Azure Machine Learning ワークスペースとは

ワークスペースは、同僚と共同作業を行い、機械学習成果物を作成し、関連作業をグループ化する場所です。 たとえば、実験、ジョブ、データセット、モデル、コンポーネント、推論エンドポイントなどです。 この記事では、ワークスペース、ワークスペースへのアクセスを管理する方法、およびワークスペースを使用して作業を整理する方法について説明します。

使い始める準備はできていますか。 ワークスペースを作成します。

ワークスペース内で実行されるタスク

機械学習チームにとって、ワークスペースは作業を整理する場所です。 ワークスペースから開始できるタスクの一部を次に示します。

  • ジョブ作成 - ジョブは、モデルの構築に使用するトレーニング実行です。 ジョブを実験としてグループ化し、メトリックを比較できます。
  • オーサーパイプライン - パイプラインは、お使いのモデルをトレーニングおよび再トレーニングするための再利用可能なワークフローです。
  • データ資産の登録 - データ資産は、モデルのトレーニングとパイプラインの作成に使用するデータの管理に役立ちます。
  • モデルの登録 - デプロイするモデルを作成したら、登録済みモデルを作成します。

ワークスペースでは、機械学習の結果をグループ化するだけでなく、次のリソース構成もホストします。

ワークスペースの整理

機械学習チームのリーダーおよび管理者にとって、ワークスペースはアクセス管理、コスト管理、データ分離のためのコンテナーとして機能します。 ワークスペースを整理するためのヒントを次に示します。

  • ユーザー ロールを使用して、ユーザー間のワークスペースのアクセス許可を管理します。 たとえば、データ サイエンティスト、機械学習エンジニア、管理者のロールを使用します。
  • ユーザー グループへのアクセスを割り当てる: Microsoft Entra ユーザー グループを使用して、各ワークスペースに個々のユーザーを追加する必要はありません。 同じユーザー グループを使用して、他のリソースへのアクセスを許可します。
  • プロジェクトごとにワークスペースを作成する: ワークスペースは複数のプロジェクトに使用できますが、ワークスペースごとに 1 つのプロジェクトに制限すると、プロジェクト レベルに計上されるコスト レポートが可能になります。 また、各プロジェクトのスコープ内のデータストアなどの構成を管理することもできます。
  • Azure リソースを共有する: ワークスペースでは、関連付けられている複数のリソースを作成する必要があります。 ワークスペース間でこれらのリソースを共有して、繰り返しのセットアップ手順を省略します。
  • セルフサービスを有効にする: 関連するリソース を IT 管理者として事前に作成してセキュリティで保護し、ユーザー ロールを使用してデータ サイエンティストが独自にワークスペースを作成できるようにします。
  • 資産を共有する: Azure Machine Learning レジストリを使用して、ワークスペース間で資産を共有できます。
  • ハブ ワークスペースを使用して一元管理を行う: ハブ ワークスペース は、共有セキュリティ設定、接続、コンピューティング リソースを使用して複数のプロジェクト ワークスペースをグループ化します。 ハブ ワークスペースは Microsoft Foundry ハブと同じリソースの種類であるため、Azure Machine Learning Studio と Foundry の両方から使用できます。

コンテンツがワークスペースに格納される仕組み

ワークスペースには、スクリプトのログ、メトリクス、出力、系列メタデータ、およびスナップショットを含む、すべてのトレーニング実行の履歴が保持されます。 Azure Machine Learning でタスクを実行すると、成果物が生成されます。 メタデータとデータは、ワークスペースとそれに関連付けられているリソースに格納されます。

関連付けられているリソース

新しいワークスペースを作成するときは、データを格納するために他の Azure リソースを持ち込む必要があります。 これらのリソースを指定しない場合、Azure Machine Learning によって自動的に作成されます。

  • Azure Storage アカウント。 ジョブ ログなどの機械学習の成果物を格納します。 既定では、ワークスペースでは、データをアップロードするときにこのストレージ アカウントが使用されます。 Azure Machine Learning コンピューティング インスタンスで使用する Jupyter Notebook もここに格納されます。

    重要

    次の場合、既存の Azure Storage アカウントを使用できません。

    • BlobStorage 型のアカウント
    • Premium アカウント (Premium_LRS と Premium_GRS)
    • 階層型名前空間 (Azure Data Lake Storage Gen2 で使用) を持つアカウント。

    データストアを作成することで、Premium Storage または階層型名前空間を追加のストレージとして使用できます。

    汎用 v2 にアップグレードした後は、ストレージ アカウントで階層型名前空間を有効にしないでください。

    既存の汎用 v1 ストレージ アカウントを持ち込む場合は、ワークスペースの作成後 に汎用 v2 にアップグレード できます。適用対象:Azure CLI ml 拡張機能 v2 (現在)Python SDK azure-ai-ml v2 (現在)

  • Azure Container Registry (ACR)。 ユーザーが Azure Machine Learning を使ってカスタム環境をビルドすると、作成された Docker コンテナーを格納します。 AutoML モデルとデータ プロファイルをデプロイすると、カスタム環境の作成がトリガーされます。

    カスタム Docker コンテナーを構築する必要がない場合は、依存関係として ACR なしでワークスペースを作成 できます 。 Azure Machine Learning は、外部コンテナー レジストリから読み取ることができます。

    カスタム Docker イメージをビルドすると、ACR が自動的にプロビジョニングされます。 Azure ロールベースのアクセス制御 (Azure RBAC) を使用して、顧客の Docker コンテナーがビルドされないようにします。

    重要

    サブスクリプション設定で、その下のリソースにタグを追加する必要がある場合、Azure Machine Learning によって作成された ACR は失敗します。これは、タグを ACR に設定できないためです。

  • Azure アプリケーション Insights。 推論エンドポイントから診断情報を監視および収集するのに役立ちます。

    詳しくは、「オンライン エンドポイントを監視する」をご覧ください。

  • Azure Key Vault。 コンピューティング ターゲットが使用するシークレットと、ワークスペースに必要なその他の機密情報を格納します。

ワークスペースの作成

ワークスペースはさまざまな方法で作成できます。 開始するには、次のいずれかのオプションを使用します。

  • Azure Machine Learning Studio を使用すると、既定の設定でワークスペースをすばやく作成できます。
  • より多くのセキュリティ オプションを備えたポイント アンド クリック インターフェイス用の Azure portal。
  • Visual Studio Code で作業している場合の VS Code 拡張機能 。

優先されるセキュリティ設定を使用してワークスペースの作成を自動化するには:

ワークスペースの操作と管理のためのツール

ワークスペースを設定した後は、次の方法で操作できます。

各インターフェイスには、次のワークスペース管理タスクが用意されています。

ワークスペース管理タスク Portal スタジオ Python SDK Azure CLI VS Code
ワークスペースの作成 ✓ ✓ ✓ ✓ ✓
ワークスペース アクセスの管理 ✓ ✓
コンピューティング リソースを作成して管理する ✓ ✓ ✓ ✓ ✓
コンピューティング インスタンスを作成する ✓ ✓ ✓ ✓

警告

Azure Machine Learning ワークスペースを別のサブスクリプションに移動することはできません。 また、所有しているサブスクリプションを新しいテナントに移動することもできません。 これらのアクションによってエラーが発生する可能性があります。

サブリソース

Azure Machine Learning でコンピューティング クラスターとコンピューティング インスタンスを作成する場合は、サブリソースも作成します。

  • VM: コンピューティング インスタンスとコンピューティング クラスターにコンピューティング能力を提供します。 それらを使ってジョブを実行します。
  • Load Balancer: コンピューティング インスタンスとコンピューティング クラスターごとにネットワーク ロード バランサーが作成されます。 コンピューティング インスタンスまたはクラスターが停止している間でもトラフィックを管理します。
  • Virtual Network: これらは、Azure リソースが互い、インターネット、およびその他のオンプレミス ネットワークと通信するのに役立ちます。
  • 帯域幅: リージョン間のすべての送信データ転送をカプセル化します。

次のステップ

組織の要件に合わせてワークスペースを計画する方法の詳細については、Azure Machine Learning の整理とセットアップに関するページを参照してください。

Azure Machine Learning の利用を開始するには、以下を参照してください。

  • 最終更新: