Facturation des fonctions IA

Les fonctions d’IA utilisent le point de terminaison intégré d’un grand modèle de langage (LLM) hébergé dans Fabric pour transformer et enrichir vos données, sans configuration distincte d’un point de terminaison. Cet article explique les options de contrôle de facturation, de taux de consommation et de surveillance de l’utilisation pour ce point de terminaison intégré.

Compteur de facturation

Les appels de fonction d’IA via le point de terminaison LLM intégré de Fabric sont facturés à votre capacité Fabric au titre du compteur Copilot and AI. Dans l’application Microsoft Fabric Capacity Metrics, l’utilisation apparaît sous l’opération AI Functions.

Afficher les coûts et les dépenses

Utilisez l’application Métriques de capacité pour surveiller les dépenses et l’impact sur la capacité d’AI Functions :

1. Ouvrez l’application Métriques de capacité Microsoft Fabric.
2. Filtrez par capacité, espace de travail et plage de temps dans lesquels votre charge de travail Fonctions d’IA s’est exécutée.
3. Dans les vues au niveau des opérations, recherchez Fonctions d’IA sous l’indicateur Copilot et IA.
4. Comparez l’opération AI Functions aux opérations Spark, Dataflow Gen2 ou d’entrepôt afin de séparer la consommation liée aux appels de modèle des ressources de calcul ayant orchestré la charge de travail.

Surveiller l’utilisation du runtime

Pendant le développement, utilisez les statistiques d’utilisation du runtime pour estimer et valider la consommation avant de mettre à l’échelle un pipeline.

Dans les notebooks pandas et PySpark, accédez à ai.stats sur les résultats des fonctions d’IA pour afficher les détails sur l’exécution et l’utilisation des jetons, notamment :

• num_successful, num_exceptions, num_unevaluated et num_harmful.
• cached_tokens, input_tokens, output_tokens et reasoning_tokens.
• client_type, input_typeset 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)

La sortie peut ressembler à ce tableau :

Dans les notebooks Pandas, définissez progress_bar_mode="stats" pour afficher en temps réel les estimations du nombre de jetons et des unités de capacité pendant l’exécution de la fonction :

import synapse.ml.aifunc as aifunc

aifunc.default_conf.progress_bar_mode = "stats"

La barre de progression affiche les estimations d’entrée, d’entrée, de sortie et d’unité de capacité mises en cache actives et projetées, puis affiche les valeurs finales lorsque l’opération se termine. Consultez les modes de barre de progression et personnalisez les fonctions IA avec PySpark.

Taux de consommation

Sauf si vous configurez un autre modèle, les fonctions IA Python pour pandas et PySpark utilisent par défaut gpt-5-mini, avec reasoning_effort défini sur low. La consommation est basée sur l’utilisation des jetons. Les tokens d’entrée, les tokens d’entrée mis en cache et les tokens de sortie peuvent avoir des taux différents.

Modèles de langage

Incorporation de modèles

Les taux de consommation sont susceptibles de changer. Pour consulter la liste complète des taux de consommation et la politique de modification des taux, voir Taux de consommation dans les Outils Foundry de Fabric.

Guide de migration du modèle

Pour des transformations plus sophistiquées, vous pouvez configurer gpt-5.1 ou ajuster reasoning_effort pour utiliser davantage de calcul pour obtenir des résultats de meilleure qualité. Pour plus d’informations sur la configuration, consultez Personnaliser les fonctions IA avec pandas et personnaliser des fonctions IA avec PySpark.

Contenu connexe

• Transformez et enrichissez des données avec AI Functions.
• Utilisez une entrée multimodale avec AI Functions.
• Personnalisez les fonctions IA avec pandas.
• Personnalisez les fonctions IA avec PySpark.
• Outils Foundry dans Fabric.