IaC och Azure ML — klick-ops är historia

Läsmaterial för vecka 39. Läs detta efter tisdagens föreläsning.

Del 1: Infrastructure as Code

Problemet med att klicka i portalen

Du har skapat ett VNet, tre subnets, två NSG:er, ett storage account och en App Service. Det tog tre timmar. Kollegan ska göra exakt samma sak i en annan region. Du kan inte beskriva exakt vad du gjorde — du kan visa skärmbilder.

Det kallas click ops. Det är inte reproducerbart, inte reviderbart och inte skalbart.

Infrastructure as Code (IaC) beskriver infrastrukturen som text. Exakt samma infrastruktur, varje gång, från en fil du kan code-reviewa och versionshantere i git.

ARM vs Bicep

Azure har ett eget format för IaC: ARM-mallar (Azure Resource Manager), skrivna i JSON. De fungerar — men JSON är ordrik och svår att läsa.

Bicep är Azures svar på det problemet. Det är ett DSL (domain-specific language) som kompileras till ARM. Du skriver Bicep, Azure kör ARM. Du behöver aldrig se ARM-JSON om du inte vill.

Bicep (.bicep) → kompileras → ARM JSON → Azure Resource Manager → resurser

Bicep-syntax

En Bicep-fil kan innehålla parametrar, variabler, resurser och outputs:

// Parameter med standardvärde
param location string = 'northeurope'
param appServiceName string

// Variabel
var appServicePlanName = '${appServiceName}-plan'

// Resurs
resource appServicePlan 'Microsoft.Web/serverfarms@2022-03-01' = {
  name: appServicePlanName
  location: location
  sku: {
    name: 'B1'
    tier: 'Basic'
  }
  kind: 'linux'
  properties: {
    reserved: true
  }
}

resource appService 'Microsoft.Web/sites@2022-03-01' = {
  name: appServiceName
  location: location
  properties: {
    serverFarmId: appServicePlan.id
    siteConfig: {
      linuxFxVersion: 'DOTNETCORE|8.0'
    }
  }
}

// Output
output appServiceUrl string = 'https://${appService.properties.defaultHostName}'

Deployta

# Installera Bicep CLI (om du inte har det)
az bicep install

# Förhandsgranska vad som händer utan att deploya
az deployment group what-if \
  --resource-group rg-iths-[dittnamn] \
  --template-file main.bicep \
  --parameters appServiceName=app-iths-[dittnamn]

# Deploya
az deployment group create \
  --resource-group rg-iths-[dittnamn] \
  --template-file main.bicep \
  --parameters appServiceName=app-iths-[dittnamn]

what-if är guld. Du ser exakt vad som skapas, ändras eller tas bort innan du bekräftar. Kör alltid what-if innan create i produktionsmiljöer.

Parameterfiler

Istället för att skicka parametrar i kommandoraden kan du skapa en parameterfil:

{
  "$schema": "https://schema.management.azure.com/schemas/2019-04-01/deploymentParameters.json#",
  "contentVersion": "1.0.0.0",
  "parameters": {
    "appServiceName": {
      "value": "app-iths-demo"
    },
    "location": {
      "value": "northeurope"
    }
  }
}

az deployment group create \
  --resource-group rg-iths-[dittnamn] \
  --template-file main.bicep \
  --parameters main.parameters.json

Del 2: Azure Machine Learning Studio

Vad är det?

Azure Machine Learning Studio är Azures plattform för att bygga, träna och deploya maskininlärningsmodeller. Du behöver inte kunna ML för att sätta upp infrastrukturen — det är det kursen täcker.

Som molnlösare är din roll: provisiona rätt resurser, konfigurera åtkomst och se till att ML-teamet har en fungerande miljö att arbeta i.

De tre grundresurserna

Workspace Allt i Azure ML lever i ett workspace. Det är behållaren — experiment, modeller, datastores, compute targets. En workspace per projekt eller team.

Compute Azure ML behöver beräkningskraft för att träna modeller. Du konfigurerar compute targets:

Datastores Var datan finns. Azure ML kan kopplas till Blob Storage, Azure Data Lake, SQL, etc. ML-kod refererar till datastores med ett namn — inte en connection string.

Sätta upp workspace

Via CLI:

# Installera ML-tillägget
az extension add -n ml

# Skapa workspace
az ml workspace create \
  --name ws-iths-[dittnamn] \
  --resource-group rg-iths-ml \
  --location northeurope

Via portalen: sök “Azure Machine Learning” → Create → fyll i namn, resource group, region.

Skapa en Compute Instance

I Studio (ml.azure.com):

1. Välj workspace
2. Compute → Compute instances → New
3. Välj VM-storlek (Standard_DS1_v2 räcker för övning)
4. Starta inte automatiskt (spara kostnader)

Via CLI:

az ml compute create \
  --name ci-iths-[dittnamn] \
  --type ComputeInstance \
  --size Standard_DS1_v2 \
  --workspace-name ws-iths-[dittnamn] \
  --resource-group rg-iths-ml

Koppla Blob Storage som Datastore

# Skapa storage account och container
az storage account create --name stmliths[dittnamn] --resource-group rg-iths-ml --location northeurope --sku Standard_LRS
az storage container create --name ml-data --account-name stmliths[dittnamn]

# Koppla som datastore
az ml datastore create \
  --name ds_blob \
  --type AzureBlob \
  --account-name stmliths[dittnamn] \
  --container-name ml-data \
  --workspace-name ws-iths-[dittnamn] \
  --resource-group rg-iths-ml

Terminologi