Azure Machine Learning(ML)とは？使い方や料金、Notebookを解説

機械学習プロジェクトを効率的に進めるためには、データの準備からモデルの開発、デプロイ、運用までを一貫してサポートする環境が必要です。
Azure Machine Learningは、このような課題に対するソリューションとして、クラウドベースの機械学習プラットフォームを提供しています。

本記事では、Azure Machine Learningの基本概念や特徴、各機能の詳細について解説し、機械学習プロジェクトの効率化と加速にどのように役立つのかを探ります。
また、データの準備や管理、モデル開発、トレーニング、デプロイ、運用管理といった一連のプロセスを、Azure MLがどのようにサポートするのかを具体的に説明します。

データサイエンスやAI開発の効率化を目指す方にとって、本記事が有益な情報源となることを願っています。

Azureの基本知識や料金体系、利用方法についてはこちらの記事で詳しく解説しています。
➡️Microsoft Azureとは？できることや各種サービスを徹底解説

Azure Machine Learningとは

Azure Machine Learningは、機械学習（ML）プロジェクトのライフサイクルを効率的に進めるためのクラウドサービス です。

機械学習ライフサイクル

MLのプロフェッショナルやデータサイエンティスト、エンジニアが、モデルのトレーニングやデプロイメント、管理を容易に行えるよう支援します。
Azure Machine Learningを利用することで、日常のワークフローを合理化し、機械学習のオペレーション（MLOps）を効果的に遂行できます。

Azure Machine Learninの特徴

Azure Machine Learningの主な特徴は、機械学習のライフサイクル全体を促進する包括的なツールとサービスのスイートです。
主な特徴および機能は以下の通りです。

モデル開発

Azure Machine Learningは、機械学習モデルを構築およびトレーニングするための豊富なツールセットを提供します。
ユーザーは、さまざまなアルゴリズムやフレームワークから選択して、特定のニーズに合わせたモデルを開発できます。

スケーラビリティ

Azure Machine Learningは、大規模な機械学習ワークロードを処理できるように設計されています。
膨大な量のデータでモデルを効率的にトレーニングするためのスケーラブルなインフラストラクチャとリソースを提供します。

デプロイ

モデルがトレーニングされると、Azure Machine Learningを使用してそれらを運用環境に簡単にデプロイできます。
ユーザーはモデルをWebサービスまたはコンテナとしてデプロイできるため、アプリケーションやワークフローにシームレスに統合できます。

監視と管理

Azure Machine Learningには、モデルのパフォーマンスを監視し、デプロイされたモデルを管理するための機能が含まれています。
ユーザーは、モデルの精度を追跡し、ドリフトを検出し、バージョン管理を管理して、長期にわたってモデルの有効性を確保できます。

コラボレーション

Azure Machine Learningは、データサイエンティスト、開発者、その他の関係者が機械学習プロジェクトで共同作業できるコラボレーション環境を提供します。

バージョン管理、実験の共有、チーム間のコラボレーションをサポートします。

---

Azure Machine Learningにおける生成AI

Azure Machine Learning for Generative AIは、生成AIアプリケーションの設計、開発、デプロイを簡素化するためのツールとサービスのセットです。このプラットフォームは、以下の４つの主要な特徴によって構成されます。

モデルカタログ

1. AI ワークフロー オーケストレーション
   大規模な言語モデルを使ったアプリケーションの開発プロセスを簡単にするためのプロンプトフロー管理ツールです。
   これにより、開発者はプロンプトの設計、評価、そして改善を効率的に行うことができます。

Machine Learningにおける生成AI (参考:Microsoft)

2. マネージド エンド ツー エンド プラットフォーム
   MLOps（機械学習運用）機能を備えたプラットフォームで、生成AIモデルのライフサイクル全体を管理します。
   セキュリティやモデルのバイアス軽減など、企業向けの機能も充実しています。
   
   

3. 柔軟なツールとフレームワーク
   PyTorchやTensorFlowといった人気のある機械学習フレームワークに対応しており、開発者は好みのツールで効率的にモデルを構築できます。
   ONNX RuntimeやDeepSpeedとの互換性もあり、トレーニングや推論のパフォーマンスを最適化できます。
   
   

4. 世界一流クラスのパフォーマンス
   専用のAIインフラストラクチャを利用して、最新のNVIDIA GPUや高速なInfiniBandネットワークを最大限に活用します。
   この高度なインフラにより、大規模なトレーニングタスクや複雑なモデルの推論が高速に行えます。

支えるAIインフラ

総じて、Azure Machine Learning for Generative AIは、生成AIを活用したアプリケーション開発を加速するための強力なプラットフォームを提供しています。

【関連記事】
➡️Azure OpenAI Serviceとは？その機能や料金、活用方法を解説

---

Azure MachineLearningの料金体系

Azureでは、さまざまなニーズやシナリオに対応するために、複数の価格オプションを提供しています。

• 従量課金制
  このオプションでは、長期の契約や前払いなしで、コンピューティング容量に対して秒単位で支払います。 オンデマンドで消費量を柔軟に増減できるため、時間の経過とともに変化する動的なワークロードに最適です。

Azureサービス	説明	タイプ	月間無料利用量	無料期間
Advisor	Azureのパーソナライズされた推奨事項とベストプラクティスを取得します。	管理とガバナンス	無制限	常に
API Management	ハイブリッド、マルチクラウドプラットフォームであらゆるプラットフォーム上のAPIを管理します。	統合	消費層での無料利用枠は1か月間で100万コール	常に
App Configuration	すべてのAzureアプリの構成を保存および管理します。	開発者ツール	1日あたりのリクエスト数は1000件、10 MBのストレージ	常に
App Service	Node.jsやPHPなど、お好みのツールを使用して、どんなプラットフォームやデバイスでも強力なアプリを素早く作成します。	コンピュート	1時間あたりの10のWeb、モバイル、またはAPIアプリ、1 GBのストレージ	常に
Archive Storage	ほとんどアクセスされないデータをローカル冗長ストレージ（LRS）またはジオ冗長ストレージ（GRS）で保存および管理します。	ストレージ	10 GBのLRSストレージ、10 GBのLRSまたはGRSの書き込みと取得、および100のリード	12か月
...	...	...	...	...
Visual Studio Code	クラウド開発用の強力で軽量なコードエディターで生産性を向上させます。	開発者ツール	無料	常に
VPN Gateway	安全なクロスプレミス接続を確立します。	ネットワーキング	750時間 VpnGw1 ゲートウェイタイプ	12か月
Web PubSub	Webおよびモバイルアプリにリアルタイムの双方向通信を組み込みます。	Web	ユニットあたりの1日あたりのメッセージ数は20000、ユニットあたりの同時接続数は20（1ユニット最大）	常に

• Azure節約プラン
  1年または3年間の固定金額を約束することで、選択したコンピューティングサービス全体で世界中の費用を節約できます。
  このプランでは、時間単位のコミットメントに達するまで低料金が適用され、ワークロードの計画的または計画外の変化に柔軟に対応しながら節約が可能です。
  
  

• 予約
  Azure Reserved Virtual Machine Instancesを契約すると、1年または3年の期間にわたり、従量課金制料金と比較して大幅なコスト削減が実現します。
  このオプションは、計画的な変更のない安定した予測可能なワークロードに最適であり、長期的なコミットメントを通じて節約を実現します。

各価格オプションはさまざまな使用パターンや予算要件に対応しており、ユーザーは特定のニーズや好みに合わせてコストを最適化できます。
詳しくはMicrosoftの公式ページをご覧下さい。 Azure Machine Learning pricing

【関連記事】
➡️Azureの料金体系を解説！サービスごとの料金例や確認方法も紹介

---

Azure Machine Learningの使い方

Azure Machine Learningのデータの取り扱いから前処理、ラベル付け、データセットの管理について詳しく説明します。

Azure Machine Learningのメニューバー

データの準備と管理

• ワークスペースを作成
  Azure Machine Learningでワークスペースを作成する手順は、まずAzureアカウントの資格情報を使用してAzure Machine Learningスタジオにサインインすることから始めます。

【関連記事】
➡️Azureを開始する方法解説記事

ログイン後、「ワークスペースの作成」オプションを見つけて選択します。

次に、新しいワークスペースを構成するための具体的な詳細を指定する必要があります。これらの詳細には、ワークスペースの一意な名前（リソースグループ全体で異なる必要があります）、ワークスペースに関連付けるAzureサブスクリプション、既存のリソースグループを使用するか新しいリソースグループを作成するかの選択が含まれます。

さらに、ユーザーとデータリソースに最も近いAzureリージョンを選択する必要があります。このリージョンは、ワークスペースと関連リソースが物理的にデプロイされる場所を決定します。

Machine Learning studioの立ち上げ

必要な情報をすべて入力したら、「作成」ボタンをクリックしてワークスペースの作成プロセスを開始します。このプロセスにより、ワークスペースに必要なリソースが自動的に生成されます。

Machine Learning studio立ち上げ完了画面

モデル開発とトレーニング

Azure Machine Learningで新しいノートブックを作成する方法は、[サンプル] セクションから既存のノートブックを複製することが可能です。

Notebookのサンプル

新しいノートブックを最初から作成する場合は、次の手順に従います。

1. Azure Machine Learningの[ノートブック]セクションに移動します。
2. 「ファイル」をクリックしてファイルリストに戻ります。
3. 「+」ボタンをクリックして新しいファイルを追加します。
4. 表示されるオプションから「新しいファイルの作成」を選択します。

新しく作成されたノートブック

これにより、空のノートブックが開き、コードまたはコンテンツの追加を開始できます。
ノートブックを作成したら、コードの作成と実行だけでなく、作業を文書化するためにマークダウンセルを追加することもできます。

また、チュートリアルからコードスニペットをコピーして貼り付けることも、独自のコードをノートブックに直接書き込むこともできます。
「Jupyter Notebookと同様の使い方」といったイメージです、

モデルのデプロイと推論

Azure Machine Learning でモデルをデプロイするには、まず、トレーニングされたモデルをAzureクラウドワークスペースに登録し、簡単に編成とバージョン管理を行います。

モデルカタログのモデルも利用できます。

モデルカタログ

モデルは名前とバージョンで識別され、メタデータタグを使用してより適切に整理できます。次に、モデルをDockerイメージにパッケージ化します。

これは通常、デプロイメント中に自動的に行われますが、イメージを手動で指定することもできます。

最初にモデルをローカル開発環境にデプロイします。

モデルデプロイ例

特に自身のモデルの場合にはデバッグとトラブルシューティングを行うことをお勧めします。
オプションで、モデルをONNX形式に変換して、パフォーマンスを向上させることができます。

モデルの確認画面

デプロイメントには、クラウドまたはローカルのエンドポイントとしてモデルをデプロイすることが含まれます。

これには、モデル、リクエストと応答を処理するためのエントリスクリプト、依存関係を記述する環境、およびその他の必要なアセットを提供する必要があります。

---

Azure Machine Learningを利用するメリット

• MLをサービスとして活用する
  Azure MLは従量課金制のサービスとして提供されるため、組織は高価なハードウェアや複雑なソフトウェアに投資する必要がなくなります。
  この柔軟な価格モデルにより、組織は必要なサービスのみを購入できるため、コストが削減され、MLアプリケーションの即時展開が可能になります。
  
  

• MLOpsのメリット
  Azure MLはMLOps機能を提供し、MLイノベーションの迅速な開発、テスト、デプロイを促進します。
  組織は、Azure DevOpsやGitHub Actionsなどのツールを使用してMLパイプラインのスケジュール、管理、自動化を行うことで、モデルの開発からデプロイ、管理に至るMLライフサイクルを合理化できます。

【関連記事】
➡️Azure DevOpsとは？その概要や使い方、料金体系をわかりやすく解説

• 最善のアルゴリズムでMLを高速化する
  Azure MLは、回帰、クラスタリング、予測アルゴリズムなど、Microsoft Researchによって開発されたさまざまな貴重なアルゴリズムへのアクセスを提供します。
  これらのアルゴリズムはドラッグアンドドロップインターフェイスを使用して簡単に構成できるため、ユーザーはデータサイエンスの深い専門知識がなくてもMLアプリケーションを構築できます。

豆知識

回帰は、以前の出力を入力として利用して新しいデータポイントを一つずつ生成する一方、GANでは二つのニューラルネットワーク—「生成ネットワーク」と「判別ネットワーク」—が対抗することで、本物と見分けがつかないほどリアルなデータを生成します。生成ネットワークが本物そっくりのデータを生成する役割を持ち、一方の判別ネットワークがそのデータが本物か偽物かを見極めます。この一連のプロセスを繰り返すことにより、生成ネットワークはより精度の高いデータの生成を学んでいきます。

• クラウドベースのサービスによるリモート作業のサポート
  Azure MLを使用すると、いつでも、どこからでも、あらゆるデバイスからビジネスデータにアクセスできるため、組織はリモート作業を簡素化し、柔軟な取り決めを促進できます。
  MLを活用したソリューションは、インタラクティブなデータ視覚化を関係者に提供し、リモートでのコラボレーションと意思決定を促進します。
  
  

• 準拠した安全なMLアプリ
  Azure MLを使用すると、組織はカスタム機械学習ロール、ロールベースのアクセス、仮想ネットワーク、プライベートリンクなどの機能を備えた安全なMLアプリケーションを構築できます。
  また、ポリシー、クォータ、監査証跡、コスト管理などのガバナンス管理機能も提供し、コンプライアンスを合理化し、セキュリティを強化します。

---

Azure Machine Learningのセキュリティとコンプライアンス

Microsoftは、「責任あるAI」という方法論を掲げています。これは、安全、信頼できる、倫理的な方法でAIシステムを開発、評価、導入するためのアプローチです。

AIシステムは、それを開発および導入する担当者による多くの意思決定の産物です。 システムの目的から人々がAI システムと対話する方法に至るまで、責任あるAIは、これらの決定をより有益で公平な結果に向けて積極的に導くのに役立ちます。

公平性と包括性

Azure Machine Learningには、Responsible AIダッシュボードに公平性評価コンポーネントが含まれています。
このコンポーネントを使用すると、データサイエンティストや開発者は、性別、民族性、年齢などの特性によって定義される機密性の高いグループ全体でモデルの公平性を評価できます。

これにより、AIシステムがすべての人を公平に扱い、同様の立場にあるグループに異なる影響を与えることを回避できます。

信頼性と安全性

Responsible AIダッシュボードのエラー分析コンポーネントを使用すると、データサイエンティストや開発者は、モデルの失敗がどのように分布しているかを理解し、エラー率が高いコホートを特定できます。

これにより、AIシステムが確実に、安全に、一貫して動作し、予期せぬ状況に安全に対応し、有害な操作に耐えることが保証されます。

透明性

Azure Machine Learningは、Responsible AIダッシュボードにモデルの解釈可能性と反事実的なwhat-ifコンポーネントを提供します。
これらのコンポーネントを使用すると、データサイエンティストや開発者は、人間が理解できるモデル予測の説明を生成し、透明性と解釈可能性を促進できます。

関係者は、AIシステムが意思決定を行う方法と理由を理解し、潜在的な問題、排他的な慣行、または意図しない結果を特定できます。

プライバシーとセキュリティ

Azure Machine Learningを使用すると、管理者と開発者はプライバシー法に準拠した安全な構成を作成できます。ユーザーは、リソースへのアクセスを制限し、転送中および保存中のデータを暗号化し、脆弱性をスキャンし、構成ポリシーを適用および監査することができます。

Microsoftは、差分プライバシーやAIシステムに対するサイバー攻撃のシミュレーションなど、プライバシーとセキュリティの原則をさらに実装するために、SmartNoiseやCounterfitなどのオープンソースパッケージも提供しています。

---

Azure MLのサポートと学習リソース

Microsoft Learn

学習者はAzure ML の基本的な概念を学部ことが可能です。学習者は、データ統合、モデル開発、デプロイメント、管理など、Azure ML の中核的な機能について理解を深めます。

【関連記事】

Microsoft Learnとは？AzureやAIの基礎が無料で学べる方法を解説！ | AI総合研究所

認定資格取得も目指せる無料の学習プラットフォーム、Microsoft Learnの詳細や使い方をわかりやすく解説しています。初心者から経験者まで役立つ学びの場を提供しております。

https://www.ai-souken.com/article/microsoft-learn-overview

Microsoft Azure Machine Learning

Courseraは、Microsoftの専門家によって設計されたMicrosoft Azure Machine Learningの専門コースを提供します。
コースを通じて、受講者は、Azure Machine Learning Studioを使用したノーコード機械学習の機能、機械学習ソリューションの作成に関わるコアタスク、基本的な機械学習の概念、一般的な機械学習の種類など、さまざまなトピックを探求できます。
cousera - Microsoft Azure Machine Learning

Azure Machine Learning コース

Udemyは、さまざまなスキルレベルや興味を持つ学習者に対応する、Azure Machine Learningに関する複数のコースをホストしています。これらのコースでは、Azure Machine Learningの基本概念から高度なテクニックに至るまで、幅広いトピックをカバーしています。学習者は、自分のペースで学習したり、Azure Machine Learningのツールとサービスを使用して実践したりするためのオプションを備えた、特定の学習目的と好みに基づいてコースを選択できます。
Udemy - Azure Machine Learning Courses

---

Azure MLに関するよくある質問

Azure Machine Learningとは？

Azure Machine Learningは、クラウド上で予測分析ソリューションを作成、テスト、運用、管理するために使用できるフルマネージドサービスです。
ブラウザだけで、サインインしてデータをアップロードし、すぐに機械学習実験を開始することができます。
ドラッグ・アンド・ドロップによる予測モデリング、モジュールの豊富なパレット、開始テンプレートのライブラリにより、一般的な機械学習タスクをシンプルかつ迅速に行うことができます。

詳細については、Azure Machine Learningサービスの概要を参照してください。主要な用語と概念をカバーする機械学習入門については、Azure Machine Learning入門を参照してください。

AZURE.INCLUDE機械学習フリートライアルをご覧ください。

Machine Learning Studioとは何ですか？

Machine Learning Studioは、Webブラウザからアクセスするワークベンチ環境です。
Machine Learning Studioは、ビジュアルコンポジションインターフェースを備えたモジュールのパレットをホストしており、実験形式でエンドツーエンドのデータサイエンスワークフローを構築することができます。
Machine Learning Studioの詳細については、Machine Learning Studioとは？をご覧ください。

Machine Learning APIサービスとは何ですか？

Machine Learning APIサービスでは、Machine Learning Studioで構築されたような予測モデルを、スケーラブルでフォールト・トレラントなWebサービスとして展開できます。Machine Learning APIサービスによって作成されるWebサービスは、外部アプリケーションと予測分析モデル間の通信のためのインタフェースを提供するREST APIです。

詳細については、機械学習Webサービスへの接続を参照してください。

従来のWebサービスはどこにリストされていますか？新しいARMベースのWebサービスはどこにリストされていますか？

クラシックWebサービスは、Machine Learning StudioのWebサービスタブにリストされます。新しいARMベースのWebサービスは、Microsoft Azure Machine Learning Web Servicesポータルにリストされます。クロスリストはありません。

---

まとめ

この度は、Azureのサービスに関する情報をご紹介しました。Azureは、ビジネスやプロジェクトに組み込むことで、強力なツールとなります。豊富な機能やサポート体制を活用して、さまざまなニーズに応えることができます。

ぜひ、Azureを活用して、ビジネスやプロジェクトの成果を最大限に引き出してください。