Notitie
Voor toegang tot deze pagina is autorisatie vereist. U kunt proberen u aan te melden of de directory te wijzigen.
Voor toegang tot deze pagina is autorisatie vereist. U kunt proberen de mappen te wijzigen.
AI-functies gebruiken het ingebouwde Fabric-hosted LLM-eindpunt (Large Language Model) om uw gegevens te transformeren en verrijken zonder afzonderlijke eindpuntinstallatie. In dit artikel worden de opties voor factureringsmeter, verbruikstarieven en gebruiksbewaking voor dat ingebouwde eindpunt uitgelegd.
Important
Dit artikel is van toepassing op AI-functies die gebruikmaken van het ingebouwde Fabric LLM-eindpunt. Voor pandas en PySpark kun je je eigen model meenemen via een aangepaste Azure OpenAI, Microsoft Foundry of OpenAI-compatibele endpoint. Fabric rekent geen kosten voor modelaanroepen naar je aangepaste endpoint. Je LLM-provider rekent kosten voor tokengebruik en Fabric-computekosten blijven van toepassing. Zie AI-functies aanpassen met pandas en AI-functies aanpassen met PySpark voor meer informatie over de installatie.
Verbruiksmeter
Aanroepen van AI-functies via het ingebouwde Fabric LLM-eindpunt worden in rekening gebracht bij uw Fabric-capaciteit onder de meter Copilot and AI. In de Microsoft Fabric Capacity Metrics-app wordt het gebruik weergegeven als de bewerking AI Functions.
| Usage | Factureringsmeter of -bewerking |
|---|---|
| Modelaanroepen via het ingebouwde Fabric LLM-eindpunt | Copilot en AI-meter, gerapporteerd als AI-functies. |
| Modelaanroepen via een aangepast eindpunt | Geen modeloproepkosten van Fabric. Je LLM-aanbieder factureert het tokengebruik. |
| Spark-berekening waarmee een notebook of Spark-taak wordt uitgevoerd | Factureringsmeter voor Spark |
| Dataflow Gen2-rekenkracht waarop transformaties worden uitgevoerd | Gebruik van gegevensstroom Gen2. |
| Rekenkracht voor query's van een warehouse of SQL-analyse-eindpunt | Data Warehouse- of SQL Analytics-eindpuntgebruik. |
Kosten en uitgaven weergeven
Gebruik de app Capacity Metrics om de bestedings- en capaciteitsimpact van AI Functions te bewaken:
- Open de Microsoft Fabric Capacity Metrics app.
- Filter op de capaciteit, werkruimte en het tijdsbereik waarop uw AI Functions-workload is uitgevoerd.
- Zoek in weergaven op bewerkingsniveau naar AI-functies onder de Copilot en AI-meter.
- Vergelijk de AI Functions-bewerking met Spark-, Dataflow Gen2- of datawarehousebewerkingen om het verbruik van modelaanroepen te scheiden van de rekenkracht die de workload heeft georkestreerd.
Runtimegebruik controleren
Gebruik tijdens de ontwikkeling gebruiksstatistieken voor runtime om het verbruik te schatten en te valideren voordat u een pijplijn schaalt.
In pandas- en PySpark-notebooks kunt u toegang krijgen tot ai.stats de resultaten van de AI-functie om uitvoerings- en tokengebruiksgegevens weer te geven, waaronder:
-
num_successful,num_exceptions,num_unevaluatedennum_harmful. -
cached_tokens,input_tokens,output_tokensenreasoning_tokens. -
client_type,input_typesenmodel.
# This code uses AI. Always review output for mistakes.
df["summary"] = df["text"].ai.summarize()
display(df["summary"].ai.stats)
display(df.ai.stats)
De uitvoer kan eruitzien als deze tabel:
| num_successful | num_exceptions | num_unevaluated | num_harmful | cached_tokens | input_tokens | output_tokens | redeneringssymbolen | client_type | input_types | model |
|---|---|---|---|---|---|---|---|---|---|---|
| 2 | 0 | 0 | 0 | 0 | 555 | 4 | 0 | fabric_llm_endpoint | {"text": 2} |
gpt-5-mini |
Stel in Pandas-notebooks progress_bar_mode="stats" zo in dat tijdens het uitvoeren van de functie realtime schattingen van tokens en capaciteitseenheden worden weergegeven:
import synapse.ml.aifunc as aifunc
aifunc.default_conf.progress_bar_mode = "stats"
De voortgangsbalk toont actuele en verwachte schattingen van in de cache opgeslagen invoer, invoer, uitvoer en capaciteitseenheden, en toont de definitieve waarden wanneer de bewerking is voltooid. Bekijk de voortgangsbalkmodi en pas AI-functies aan met PySpark.
Verbruikstarieven
Tenzij u een ander model configureert, gebruiken Python AI Functions voor pandas en PySpark standaard gpt-5-mini, waarbij reasoning_effort is ingesteld op low. Verbruik is gebaseerd op tokengebruik. Invoer-, gecachete invoer- en uitvoertokens kunnen verschillende tarieven hebben.
Taalmodellen
| Model | Implementatienaam | Contextvenster (tokens) | Invoer (per 1.000 tokens) | Invoer in cache (per 1000 tokens) | Uitvoer (per 1.000 tokens) |
|---|---|---|---|---|---|
| gpt-5.1-2025-11-13 | gpt-5.1 |
400,000 Maximale uitvoer: 128.000 |
42,02 CU seconden | 4,20 CU-seconden | 336,13 CU seconden |
| gpt-5-mini-2025-08-07 | gpt-5-mini |
400,000 Maximale uitvoer: 128.000 |
8,40 CU-seconden | 0,84 CU seconden | 67,23 CU seconden |
Modellen insluiten
| Model | Naam van implementatie | Contextvenster (tokens) | Invoer (per 1.000 tokens) |
|---|---|---|---|
| Ada | text-embedding-ada-002 |
8,192 | 3,36 CU seconden |
De verbruikstarieven kunnen worden gewijzigd. Zie Verbruikstarief in Foundry Tools in Fabric voor het volledige verbruikstarief en het beleid voor tariefwijziging.
Richtlijnen voor modelmigratie
Voor geavanceerdere transformaties kunt u configureren gpt-5.1 of afstemmen reasoning_effort om meer rekenkracht te gebruiken voor resultaten van hogere kwaliteit. Zie AI-functies aanpassen met pandas en AI-functies aanpassen met PySpark voor meer informatie over de installatie.