Azure Machine Learning を使用した機械学習の運用Machine Learning Operations with Azure Machine Learning

機械学習の運用 (MLOps) は、継続的な統合、配信、デプロイなど、ワークフローの効率を向上させる DevOps の原則と実践に基づいています。Machine Learning Operations (MLOps) is based on DevOps principles and practices that increase workflow efficiencies like continuous integration, delivery, and deployment. MLOps では、次を行うために、これらの原則を機械学習プロセスに適用します。MLOps applies these principles to the machine learning process in order to:

  • より迅速にモデルの実験と開発を行います。Experiment and develop models more quickly.
  • より迅速にモデルのデプロイと運用を行います。Deploy models to production more quickly.
  • 品質保証の実践と調整を行います。Practice and refine quality assurance.

Azure Machine Learning で提供される MLOps 機能は次のとおりです。Azure Machine Learning provides the following MLOps capabilities:

  • 再現可能パイプラインを作成するCreate reproducible pipelines. 機械学習パイプラインを使用すると、データの準備、トレーニング、およびスコア付けプロセスに対して、反復可能で再利用可能な手順を定義できます。Machine Learning pipelines enable you to define repeatable and reusable steps for your data preparation, training, and scoring processes.
  • モデルのトレーニングとデプロイのために再利用可能なソフトウェア環境を作成する 。Create reusable software environments for training and deploying models.
  • どこからでもモデルの登録、パッケージ化、デプロイを行うRegister, package, and deploy models from anywhere. モデルを使用するために必要な関連メタデータを追跡できます。You can track the associated metadata required to use the model.
  • エンドツーエンド ライフサイクルの管理データを取得するCapture the governance data for the end-to-end lifecycle. ログに記録される情報には、モデルを公開しているユーザー、変更が行われた理由、モデルがいつ実稼働環境にデプロイされたか、または使用されたかが含まれます。The logged information can include who is publishing models, why changes were made, and when models were deployed or used in production.
  • ライフサイクルにおけるイベントについて通知とアラートを行うNotify and alert on events in the lifecycle. たとえば、実験の完了、モデルの登録、モデル デプロイ、データ ドリフトの検出などに対するアラートを取得します。For example, you can get alerts for experiment completion, model registration, model deployment, and data drift detection.
  • 運用と機械学習に関連する問題についてアプリケーションを監視するMonitor applications for operational and machine learning-related issues. トレーニングと推論の間でのモデル入力の比較、モデル固有のメトリックの調査、および機械学習インフラストラクチャに対する監視とアラートの提供を行います。Compare model inputs between training and inference, explore model-specific metrics, and provide monitoring and alerts on your machine learning infrastructure.
  • Azure Machine Learning と Azure Pipelines を使用して、エンドツーエンドの機械学習ライフサイクルを自動化するAutomate the end-to-end machine learning lifecycle with Azure Machine Learning and Azure Pipelines. パイプラインの使用により、頻繁にモデルを更新し、新しいモデルをテストし、他のアプリケーションやサービスと併せて新しい機械学習モデルを継続的にロールアウトすることができます。With pipelines, you can frequently update models, test new models, and continuously roll out new machine learning models alongside your other applications and services.

Azure Machine Learning を使用した MLOps のベスト プラクティスBest practices for MLOps with Azure Machine Learning

モデルは、寿命が有機的であり、維持されないと劣化するため、コードとは異なります。Models differ from code because they have an organic shelf life and will deteriorate unless maintained. デプロイ後は、実際のビジネス価値を追加できるようになり、標準のエンジニアリング プラクティスを採用するためのツールがデータ サイエンティストに提供されると、これを簡単に行うことができるようになります。After they're deployed, they can add real business value, and this gets easier when data scientists are given the tools to adopt standard engineering practices.

Azure で MLOps を使用すると、次の場合に役立ちます。MLOps with Azure helps you:

  • 再現可能なモデルと再利用可能なトレーニング パイプラインを作成します。Create reproducible models and reusable training pipelines.
  • 品質管理や A/B テストに向けたモデルのパッケージ化、検証、デプロイを簡略化する。Simplify model packaging, validation, and deployment for quality control and A/B testing.
  • モデルの動作を説明および観察し、再トレーニング プロセスを自動化する。Explain and observe model behavior, and automate the retraining process.

MLOps によって、機械学習ソリューションの品質と一貫性が向上します。MLOps improves the quality and consistency of your machine learning solutions. Azure Machine Learning を使用して、モデルのライフサイクルを管理する方法の詳細については、「MLOps: Azure Machine Learning を使用したモデル管理、デプロイ、および監視」を参照してください。To learn more about how to use Azure Machine Learning to manage the lifecycle of your models, see MLOps: Model management, deployment, and monitoring with Azure Machine Learning.

次のステップNext steps

次のリソースをじっくり読んで理解を深めましょう。Learn more by reading and exploring the following resources: