Azure Machine Learning を使用する場合
Azure Machine Learning は汎用性があって使いやすいため、ユーザーは常に新しい用途を見つけられます。 ここでは、実際の Azure Machine Learning のいくつかの長所を説明するので、次の用途やシナリオでこれらの機能を利用できます。
チームでの作業
ワークスペースに複数のユーザーを追加すると、Azure Machine Learning 内での共同作業が可能になります。 より正確に制御する必要がある場合は、"Azure ロールベースのアクセス制御 (RBAC)" を使用して、チーム メンバーにロールを割り当てて、ワークスペース内のリソースのアクセス権と制御を定義することができます。 チーム メンバーがアクセスできるようになると、データ ラベル付けプロジェクトに寄与したり、データの追加および消去や、モデルのトレーニングおよびデプロイに共同で作業したりできます。
ユーザーは、組み込みの Jupyter Notebook を共同で使用して、アイデアやコードを共有することもできます。 各メンバーの編集と投稿はノートブックに記録され、完全なリビジョン履歴が保持されます。 また、ノートブックには同時にアクセスできるので、複数のメンバーが仲間の共同作業者による変更を把握しながら、話し合って一緒に編集することができます。
MLOps
Azure Machine Learning では、MLOps の原則を使用して、モデルのライフ サイクルを管理および促進させると同時に、機械学習ソリューションの品質を向上させます。 トレーニングからデプロイまでの時間が大幅に短縮され、データセットとモデル内の問題が強調されるので、これらの原則はチームの規模に関係なく役立ちます。 モデルがデプロイされると、機械学習インフラストラクチャを含む運用上および ML 関連の問題について、機械学習アプリケーションを簡単に監視できるようになります。 これらのツールを使用すると、モデルのパフォーマンスが一貫した状態に保たれ、アプリケーションが安定した状態になります。
信頼できる ML
Azure Machine Learning の機能とサポート対象のツールにより、モデルの明瞭性と監視が強化されるので、信頼できる AI ソリューションを構築できます。 モデルの透明性は SDK の解釈ツールを通じて実現され、システムの動作に影響を与える可能性がある重要な機能やメトリックが強調されます。 モデルのライフ サイクル イベントの管理は、いくつかの方法で行うことができます。 Azure Machine Learning スタジオでは、直感的なデータの視覚化が行われますが、ログとメトリックは、Azure portal、SDK、CLI 拡張機能を使用して追跡および表示できます。 より詳細なログ記録と監視を行う場合は、Azure Monitor、MLflow、その他のサービスを統合すると、モデル トレーニングを監視および分析する詳細なツールが得られます。
Azure Machine Learning ではまた、機密データを保護し漏洩を防止するために SmartNoise などの差分プライバシー ツールを統合して、人々とそのデータを保護します。 また、Azure Machine Learning では Microsoft SEAL 暗号化もサポートしており、プライベート情報の機密性を、そのデータを使用しているチームに対しても保ちます。 MLOps 機能では、ガバナンス データのログ記録およびツールと、堅牢なセキュリティフレームワークを使用して、エンドツーエンドの ML ライフサイクルのより適切な制御ももたらします
継続的な予報と予測
アルゴリズムとその可能性のある用途はさまざまにあるので、ほぼすべての業界で、生産性を向上させたり、新規顧客に光を当てて既存の顧客により優れたサービスを提供したりするモデルをデプロイできます。 最もよく使用されるアルゴリズムは、回帰、分類、時系列の予測です。 これらのアルゴリズムを使用すると、ターゲット カテゴリの予測、異常なデータ ポイントの検出、値の予測、類似点の検出を行うことができます。 データ モデリングは、企業が次の店舗の場所を探したり、問題が発生する前にメンテナンスが必要になると思われる工場内の領域を特定したりするのに役立ちます。 日常の生活では、天気予報がこれらのモデルに大きく依存して、今後の天気や暴風圏の進路を予測し、人々が備えられるようにしています。 Azure Machine Learning を使用すると、これらの異なるモデルをすばやく作成できます。 データに適したモデルがわからない場合は、AutoML を使用して、最も適切なモデルのテスト、トレーニング、提案を行うことができます。
その他の Azure サービスとの統合
Azure Machine Learning は多くの Azure サービスおよびツールと統合され、特定の要件を満たしています。 Azure Container Registry と Azure Container Instances が、分離されたコンテナーで動作できるモデルを迅速に作成、デプロイ、管理するための優れたソリューションになります。 シンプルなアプリケーション、タスクの自動化、ビルド ジョブなどを行います。 より詳細なイベント ログと監視のために、Azure Machine Learning は Azure Monitor に接続して、完全な監視サービスを提供することができます。 Azure Monitor では、データセットやデプロイされたモデルの詳細な診断とトラブルシューティングを行い、パフォーマンスや消費しているリソースを示します。
パイプラインとモデルについてさらに最新の情報を取得するには、Azure Event Grid との統合が最適です。 Azure Event Grid は、監視しているシステムの変更に対してアラートし、自動で対応できるイベント インジェスト サービスです。 パイプライン ワークフローの拡張処理または自動処理や、デプロイされたモデル内のイベントの管理が必要な場合に使用できます。 ユーザーは、基になるモデル内で変更があったときに応答またはアラートできる応答型のアプリケーションを作成できます。 この機能は特に、データ ドリフトが検出されたときにパイプラインをトリガーしたり、イベントが発生したときに電子メールでアラートを受け取ったりする場合に役立ちます。