Studio (クラシック) から Azure Machine Learning に移行する

[アーティクル]
04/02/2024

重要

Machine Learning スタジオ (クラシック) のサポートは、2024 年 8 月 31 日に終了します。その日までに、Azure Machine Learning に切り替えることをおすすめします。

2021 年 12 月以降、新しいスタジオ (クラシック) リソースは作成できなくなりました。 2024 年 8 月 31 日まで、既存のスタジオ (クラシック) リソースを引き続き使用できます。

スタジオ (クラシック) のドキュメントは廃止予定であり、今後更新されない可能性があります。

Machine Learning Studio (クラシック) から Azure Machine Learning に移行する方法について学習します。 Azure Machine Learning によって、ノーコードとコードファーストのアプローチを組み合わせた最新のデータサイエンスプラットフォームが提供されます。

このガイドでは、基本的なリフトアンドシフト移行について説明します。既存の機械学習ワークフローを最適化する場合、または機械学習プラットフォームを最新化する場合の、デジタル調査ツール、ワークシート、計画テンプレートなどのその他のリソースについては、「Azure Machine Learning 導入フレームワーク」を参照してください。

移行時にクラウドソリューションアーキテクトと協力してください。

推奨される方法

Azure Machine Learning に移行するには、次の方法をお勧めします。

手順 1: Azure Machine Learning を評価する
手順 2: 戦略と計画を定義する
手順 3: 実験と Web サービスを再構築する
手順 4: クライアントアプリを統合する
手順 5: スタジオ (クラシック) アセットをクリーンアップする
手順 6: シナリオを確認して展開する

手順 1: Azure Machine Learning を評価する

Azure Machine Learning とその特長、コスト、アーキテクチャについて学習します。

Azure Machine Learning とスタジオ (クラシック) の機能を比較します。

主な相違点を次の表に示します。

機能	Studio (クラシック)	Azure Machine Learning
ドラッグアンドドロップのインターフェイス	クラシック環境	更新されたエクスペリエンス: Azure Machine Learning デザイナー
コード SDK	サポートされていません	Azure Machine Learning Python および R SDK との完全な統合
実験	スケーラブル (10 GB トレーニングデータの上限)	コンピューティング先に合わせてスケーリング
コンピューティングターゲットのトレーニング	独自のコンピューティングターゲット、CPU のサポートのみ	さまざまなカスタマイズ可能なトレーニングコンピューティングターゲット (GPU と CPU のサポートを含む)
デプロイのコンピューティングターゲット	独自の Web サービス形式 (カスタマイズ不可)	幅広いカスタマイズ可能なデプロイコンピューティングターゲット (GPU と CPU のサポートを含む)
機械学習パイプライン	サポートされていません	ワークフローを自動化する柔軟性の高いモジュール式のパイプラインを作成します
MLOps	基本的なモデル管理とデプロイ: CPU のみのデプロイ	エンティティのバージョン管理 (モデル、データ、ワークフロー)、ワークフローオートメーション、CICD ツールとの統合、CPU および GPU のデプロイ、その他
モデル形式	専用の形式、Studio (クラシック) のみ	トレーニングジョブの種類に応じて複数の形式がサポートされます
自動化されたモデルトレーニングとハイパーパラメーター調整	サポートされていません	サポートありコードファーストオプションおよびコードなしオプション
データドリフト検出	サポートされていません	サポートされています
プロジェクトのラベル付けデータ	サポートされていません	サポートされています
ロールベースのアクセス制御 (RBAC)	共同作成者と所有者ロールのみ	柔軟なロール定義と RBAC 制御
AI Gallery	サポートあり	サポートされていません Python SDK ノートブックのサンプルを参照してください

Note

Azure Machine Learning のデザイナー機能では、スタジオ (クラシック) と同様のドラッグアンドドロップ操作を利用できます。しかしながら、Azure Machine Learning には、堅牢なコードファーストワークフローも代替手段として提供されています。スタジオ (クラシック) エクスペリエンスに最もよく似ているため、この移行シリーズではデザイナーに焦点を当てています。

Azure Machine Learning デザイナーで、ご自分の重要なスタジオ (クラシック) モジュールがサポートされていることを確認します。詳細については、「スタジオ (クラシック) とデザイナーのコンポーネントマッピング」の表を参照してください。
Azure Machine Learning ワークスペースを作成します。

手順 2: 戦略と計画を定義する

業務上の正当な理由と期待される成果を定義します。
実施可能な Azure Machine Learning の導入計画をビジネスの成果に合わせて調整します。
変更のための人材、プロセス、環境を用意します。

クラウドソリューションアーキテクトと協力して、戦略を定義してください。

計画ドキュメントテンプレートを含むリソースの計画については、「Azure Machine Learning 導入フレームワーク」を参照してください。

手順 3: 最初のモデルをリビルドする

戦略を定義した後、最初のモデルを移行します。

Azure Machine Learning にデータセットを移行します。
Azure Machine Learning デザイナーを使用して、実験を再構築します。
Azure Machine Learning デザイナーを使用して、Web サービス再デプロイします。

Note

このガイダンスは、Azure Machine Learning v1 の概念と機能に基づいて作成されています。 Azure Machine Learning には CLI v2 と Python SDK v2 が含まれています。 v1 ではなく v2 を使用して、スタジオ (クラシック) モデルを再構築することをお勧めします。 Azure Machine Learning v2 を開始します。

手順 4: クライアントアプリを統合する

スタジオ (クラシック) の Web サービスを呼び出すクライアントアプリケーションを、新しい Azure Machine Learning エンドポイントを使用するように変更します。

手順 5: スタジオ (クラシック) アセットをクリーンアップする

追加料金が発生しないように、スタジオ (クラシック) アセットをクリーンアップします。 Azure Machine Learning ワークロードの検証が終了するまで、フォールバックできるようにアセットを保持することをお勧めします。

手順 6: シナリオを確認して展開する

ベストプラクティスのモデル移行を確認し、ワークロードを検証します。
シナリオを拡張し、より多くのワークロードを Azure Machine Learning に移行します。

スタジオ (クラシック) とデザイナーのコンポーネントマッピング

スタジオ (クラシック) の実験を Azure Machine Learning デザイナーで再構築するときに使用するモジュールを確認するには、次の表を参照してください。

重要

デザイナーのモジュール実装には、スタジオ (クラシック) のように C# パッケージではなく、オープンソースの Python パッケージが使われています。この違いにより、デザイナーコンポーネントの出力は、対応するスタジオ (クラシック) とは若干異なる場合があります。

カテゴリ	スタジオ (クラシック) モジュール	後継のデザイナーコンポーネント
データの入力と出力	- データの手動入力 - データのエクスポート - データのインポート - トレーニング済みのモデルの読み込み - zip 形式のデータセットのアンパック	- データの手動入力 - データのエクスポート - データのインポート
データ形式の変換	- CSV への変換 - データセットへの変換 - ARFF への変換 - SVMLight への変換 - TSV への変換	- CSV への変換 - データセットへの変換
データ変換 - 操作	- 列の追加 - 行の追加 - SQL 変換の適用 - 不足データのクリーニング - インジケーター値への変換 - メタデータの編集 - データの結合 - 重複する行の削除 - データセット内の列の選択 - 列変換の選択 - SMOTE - グループカテゴリ値	- 列の追加 - 行の追加 - SQL 変換の適用 - 不足データのクリーニング - インジケーター値への変換 - メタデータの編集 - データの結合 - 重複する行の削除 - データセット内の列の選択 - 列変換の選択 - SMOTE
データ変換 - 拡大と縮小	- クリップ値 - データのビンへのグループ化 - データの正規化 - 主成分分析	- クリップ値 - データのビンへのグループ化 - データの正規化
データ変換 - サンプルおよび分割	- パーティションとサンプル - データの分割	- パーティションとサンプル - データの分割
データ変換 - フィルター	- フィルターの適用 - FIR フィルター - IIR フィルター - 中央値フィルター - 移動平均フィルター - しきい値フィルター - ユーザー定義フィルター
データ変換 - カウントを使用した学習	- カウント変換の構築 - カウントテーブルのエクスポート - カウントテーブルのインポート - カウント変換のマージ - カウントテーブルパラメーターの変更
特徴選択	- フィルターに基づく特徴選択 - Fisher 線形判別分析 - 順列の特徴量の重要度	- フィルターに基づく特徴選択 - 順列の特徴量の重要度
モデル - 分類	- マルチクラスデシジョンフォレスト - マルチクラスデシジョンジャングル - マルチクラスロジスティック回帰 - マルチクラスニューラルネットワーク - One-vs-All マルチクラス - 2 クラス平均化パーセプトロン - 2 クラスベイズポイントマシン - 2 クラス増幅デシジョンツリー - 2 クラスデシジョンフォレスト - 2 クラスデシジョンジャングル - 2 クラスローカル詳細 SVM - 2 クラスロジスティック回帰 - 2 クラスニューラルネットワーク - 2 クラスサポートベクターマシン	- マルチクラスデシジョンフォレスト - マルチクラス増幅デシジョンツリー - マルチクラスロジスティック回帰 - マルチクラスニューラルネットワーク - One-vs-All マルチクラス - 2 クラス平均化パーセプトロン - 2 クラス増幅デシジョンツリー - 2 クラスデシジョンフォレスト - 2 クラスロジスティック回帰 - 2 クラスニューラルネットワーク - 2 クラスサポートベクターマシン
モデル - クラスタリング	- K-Means クラスタリング	- K-Means クラスタリング
モデル - 回帰	- ベイジアン線形回帰 - 増幅デシジョンツリーの回帰 - デシジョンフォレストの回帰 - 高速フォレスト分位点回帰 - 線形回帰 - ニューラルネットワーク回帰 - 順序回帰 - ポワソン回帰	- 増幅デシジョンツリーの回帰 - デシジョンフォレストの回帰 - 高速フォレスト分位点回帰 - 線形回帰 - ニューラルネットワーク回帰 - ポワソン回帰
モデル - 異常検出	- 1 クラス SVM - PCA ベースの異常検出	- PCA ベースの異常検出
機械学習 - 評価	- モデルのクロス検証 - モデルの評価 - レコメンダーの評価	- モデルのクロス検証 - モデルの評価 - レコメンダーの評価
機械学習 - トレーニング	- スイープクラスタリング - 異常検出モデルのトレーニング - クラスタリングモデルのトレーニング - マッチボックスレコメンダーのトレーニング - モデルのトレーニング - モデルのハイパーパラメーターの調整	- 異常検出モデルのトレーニング - クラスタリングモデルのトレーニング - モデルのトレーニング - PyTorch モデルのトレーニング - SVD レコメンダーのトレーニング - ワイドかつディープなレコメンダーのトレーニング - モデルのハイパーパラメーターの調整
機械学習 - スコア	- 変換の適用 - クラスターへのデータの割り当て - マッチボックスレコメンダーのスコアリング - モデルのスコア付け	- 変換の適用 - クラスターへのデータの割り当て - 画像モデルのスコア付け - モデルのスコア付け - SVD レコメンダーのスコア付け - ワイドかつディープなレコメンダーのスコア付け
OpenCV ライブラリモジュール	- イメージのインポート - 事前トレーニング済みカスケードイメージ分類
Python 言語モジュール	- Python スクリプトの実行	- Python スクリプトの実行 - Python モデルの作成
R 言語モジュール	- R スクリプトの実行 - R モデルの作成	- R スクリプトの実行
統計関数	- 算術演算の適用 - 基本統計のコンピューティング - 線形相関関係のコンピューティング - 確率関数の評価 - 離散値の置換 - データの集計 - T 検定を使用した仮説のテスト	- 算術演算の適用 - データの集計
\テキスト分析	- 言語の検出 - テキストからのキーフレーズ抽出 - テキストからの N Gram 特徴抽出 - 特徴ハッシュ - Latent Dirichlet Allocation - 名前付きエンティティ認識 - テキストの前処理 - Vowpal Wabbit バージョン 7-10 モデルのスコアリング - Vowpal Wabbit バージョン 8 モデルのスコアリング - Vowpal Wabbit バージョン 7-10 モデルのトレーニング - Vowpal Wabbit バージョン 8 モデルのトレーニング	- 単語からベクトルへの変換 - テキストからの N Gram 特徴抽出 - 特徴ハッシュ - Latent Dirichlet Allocation - テキストの前処理 - Vowpal Wabbit モデルのスコアリング - Vowpal Wabbit モデルのトレーニング
タイムシリーズ	- 時系列の異常検出
Web サービス	- 入力 - 出力	- 入力 - 出力
Computer Vision		- イメージ変換の適用 - イメージディレクトリへの変換 - イメージ変換の初期化 - イメージディレクトリの分割 - DenseNet 画像分類 - ResNet 画像分類

個々のデザイナーコンポーネントを使用する方法の詳細については、アルゴリズムとコンポーネントのリファレンスに関するページを参照してください。

デザイナーコンポーネントが見つからない場合はどうすればよいですか。

Azure Machine Learning デザイナーには、スタジオ (クラシック) の最も人気のあるモジュールが含まれています。また、最新の機械学習手法を利用する新しいモジュールも含まれています。

デザイナーにモジュールがないために移行が妨げられている場合は、サポートチケットを作成してお問い合わせください。

移行の例

次の移行の例では、スタジオ (クラシック) と Azure Machine Learning の違いについていくつか取り上げます。

データセット

スタジオ (クラシック) では、データセットはワークスペースに保存され、スタジオ (クラシック) でのみ使用できました。

Azure Machine Learning では、データセットはワークスペースに登録され、すべての Azure Machine Learning で使用できます。 Azure Machine Learning データセットの利点の詳細については、Azure Machine Learning のデータに関するページを参照してください。

パイプライン

スタジオ (クラシック) では、作業の処理ロジックを実験に含めました。ドラッグアンドドロップモジュールを使用して実験を作成しました。

Azure Machine Learning では、作業の処理ロジックをパイプラインに含めます。パイプラインは、ドラッグアンドドロップモジュールを使用するか、コードを記述すして作成できます。

Web サービスエンドポイント

スタジオ (クラシック) では、リアルタイム予測に REQUEST/RESPOND API を使用し、バッチ予測や再トレーニングには BATCH EXECUTION API が使用されました。

Azure Machine Learning では、リアルタイムの予測にリアルタイムエンドポイント (マネージドエンドポイント) を使用し、バッチ予測や再トレーニングにはパイプラインエンドポイントを使用します。

この記事では、Azure Machine Learning に移行するための高レベルの要件について説明しました。詳細な手順については、Machine Learning スタジオ (クラシック) 移行シリーズの他の記事を参照してください。

その他の移行リソースについては、「Azure Machine Learning 導入フレームワーク」を参照してください。