem Zähler Copilot und KI.
4. Vergleichen Sie den KI-Funktionen-Vorgang mit Spark-, Dataflow Gen2- oder Warehouse-Vorgängen, um den Modellaufrufverbrauch von der Berechnung zu trennen, die die Workload koordiniert hat.

Überwachen der Laufzeitnutzung

Verwenden Sie während der Entwicklung Laufzeitnutzungsstatistiken, um den Verbrauch zu schätzen und zu überprüfen, bevor Sie eine Pipeline skalieren.

In Pandas und PySpark-Notizbüchern können Sie auf KI-Funktionsergebnisse zugreifen ai.stats , um Die Ausführungs- und Tokennutzungsdetails anzuzeigen, einschließlich:

• num_successful, num_exceptions, num_unevaluated und num_harmful.
• cached_tokens, input_tokens, output_tokens und reasoning_tokens.
• client_type, input_typesund model.

# This code uses AI. Always review output for mistakes.

df["summary"] = df["text"].ai.summarize()
display(df["summary"].ai.stats)
display(df.ai.stats)

# This code uses AI. Always review output for mistakes.

results = df.ai.summarize(input_col="text", output_col="summary")
display(results.ai.stats)

Die Ausgabe könnte etwa so aussehen wie in dieser Tabelle:

Legen Sie in pandas notebooks progress_bar_mode="stats" fest, damit während der Ausführung der Funktion Token- und Kapazitätseinheitenschätzungen in Echtzeit angezeigt werden:

import synapse.ml.aifunc as aifunc

aifunc.default_conf.progress_bar_mode = "stats"

Die Statusanzeige zeigt live und projizierte zwischengespeicherte Eingaben, Eingabe-, Ausgabe- und Kapazitätseinheitenschätzungen an und zeigt dann endwerte an, wenn der Vorgang abgeschlossen ist. Siehe Statusleistenmodi und Anpassen von KI-Funktionen mit PySpark.

Verbrauchsraten

Wenn Sie kein anderes Modell konfigurieren, verwenden Python-KI-Funktionen für pandas und PySpark standardmäßig gpt-5-mini, wobei reasoning_effort auf low festgelegt ist. Der Verbrauch basiert auf der Tokenverwendung. Eingabe-, zwischengespeicherte Eingabe- und Ausgabetoken können unterschiedliche Raten aufweisen.

Sprachmodelle

Einbetten von Modellen

Die Verbrauchsraten können sich ändern. Die vollständige Liste der Verbrauchssätze sowie die Richtlinie zu Satzänderungen finden Sie unter Verbrauchssatz in Foundry Tools in Fabric.

Modellmigrationsleitfaden

Für anspruchsvollere Transformationen können Sie gpt-5.1 konfigurieren oder reasoning_effort so abstimmen, dass mehr Rechenleistung für hochwertigere Ergebnisse genutzt wird. Details zum Einrichten finden Sie unter Anpassen von KI-Funktionen mit Pandas und Anpassen von KI-Funktionen mit PySpark.

Verwandte Inhalte

• Transformieren und Anreichern von Daten mit KI-Funktionen.
• Verwenden Sie multimodale Eingaben mit KI-Funktionen.
• Passen Sie KI-Funktionen mit Pandas an.
• Passen Sie KI-Funktionen mit PySpark an.
• Gießerei-Werkzeuge in Fabric.