Azure Machine Learning に関してよく寄せられる質問: 課金、機能、制限、サポートAzure Machine Learning frequently asked questions: Billing, capabilities, limitations, and support

ここでは、Web サービスを使用して予測モデルの作成とソリューションの運用を可能にするクラウド サービスである Azure Machine Learning についてよく寄せられる質問とその回答をいくつか紹介します。Here are some frequently asked questions (FAQs) and corresponding answers about Azure Machine Learning, a cloud service for developing predictive models and operationalizing solutions through web services. この FAQ では、課金モデル、機能、制限、サポートなど、サービスの使用方法に関する質問を取り上げています。These FAQs provide questions about how to use the service, which includes the billing model, capabilities, limitations, and support.

ここで見つからない質問がある場合Have a question you can't find here?

MSDN には、Azure Machine Learning に関するフォーラムがあり、データ サイエンス コミュニティのメンバーはここで、Azure Machine Learning に関する質問をすることができます。Azure Machine Learning has a forum on MSDN where members of the data science community can ask questions about Azure Machine Learning. このフォーラムは Azure Machine Learning チームが監視しています。The Azure Machine Learning team monitors the forum. Azure Machine Learning フォーラムにアクセスして、既存の回答を検索するか、ご自身で新たに質問を投稿してください。Go to the Azure Machine Learning Forum to search for answers or to post a new question of your own.

一般的な質問General questions

Azure Machine Learning とはWhat is Azure Machine Learning?

Azure Machine Learning は、クラウドで予測分析ソリューションを作成、テスト、操作、管理するための、十分に管理されたサービスです。Azure Machine Learning is a fully managed service that you can use to create, test, operate, and manage predictive analytic solutions in the cloud. ブラウザーさえあれば、サインイン、データのアップロード、機械学習の実験をすぐに始めることができます。With only a browser, you can sign in, upload data, and immediately start machine-learning experiments. ドラッグ アンド ドロップによる予測モデリング、モジュールの大きなパレット、開始用テンプレートのライブラリによって、一般的な機械学習のタスクがシンプルになり、作業時間が短縮されます。Drag-and-drop predictive modeling, a large pallet of modules, and a library of starting templates make common machine-learning tasks simple and quick. 詳細については、「 Azure Machine Learning サービスの概要」に関するページをご覧ください。For more information, see the Azure Machine Learning service overview. 機械学習の重要な用語と概念の説明については、Azure Machine Learning の概要に関するページをご覧ください。For an introduction to machine learning that explains key terminology and concepts, see Introduction to Azure Machine Learning.

注意

Azure Machine Learning を無料でお試しいただけます。You can try Azure Machine Learning for free. クレジット カードも Azure サブスクリプションも必要ありません。No credit card or Azure subscription is required. 今すぐ使ってみるGet started now.

Machine Learning Studio とはWhat is Machine Learning Studio?

Machine Learning Studio は、Web ブラウザーを使用してアクセスするワークベンチ環境です。Machine Learning Studio is a workbench environment that you access by using a web browser. Machine Learning Studio は、視覚的な構成インターフェイスにモジュールのパレットを備えており、実験の形式でエンド ツー エンドのデータサイエンス ワークフローを容易に構築できます。Machine Learning Studio hosts a pallet of modules in a visual composition interface that helps you build an end-to-end, data-science workflow in the form of an experiment.

Machine Learning Studio の詳細については、「 Machine Learning Studio とは」をご覧ください。For more information about Machine Learning Studio, see What is Machine Learning Studio?

Machine Learning API サービスとはWhat is the Machine Learning API service?

Machine Learning API サービスを使用すると、Machine Learning Studio に組み込まれているものと同様の予測モデルを、スケーラブルでフォールト トレランスに優れた Web サービスとしてデプロイできます。The Machine Learning API service enables you to deploy predictive models, like those that are built into Machine Learning Studio, as scalable, fault-tolerant, web services. 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の間の通信用インターフェイスを提供する REST API として機能します。The web services that the Machine Learning API service creates are REST APIs that provide an interface for communication between external applications and your predictive analytics models.

詳しくは、「Azure Machine Learning Web サービスを使用する方法」をご覧ください。For more information, see How to consume an Azure Machine Learning Web service.

クラシック Web サービスの一覧はどこで確認できますか?新しい Azure Resource Manager ベースの Web サービスの一覧はどこで確認できますか?Where are my Classic web services listed? Where are my New (Azure Resource Manager-based) web services listed?

クラシック デプロイメント モデルを使用して作成された Web サービスと新しい Azure Resource Manager デプロイメント モデルを使用して作成された Web サービスは、Microsoft Azure Machine Learning Web サービス ポータルに一覧表示されます。Web services created using the Classic deployment model and web services created using the New Azure Resource Manager deployment model are listed in the Microsoft Azure Machine Learning Web Services portal.

クラシック Web サービスは、Machine Learning Studio[Web サービス] タブにも一覧表示されます。Classic web services are also listed in Machine Learning Studio on the Web services tab.

Azure Machine Learning に関する質問Azure Machine Learning questions

Azure Machine Learning Web サービスとは何ですか?What are Azure Machine Learning web services?

Machine Learning Web サービスは、アプリケーションと Machine Learning ワークフローのスコア付けモデルの間のインターフェイスを提供します。Machine Learning web services provide an interface between an application and a Machine Learning workflow scoring model. 外部のアプリケーションは Azure Machine Learning を使用して Machine Learning ワークフローのスコア付けモデルとリアルタイムで通信できます。An external application can use Azure Machine Learning to communicate with a Machine Learning workflow scoring model in real time. Machine Learning Web サービスを呼び出すと、予測結果が外部のアプリケーションに返されます。A call to a Machine Learning web service returns prediction results to an external application. Web サービスの呼び出しを実行するには、Web サービスのデプロイ時に作成された API キーを渡します。To make a call to a web service, you pass an API key that was created when you deployed the web service. Machine Learning Web サービスは、Web プログラミング プロジェクトで広く使われているアーキテクチャの REST に基づいています。A Machine Learning web service is based on REST, a popular architecture choice for web programming projects.

Azure Machine Learning には、2 種類の Web サービスがあります。Azure Machine Learning has two types of web services:

  • 要求応答サービス (RRS) - 待ち時間が短くスケーラブルなサービス。Machine Learning Studio を使用して作成およびデプロイされたステートレスなモデルへのインターフェイスを提供します。Request-Response Service (RRS): A low latency, highly scalable service that provides an interface to the stateless models created and deployed by using Machine Learning Studio.
  • バッチ実行サービス (BES) - データ レコードのバッチをスコア付けする非同期のサービス。Batch Execution Service (BES): An asynchronous service that scores a batch for data records.

REST API を使用して Web サービスにアクセスするには、いくつかの方法があります。There are several ways to consume the REST API and access the web service. たとえば、Web サービスをデプロイしたときに生成されたサンプル コードを使用して、C#、R、または Python でアプリケーションを記述できます。For example, you can write an application in C#, R, or Python by using the sample code that's generated for you when you deployed the web service.

サンプル コードは以下のページで入手できます。The sample code is available on:

  • Azure Machine Learning Web サービス ポータルの Web サービスの使用に関するページThe Consume page for the web service in the Azure Machine Learning Web Services portal
  • Machine Learning Studio の Web サービス ダッシュボードの API ヘルプ ページThe API Help Page in the web service dashboard in Machine Learning Studio

作成済みのサンプル Microsoft Excel ブックを使用することもできます。これも Machine Learning Studio の Web サービス ダッシュボードで入手できます。You can also use the sample Microsoft Excel workbook that's created for you and is available in the web service dashboard in Machine Learning Studio.

Azure Machine Learning の主な更新内容を教えてください。What are the main updates to Azure Machine Learning?

最新の更新内容については、「Azure Machine Learning の新機能」をご覧ください。For the latest updates, see What's new in Azure Machine Learning.

Machine Learning Studio に関する質問Machine Learning Studio questions

Machine Learning 用データのインポートとエクスポートImport and export data for Machine Learning

Machine Learning はどのようなデータ ソースをサポートしていますか。What data sources does Machine Learning support?

Machine Learning Studio の実験にデータをダウンロードする方法は 3 つあります。You can download data to a Machine Learning Studio experiment in three ways:

  • ローカル ファイルをデータセットとしてアップロードするUpload a local file as a dataset
  • モジュールを使用して、クラウド データ サービスからデータをインポートするUse a module to import data from cloud data services
  • 別の実験から保存されたデータセットをインポートするImport a dataset saved from another experiment

サポートされているファイル形式の詳細については、Machine Learning Studio へのトレーニング データのインポートに関する記事を参照してください。To learn more about supported file formats, see Import training data into Machine Learning Studio.

モジュールのデータ セットの大きさはどの程度まで許容されますか。How large can the data set be for my modules?

Machine Learning Studio のモジュールは、一般的に、最大 10 GB の高密度数値データのデータセットをサポートしています。Modules in Machine Learning Studio support datasets of up to 10 GB of dense numerical data for common use cases. モジュールが 1 つ以上の入力を受け取る場合、10 GB という値はすべての入力サイズの合計です。If a module takes more than one input, the 10 GB value is the total of all input sizes. Hive または Azure SQL Database のクエリを使用して、さらに大きなデータセットをサンプリングしたり、インジェストの前に、前処理としてカウントによる学習を使用したりすることもできます。You can also sample larger datasets by using queries from Hive or Azure SQL Database, or you can use Learning by Counts preprocessing before ingestion.

次の種類のデータは、特徴の正規化の際に、より大きなデータセットに展開できますが、10 GB 未満に制限されています。The following types of data can expand to larger datasets during feature normalization and are limited to less than 10 GB:

  • スパースSparse
  • カテゴリCategorical
  • 文字列Strings
  • バイナリ データBinary data

次のモジュールは、10 GB 未満のデータセットに制限されています。The following modules are limited to datasets less than 10 GB:

  • 推奨モジュールRecommender modules
  • Synthetic Minority Oversampling Technique (SMOTE) モジュールSynthetic Minority Oversampling Technique (SMOTE) module
  • スクリプト モジュール: R、Python、SQLScripting modules: R, Python, SQL
  • 出力データ サイズが入力データ サイズを超えるモジュール ("結合"、"特徴ハッシュ" など)Modules where the output data size can be larger than input data size, such as Join or Feature Hashing
  • イテレーションの数が非常に大きい場合のクロス検証、調整モデル ハイパーパラメーター、順序回帰、一対全多クラスCross-validation, Tune Model Hyperparameters, Ordinal Regression, and One-vs-All Multiclass, when the number of iterations is very large

データのアップロードの制限は何ですか。What are the limits for data upload?

数 GB を超えるデータセットの場合は、ローカル ファイルから直接アップロードするのではなく、Azure Storage または Azure SQL Database にデータをアップロードするか、Azure HDInsight を使用する必要があります。For datasets that are larger than a couple GBs, upload data to Azure Storage or Azure SQL Database, or use Azure HDInsight rather than directly uploading from a local file.

Amazon S3 からデータを読み取ることはできますか。Can I read data from Amazon S3?

少量のデータがあり、HTTP URL 経由でこれを公開する場合は、データのインポート モジュールを使用できます。If you have a small amount of data and want to expose it via an HTTP URL, then you can use the Import Data module. 大量のデータの場合は、まず Azure Storage に転送してから、データのインポート モジュールを使用して実験に取り込みます。For larger amounts of data, transfer it to Azure Storage first, and then use the Import Data module to bring it into your experiment.

組み込みイメージの入力機能はありますか。Is there a built-in image input capability?

イメージの入力機能については、「Import Images (イメージのインポート)」を参照してください。You can learn about image input capability in the Import Images reference.

モジュールModules

探しているアルゴリズム、データ ソース、データ形式、データ変換操作が Azure Machine Learning Studio にありません。どうすればいいでしょうか?The algorithm, data source, data format, or data transformation operation that I am looking for isn't in Azure Machine Learning Studio. What are my options?

ユーザー フィードバック フォーラムにアクセスして、機能に関する追跡中の要望をご覧いただけます。You can go to the user feedback forum to see feature requests that we are tracking. 探している機能が既に要求されている場合は、その要求に投票を追加できます。Add your vote to a request if a capability that you're looking for has already been requested. 探している機能が存在しない場合は、新しい要求を作成してください。If the capability that you're looking for doesn't exist, create a new request. 作成した要求の状態もフォーラムで確認できます。You can view the status of your request in this forum, too. この一覧はこまめに追跡され、機能の提供状況は頻繁に更新されます。We track this list closely and update the status of feature availability frequently. また、R と Python に対する組み込みのサポートを使用すれば、必要に応じてカスタム変換を作成できます。In addition, you can use the built-in support for R and Python to create custom transformations when needed.

既存のコードを Machine Learning Studio に取り込むことはできますか?Can I bring my existing code into Machine Learning Studio?

はい。Machine Learning Studio に既存の R コードまたは Python コードを取り込み、それを Azure Machine Learning の学習ツールと同じ実験で実行し、Azure Machine Learning 経由で Web サービスとしてソリューションをデプロイすることができます。Yes, you can bring your existing R or Python code into Machine Learning Studio, run it in the same experiment with Azure Machine Learning learners, and deploy the solution as a web service via Azure Machine Learning. 詳細については、「R を使用した実験の拡張」と「Azure Machine Learning Studio での Python Machine Learning スクリプトの実行」を参照してください。For more information, see Extend your experiment with R and Execute Python machine learning scripts in Azure Machine Learning Studio.

PMML などを使用してモデルを定義することはできますか。Is it possible to use something like PMML to define a model?

いいえ、PMML (Predictive Model Markup Language) はサポートされていません。No, Predictive Model Markup Language (PMML) is not supported. ただし、カスタムの R と Python コードを使用してモジュールを定義できます。You can use custom R and Python code to define a module.

実験でいくつのモジュールを並列実行できますか。How many modules can I execute in parallel in my experiment?

実験では最大 4 つのモジュールを並列実行できます。You can execute up to four modules in parallel in an experiment.

データ処理Data processing

実験内で対話的にデータを視覚化する (R の視覚化以上) 機能はありますか。Is there an ability to visualize data (beyond R visualizations) interactively within the experiment?

モジュールの出力をクリックすると、データを視覚化し、統計情報を取得できます。Click the output of a module to visualize the data and get statistics.

ブラウザーで結果やデータをプレビューする際に行数と列数が制限されています。なぜですか?When previewing results or data in a browser, the number of rows and columns is limited. Why?

大量のデータがブラウザーに送信される可能性があるため、Machine Learning Studio のパフォーマンスが低下しないように、データ サイズが制限されています。Because large amounts of data might be sent to a browser, data size is limited to prevent slowing down Machine Learning Studio. すべてのデータ/結果を表示するには、データをダウンロードし、Excel などのツールを使用することをお勧めします。To visualize all the data/results, it's better to download the data and use Excel or another tool.

アルゴリズムAlgorithms

Machine Learning Studio では既存のどの ML アルゴリズムがサポートされていますか。What existing algorithms are supported in Machine Learning Studio?

Machine Learning Studio は、拡張性の高い強化された意思決定ツリー、ベイズの推薦システム、ディープ ニューラル ネットワーク、Microsoft Research で開発された意思決定のジャングルなど、最先端のアルゴリズムを提供します。Machine Learning Studio provides state-of-the-art algorithms, such as Scalable Boosted Decision trees, Bayesian Recommendation systems, Deep Neural Networks, and Decision Jungles developed at Microsoft Research. Vowpal Wabbit のようなスケーラブルなオープン ソース機械学習パッケージも含まれます。Scalable open-source machine learning packages, like Vowpal Wabbit, are also included. Machine Learning Studio は、複数クラスと二項分類、回帰、クラスタリングで、機械学習アルゴリズムをサポートします。Machine Learning Studio supports machine learning algorithms for multiclass and binary classification, regression, and clustering. Machine Learning Modules (Machine Learning のモジュール)」の完全な一覧をご覧ください。See the complete list of Machine Learning Modules.

データを使用するための正しい Machine Learning アルゴリズムを自動的に提案していますか。Do you automatically suggest the right Machine Learning algorithm to use for my data?

いいえ。ただし、Machine Learning Studio には、各アルゴリズムの結果を比較して問題に合ったアルゴリズムを決定できるさまざまな方法があります。No, but Machine Learning Studio has various ways to compare the results of each algorithm to determine the right one for your problem.

提供されているアルゴリズムから 1 つのアルゴリズムを選ぶ際のガイドラインはありますか。Do you have any guidelines on picking one algorithm over another for the provided algorithms?

アルゴリズムの選択方法」に関するページをご覧ください。See How to choose an algorithm.

提供されているアルゴリズムは、R または Python で記述されていますか。Are the provided algorithms written in R or Python?

いいえ。これらのアルゴリズムは、多くの場合、より優れたパフォーマンスを提供するためにコンパイル済みの言語で記述されています。No, these algorithms are mostly written in compiled languages to provide better performance.

アルゴリズムの詳細は提供されていますか。Are any details of the algorithms provided?

ドキュメントでアルゴリズムに関する情報を提供しています。使用するアルゴリズムを最適化するために、チューニング用のパラメーターについて説明しています。The documentation provides some information about the algorithms and parameters for tuning are described to optimize the algorithm for your use.

オンライン ラーニングの任意のサポートはありますか。Is there any support for online learning?

いいえ。現在はプログラムによる再トレーニングのみがサポートされています。No, currently only programmatic retraining is supported.

組み込みのモジュールを使用してニューラル ネットワーク モデルのレイヤーを視覚化できますか。Can I visualize the layers of a Neural Net Model by using the built-in module?

いいえ。No.

C# または他の言語で独自のモジュールを作成できますか。Can I create my own modules in C# or some other language?

現在、新しいカスタム モジュールは R でのみ作成できます。Currently, you can only use R to create new custom modules.

R モジュールR module

Machine Learning Studio で使用できるのはどの R パッケージですか。What R packages are available in Machine Learning Studio?

Machine Learning Studio では現在、400 を超える CRAN R パッケージがサポートされています。対象となるすべてのパッケージが記載された最新の一覧については、こちらを参照してください。Machine Learning Studio supports more than 400 CRAN R packages today, and here is the current list of all included packages. また、この一覧を自身で取得する方法については、「R を使用した実験の拡張」を参照してください。Also, see Extend your experiment with R to learn how to retrieve this list yourself. 必要なパッケージがこの一覧にない場合は、ユーザー フィードバック フォーラムでパッケージの名前を指定してください。If the package that you want is not in this list, provide the name of the package at the user feedback forum.

カスタム R モジュールを構築することはできますか。Is it possible to build a custom R module?

はい。詳細については、「Azure Machine Learning でカスタム R モジュールを作成する」をご覧ください。Yes, see Author custom R modules in Azure Machine Learning for more information.

R 用の REPL 環境はありますか。Is there a REPL environment for R?

いいえ。Studio には R 用の REPL (Read-Eval-Print-Loop) 環境はありません。No, there is no Read-Eval-Print-Loop (REPL) environment for R in the studio.

Python モジュールPython module

カスタム Python モジュールを構築することはできますか。Is it possible to build a custom Python module?

現在はできません。ただし、1 つまたは複数の Python スクリプトの実行モジュールを使用して、同じ結果を得ることができます。Not currently, but you can use one or more Execute Python Script modules to get the same result.

Python 用の REPL 環境はありますか。Is there a REPL environment for Python?

Machine Learning Studio では Jupyter Notebooks を使用できます。You can use the Jupyter Notebooks in Machine Learning Studio. 詳細については、 Azure Machine Learning Studio への Jupyter Notebooks の導入に関するブログ記事を参照してください。For more information, see Introducing Jupyter Notebooks in Azure Machine Learning Studio.

Web サービスWeb service

再トレーニングRetrain

プログラムで Machine Learning のモデルを再トレーニングするにはどうすればよいですか?How do I retrain Azure Machine Learning models programmatically?

再トレーニング API を使用してください。Use the retraining APIs. 詳細については、「 プログラムによる Machine Learning のモデルの再トレーニング」をご覧ください。For more information, see Retrain Machine Learning models programmatically. サンプル コードは、「 Microsoft Azure Maching Learning Retraining Demo (Microsoft Azure Maching Learning 再トレーニング デモ)」にもあります。Sample code is also available in the Microsoft Azure Machine Learning Retraining Demo.

[作成]Create

ローカルまたはインターネットに接続していないアプリケーションでモデルをデプロイすることはできますか?Can I deploy the model locally or in an application that doesn't have an Internet connection?

いいえ。No.

すべての Web サービスで予測される基本的な遅延はありますか。Is there a baseline latency that is expected for all web services?

Azure サブスクリプションの制限に関するページをご覧ください。See the Azure subscription limits.

使用Use

バッチ実行サービスと要求応答サービスとして予測モデルを実行するのはいつがいいですか。When would I want to run my predictive model as a Batch Execution service versus a Request Response service?

要求応答サービス (RRS) は、待ち時間が短く、拡張性の高い Web サービスで、実験環境で作成、デプロイされたステートレスなモデルへのインターフェイスを提供するために使用されます。The Request Response service (RRS) is a low-latency, high-scale web service that is used to provide an interface to stateless models that are created and deployed from the experimentation environment. バッチ実行サービス (BES) は、データ レコードのバッチに対して非同期でスコアを付けるサービスです。The Batch Execution service (BES) is a service that asynchronously scores a batch of data records. BES への入力は、RRS で使用されるデータ入力と似ています。The input for BES is like data input that RRS uses. 主な違いは、BES が、Azure Blob Storage、Azure Table Storage、Azure SQL Database、HDInsight (Hive クエリ)、HTTP ソースなど、さまざまなソースからレコードのブロックを読み取る点です。The main difference is that BES reads a block of records from a variety of sources, such as Azure Blob storage, Azure Table storage, Azure SQL Database, HDInsight (hive query), and HTTP sources. 詳しくは、「Azure Machine Learning Web サービスを使用する方法」をご覧ください。For more information, see How to consume an Azure Machine Learning Web service.

Web サービスにデプロイされたモデルはどのように更新できますか。How do I update the model for the deployed web service?

既にデプロイされたサービスの予測モデルを更新するには、トレーニング済みのモデルの作成および保存に使用した実験を変更し、再実行します。To update a predictive model for an already deployed service, modify and rerun the experiment that you used to author and save the trained model. 新しいバージョンのトレーニング済みモデルが使用できるようになると、Machine Learning Studio は Web サービスを更新するかどうかをたずねます。After you have a new version of the trained model available, Machine Learning Studio asks you if you want to update your web service. デプロイされた Web サービスを更新する方法の詳細については、Machine Learning Web サービスのデプロイに関するページをご覧ください。For details about how to update a deployed web service, see Deploy a Machine Learning web service.

Retraining API を使用することもできます。You can also use the Retraining APIs. 詳細については、「 プログラムによる Machine Learning のモデルの再トレーニング」をご覧ください。For more information, see Retrain Machine Learning models programmatically. サンプル コードは、「 Microsoft Azure Maching Learning Retraining Demo (Microsoft Azure Maching Learning 再トレーニング デモ)」にもあります。Sample code is also available in the Microsoft Azure Machine Learning Retraining Demo.

運用環境にデプロイされた Web サービスはどのように監視できますか?How do I monitor my web service deployed in production?

予測モデルは、デプロイ後、Azure Machine Learning Web サービス ポータルから監視できます。After you deploy a predictive model, you can monitor it from the Azure Machine Learning Web Services portal. デプロイされた各サービスには専用のダッシュボードがあり、ここでそのサービスについての監視情報を参照できます。Each deployed service has its own dashboard where you can see monitoring information for that service. デプロイされた Web サービスの管理方法の詳細については、「Azure Machine Learning Web サービス ポータルを使用して Web サービスを管理する」および「Azure Machine Learning ワークスペースの管理」を参照してください。For more information about how to manage your deployed web services, see Manage a Web service using the Azure Machine Learning Web Services portal and Manage an Azure Machine Learning workspace.

RRS/BES の出力を確認できまる場所はありますか。Is there a place where I can see the output of my RRS/BES?

RRS の場合は通常、Web サービスの応答に結果が表示されます。For RRS, the web service response is typically where you see the result. また、Azure Blob Storage に書き込むこともできます。You can also write it to Azure Blob storage. BES の場合、既定では BLOB に出力が書き込まれます。For BES, the output is written to a blob by default. また、データのエクスポート モジュールを使用してデータベースやテーブルに出力を書き込むこともできます。You can also write the output to a database or table by using the Export Data module.

Web サービスを作成できるのは Machine Learning Studio で作成されたモデルからのみですか?Can I create web services only from models that were created in Machine Learning Studio?

いいえ。Jupyter Notebooks と RStudio から直接 Web サービスを作成することもできます。No, you can also create web services directly by using Jupyter Notebooks and RStudio.

エラー コードの詳細はどこで入手できますか?Where can I find information about error codes?

エラー コードと説明の一覧は、「 Machine Learning Module Error Codes (Machine Learning モジュールのエラー コード) 」を参照してください。See Machine Learning Module Error Codes for a list of error codes and descriptions.

スケーラビリティScalability

Web サービスのスケーラビリティはどれくらいですか。What is the scalability of the web service?

現時点では、既定のエンドポイントは 1 つのエンドポイントにつき 20 件の同時 RRS 要求でプロビジョニングされます。Currently, the default endpoint is provisioned with 20 concurrent RRS requests per endpoint. これは、Web サービスのスケーリングに関するページで説明されているように、エンドポイントあたりの同時要求を 200 件まで拡張でき、Web サービスごとのエンドポイント数は 10,000 個まで拡張できます。You can scale this to 200 concurrent requests per endpoint, and you can scale each web service to 10,000 endpoints per web service as described in Scaling a Web Service. BES の場合、各エンドポイントは一度に 40 件の要求を処理でき、40 件を超えた要求はキューに登録されます。For BES, each endpoint can process 40 requests at a time, and additional requests beyond 40 requests are queued. これらのキューに登録された要求は、キューから放出されると自動的に実行されます。These queued requests run automatically as the queue drains.

R のジョブはノード間に分散されますか。Are R jobs spread across nodes?

いいえ。No.

トレーニングに使用できるデータの量はどれくらいですか?How much data can I use for training?

Machine Learning Studio のモジュールは、一般的に、最大 10 GB の高密度数値データのデータセットをサポートしています。Modules in Machine Learning Studio support datasets of up to 10 GB of dense numerical data for common use cases. モジュールが 1 つ以上の入力を受け取る場合、10 GB はすべての入力の合計です。If a module takes more than one input, the total size for all inputs is 10 GB. インジェストの前に、Hive クエリ、Azure SQL Database クエリ、またはカウントを使用した学習モジュールによる前処理を使用して、さらに大きなデータセットをサンプリングすることもできます。You can also sample larger datasets via Hive queries, via Azure SQL Database queries, or by preprocessing with Learning with Counts modules before ingestion.

次の種類のデータは、特徴の正規化の際に、より大きなデータセットに展開できますが、10 GB 未満に制限されています。The following types of data can expand to larger datasets during feature normalization and are limited to less than 10 GB:

  • スパースSparse
  • カテゴリCategorical
  • 文字列Strings
  • バイナリ データBinary data

次のモジュールは、10 GB 未満のデータセットに制限されています。The following modules are limited to datasets less than 10 GB:

  • 推奨モジュールRecommender modules
  • Synthetic Minority Oversampling Technique (SMOTE) モジュールSynthetic Minority Oversampling Technique (SMOTE) module
  • スクリプト モジュール: R、Python、SQLScripting modules: R, Python, SQL
  • 出力データ サイズが入力データ サイズを超えるモジュール ("結合"、"特徴ハッシュ" など)Modules where the output data size can be larger than input data size, such as Join or Feature Hashing
  • イテレーションの数が非常に大きい場合のクロス検証、調整モデル ハイパーパラメーター、順序回帰、一対全多クラスCross-Validate, Tune Model Hyperparameters, Ordinal Regression, and One-vs-All Multiclass, when number of iterations is very large

数 GB を超えるデータセットの場合は、ローカル ファイルから直接アップロードするのではなく、Azure Storage または Azure SQL Database にデータをアップロードするか、HDInsight を使用してください。For datasets that are larger than a few GBs, upload data to Azure Storage or Azure SQL Database, or use HDInsight rather than directly uploading from a local file.

ベクターのサイズに制限はありますか。Are there any vector size limitations?

行と列は、それぞれ .NET 制限の相互作用数の上限 2,147,483,647 に制限されています。Rows and columns are each limited to the .NET limitation of Max Int: 2,147,483,647.

Web サービスを実行する仮想マシンのサイズは調整できますか?Can I adjust the size of the virtual machine that runs the web service?

いいえ。No.

セキュリティと可用性Security and availability

既定では Web サービスの http エンドポイントにだれがアクセスできますか?エンドポイントへのアクセスはどのようにして制限できますか?Who can access the http endpoint for the web service by default? How do I restrict access to the endpoint?

Web サービスがデプロイされた後に、そのサービスに対して既定のエンドポイントが作成されます。After a web service is deployed, a default endpoint is created for that service. 既定のエンドポイントは、その API キーを使用して呼び出すことができます。The default endpoint can be called by using its API key. エンドポイントの追加は、Web サービス ポータルからそれぞれのキーを使用して行うか、Web Service Management API を使用してプログラムで行うことができます。You can add more endpoints with their own keys from the Web Services portal or programmatically by using the Web Service Management APIs. Web サービスを呼び出すには、アクセス キーが必要です。Access keys are needed to make calls to the web service. 詳しくは、「Azure Machine Learning Web サービスを使用する方法」をご覧ください。For more information, see How to consume an Azure Machine Learning Web service.

Azure ストレージ アカウントが見つからない場合はどうなりますか?What happens if my Azure storage account can't be found?

Machine Learning Studio は、ワークフローの実行時に中間データを保存する際、ユーザーが指定した Azure ストレージ アカウントを使用します。Machine Learning Studio relies on a user-supplied Azure storage account to save intermediary data when it executes the workflow. このストレージ アカウントは、ワークスペースの作成時に Machine Learning Studio に提供されます。This storage account is provided to Machine Learning Studio when a workspace is created. ワークスペースの作成後にストレージ アカウントが削除され、見つけることができない場合は、ワークスペースが機能しなくなり、そのワークスペースのすべての実験が失敗します。After the workspace is created, if the storage account is deleted and can no longer be found, the workspace will stop functioning, and all experiments in that workspace will fail.

誤ってストレージ アカウントを削除した場合は、削除されたストレージ アカウンと同じリージョンに同じ名前のストレージ アカウントを再作成します。If you accidentally deleted the storage account, recreate the storage account with the same name in the same region as the deleted storage account. その後、アクセス キーを再同期します。After that, resync the access key.

ストレージ アカウントのアクセス キーの同期が失われてしまった場合はどうなりますか?What happens if my storage account access key is out of sync?

Machine Learning Studio は、ワークフローの実行時に中間データを格納する際、ユーザーが指定した Azure ストレージ アカウントを使用します。Machine Learning Studio relies on a user-supplied Azure storage account to store intermediary data when it executes the workflow. このストレージ アカウントは、ワークスペースの作成時に Machine Learning Studio に提供され、アクセス キーはそのワークスペースに関連付けられます。This storage account is provided to Machine Learning Studio when a workspace is created, and the access keys are associated with that workspace. ワークスペースの作成後にアクセス キーが変更されると、ワークスペースはストレージ アカウントにアクセスできなくなります。If the access keys are changed after the workspace is created, the workspace can no longer access the storage account. その場合、機能が停止し、そのワークスペース内のすべての実験が失敗します。It will stop functioning and all experiments in that workspace will fail.

ストレージ アカウントのアクセス キーを変更した場合は、Azure Portal を使用してワークスペースのアクセス キーを再同期します。If you changed storage account access keys, resync the access keys in the workspace by using the Azure portal.

サポートとトレーニングSupport and training

どこで Azure Machine Learning のトレーニングを受講できますか?Where can I get training for Azure Machine Learning?

Azure Machine Learning ドキュメント センターに、ハウツー ガイドやビデオ チュートリアルが用意されています。The Azure Machine Learning Documentation Center hosts video tutorials and how-to guides. 順を追ったハウツー ガイドでは、サービスの概要に加え、データのインポートから、データのクリーニング、予測モデルの構築、Azure Machine Learning を使用した運用環境へのデプロイまで、データ技術のライフ サイクルが説明されています。These step-by-step guides introduce the services and explain the data science life cycle of importing data, cleaning data, building predictive models, and deploying them in production by using Azure Machine Learning.

Machine Learning Center には継続的に新しい資料が追加されます。We add new material to the Machine Learning Center on an ongoing basis. Machine Learning Center に追加の学習用資料が必要な場合は、 ユーザー フィードバック フォーラムでご要望をご投稿いただけます。You can submit requests for additional learning material on Machine Learning Center at the user feedback forum.

Microsoft Virtual Academyでトレーニングを検索することもできます。You can also find training at Microsoft Virtual Academy.

どのようにして Azure Machine Learning のサポートを受けることができますか。How do I get support for Azure Machine Learning?

Azure Machine Learning のテクニカル サポートを受けるには、Azure のサポート ページにアクセスし、[Machine Learning] を選択します。To get technical support for Azure Machine Learning, go to Azure Support, and select Machine Learning.

MSDN にも、Azure Machine Learning に関するコミュニティ フォーラムがあり、ここで、Azure Machine Learning に関連する質問をすることができます。Azure Machine Learning also has a community forum on MSDN where you can ask questions about Azure Machine Learning. このフォーラムは Azure Machine Learning チームが監視しています。The Azure Machine Learning team monitors the forum. Azure フォーラムにはこちらからアクセスできます。Go to Azure Forum.

課金に関する質問Billing questions

Machine Learning ではどのように請求が行われますか。How does Machine Learning billing work?

Azure Machine Learning には、Machine Learning Studio と Machine Learning Web サービスという 2 つのコンポーネントがあります。Azure Machine Learning has two components: Machine Learning Studio and Machine Learning web services.

Machine Learning Studio の評価中は、無料 (Free) の課金レベルをご利用いただけます。While you are evaluating Machine Learning Studio, you can use the Free billing tier. この Free レベルでは、クラシック Web サービスを制限付きの容量でデプロイすることもできます。The Free tier also lets you deploy a Classic web service that has limited capacity.

Azure Machine Learning がニーズを満たすものであるとわかれば、Standard レベルにサインアップできます。If you decide that Azure Machine Learning meets your needs, you can sign up for the Standard tier. サインアップには、Microsoft Azure サブスクリプションが必要です。To sign up, you must have a Microsoft Azure subscription.

Standard レベルでは、Machine Learning Studio で定義するワークスペースごとに月単位で請求が行われます。In the Standard tier, you are billed monthly for each workspace that you define in Machine Learning Studio. スタジオで実験を実行する場合は、実験の実行時に使用するコンピューティング リソースに対して請求されます。When you run an experiment in the studio, you are billed for compute resources when you are running an experiment. クラシック Web サービスをデプロイする場合は、トランザクションおよびコンピューティング時間に対して従量課金制ベースで請求されます。When you deploy a Classic web service, transactions and compute hours are billed on the Pay As You Go basis.

新しい (Resource Manager ベースの) Web サービスでは、費用がより予測しやすい課金プランを導入しています。New (Resource Manager-based) web services introduce billing plans that allow for more predictability in costs. レベル別の価格設定は、大容量を必要とするお客様向けの割引率を提供するためのものです。Tiered pricing offers discounted rates to customers who need a large amount of capacity.

プランを作成すると、含まれる API コンピューティング時間と API トランザクションの数量に対応する固定費用が確定します。When you create a plan, you commit to a fixed cost that comes with an included quantity of API compute hours and API transactions. 含まれる数量を増やす必要がある場合は、プランにインスタンスを追加することができます。If you need more included quantities, you can add instances to your plan. 含まれる数量を大幅に増やす必要がある場合は、上位のレベルのプランを選択することで、含まれる数量が大幅に増加し、割引率も上がります。If you need a lot more included quantities, you can choose a higher tier plan that provides considerably more included quantities and a better discounted rate.

既存のインスタンスに含まれる数量を使い切ると、追加の使用量に対し、課金プランのレベルに関連付けられた超過料金が課されます。After the included quantities in existing instances are used up, additional usage is charged at the overage rate that's associated with the billing plan tier.

注意

含まれる数量は 30 日ごとに再割り当てが行われますが、未使用分は次の期間に繰り越されません。Included quantities are reallocated every 30 days, and unused included quantities do not roll over to the next period.

課金と料金の詳細については、「 Machine Learning の価格」を参照してください。For additional billing and pricing information, see Machine Learning Pricing.

Azure Machine Learning に無料試用版はありますか。Does Machine Learning have a free trial?

Azure Machine Learning には、無料サブスクリプションのオプションが用意されています。詳細については、「Machine Learning の価格」を参照してください。Azure Machine Learning has a free subscription option that's explained in Machine Learning Pricing. Machine Learning Studio には、簡易評価用に 8 時間の試用版が用意されています。Machine Learning Studio にサインインして入手できます。Machine Learning Studio has an eight-hour quick evaluation trial that's available when you sign in to Machine Learning Studio.

さらに、Azure の無料試用版にサインアップすると、1 か月間すべての Azure サービスを試すことができます。In addition, when you sign up for an Azure free trial, you can try any Azure services for a month. Azure 無料試用版の詳細については、「Azure 無料アカウント FAQ」を参照してください。To learn more about the Azure free trial, visit Azure free trial FAQ.

トランザクションとは何ですか?What is a transaction?

トランザクションとは、Azure Machine Learning が応答する API 呼び出しです。A transaction represents an API call that Azure Machine Learning responds to. 要求応答サービス (RRS) 呼び出しとバッチ実行サービス (BES) 呼び出しからのトランザクションは、集計のうえ、課金プランに基づいて課金されます。Transactions from Request-Response Service (RRS) and Batch Execution Service (BES) calls are aggregated and charged against your billing plan.

プランに含まれるトランザクションの数量は、RRS と BES 両方のトランザクションに対して使用できますか?Can I use the included transaction quantities in a plan for both RRS and BES transactions?

はい。RRS と BES からのトランザクションは、集計のうえ、課金プランに基づいて課金されます。Yes, your transactions from your RRS and BES are aggregated and charged against your billing plan.

API コンピューティング時間とは何ですか?What is an API compute hour?

API コンピューティング時間は、Machine Learning コンピューティング リソースを使用した API 呼び出しの実行にかかる時間の課金単位です。An API compute hour is the billing unit for the time that API calls take to run by using Machine Learning compute resources. 実行したすべての呼び出しが、課金を目的に集計されます。All your calls are aggregated for billing purposes.

通常、実稼働 API 呼び出しにはどれくらいの時間がかかりますか?How long does a typical production API call take?

実稼働 API 呼び出しにかかる時間は状況により大幅に異なりますが、一般的には数百ミリ秒から数秒までの範囲です。Production API call times can vary significantly, generally ranging from hundreds of milliseconds to a few seconds. データ処理と機械学習モデルの複雑さによっては、API 呼び出しに数分かかることもあります。Some API calls might require minutes depending on the complexity of the data processing and machine-learning model. 実稼働 API 呼び出しにかかる時間を推定するための最適な方法は、Machine Learning サービスでモデルのベンチマークを実行することです。The best way to estimate production API call times is to benchmark a model on the Machine Learning service.

Studio コンピューティング時間とは何ですか?What is a Studio compute hour?

Studio コンピューティング時間は、Studio でコンピューティング リソースを実験に使用した時間の総計を表す課金単位です。A Studio compute hour is the billing unit for the aggregate time that your experiments use compute resources in studio.

新しい (Azure Resource Manager ベースの) Web サービスでの開発/テスト レベルとは何のためのものですか?In New (Azure Resource Manager-based) web services, what is the Dev/Test tier meant for?

Resource Manager ベースの Web サービスでは、課金プランのプロビジョニングに使用できる価格レベルが複数用意されています。Resource Manager-based web services provide multiple tiers that you can use to provision your billing plan. 開発/テスト価格レベルでは、含まれる数量が制限付きで提供され、費用をかけることなく、実験を Web サービスとしてテストできます。The Dev/Test pricing tier provides limited, included quantities that allow you to test your experiment as a web service without incurring costs. Web サービスを使用してみることで、動作方法の確認ができます。You have the opportunity to see how it works.

ストレージには別に課金されますか?Are there separate storage charges?

Machine Learning の Free レベルでは、別個のストレージは必要ありませんし、使用することもできません。The Machine Learning Free tier does not require or allow separate storage. Machine Learning の Standard レベルでは、ユーザーが Azure Storage アカウントを持っていることが必要です。The Machine Learning Standard tier requires users to have an Azure storage account. Azure Storage の料金は別途請求されますAzure Storage is billed separately.

Machine Learning では高可用性がサポートされますか?Does Machine Learning support high availability?

はい。Yes. 詳細については、「Machine Learning の価格」のサービス レベル アグリーメント (SLA) に関する説明をご覧ください。For details, see Machine Learning Pricing for a description of the service level agreement (SLA).

実稼働 API 呼び出しの実行には、どのような種類のコンピューティング リソースが使用されますか?What specific kind of compute resources will my production API calls be run on?

Machine Learning サービスはマルチテナント サービスです。The Machine Learning service is a multitenant service. バックエンドで実際に使用されるコンピューティング リソースの種類はさまざまで、パフォーマンスと予測可能性を向上させるために最適化されます。Actual compute resources that are used on the back end vary and are optimized for performance and predictability.

新しい (Resource Manager ベースの) Web サービスの管理Management of New (Resource Manager-based) web services

プランを削除すると、どうなりますか?What happens if I delete my plan?

プランはサブスクリプションから削除され、使用量に対して按分計算で課金されます。The plan is removed from your subscription, and you are billed for prorated usage.

注意

Web サービスが使用中のプランを削除することはできません。You cannot delete a plan that a web service is using. 使用中のプランを削除するには、新しいプランを Web サービスに割り当てるか、Web サービスを削除する必要があります。To delete the plan, you must either assign a new plan to the web service or delete the web service.

プラン インスタンスとは何ですか?What is a plan instance?

プラン インスタンスとは、課金プランに追加可能である含まれる数量の単位です。A plan instance is a unit of included quantities that you can add to your billing plan. 課金プランの課金レベルを選択すると、1 つのインスタンスが提供されます。When you select a billing tier for your billing plan, it comes with one instance. 含まれる数量を増やす必要がある場合は、選択した課金レベルのインスタンスをプランに追加することができます。If you need more included quantities, you can add instances of the selected billing tier to your plan.

プランスのインスタンスはいくつ追加できますか?How many plan instances can I add?

開発/テスト価格レベルのインスタンスは、1 つのサブスクリプションにつき 1 つとなります。You can have one instance of the Dev/Test pricing tier in a subscription.

Standard S1、Standard S2、Standard S3 レベルでは、必要なだけインスタンスを追加できます。For Standard S1, Standard S2, and Standard S3 tiers, you can add as many as necessary.

注意

予想される使用量によっては、現在のレベルにインスタンスを追加するよりも、含まれる数量の多いレベルにアップグレードした方が、コスト効果の向上につながる場合があります。Depending on your anticipated usage, it might be more cost effective to upgrade to a tier that has more included quantities rather than add instances to the current tier.

プラン レベルを変更 (アップグレード/ダウングレード) すると、どうなりますか?What happens when I change plan tiers (upgrade / downgrade)?

古いプランが削除され、現在の使用量に対して按分計算で課金されます。The old plan is deleted and the current usage is billed on a prorated basis. 残りの期間用には、アップグレード/ダウングレード後のレベルに含まれる数量をすべて含む新しいプランが作成されます。A new plan with the full included quantities of the upgraded/downgraded tier is created for the rest of the period.

注意

含まれる数量は期間ごとに割り当てられ、未使用分は繰り越されません。Included quantities are allocated per period, and unused quantities do not roll over.

プラン内のインスタンスの数を増やすと、どうなりますか?What happens when I increase the instances in a plan?

数量は按分計算で割り当てられ、有効になるまで 24 時間かかる場合があります。Quantities are included on a prorated basis and may take 24 hours to be effective.

プランのインスタンスを削除すると、どうなりますか?What happens when I delete an instance of a plan?

インスタンスはサブスクリプションから削除され、使用量に対して按分計算で課金されます。The instance is removed from your subscription, and you are billed for prorated usage.

新しい (Resource Manager ベースの) Web サービス プランへのサインアップSign up for New (Resource Manager-based) web services plans

プランにサインアップするにはどうすればよいですか?How do I sign up for a plan?

課金プランの作成方法は 2 とおりあります。You have two ways to create billing plans.

Resource Manager ベースの Web サービスを最初にデプロイするときには、既存のプランを選択することも、新しいプランを作成することもできます。When you first deploy a Resource Manager-based web service, you can choose an existing plan or create a new plan.

この方法で作成されたプランは既定のリージョンに含まれ、Web サービスはそのリージョンにデプロイされます。Plans that you create in this manner are in your default region, and your web service will be deployed to that region.

既定のリージョン以外のリージョンにサービスをデプロイする場合、サービスをデプロイする前に課金プランを定義したいことがあります。If you want to deploy services to regions other than your default region, you may want to define your billing plans before you deploy your service.

このような場合は、Azure Machine Learning Web サービス ポータルにサインインして、プランのページに移動します。In that case, you can sign in to the Azure Machine Learning Web Services portal, and go to the Plans page. そのページから、プランの追加や削除、既存のプランの変更を行うことができます。From there, you can add plans, delete plans, and modify existing plans.

最初はどのプランを選択すればよいですか?Which plan should I choose to start off with?

Standard S1 レベルから開始して、サービスの使用状況を監視することをお勧めします。We recommend you that you start with the Standard S1 tier and monitor your service for usage. 含まれる数量の消費が速いと感じたら、インスタンスを追加するか、上位のレベルに移行して割引率を上げることもできます。If you find that you are using your included quantities rapidly, you can add instances or move to a higher tier and get better discounted rates. 請求サイクル全体にわたり、必要に応じて課金プランを調整することができます。You can adjust your billing plan as needed throughout your billing cycle.

新しいプランはどのリージョンで利用できますか?Which regions are the new plans available in?

新しい課金プランは、新しい Web サービスがサポートされている 3 つの運用リージョンで利用できます。The new billing plans are available in the three production regions in which we support the new web services:

  • 米国中南部South Central US
  • 西ヨーロッパWest Europe
  • 東南アジアSouth East Asia

私は複数のリージョンに Web サービスを所有しています。すべてのリージョンにプランが必要ですか?I have web services in multiple regions. Do I need a plan for every region?

はい。Yes. プランの価格設定はリージョンによって異なります。Plan pricing varies by region. Web サービスを別のリージョンにデプロイするときは、そのリージョンに固有のプランを割り当てる必要があります。When you deploy a web service to another region, you need to assign it a plan that is specific to that region. 詳細については、「リージョン別の利用可能な製品」を参照してください。For more information, see Products available by region.

新しい Web サービス - 超過料金New web services: Overages

Web サービスの使用量が超過しているかどうかを確認するには、どうすればよいですか?How do I check if I exceeded my web service usage?

Azure Machine Learning Web サービス ポータルの [プラン] ページで、すべてのプランの使用状況を確認することができます。You can view the usage on all your plans on the Plans page in the Azure Machine Learning Web Services portal. ポータルにサインインして、[プラン] メニュー オプションをクリックします。Sign in to the portal, and then click the Plans menu option.

表の [トランザクション] 列と [コンピューティング] 列に、プランに含まれる数量と使用率が表示されます。In the Transactions and Compute columns of the table, you can see the included quantities of the plan and the percentage used.

開発/テスト価格レベルに含まれる数量を使い切ると、どうなりますか?What happens when I use up the include quantities in the Dev/Test pricing tier?

開発/テスト価格レベルが割り当てられているサービスは、次の期間まで、または有料レベルに移行するまで停止します。Services that have a Dev/Test pricing tier assigned to them are stopped until the next period or until you move them to a paid tier.

クラシック Web サービスと、新しい (Resource Manager ベースの) Web サービスの超過使用量に関して、要求応答サービス (RRS) とバッチ実行サービス (BES) のワークロードの料金はどのように計算されていますか?For Classic web services and overages of New (Resource Manager-based) web services, how are prices calculated for Request Response (RRS) and Batch (BES) workloads?

RRS ワークロードの場合、実行した API トランザクション呼び出しごとと、それらの要求に関連したコンピューティング時間に対して課金されます。For an RRS workload, you are charged for every API transaction call that you make and for the compute time that's associated with those requests. RRS 実稼働 API トランザクションの費用は、実行された API 呼び出しの総数を 1,000 トランザクション単位に除算し、それに対して 1,000 トランザクションあたりの料金を乗算して計算されます。Your RRS production API transaction costs are calculated as the total number of API calls that you make multiplied by the price per 1,000 transactions (prorated by individual transaction). RRS 実稼働 API コンピューティング時間の費用は、実行された各 API 呼び出しで必要な時間の合計に、API トランザクション総数を乗算し、さらにそれに実稼働 API コンピューティング時間あたりの料金を乗算して計算されます。Your RRS API production API compute hour costs are calculated as the amount of time required for each API call to run, multiplied by the total number of API transactions, multiplied by the price per production API compute hour.

例として、Standard S1 の超過料金の場合を考えてみましょう。1,000,000 API トランザクションの実行に 0.72 秒かかったとします。実稼働 API トランザクションの費用は 500 ドル (1,000,000 * 0.50 ドル/1K API トランザクション) で、実稼働 API コンピューティング時間の費用は 400 ドル (1,000,000 * 0.72 秒 * 2 ドル/時間) となり、合計 900 ドルになります。For example, for Standard S1 overage, 1,000,000 API transactions that take 0.72 seconds each to run would result in (1,000,000 * $0.50/1K API transactions) in $500 in production API transaction costs and (1,000,000 * 0.72 sec * $2/hr) $400 in production API compute hours, for a total of $900.

BES ワークロードの場合も、同じ方法で課金されます。For a BES workload, you are charged in the same manner. ただし、API トランザクションの費用は送信したバッチ ジョブの数に基づいて算出され、コンピューティングの費用はそれらのバッチ ジョブに関連したコンピューティング時間を表します。However, the API transaction costs represent the number of batch jobs that you submit, and the compute costs represent the compute time that's associated with those batch jobs. BES 実稼働 API トランザクションの費用は、送信したジョブの総数を 1,000 トランザクション単位に除算し、それに対して 1,000 トランザクションあたりの料金を乗算して計算されます。Your BES production API transaction costs are calculated as the total number of jobs submitted multiplied by the price per 1,000 transactions (prorated by individual transaction). BES API 実稼働 API コンピューティング時間の費用は、実行するジョブの各行で必要な時間の合計に、ジョブの総行数を乗算し、ジョブの総数を乗算して、さらにそれに実稼働 API コンピューティング時間あたりの料金を乗算して計算されます。Your BES API production API compute hour costs are calculated as the amount of time required for each row in your job to run multiplied by the total number of rows in your job multiplied by the total number of jobs multiplied by the price per production API compute hour. Machine Learning 料金計算ツールを使用する場合、トランザクション メーターは送信予定のジョブ数を表し、トランザクションあたりの時間フィールドは実行する各ジョブにあるすべての行で必要な合計時間を表します。When you use the Machine Learning calculator, the transaction meter represents the number of jobs that you plan to submit, and the time-per-transaction field represents the combined time that's needed for all rows in each job to run.

例として、Standard S1 の超過料金の場合を考えてみましょう。それぞれが 500 行で構成されるジョブを毎日 100 個送信し、各ジョブの実行に 0.72 秒かかったとします。For example, assume Standard S1 overage, and you submit 100 jobs per day that each consist of 500 rows that take 0.72 seconds each. 1 か月の超過分の費用は、実稼働 API トランザクションの費用が 1.55 ドル (100 ジョブ/日 = 3,100 ジョブ/月 * 0.50 ドル/1K API トランザクション) で、実稼働 API コンピューティング時間の費用は 620 ドル (500 行 * 0.72 秒 * 3,100 ジョブ * 2 ドル/時間) となり、合計は 621.55 ドルになります。Your monthly overage costs would be (100 jobs per day = 3,100 jobs/mo * $0.50/1K API transactions) $1.55 in production API transaction costs and (500 rows * 0.72 sec * 3,100 Jobs * $2/hr) $620 in production API compute hours, for a total of $621.55.

Azure Machine Learning のクラシック Web サービスAzure Machine Learning Classic web services

従量課金制は現在も利用できますか?Is Pay As You Go still available?

はい。クラシック Web サービスは、Azure Machine Learning でも引き続き利用できます。Yes, Classic web services are still available in Azure Machine Learning.

Azure Machine Learning の Free および Standard レベルAzure Machine Learning Free and Standard tier

Azure Machine Learning の Free レベルには何が含まれますか?What is included in the Azure Machine Learning Free tier?

Azure Machine Learning の Free レベルは、Azure Machine Learning Studio を深く体験していただくためのものです。The Azure Machine Learning Free tier is intended to provide an in-depth introduction to the Azure Machine Learning Studio. サインアップに必要なのは、Microsoft アカウントだけです。All you need is a Microsoft account to sign up. Free レベルには、 Microsoft アカウント1 つにつき 1 つの Azure Machine Learning Studio ワークスペースへの無料アクセスが含まれます。The Free tier includes free access to one Azure Machine Learning Studio workspace per Microsoft account. このレベルでは、最大 10 GB のストレージを使用でき、モデルをステージング API として運用できます。In this tier, you can use up to 10 GB of storage and operationalize models as staging APIs. Free レベルのワークロードは SLA の対象外であり、開発や個人用の目的にのみ使用されます。Free tier workloads are not covered by an SLA and are intended for development and personal use only.

Free レベルのワークスペースには次の制限事項があります。Free tier workspaces have the following limitations:

  • ワークロードは、SQL Server を実行するオンプレミスのサーバーに接続してデータにアクセスすることはできません。Workloads can't access data by connecting to an on-premises server that runs SQL Server.
  • 新しい Resource Manager ベースの Web サービスをデプロイすることはできません。You cannot deploy New Resource Manager base web services.

Azure Machine Learning の Standard レベルおよびプランには何が含まれますか?What is included in the Azure Machine Learning Standard tier and plans?

Azure Machine Learning の Standard レベルは、Azure Machine Learning Studio の有料製品版です。The Azure Machine Learning Standard tier is a paid production version of Azure Machine Learning Studio. Azure Machine Learning Studio の月額料金は、1 つのワークスペースに対して月単位で請求され、1 か月未満については日割計算されます。The Azure Machine Learning Studio monthly fee is billed on a per workspace per month basis and prorated for partial months. Azure Machine Learning スタジオ実験時間は、アクティブな実験のコンピューティング時間ごとに請求されます。Azure Machine Learning Studio experiment hours are billed per compute hour for active experimentation. 1 時間未満の請求は按分計算されます。Billing is prorated for partial hours.

Azure Machine Learning API サービスの請求額は、クラシック Web サービスか新しい (Resource Manager ベースの) Web サービスかによって異なります。The Azure Machine Learning API service is billed depending on whether it's a Classic web service or a New (Resource Manager-based) web service.

以下の請求は、サブスクリプションのワークスペースごとに集計されます。The following charges are aggregated per workspace for your subscription.

  • Machine Learning ワークスペース サブスクリプション - Machine Learning ワークスペース サブスクリプションは、Machine Learning Studio ワークスペースへのアクセスに必要な月額料金です。Machine Learning Workspace Subscription: The Machine Learning workspace subscription is a monthly fee that provides access to a Machine Learning Studio workspace. スタジオで実験を実行する場合と実稼働 API を使用する場合にも、このサブスクリプションが必要です。The subscription is required to run experiments in the studio and to utilize the production APIs.
  • スタジオ実験時間 - Machine Learning Studio での実験の実行と、ステージング環境での実稼働 API 呼び出しの実行によって発生したすべてのコンピューティング料金が、このメーターに集計されます。Studio Experiment hours: This meter aggregates all compute charges that are accrued by running experiments in Machine Learning Studio and running production API calls in the staging environment.
  • トレーニングとスコア付けのためにモデル内で SQL Server を実行するオンプレミスのサーバーに接続することで発生するデータ アクセス。Access data by connecting to an on-premises server that runs SQL Server in your models for your training and scoring.
  • クラシック Web サービスの場合:For Classic web services:
    • 実稼働 API のコンピューティング時間 - 運用環境で実行されている Web サービスにより発生するコンピューティング料金が、このメーターに含まれます。Production API Compute Hours: This meter includes compute charges that are accrued by web services running in production.
    • 実稼働 API トランザクション (1,000 件) - 実働 Web サービスの呼び出しごとに発生する料金が、このメーターに含まれます。Production API Transactions (in 1000s): This meter includes charges that are accrued per call to your production web service.

上記の料金とは別に、Resource Manager ベースの Web サービスの場合は選択したプランに以下の各料金が集計されます。Apart from the preceding charges, in the case of Resource Manager-based web service, charges are aggregated to the selected plan:

  • Standard S1/S2/S3 API プラン (ユニット数) - このメーターは、Resource Manager ベースの Web サービス用に選択したインスタンスの種類を表します。Standard S1/S2/S3 API Plan (Units): This meter represents the type of instance that's selected for Resource Manager-based web services.
  • Standard S1/S2/S3 超過 API コンピューティング時間 - このメーターには、既存のインスタンスに含まれる数量を使い切った後、運用環境で実行されている Resource Manager ベースの Web サービスによって発生するコンピューティング料金が含まれます。Standard S1/S2/S3 Overage API Compute Hours: This meter includes compute charges that are accrued by Resource Manager-based web services that run in production after the included quantities in existing instances are used up. 追加の使用量は、S1/S2/S3 プラン レベルに関連付けられている超過料金で請求されます。The additional usage is charged at the overate rate that's associated with S1/S2/S3 plan tier.
  • Standard S1/S2/S3 超過 API トランザクション (1,000 件) - このメーターには、既存のインスタンスに含まれる数量を使い切った後、Resource Manager ベースの実稼働 Web サービスの呼び出しごとに発生する料金が含まれます。Standard S1/S2/S3 Overage API Transactions (in 1,000s): This meter includes charges that are accrued per call to your production Resource Manager-based web service after the included quantities in existing instances are used up. 追加の使用量は、S1/S2/S3 プラン レベルに関連付けられている超過料金で請求されます。The additional usage is charged at the overate rate associated with S1/S2/S3 plan tier.
  • 含まれる API コンピューティング時間の数量 - Resource Manager ベースの Web サービスでは、このメーターは含まれる API コンピューティング時間の数量を表します。Included Quantity API Compute Hours: With Resource Manager-based web services, this meter represents the included quantity of API compute hours.
  • 含まれる API トランザクションの数量 (1,000 件) - Resource Manager ベースの Web サービスでは、このメーターは含まれる API トランザクションの数量を表します。Included Quantity API Transactions (in 1,000s): With Resource Manager-based web services, this meter represents the included quantity of API transactions.

Azure Machine Learning Free レベルにサインアップするには、どうすればよいですか?How do I sign up for Azure Machine Learning Free tier?

必要なのは、Microsoft アカウントだけです。All you need is a Microsoft account. Azure Machine Learning ホームに移動し、[Start Now (今すぐ開始)] ボタンをクリックします。Go to Azure Machine Learning home, and then click Start Now. ご自分の Microsoft アカウントでサインインすると、Free レベル用のワークスペースが作成されます。Sign in with your Microsoft account and a workspace in Free tier is created for you. すぐに Machine Learning の実験を作成して試すことができます。You can start to explore and create Machine Learning experiments right away.

Azure Machine Learning Standard レベルにサインアップするには、どうすればよいですか?How do I sign up for Azure Machine Learning Standard tier?

Standard Machine Learning ワークスペースを作成するには、まず Azure サブスクリプションに対するアクセスが必要です。You must first have access to an Azure subscription to create a Standard Machine Learning workspace. 30 日間の無料試用版 Azure サブスクリプションにサインアップし、後で Azure 有料サブスクリプションにアップグレードすることも、最初から Azure 有料サブスクリプションを購入することもできます。You can sign up for a 30-day free trial Azure subscription and later upgrade to a paid Azure subscription, or you can purchase a paid Azure subscription outright. サブスクリプションへのアクセスを取得後、Microsoft Azure Portal から Machine Learning ワークスペースを作成できます。You can then create a Machine Learning workspace from the Microsoft Azure portal after you gain access to the subscription. こちらから詳細な手順をご確認ください。View the step-by-step instructions.

また、Standard Machine Learning ワークスペースの所有者からの招待によって、その所有者のワークスペースにアクセスするという方法もあります。Alternatively, you can be invited by a Standard Machine Learning workspace owner to access the owner's workspace.

既に所有している Azure Blob Storage アカウントを指定して、Free レベルで使用することはできますか?Can I specify my own Azure Blob storage account to use with the Free tier?

いいえ、できません。Standard レベルは、これらのレベルが導入される前から利用可能だった Machine Learning サービスのバージョンと同等のものです。No, the Standard tier is equivalent to the version of the Machine Learning service that was available before the tiers were introduced.

Free レベルで自分の機械学習モデルを API としてデプロイすることはできますか?Can I deploy my machine learning models as APIs in the Free tier?

はい。機械学習モデルを、Free レベルに含まれるステージング API サービスとして運用することができます。Yes, you can operationalize machine learning models to staging API services as part of the Free tier. ステージング API サービスを運用環境に移行し、運用可能にするサービスの実稼働エンドポイントを取得するには、Standard レベルを使用する必要があります。To put the staging API service into production and get a production endpoint for the operationalized service, you must use the Standard tier.

Azure 無料試用版と Azure Machine Learning の Free レベルの違いは何ですか?What is the difference between Azure free trial and Azure Machine Learning Free tier?

Microsoft Azure 無料試用版では、任意の Azure サービスに 1 か月間適用できるクレジットを提供しています。The Microsoft Azure free trial offers credits that you can apply to any Azure service for one month. Azure Machine Learning の Free レベルは、特に非運用環境のワークロード用に Azure Machine Learning への継続的なアクセスを提供します。The Azure Machine Learning Free tier offers continuous access specifically to Azure Machine Learning for non-production workloads.

Free レベルから Standard レベルへの実験の移行はどのように行いますか?How do I move an experiment from the Free tier to the Standard tier?

Free レベルから Standard レベルに実験をコピーするには:To copy your experiments from the Free tier to the Standard tier:

  1. Azure Machine Learning Studio にサインインし、最上部のナビゲーション バーのワークスペース セレクターに Free ワークスペースと Standard ワークスペースの両方が表示されていることを確認します。Sign in to Azure Machine Learning Studio, and make sure that you can see both the Free workspace and the Standard workspace in the workspace selector in the top navigation bar.
  2. Standard ワークスペースが選択されている場合は、Free ワークスペースに切り替えます。Switch to Free workspace if you are in the Standard workspace.
  3. コピーする実験を実験リスト ビューで選択し、[コピー] コマンド ボタンをクリックします。In the experiment list view, select an experiment that you'd like to copy, and then click the Copy command button.
  4. ポップアップ ダイアログ ボックスから Standard ワークスペースを選択し、[コピー] ボタンをクリックします。Select the Standard workspace from the dialog box that opens, and then click the Copy button. すべての関連するデータセット、学習済みモデルなどが、実験と共に Standard ワークスペースにコピーされます。All the associated datasets, trained model, etc. are copied together with the experiment into the Standard workspace.
  5. Standard ワークスペースで、実験を再実行し、Web サービスを再発行することが必要です。You need to rerun the experiment and republish your web service in the Standard workspace.

Studio ワークスペースStudio workspace

ワークスペースが異なると、表示される請求内容も異なりますか?Will I see different bills for different workspaces?

ワークスペースの料金は、1 件の請求で適用可能なメーターごとに別々に表示されます。Workspace charges are broken out separately for each applicable meter on a single bill.

実験の実行には、どのような種類のコンピューティング リソースが使用されますか?What specific kind of compute resources will my experiments be run on?

Machine Learning サービスはマルチテナント サービスです。The Machine Learning service is a multitenant service. バックエンドで実際に使用されるコンピューティング リソースの種類はさまざまで、パフォーマンスと予測可能性を向上させるために最適化されます。Actual compute resources that are used on the back end vary and are optimized for performance and predictability.

ゲスト アクセスGuest Access

Azure Machine Learning Studio に対するゲスト アクセスとは何ですか?What is Guest Access to Azure Machine Learning Studio?

ゲスト アクセスとは、機能が制限された試用版です。Guest Access is a restricted trial experience. 費用をかけず、認証もなしで、Azure Machine Learning Studio で実験を作成して実行できます。You can create and run experiments in Azure Machine Learning Studio at no cost and without authentication. ゲスト セッションは非永続的で保存ができず、利用できる時間は 8 時間に制限されます。Guest sessions are non-persistent (cannot be saved) and limited to eight hours. 他にも、R と Python がサポートされていない、ステージング API がない、データセットのサイズとストレージの容量が制限されている、などの制限事項があります。Other limitations include lack of support for R and Python, lack of staging APIs, and restricted dataset size and storage capacity. 一方 Microsoft アカウントでサインインしたユーザーの場合は、前述した Machine Learning Studio の Free レベルへのフル アクセスが提供され、永続ワークスペースやさらに包括的な機能を使用できます。By comparison, users who choose to sign in with a Microsoft account have full access to the Free tier of Machine Learning Studio that's described previously, which includes a persistent workspace and more comprehensive capabilities. https://studio.azureml.net[Get started](開始) をクリックして、[Guess Access](ゲスト アクセス) を選択するか Microsoft アカウントでサインインし、無料の Machine Learning の機能をお試しください。To choose your free Machine Learning experience, click Get started on https://studio.azureml.net, and then select Guess Access or sign in with a Microsoft account.