การเรียกเก็บเงินสําหรับฟังก์ชัน AI

ฟังก์ชัน AI ใช้ตําแหน่งข้อมูลโมเดลภาษาขนาดใหญ่ (LLM) ที่โฮสต์โดย Fabric ในตัวเพื่อแปลงและเพิ่มข้อมูลของคุณโดยไม่ต้องตั้งค่าปลายทางแยกต่างหาก บทความนี้อธิบายถึงตัววัดการเรียกเก็บเงิน อัตราการใช้พลังงาน และตัวเลือกการตรวจสอบการใช้งานสําหรับตําแหน่งข้อมูลในตัวนั้น

มิเตอร์การเรียกเก็บเงิน

การเรียกใช้ฟังก์ชัน AI ผ่านปลายทาง Fabric LLM ในตัวจะถูกเรียกเก็บเงินตามความจุ Fabric ของคุณภายใต้มิเตอร์ Copilot และ AI ในแอป Microsoft Fabric Capacity Metrics การใช้งานจะปรากฏเป็นการดําเนินการ AI Functions

ดูค่าใช้จ่ายและการใช้จ่าย

ใช้แอปเมตริกความจุเพื่อตรวจสอบการใช้จ่ายของ AI Functions และผลกระทบต่อความจุ:

1. เปิดแอปเมตริกความจุ Microsoft Fabric
2. กรองตามความจุ พื้นที่ทํางาน และช่วงเวลาที่เรียกใช้ปริมาณงาน AI Functions ของคุณ
3. ในมุมมองระดับการทํางาน ให้มองหาฟังก์ชัน AI ภายใต้มิเตอร์ Copilot และ AI
4. เปรียบเทียบการดําเนินงาน AI Functions กับ Spark, Dataflow Gen2 หรือการดําเนินงานคลังสินค้าเพื่อแยกการใช้แบบจําลองการเรียกออกจากการคํานวณที่ประสานปริมาณงาน

ตรวจสอบการใช้งานรันไทม์

ในระหว่างการพัฒนา ให้ใช้สถิติการใช้งานรันไทม์เพื่อประเมินและตรวจสอบปริมาณการใช้ก่อนที่คุณจะปรับขนาดไปป์ไลน์

ในสมุดบันทึก pandas และ PySpark ให้เข้าถึง ai.stats ผลลัพธ์ของฟังก์ชัน AI เพื่อดูการดําเนินการและรายละเอียดการใช้โทเค็น ซึ่งรวมถึง:

• num_successful, , num_exceptions, num_unevaluatedและnum_harmful
• cached_tokens, , input_tokens, output_tokensและreasoning_tokens
• client_type, , input_typesและ 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)

ผลลัพธ์อาจมีลักษณะเหมือนตารางนี้:

ในสมุดบันทึก pandas ให้ตั้งค่า progress_bar_mode="stats" ให้แสดงโทเค็นแบบเรียลไทม์และค่าประมาณหน่วยความจุในขณะที่ฟังก์ชันทํางาน:

import synapse.ml.aifunc as aifunc

aifunc.default_conf.progress_bar_mode = "stats"

แถบความคืบหน้าจะแสดงการประมาณการอินพุต อินพุต เอาต์พุต และหน่วยความจุที่แคชแบบสดและที่คาดการณ์ไว้ จากนั้นจะแสดงค่าสุดท้ายเมื่อการดําเนินการเสร็จสิ้น ดูโหมดแถบความคืบหน้าและปรับแต่งฟังก์ชัน AI ด้วย PySpark

อัตราปริมาณการใช้

เว้นแต่คุณจะกําหนดค่าโมเดลอื่น ฟังก์ชัน Python AI สําหรับแพนด้าและ PySpark จะมีค่าเริ่มต้นเป็น gpt-5-mini โดยตั้งค่าreasoning_effortเป็นlow การใช้ขึ้นอยู่กับการใช้โทเค็น โทเค็นอินพุต อินพุตที่แคชไว้ และเอาต์พุตอาจมีอัตราที่แตกต่างกัน

โมเดลภาษา

การฝังโมเดล

อัตราการบริโภคอาจมีการเปลี่ยนแปลง สําหรับรายการอัตราการบริโภคทั้งหมดและนโยบายการเปลี่ยนแปลงอัตรา โปรดดู อัตราการใช้ใน Foundry Tools ใน Fabric

คําแนะนําการโยกย้ายแบบจําลอง

สําหรับการแปลงที่ซับซ้อนยิ่งขึ้น คุณสามารถกําหนดค่า gpt-5.1 หรือปรับแต่ง reasoning_effort เพื่อใช้การประมวลผลเพิ่มเติมเพื่อให้ได้ผลลัพธ์ที่มีคุณภาพสูงขึ้น สําหรับรายละเอียดการตั้งค่า โปรดดู ปรับแต่งฟังก์ชัน AI ด้วยแพนด้า และ ปรับแต่งฟังก์ชัน AI ด้วย PySpark

เนื้อหาที่เกี่ยวข้อง

• แปลงและเพิ่มข้อมูลด้วย AI Functions
• ใช้อินพุตแบบหลายรูปแบบกับฟังก์ชัน AI
• ปรับแต่งฟังก์ชัน AI ด้วยแพนด้า
• ปรับแต่งฟังก์ชัน AI ด้วย PySpark
• เครื่องมือโรงหล่อใน Fabric