Machine Learning Studio (クラシック) モデルが実験から Web サービスになるまでの過程
適用対象:
Machine Learning スタジオ (クラシック) 
Azure Machine Learning
重要
Machine Learning Studio (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 に切り替えすることをお勧めします。
2021 年 12 月 1 日以降、新しい Machine Learning Studio (クラシック) リソースは作成できません。 2024 年 8 月 31 日まで、既存の Machine Learning Studio (クラシック) リソースを引き続き使用できます。
- ML Studio (クラシック) から Azure Machine Learning への機械学習プロジェクトの移動に関する情報を参照してください。
- Azure Machine Learning についての詳細を参照してください
ML Studio (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) は、予測分析モデルである "実験" を開発、実行、テスト、反復処理する対話形式のキャンバスです。 以下に対応する、多様なモジュールが用意されています。
- 実験にデータを入力
- データを操作します。
- 機械学習アルゴリズムを使用してモデルをトレーニング
- モデルにスコアを付ける
- 結果を評価
- 最終的な値を出力
ご自分の実験に問題がなければ、ユーザーが新しいデータを送信して折り返し結果を受信できる、"Machine Learning (クラシック) Web サービス" または "Azure Machine Learning Web サービス" としてデプロイできます。
この記事では、Machine Learning モデルが開発中の実験から運用可能な Web サービスになるまでにたどる過程について、概要を説明します。
Note
機械学習モデルを開発し、デプロイする方法はほかにもありますが、この記事では Machine Learning Studio (クラシック) を使用する方法に焦点を当てています。 たとえば、R を使用して従来の予測 Web サービスを作成する方法については、RStudio と Azure Machine Learning Studio を使用した予測 Web Apps の開発とデプロイに関するブログ記事を参照してください。
Machine Learning Studio (クラシック) は "予測分析モデル" の開発とデプロイを目的に設計されていますが、予測分析モデルを含まない実験の開発に Studio (クラシック) を使用することもできます。 たとえば、データを入力して操作し、結果を出力するだけの実験などです。 この非予測実験は、予測分析実験と同様に、Web サービスとしてデプロイすることができますが、この実験では機械学習モデルのトレーニングやスコア付けが実施されないため、より簡単なプロセスになります。 これは Studio (クラシック) の一般的な使用方法ではありません。一般的な使用方法についてこれから説明し、Studio (クラシック) の機能を網羅することにします。
予測 Web サービスの開発とデプロイ
Machine Learning Studio (クラシック) を使用して予測 Web サービスを開発し、デプロイする場合、一般的なソリューションがたどる段階は次のようになります。
図 1 - 一般的な予測分析モデルの段階
トレーニング実験
"トレーニング実験" は、Machine Learning Studio (クラシック) で Web サービスを開発する最初のフェーズです。 トレーニング実験の目的は、機械学習モデルの開発、テスト、反復処理、そしてトレーニングの場所を提供することです。 最適なソリューションを見つけるために複数のモデルを同時にトレーニングすることもできますが、実験が終わったら、トレーニング済みのモデルを 1 つ選択し、残りのモデルを実験から除外することになります。 予測分析実験の開発の例については、Machine Learning Studio (クラシック) での信用リスク評価のための予測分析ソリューション開発に関する記事を参照してください。
予測実験
トレーニング実験でモデルをトレーニングしたら、Machine Learning Studio (クラシック) で [Web サービスの設定] をクリックし、 [Predictive Web Service]\(予測 Web サービス\) を選択して、トレーニング実験を "予測実験" に変換する処理を開始します。 予測実験の目的は、トレーニング済みのモデルを使用して新しいデータにスコアを付け、最終的に Azure Web サービスとして運用できる状態にすることです。
この変換は、次の手順で行われます。
- トレーニングに使用したモジュールのセットを単一のモジュールに変換し、トレーニング済みのモデルとして保存する
- スコア付けに関係しない余分なモジュールをすべて除外する
- 最終的な Web サービスで使用する入力ポートと出力ポートを追加する
予測実験を Web サービスとしてデプロイできる状態にするには、さらに変更が必要になることがあります。 たとえば、Web サービスから結果のサブセットのみを出力するには、出力ポートの前にフィルター処理モジュールを追加します。
この変換プロセスでは、トレーニング実験は破棄されません。 このプロセスが完了すると、2 つのタブが Studio (クラシック) に表示されます。1 つがトレーニング実験用で、もう 1 つが予測実験用です。 このように、トレーニング実験に変更を加えてから、Web サービスをデプロイして、予測実験を再構築できます。 また、トレーニング実験のコピーを保存しておいて、新たに別の実験を始めることもできます。
Note
[Predictive Web Service (予測 Web サービス)] をクリックすると、トレーニング実験を予測実験に変換する自動処理が開始されます。ほとんどの場合、この方法を利用できます。 トレーニング実験が複雑な場合 (結合するトレーニングのパスが複数ある場合など) は、この変換を手動で実行した方が良いこともあります。 詳細については、Machine Learning Studio (クラシック) でデプロイするモデルを準備する方法に関するページを参照してください。
Web サービス
予測実験の準備が問題なくできたら、Azure Resource Manager に基づいて、従来の Web サービスか新しい Web サービスのどちらかとしてサービスをデプロイできます。 "従来の Machine Learning Web サービス" としてデプロイすることでモデルを運用可能にするには、 [Web サービスのデプロイ] をクリックして、 [Deploy Web Service [Classic]\(Web サービスのデプロイ [従来])] を選択します。 "新しい Machine Learning Web サービス" としてデプロイするには、 [Web サービスのデプロイ] をクリックして、 [Deploy Web Service [New]\(Web サービスのデプロイ [新規])] を選択します。 ユーザーは、Web サービス REST API を使用してモデルにデータを送信し、折り返し結果を受信できるようになりました。 詳細については、Machine Learning Web サービスを使用する方法に関するページを参照してください。
一般的でないケース: 非予測 Web サービスの作成
実験で予測分析モデルをトレーニングしない場合、トレーニング実験とスコア付け実験の両方を作成する必要はありません。実験は 1 つのみになり、この実験を Web サービスとしてデプロイすることができます。 Machine Learning Studio (クラシック) は、使用したモジュールを分析することで、実験に予測モデルが含まれるかどうかを検出します。
実験を反復処理して問題がなければ、次の手順に従います。
- [Web サービスの設定] をクリックし、 [Retraining Web Service (Web サービスの再トレーニング)] を選択します。入力ノードと出力ノードが自動的に追加されます。
- [実行]
- [Web サービスのデプロイ] をクリックし、デプロイ先の環境に応じて [Deploy Web Service [Classic]\(Web サービスのデプロイ [従来])] または [Deploy Web Service [New]\(Web サービスのデプロイ [新規])] を選択します。
これで Web サービスがデプロイされます。予測 Web サービスと同様に、アクセスして管理することができます。
Web サービスの更新
これで、実験が Web サービスとしてデプロイされました。更新するにはどうすればよいでしょうか。
その方法は更新する対象によって異なります。
入力または出力を変更する場合や、Web サービスでデータを操作する方法を変更する場合
モデルは変更せず、Web サービスでのデータの処理方法だけを変更する場合は、予測実験を編集して、もう一度 [Web サービスのデプロイ] をクリックし、 [Deploy Web Service [Classic]\(Web サービスのデプロイ [従来])] または [Deploy Web Service [New]\(Web サービスのデプロイ [新規])] をクリックします。 Web サービスが停止し、更新済みの予測実験がデプロイされ、Web サービスが再び開始されます。
次に例を示します。入力データ行全体と予測の結果を返す予測実験があるとします。 Web サービスから結果のみを返すことに決まりました。 結果以外の列を除外するには、予測実験の出力ポートの直前に プロジェクト列 モジュールを追加します。 もう一度 [Web サービスのデプロイ] をクリックし、 [Deploy Web Service [Classic]\(Web サービスのデプロイ [従来])] または [Deploy Web Service [New]\(Web サービスのデプロイ [新規])] を選択したときに、Web サービスが更新されます。
新しいデータでモデルを再トレーニングする必要がある場合
機械学習モデルを維持したまま新しいデータで再トレーニングする必要がある場合、選択肢は 2 つあります。
Web サービスの実行中にモデルを再トレーニングする: 予測 Web サービスの実行中にモデルを再トレーニングするには、トレーニング実験にいくつか変更を加えて "再トレーニング実験" にすることで実行できます。さらにそれを "再トレーニング Web サービス" としてデプロイできます。 この方法の手順については、「プログラムによる Machine Learning のモデルの再トレーニング」を参照してください。
元のトレーニング実験に戻り、さまざまなトレーニング データを使用してモデルを開発する: 予測実験は Web サービスにリンクされますが、この方法では、トレーニング実験は直接リンクされません。 元のトレーニング実験を変更し、[Web サービスの設定] をクリックすると、"新しい" 予測実験が作成されます。これをデプロイすると、"新しい" Web サービスが作成されます。 単に元の Web サービスを更新するのではありません。
トレーニング実験を変更する必要がある場合は、トレーニング実験を開き、 [名前を付けて保存] をクリックしてコピーを作成します。 これにより、元のトレーニング実験、予測実験、Web サービスはそのままの状態で維持されます。 そのうえで、変更を加えることにより、新しい Web サービスを作成できます。 新しい Web サービスをデプロイした後で、前の Web サービスを停止するか、新しい Web サービスと共に実行し続けるかを決定できます。
別のモデルをトレーニングする必要がある場合
別の機械学習アルゴリズムを選択する、別のトレーニング方法を試行するなど、元の予測実験を変更するには、前に説明したモデルの再トレーニングの 2 つ目の手順を実行する必要があります。トレーニング実験を開き、 [名前を付けて保存] をクリックしてコピーを作成したうえで、新たにモデルを開発し、予測実験を作成して Web サービスをデプロイします。 これにより、元の予測実験と関係のない新しい Web サービスが作成されます。どちらか一方を実行するか、両方を実行し続けるかを決定できます。
次のステップ
開発および実験のプロセスの詳細については、次の記事をご覧ください。
- 実験の変換: Machine Learning Studio (クラシック) でデプロイするモデルを準備する方法
- Web サービスのデプロイ: Machine Learning Web サービスをデプロイする
- モデルの再トレーニング: プログラムによる Machine Learning のモデルの再トレーニング
プロセス全体の例については、以下を参照してください。