การป้องกันการเข้าถึงขาออกของพื้นที่ทํางานสําหรับวิทยาศาสตร์ข้อมูล

การป้องกันการเข้าถึงขาออกของพื้นที่ทํางานช่วยปกป้องข้อมูลของคุณโดยการควบคุมการเชื่อมต่อขาออกจากรายการในพื้นที่ทํางานของคุณไปยังทรัพยากรภายนอก เมื่อเปิดใช้งานคุณลักษณะนี้ รายการวิทยาศาสตร์ข้อมูล เช่น Machine Learning Experiments และ Machine Learning Models สามารถสร้างและใช้ภายในพื้นที่ทํางานได้

ก่อนหน้านี้ Machine Learning Experiments และ Machine Learning Models ไม่สามารถสร้างในพื้นที่ทํางานที่เปิดใช้งานการป้องกันการเข้าถึงขาออกได้ ด้วยการแสดงตัวอย่างนี้ ชนิดรายการเหล่านี้ได้รับการสนับสนุนในพื้นที่ทํางานที่ได้รับการป้องกัน

ทําความเข้าใจการป้องกันการเข้าถึงขาออกด้วยวิทยาศาสตร์ข้อมูล

การทดลอง Machine Learning และโมเดล Machine Learning ใน Microsoft Fabric ไม่ได้ทําการเชื่อมต่อเครือข่ายขาออกไปยังทรัพยากรภายนอกด้วยตัวเอง ด้วยเหตุนี้ จึงไม่จําเป็นต้องมีการตรวจสอบการเข้าถึงขาออกเพิ่มเติมเมื่อเปิดใช้งานการป้องกันการเข้าถึงขาออก

โค้ดสมุดบันทึกที่สร้าง Machine Learning Experiments หรือ Models อาจเข้าถึงแหล่งข้อมูลภายนอก การเข้าถึงขาออกสําหรับสมุดบันทึกถูกควบคุมโดยการกําหนดค่า การป้องกันการเข้าถึงขาออกของวิศวกรรมข้อมูล ซึ่งควบคุมวิธีที่สมุดบันทึกเชื่อมต่อกับทรัพยากรภายนอกพื้นที่ทํางาน

การกําหนดค่าการป้องกันการเข้าถึงขาออกสําหรับวิทยาศาสตร์ข้อมูล

เมื่อต้องการกําหนดค่าการป้องกันการเข้าถึงขาออก ให้ทําตามขั้นตอนใน เปิดใช้งานการป้องกันการเข้าถึงขาออกของพื้นที่ทํางาน ไม่จําเป็นต้องมีการกําหนดค่าเพิ่มเติมสําหรับรายการวิทยาศาสตร์ข้อมูล หลังจากเปิดใช้งานการป้องกันการเข้าถึงขาออกแล้ว Machine Learning Experiments และ Machine Learning Models จะทํางานภายในพื้นที่ทํางานโดยไม่ต้องตั้งค่าเพิ่มเติม

กลไกข้อยกเว้น เช่น จุดสิ้นสุดส่วนตัวที่มีการจัดการหรือกฎการเชื่อมต่อข้อมูลไม่สามารถใช้ได้กับรายการวิทยาศาสตร์ข้อมูล เนื่องจากรายการเหล่านี้ไม่ได้เริ่มต้นการเชื่อมต่อขาออกไปยังทรัพยากรภายนอก

ชนิดรายการวิทยาศาสตร์ข้อมูลที่รองรับ

ชนิดรายการวิทยาศาสตร์ข้อมูลเหล่านี้ได้รับการสนับสนุนด้วยการป้องกันการเข้าถึงขาออก:

• การทดลอง Machine Learning
• โมเดล Machine Learning

ส่วนต่อไปนี้จะอธิบายว่าการป้องกันการเข้าถึงขาออกส่งผลต่อรายการเหล่านี้ในพื้นที่ทํางานของคุณอย่างไร

การทดลอง Machine Learning

เมื่อเปิดใช้งานการป้องกันการเข้าถึงขาออก คุณจะสามารถสร้างและจัดการการทดสอบ Machine Learning ในพื้นที่ทํางานที่ได้รับการป้องกันได้ การทดสอบติดตามการเรียกใช้ เมตริก และพารามิเตอร์จากการดําเนินการสมุดบันทึก การบันทึกการทดลองทํางานได้ทั้งภายในพื้นที่ทํางานเดียวกันและในพื้นที่ทํางานโดยใช้การบันทึกข้ามพื้นที่ทํางาน การป้องกันการเข้าถึงขาออกไม่ได้จํากัดฟังก์ชันนี้

โมเดล Machine Learning

เมื่อเปิดใช้งานการป้องกันการเข้าถึงขาออก คุณจะสามารถสร้างและจัดการโมเดล Machine Learning ในพื้นที่ทํางานที่ได้รับการป้องกันได้ โมเดลจัดเก็บสิ่งประดิษฐ์แบบจําลองที่ผ่านการฝึกอบรมและข้อมูลเวอร์ชัน การสร้างแบบจําลองและการกําหนดเวอร์ชันทํางานได้ทั้งภายในพื้นที่ทํางานเดียวกันและทั่วทั้งพื้นที่ทํางานโดยใช้การบันทึกข้ามพื้นที่ทํางาน การป้องกันการเข้าถึงขาออกไม่ได้จํากัดฟังก์ชันนี้

การบันทึกข้ามพื้นที่ทํางานพร้อมการป้องกันการเข้าถึงขาออก

การบันทึกข้ามพื้นที่ทํางาน ช่วยให้คุณสามารถบันทึกการทดลองและแบบจําลอง MLflow จากพื้นที่ทํางาน Fabric หนึ่งไปยังอีกพื้นที่ทํางานหนึ่ง หรือจากสภาพแวดล้อมภายนอก Fabric เช่น เครื่องในเครื่อง Azure Databricks และ Azure Machine Learning สิ่งนี้เปิดใช้งานเวิร์กโฟลว์ MLOps ที่คุณฝึกอบรมในพื้นที่ทํางานการพัฒนาและปรับใช้กับพื้นที่ทํางานที่ใช้งานจริง หรือนําสินทรัพย์ ML ที่มีอยู่มาสู่ Fabric จากแพลตฟอร์มภายนอก

เมื่อเปิดใช้งานการป้องกันการเข้าถึงขาออกบนพื้นที่ทํางาน A การบันทึกการทดลองและแบบจําลอง ML ไปยังพื้นที่ทํางาน B อื่นจําเป็นต้องมีจุดสิ้นสุดส่วนตัวที่มีการจัดการข้ามพื้นที่ทํางานจากพื้นที่ทํางาน A ไปยังพื้นที่ทํางาน B เมื่อต้องการเรียนรู้วิธีตั้งค่าจุดสิ้นสุดส่วนตัวที่มีการจัดการข้ามพื้นที่ทํางาน ให้ดูที่ อนุญาตการเข้าถึงขาออกไปยังพื้นที่ทํางานอื่นในผู้เช่า

ตารางต่อไปนี้สรุปการกําหนดค่าที่จําเป็นสําหรับสถานการณ์การบันทึกข้ามพื้นที่ทํางานแต่ละสถานการณ์เมื่อเปิดใช้งานการป้องกันการเข้าถึงขาออกบนพื้นที่ทํางาน A

เข้าสู่ระบบภายในพื้นที่ทํางานเดียวกัน (พื้นที่ทํางาน A ถึงพื้นที่ทํางาน A)

เมื่อเข้าสู่ระบบพื้นที่ทํางานเดียวกัน คุณไม่จําเป็นต้องตั้งค่า MLFLOW_TRACKING_URI ตัวแปรสภาพแวดล้อมด้วยตนเอง แต่จะชี้ไปที่พื้นที่ทํางานปัจจุบันของคุณตามค่าเริ่มต้น อย่างไรก็ตาม ถ้าคุณตั้งค่า MLFLOW_TRACKING_URIอย่างชัดเจน คุณต้องใช้ URL ปลายทางส่วนตัว คล้ายกับสถานการณ์ข้ามพื้นที่ทํางาน

import os
from fabric.analytics.environment.context import FabricContext, InternalContext

context = FabricContext(workspace_id=current_workspace_id, internal_context=InternalContext(is_wspl_enabled=True))
print(context.pbi_shared_host)
# You need to set up and use this private endpoint if your current workspace has OAP enabled

os.environ["MLFLOW_TRACKING_URI"] = f"sds://{context.pbi_shared_host}/v1/workspaces/{current_workspace_id}/mlflow"

ข้อควรพิจารณาและข้อจำกัด

• การเข้าถึงขาออกสําหรับโค้ดสมุดบันทึกที่สร้างการทดลองหรือแบบจําลองถูกควบคุมโดยการกําหนดค่าการป้องกันการเข้าถึงขาออกของวิศวกรรมข้อมูล ตรวจสอบให้แน่ใจว่าแหล่งข้อมูลสมุดบันทึกของคุณได้รับการกําหนดค่าอย่างถูกต้องหากพื้นที่ทํางานของคุณเปิดใช้งานการป้องกันการเข้าถึงขาออก
• สําหรับข้อจํากัดอื่นๆ โปรดดูที่ ภาพรวมการป้องกันการเข้าถึงขาออกของพื้นที่ทํางาน

เนื้อหาที่เกี่ยวข้อง

• ภาพรวมการป้องกันการเข้าถึงขาออกพื้นที่ทํางาน
• ตั้งค่าการป้องกันการเข้าถึงขาออกของพื้นที่ทํางาน
• การป้องกันการเข้าถึงขาออกของพื้นที่ทํางานสําหรับปริมาณงานวิศวกรรมข้อมูล
• จัดการโมเดล MLflow ในพื้นที่ทํางานและแพลตฟอร์มต่างๆ
• การทดลองแมชชีนเลิร์นนิ่ง
• โมเดลแมชชีนเลิร์นนิ่ง