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
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
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 必要に応じて、Azure Machine Learning でモデルを再トレーニングします。
- 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:
- Sheri Gilley | シニア コンテンツ開発者
- Larry Franks | コンテンツ開発者
- Lauryn Gayhardt | コンテンツ開発者
- Samantha Salgado | コンテンツ開発者
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 Machine Learning のドキュメント
- Azure Synapse Analytics のドキュメント
- Azure Data Lake Storage Gen2 のドキュメント
- Azure Container Registry のドキュメント
- Azure Kubernetes Service のドキュメント
- Azure Monitor のドキュメント
- Azure Key Vault のドキュメント
- Azure Load Balancer のドキュメント
- Power BI のドキュメント
関連リソース
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。