ポータルまたは Python SDK (v2) を使用して Azure Machine Learning ワークスペースを管理する

[アーティクル]
03/06/2023

適用対象: Python SDK azure-ai-ml v2 (現行)

この記事では、Azure portal または Python 用 SDK を使用して、Azure Machine Learning 用の Azure Machine Learning ワークスペースを作成、表示、削除します。

ニーズに変化が生じたり自動化の要件が増えたりしたときに、CLI、Azure PowerShell、または VS Code 拡張機能を使用して、ワークスペースを管理することもできます。

前提条件

Azure サブスクリプション。 Azure サブスクリプションをお持ちでない場合は、開始する前に無料アカウントを作成してください。無料版または有料版の Azure Machine Learning を今すぐお試しください。
Python SDK を使っている場合:
1. SDK v2 をインストールします。
2. サブスクリプションの詳細を指定します
```
# Enter details of your subscription
subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"
```
3. サブスクリプションへのハンドルを取得します。 ml_client は、この記事のすべての Python コードで使われます。
```
# get a handle to the subscription

from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)
```
  - (省略可能) 複数のアカウントをお持ちの場合は、使う Azure Active Directory のテナント ID を DefaultAzureCredential に追加します。 Azure portal で、 [Azure Active Directory]、[外部 ID] からテナント ID を見つけます。
```
DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")
```
  - (省略可能) ソブリンクラウド**で作業している場合は、DefaultAzureCredential への認証を行うためにソブリンクラウドを指定します。
```
from azure.identity import AzureAuthorityHosts
DefaultAzureCredential(authority=AzureAuthorityHosts.AZURE_GOVERNMENT))
```

制限事項

新しいワークスペースを作成する場合は、ワークスペースに必要なサービスを自動的に作成するか、既存のサービスを使用することができます。ワークスペースとは異なる Azure サブスクリプションの既存のサービスを使用する場合は、それらのサービスを含むサブスクリプションに Azure Machine Learning 名前空間を登録する必要があります。たとえば、サブスクリプション B のストレージアカウントを使用するサブスクリプション A でワークスペースを作成する場合、ワークスペースでストレージアカウントを使用するには、Azure Machine Learning 名前空間がサブスクリプション B に登録されている必要があります。

Azure Machine Learning のリソースプロバイダーは、Microsoft.MachineLearningServices です。登録されているかどうかを確認する方法や、登録方法については、記事「Azure リソースプロバイダーと種類」を参照してください。

重要

これは、ワークスペースの作成時に提供されるリソースである、Azure Storage アカウント、Azure Container Register、Azure Key Vault、Application Insights にのみ適用されます。

ワークスペースとは異なるサブスクリプションで Azure Container Registry (ACR)、ストレージアカウント、Key Vault、または Application Insights を使用している場合、マネージドオンラインエンドポイントでネットワーク分離を使用することはできません。マネージドオンラインエンドポイントでネットワーク分離を使用する場合は、ワークスペースと同じサブスクリプションに ACR、ストレージアカウント、Key Vault、Application Insights が必要です。マネージドオンラインエンドポイントを使用したネットワーク分離に適用される制限事項については、オンラインエンドポイントをセキュリティで保護する方法に関するページを参照してください。
既定では、ワークスペースを作成すると Azure Container Registry (ACR) も作成されます。現在、ACR ではリソースグループ名での Unicode 文字がサポートされていないため、これらの文字が含まれていないリソースグループを使用します。
Azure Machine Learning では、ワークスペースの既定のストレージアカウントの階層型名前空間 (Azure Data Lake Storage Gen2 機能) はサポートされていません。

ヒント

Azure Application Insights インスタンスは、ワークスペースの作成時に作成されます。必要に応じて、クラスターの作成後に Application Insights インスタンスを削除できます。それを削除すると、ワークスペースから収集される情報が限定され、問題のトラブルシューティングが困難になる可能性があります。ワークスペースによって作成された Application Insights インスタンスを削除した場合、ワークスペースを削除して再作成することなく、それを再作成することはできません。

この Application Insights インスタンスの使用方法の詳細については、「Machine Learning Web サービスエンドポイントからのデータの監視と収集」を参照してください。

ワークスペースの作成

ワークスペースは、Azure Machine Learning スタジオで直接作成できますが、使用できるオプションは制限されています。または、オプションをより細かく制御するために以下のいずれかの方法を使用します。

Python SDK
ポータル

適用対象: Python SDK azure-ai-ml v2 (現行)

既定の仕様。 既定では、依存するリソースとリソースグループが自動的に作成されます。このコードでは、myworkspace という名前のワークスペースと myresourcegroup という名前のリソースグループが eastus2 に作成されます。

# Creating a unique workspace name with current datetime to avoid conflicts
from azure.ai.ml.entities import Workspace
import datetime

basic_workspace_name = "mlw-basic-prod-" + datetime.datetime.now().strftime(
    "%Y%m%d%H%M"
)

ws_basic = Workspace(
    name=basic_workspace_name,
    location="eastus",
    display_name="Basic workspace-example",
    description="This example shows how to create a basic workspace",
    hbi_workspace=False,
    tags=dict(purpose="demo"),
)

ws_basic = ml_client.workspaces.begin_create(ws_basic).result()
print(ws_basic)

既存の Azure リソースを使用する。既存の Azure リソースを Azure リソース ID 形式で使用するワークスペースを作成することもできます。 Azure portal または SDK を使用して、特定の Azure リソース ID を見つけます。この例では、リソースグループ、ストレージアカウント、キーコンテナー、App Insights、コンテナーレジストリが既に存在していることを前提としています。

# Creating a unique workspace name with current datetime to avoid conflicts
import datetime
from azure.ai.ml.entities import Workspace

basic_ex_workspace_name = "mlw-basicex-prod-" + datetime.datetime.now().strftime(
    "%Y%m%d%H%M"
)

# Change the following variables to resource ids of your existing storage account, key vault, application insights
# and container registry. Here we reuse the ones we just created for the basic workspace
existing_storage_account = (
    # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT>"
    ws_basic.storage_account
)
existing_container_registry = (
    # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.ContainerRegistry/registries/<CONTAINER_REGISTRY>"
    ws_basic.container_registry
)
existing_key_vault = (
    # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.KeyVault/vaults/<KEY_VAULT>"
    ws_basic.key_vault
)
existing_application_insights = (
    # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.insights/components/<APP_INSIGHTS>"
    ws_basic.application_insights
)

ws_with_existing_resources = Workspace(
    name=basic_ex_workspace_name,
    location="eastus",
    display_name="Bring your own dependent resources-example",
    description="This sample specifies a workspace configuration with existing dependent resources",
    storage_account=existing_storage_account,
    container_registry=existing_container_registry,
    key_vault=existing_key_vault,
    application_insights=existing_application_insights,
    tags=dict(purpose="demonstration"),
)

ws_with_existing_resources = ml_client.begin_create_or_update(
    ws_with_existing_resources
).result()

print(ws_with_existing_resources)

詳細については、ワークスペース SDK リファレンスを参照してください。

サブスクリプションへのアクセスで問題が発生した場合は、Azure Machine Learning のリソースとワークフローのための認証の設定に関する記事と「Azure Machine Learning での認証」ノートブックを参照してください。

ご利用の Azure サブスクリプションの資格情報を使って、Azure portal にサインインします。
Azure portal の左上隅にある [+ リソースの作成] を選択します。
検索バーを使用して、Machine Learning を見つけます。
[Machine Learning] を選択します。
[Machine Learning] ウィンドウで、 [作成] を選択して開始します。

新しいワークスペースを構成するには、次の情報を指定します。

フィールド	説明
ワークスペース名	ワークスペースを識別する一意の名前を入力します。この例では、docs-ws を使用します。名前は、リソースグループ全体で一意である必要があります。覚えやすく、他のユーザーが作成したワークスペースと区別しやすい名前を使用します。ワークスペース名では、大文字と小文字は区別されません。
サブスクリプション	使用する Azure サブスクリプションを選択します。
Resource group	サブスクリプションの既存のリソースグループを使用するか、任意の名前を入力して新しいリソースグループを作成します。リソースグループは、Azure ソリューションの関連するリソースを保持します。この例では、docs-aml を使用します。既存のリソースグループを使用するには、共同作成者または所有者のロールが必要です。アクセスの詳細については、「Azure Machine Learning ワークスペースへのアクセスの管理」の記事をご覧ください。
リージョン	ユーザーとデータリソースに最も近い Azure リージョンを選択し、ワークスペースを作成します。
ストレージアカウント	ワークスペースの既定のストレージアカウント。既定では、新しいものが作成されます。
Key Vault	ワークスペースで使用される Azure Key Vault。既定では、新しいものが作成されます。
Application Insights	ワークスペースの Application Insights インスタンス。既定では、新しいものが作成されます。
Container Registry	ワークスペースの Azure Container Registry。既定では、新しいものは、ワークスペース用に最初に作成されたものではありません。これは、トレーニングまたはデプロイ中に Docker イメージを作成するときに必要になったときに作成されます。

ワークスペースを構成する。

ワークスペースの構成が完了したら、 [確認および作成] を選択します。必要に応じて、ネットワークに関するセクションと詳細設定に関するセクションを使用し、ワークスペースに対してさらに多くの設定を行います。
設定を確認し、その他の変更や修正を行います。設定に問題がなければ、 [作成] を選択します。

警告

クラウドへのワークスペースの作成には数分かかる場合があります。

プロセスが完了すると、デプロイ成功メッセージが表示されます。
新しいワークスペースを表示するには、 [Go to resource](リソースに移動) を選択します。

ネットワーク

重要

お使いのワークスペースでのプライベートエンドポイントと仮想ネットワークの使用の詳細については、ネットワークの分離とプライバシーに関する記事を参照してください。

Python SDK
ポータル

適用対象: Python SDK azure-ai-ml v2 (現行)

# Creating a unique workspace name with current datetime to avoid conflicts
import datetime
from azure.ai.ml.entities import Workspace

basic_private_link_workspace_name = (
    "mlw-privatelink-prod-" + datetime.datetime.now().strftime("%Y%m%d%H%M")
)

ws_private = Workspace(
    name=basic_private_link_workspace_name,
    location="eastus",
    display_name="Private Link endpoint workspace-example",
    description="When using private link, you must set the image_build_compute property to a cluster name to use for Docker image environment building. You can also specify whether the workspace should be accessible over the internet.",
    image_build_compute="cpu-compute",
    public_network_access="Disabled",
    tags=dict(purpose="demonstration"),
)

ml_client.workspaces.begin_create(ws_private).result()

このクラスには、既存の仮想ネットワークが必要です。

詳細設定

ワークスペースのメタデータは、既定で Microsoft が管理する Azure Cosmos DB インスタンスに格納されます。このデータは Microsoft のマネージドキーで暗号化されます。

Microsoft がお使いのワークスペースで収集するデータを制限するには、ポータルで [High business impact workspace](業務への影響が大きいワークスペース) を選択するか、Python で hbi_workspace=true を設定します。この設定の詳細については、「保存時の暗号化」を参照してください。

重要

業務への影響が大きいは、ワークスペースの作成時にのみ選択できます。ワークスペースの作成後にこの設定を変更することはできません。

独自のデータ暗号化キーを使用する

データ暗号化用の独自のキーを用意できます。これを行うと、自分の Azure サブスクリプションにメタデータを格納する Azure Cosmos DB インスタンスが作成されます。詳細については、カスタマーマネージドキーに関するセクションを参照してください。

独自のキーを用意するには、次の手順を実行します。

重要

これらの手順を実行する前に、まず次のアクションを実行する必要があります。

カスタマーマネージドキーの構成に関する記事の手順に従って以下を行います。

Azure Cosmos DB プロバイダーを登録する
Azure Key Vault を作成して構成する
キーを生成する

Python SDK
ポータル

適用対象: Python SDK azure-ai-ml v2 (現行)


from azure.ai.ml.entities import Workspace, CustomerManagedKey

# specify the workspace details
ws = Workspace(
    name="my_workspace",
    location="eastus",
    display_name="My workspace",
    description="This example shows how to create a workspace",
    customer_managed_key=CustomerManagedKey(
        key_vault="/subscriptions/<SUBSCRIPTION_ID>/resourcegroups/<RESOURCE_GROUP>/providers/microsoft.keyvault/vaults/<VAULT_NAME>"
        key_uri="<KEY-IDENTIFIER>"
    )
    tags=dict(purpose="demo")
)

ml_client.workspaces.begin_create(ws)

構成ファイルをダウンロードする

コードをコンピューティングインスタンスで実行する場合は、このステップをスキップします。コンピューティングインスタンスにより、自動的にこのファイルのコピーが作成されて保存されます。

このワークスペースを参照するローカル環境でコードを使う場合は、ファイルをダウンロードします。

Azure Studio でワークスペースを選びます
右上でワークスペース名を選び、[config.json のダウンロード] を選びます

このファイルは、Python スクリプトまたは Jupyter Notebook を含むディレクトリ構造内に置きます。それは、同じディレクトリ内、 .azureml という名前のサブディレクトリ内、または親ディレクトリ内に置くことができます。コンピューティングインスタンスを作成するとき、このファイルは VM 上の正しいディレクトリに自動的に追加されます。

ワークスペースに接続する

SDK を使って機械学習タスクを実行する場合は、ワークスペースへの接続を指定する MLClient オブジェクトが必要です。パラメーターから、または構成ファイルを使って、MLClient オブジェクトを作成できます。

適用対象: Python SDK azure-ai-ml v2 (現行)

構成ファイルで: このコードにより、構成ファイルの内容が読み取られ、ワークスペースが検索されます。まだ認証されていない場合は、サインインを求めるメッセージが表示されます。
```
from azure.ai.ml import MLClient

# read the config from the current directory
ws_from_config = MLClient.from_config()
```

パラメーターから: この方法を使う場合は、config.json ファイルを利用できるようする必要はありません。

from azure.ai.ml import MLClient
from azure.ai.ml.entities import Workspace
from azure.identity import DefaultAzureCredential

ws = MLClient(
    DefaultAzureCredential(),
    subscription_id="<SUBSCRIPTION_ID>",
    resource_group_name="<RESOURCE_GROUP>",
    workspace_name="<AML_WORKSPACE_NAME>",
)
print(ws)

ワークスペースの検索

使用できるすべてのワークスペースの一覧を表示します。
スタジオ内でワークスペースを検索することもできます。「Azure Machine Learning の資産を検索する (プレビュー)」をご覧ください。

Python SDK
ポータル

適用対象: Python SDK azure-ai-ml v2 (現行)

from azure.ai.ml import MLClient
from azure.ai.ml.entities import Workspace
from azure.identity import DefaultAzureCredential

# Enter details of your subscription
subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"

my_ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)

for ws in my_ml_client.workspaces.list():
    print(ws.name, ":", ws.location, ":", ws.description)

特定のワークスペースの詳細を取得するには:

ws = my_ml_client.workspaces.get("<AML_WORKSPACE_NAME>")
# uncomment this line after providing a workspace name above
# print(ws.location,":", ws.resource_group)

ワークスペースを削除する

ワークスペースが不要になったら、削除します。

警告

ワークスペースに対して論理的な削除が有効になっている場合は、削除後に復旧できます。論理的な削除が有効になっていない場合、またはワークスペースを完全に削除するオプションを選択した場合は、復旧できません。詳細については、削除されたワークスペースの復旧に関する記事を参照してください。

ワークスペースを誤って削除した場合も、ノートブックを引き続き取得することができる可能性があります。詳細については、「事業継続とディザスターリカバリーのためのフェールオーバー」を参照してください。

Python SDK
ポータル

適用対象: Python SDK azure-ai-ml v2 (現行)

ml_client.workspaces.begin_delete(name=ws_basic.name, delete_dependent_resources=True)

既定のアクションによって、ワークスペースに関連付けられているリソース (コンテナーレジストリ、ストレージアカウント、キーコンテナー、Application Insights) が削除されることはありません。これらのリソースも削除するには、delete_dependent_resources を True に設定します。

リソースをクリーンアップする

重要

作成したリソースは、Azure Machine Learning に関連したその他のチュートリアルおよびハウツー記事の前提条件として使用できます。

作成したどのリソースも今後使用する予定がない場合は、課金が発生しないように削除します。

Azure Portal で、左端にある [リソースグループ] を選択します。
一覧から、作成したリソースグループを選択します。
[リソースグループの削除] を選択します。
リソースグループ名を入力します。次に、 [削除] を選択します。

トラブルシューティング

Azure Machine Learning スタジオでサポートされているブラウザー:オペレーティングシステムと互換性のある最新ブラウザーを使うことをお勧めします。次のブラウザーがサポートされています。
- Microsoft Edge (新しい Microsoft Edge、最新バージョン。レガシ Microsoft Edge ではない)
- Safari (最新バージョン、Mac のみ)
- Chrome (最新バージョン)
- Firefox (最新バージョン)
Azure ポータル:
- SDK または Azure portal で共有リンクからワークスペースに直接移動する場合、拡張機能のサブスクリプション情報を含む標準の [概要] ページは表示できません。このシナリオでは、別のワークスペースに切り替えることもできません。別のワークスペースを表示するには、Azure Machine Learning Studio に直接移動し、そのワークスペース名を検索します。
- すべての資産 (データ、実験、コンピューティングなど) は、Azure Machine Learning スタジオでのみ使用できます。 Azure portal から使用することは "できません"。
- Azure portal からワークスペースのテンプレートをエクスポートしようとすると、次のテキストのようなエラーが返されることがあります。Could not get resource of the type <type>. Resources of this type will not be exported.回避策として、https://github.com/Azure/azure-quickstart-templates/tree/master/quickstarts/microsoft.machinelearningservices に用意されているテンプレートの 1 つをテンプレートのベースとして使用します。

ワークスペース診断

Azure Machine Learning スタジオまたは Python SDK から、ワークスペースの診断を実行することができます。診断の実行後、検出された問題の一覧が返されます。この一覧には、考えられる解決策へのリンクが含まれています。詳細については、「ワークスペース診断の使用方法」を参照してください。

リソースプロバイダーのエラー

Azure Machine Learning ワークスペース (またはワークスペースで使用されるリソース) を作成しようとすると、次のメッセージに似たエラーが表示されることがあります。

No registered resource provider found for location {location}
The subscription is not registered to use namespace {resource-provider-namespace}

ほとんどのリソースプロバイダーは自動的に登録されますが、すべてではありません。このメッセージが表示された場合は、言及されているプロバイダーを登録する必要があります。

次の表に、Azure Machine Learning で必要なリソースプロバイダーの一覧を示します。

リソースプロバイダー	必要な理由
Microsoft.MachineLearningServices	Azure Machine Learning ワークスペースの作成。
Microsoft.Storage	Azure Storage アカウントは、ワークスペースの既定のストレージとして使用されます。
Microsoft.ContainerRegistry	Azure Container Registry は、Docker イメージを構築するためにワークスペースによって使用されます。
Microsoft.KeyVault	Azure Key Vault は、シークレットを格納するためにワークスペースによって使用されます。
Microsoft.Notebooks/NotebookProxies	Azure Machine Learning コンピューティングインスタンス上の統合されたノートブック。
Microsoft.ContainerService	トレーニング済みのモデルを Azure Kubernetes Service にデプロイすることを計画している場合。

Azure Machine Learning でカスタマーマネージドキーを使用することを計画している場合は、以下のサービスプロバイダーを登録する必要があります。

リソースプロバイダー	必要な理由
Microsoft.DocumentDB/databaseAccounts	ワークスペースのメタデータをログに記録する Azure CosmosDB インスタンス。
Microsoft.Search/searchServices	Azure Search では、ワークスペースのインデックス作成機能を提供します。

リソースプロバイダーの登録については、「リソースプロバイダー登録エラーの解決」を参照してください。

Azure Container Registry の削除

Azure Machine Learning ワークスペースでは、一部の操作に対して Azure Container Registry (ACR) が使用されます。これにより ACR インスタンスは、最初に必要になったときに自動的に作成されます。

警告

いったん、Azure Container Registry をワークスペースに対して作成したら、削除しないでください。それを行うと、Azure Machine Learning ワークスペースが破損します。

例

この記事の例は、workspace.ipynb のものです。

次のステップ

ワークスペースを作成したら、モデルをトレーニングしてデプロイする方法を確認します。

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。

ワークスペースを別の Azure サブスクリプションに移動する必要がある場合、ワークスペースを移動する方法に関するページを参照してください。

最新のセキュリティ更新プログラムを使用して Azure Machine Learning を最新の状態に保つ方法については、脆弱性の管理に関する記事を参照してください。

ポータルまたは Python SDK (v2) を使用して Azure Machine Learning ワークスペースを管理する

前提条件

制限事項

ワークスペースの作成

ネットワーク

詳細設定

独自のデータ暗号化キーを使用する

構成ファイルをダウンロードする

ワークスペースに接続する

ワークスペースの検索

ワークスペースを削除する

リソースをクリーンアップする

トラブルシューティング

ワークスペース診断

リソースプロバイダーのエラー

Azure Container Registry の削除

例

次のステップ

その他のリソース

その他のリソース

ポータルまたは Python SDK (v2) を使用して Azure Machine Learning ワークスペースを管理する

前提条件

制限事項

ワークスペースの作成

ネットワーク

詳細設定

独自のデータ暗号化キーを使用する

構成ファイルをダウンロードする

ワークスペースに接続する

ワークスペースの検索

ワークスペースを削除する

リソースをクリーンアップする

トラブルシューティング

ワークスペース診断

リソース プロバイダーのエラー

Azure Container Registry の削除

例

次のステップ

その他のリソース

その他のリソース

リソースプロバイダーのエラー