編集

Share via

Azure Machine Learning のアーキテクチャ

Azure Machine Learning
Azure Synapse Analytics
Azure Container Registry
Azure Monitor
Power BI

ソリューションのアイデア

このアーティクルはソリューションのアイデアです。 このコンテンツにさらに多くの情報 (想定されるユース ケース、代替サービス、実装に関する考慮事項、価格ガイダンスなど) の掲載をご希望の方は、GitHub のフィードバックでお知らせください。

このアーキテクチャは、エンド ツー エンドの機械学習ライフサイクルに向けたサービスである Azure Machine Learning で、高品質のモデルを構築、デプロイ、管理するために使用されるコンポーネントを示します。

Architecture

Azure Machine Learning と、ストレージ、データ分析、モニタリング、認証、セキュア デプロイメントのための Azure サービスを使用した機械学習ソリューション アーキテクチャの図。

このアーキテクチャの Visio ファイルをダウンロードします。

注意

この記事で説明するアーキテクチャは、Azure Machine Learning の CLI と Python SDK v1 に基づいています。 新しい v2 SDK と CLI の詳細については、CLI と SDK v2 の概要に関するページを参照してください。

データフロー

  1. 構造化データ、非構造化データ、半構造化データ (ログ、ファイル、メディア) を、すべて Azure Data Lake Storage Gen2 に統合します。
  2. Azure Synapse Analytics の Apache Spark を使用して、データセットをクリーニング、変換、分析します。
  3. Azure Machine Learning で機械学習モデルを構築して、トレーニングします。
  4. Microsoft Entra ID と Azure Key Vault を使用して、データと Machine Learning ワークスペースのアクセスと認証を制御できます。 Azure Container Registry を使用して、コンテナーを管理します。
  5. Azure Kubernetes Services を使用して、機械学習モデルをコンテナーにデプロイし、Azure VNet と Azure Load Balancer を使用して、デプロイを安全に管理します。
  6. ログ メトリクスと Azure Monitor の監視を使用して、モデルのパフォーマンスを評価します。
  7. 必要に応じて、Azure Machine Learning でモデルを再トレーニングします。
  8. Power BI を使用して、データ出力を視覚化します。

コンポーネント

  • Azure Machine Learning は、エンドツーエンドの機械学習ライフサイクルに向けた、エンタープライズ グレードの機械学習サービスです。
  • Azure Synapse Analytics は、BI や機械学習のニーズに即応したデータの取り込み、探索、準備、変換、管理、提供を可能にする統合サービスです。
  • Azure Data Lake Storage Gen2 は、高パフォーマンスの分析ワークロードに向けた、極めてスケーラブルで安全なデータ レイクです。
  • Azure Container Registry は、Docker および Open Container Initiative (OCI) イメージのレジストリであり、すべての OCI 成果物をサポートします。 OCI ディストリビューションのフル マネージド Geo レプリケーション インスタンスを使用して、コンテナー イメージと成果物を構築、保存、保護、スキャン、レプリケートおよび管理します。
  • Azure Kubernetes Service は、サーバーレスの Kubernetes、統合された継続的インテグレーションと継続的デリバリー (CI/CD) エクスペリエンス、エンタープライズ グレードのセキュリティとガバナンスを提供します。 フル マネージド Kubernetes サービスを使用して、コンテナー化されたアプリケーションをより簡単にデプロイおよび管理します。
  • Azure Monitor は、Azure およびオンプレミス環境からテレメトリ データを収集、分析、処理できます。 Azure Monitor はアプリケーションのパフォーマンスと可用性を最大限に引き上げ、数秒で問題を事前に特定するために役立ちます。
  • Azure Key Vault は、クラウド アプリやサービスで使用される暗号化キーなどの機密を保護します。
  • Azure Load Balancer は、インターネットおよびプライベート ネットワークのトラフィックをハイ パフォーマンスと低遅延で負荷分散します。 Load Balancer は、仮想マシン、仮想マシンのスケール セット、および IP アドレス全体で動作します。
  • Power BI は、組織全体に分析情報を提供できるビジネス分析ツール スイートです。 数百のデータ ソースに接続でき、データの準備が簡素化され、計画外の分析が促進されます。 優れたレポートを生成し、組織に公開して、Web やモバイル デバイスで使用できます。

シナリオの詳細

エンド ツー エンドの機械学習ライフサイクルのためのサービスである Azure Machine Learning を使用して、高品質のモデルをビルド、デプロイ、管理します。 業界をリードする MLOps (機械学習の運用)、オープンソースの相互運用性、統合ツールを、責任ある機械学習用に設計された安全で信頼できるプラットフォーム上で使用します。

考えられるユース ケース

  • サービスとして機械学習を使用する。
  • 容易で、適用範囲が広いビルド インターフェイス。
  • 広範囲にサポートされているアルゴリズム。
  • 簡単に実装できる Web サービス。
  • 機械学習ソリューションの優れたドキュメント。

考慮事項

以降の考慮事項には、ワークロードの品質向上に使用できる一連の基本原則である Azure "Well-Architected Framework" の要素が組み込まれています。 詳細については、「Microsoft Azure Well-Architected Framework」を参照してください。

コスト最適化

コストの最適化とは、不要な費用を削減し、運用効率を向上させる方法を検討することです。 詳しくは、コスト最適化の柱の概要に関する記事をご覧ください。

共同作成者

この記事は、Microsoft によって保守されています。 当初の寄稿者は以下のとおりです。

プリンシパルの作成者:

パブリックでない LinkedIn プロファイルを表示するには、LinkedIn にサインインします。

次のステップ

このソリューションの主要サービスについては、次のドキュメントを参照してください。

Azure アーキテクチャ センターの関連ガイダンスを参照してください。