Azure Machine Learning のアーキテクチャ

Azure Machine Learning
Azure Synapse Analytics
Azure Container Registry
Azure Monitor
Power BI

ソリューションのアイデア

この記事ではソリューションのアイデアについて説明します。 クラウド アーキテクトはこのガイダンスを使用すると、このアーキテクチャの一般的な実装の主要コンポーネントを視覚化しやすくなります。 ワークロードの特定の要件に適合する、適切に設計されたソリューションを設計するための出発点として、この記事を使用してください。

このアーキテクチャは、エンド ツー エンドの機械学習ライフサイクルに向けたサービスである Azure Machine Learning で、高品質のモデルを構築、デプロイ、管理するために使用されるコンポーネントを示します。

Architecture

Azure Machine Learning と、ストレージ、データ分析、モニタリング、認証、セキュア デプロイメントのための Azure サービスを使用した機械学習ソリューション アーキテクチャの図。

このアーキテクチャの Visio ファイルをダウンロードします。

注意

この記事で説明するアーキテクチャは、Azure Machine Learning の CLI と Python SDK v1 に基づいています。 新しい v2 SDK と CLI の詳細については、CLI と SDK v2 の概要に関するページを参照してください。

データフロー

  1. 構造化データ、非構造化データ、半構造化データ (ログ、ファイル、メディア) を、すべて Azure Data Lake Storage Gen2 に統合します。
  2. Azure Synapse Analytics の Apache Spark を使用して、データセットをクリーニング、変換、分析します。
  3. Azure Machine Learning で機械学習モデルを構築して、トレーニングします。
  4. Microsoft Entra ID と Azure Key Vault を使用して、データと Machine Learning ワークスペースのアクセスと認証を制御できます。 Azure Container Registry を使用して、コンテナーを管理します。
  5. Azure Kubernetes Service (AKS) を使用して、機械学習モデルをコンテナーにデプロイし、Azure VNet と Azure Load Balancer を使用して、デプロイを安全に管理します。
  6. ログ メトリクスと Azure Monitor の監視を使用して、モデルのパフォーマンスを評価します。
  7. 必要に応じて、Azure Machine Learning でモデルを再トレーニングします。
  8. Power BI を使用して、データ出力を視覚化します。

コンポーネント

  • Azure Machine Learning は、エンドツーエンドの機械学習ライフサイクルに向けた、エンタープライズ グレードの機械学習サービスです。
  • Azure Synapse Analytics は、BI や機械学習のニーズに即応したデータの取り込み、探索、準備、変換、管理、提供を可能にする統合サービスです。
  • Azure Data Lake Storage Gen2 は、高パフォーマンスの分析ワークロードに向けた、極めてスケーラブルで安全なデータ レイクです。
  • Azure Container Registry は、Docker および Open Container Initiative (OCI) イメージのレジストリであり、すべての OCI 成果物をサポートします。 OCI ディストリビューションのフル マネージド Geo レプリケーション インスタンスを使用して、コンテナー イメージと成果物を構築、保存、保護、スキャン、レプリケートおよび管理します。
  • Azure Kubernetes Service は、サーバーレスの Kubernetes、統合された継続的インテグレーションと継続的デリバリー (CI/CD) エクスペリエンス、エンタープライズ グレードのセキュリティとガバナンスを提供します。 フル マネージド Kubernetes サービスを使用して、コンテナー化されたアプリケーションをより簡単にデプロイおよび管理します。
  • Azure Monitor は、Azure およびオンプレミス環境からテレメトリ データを収集、分析、処理できます。 Azure Monitor はアプリケーションのパフォーマンスと可用性を最大限に引き上げ、数秒で問題を事前に特定するために役立ちます。
  • Azure Key Vault は、クラウド アプリやサービスで使用される暗号化キーなどの機密を保護します。
  • Azure Load Balancer は、インターネットおよびプライベート ネットワークのトラフィックをハイ パフォーマンスと低遅延で負荷分散します。 Load Balancer は、仮想マシン、仮想マシンのスケール セット、および IP アドレス全体で動作します。
  • Power BI は、組織全体に分析情報を提供できるビジネス分析ツール スイートです。 数百のデータ ソースに接続でき、データの準備が簡素化され、計画外の分析が促進されます。 優れたレポートを生成し、組織に公開して、Web やモバイル デバイスで使用できます。

シナリオの詳細

エンド ツー エンドの機械学習ライフサイクルのためのサービスである Azure Machine Learning を使用して、高品質のモデルをビルド、デプロイ、管理します。 業界をリードする MLOps (機械学習の運用)、オープンソースの相互運用性、統合ツールを、責任ある機械学習用に設計された安全で信頼できるプラットフォーム上で使用します。

考えられるユース ケース

  • サービスとして機械学習を使用する。
  • 容易で、適用範囲が広いビルド インターフェイス。
  • 広範囲にサポートされているアルゴリズム。
  • 簡単に実装できる Web サービス。
  • 機械学習ソリューションの優れたドキュメント。

考慮事項

以降の考慮事項には、ワークロードの品質向上に使用できる一連の基本原則である Azure "Well-Architected Framework" の要素が組み込まれています。 詳細については、「Microsoft Azure Well-Architected Framework」を参照してください。

コスト最適化

コストの最適化とは、不要な費用を削減し、運用効率を向上させる方法を検討することです。 詳しくは、コスト最適化の柱の概要に関する記事をご覧ください。

共同作成者

この記事は、Microsoft によって保守されています。 当初の寄稿者は以下のとおりです。

プリンシパルの作成者:

パブリックでない LinkedIn プロファイルを表示するには、LinkedIn にサインインします。

次のステップ

このソリューションの主要サービスについては、次のドキュメントを参照してください。

Azure アーキテクチャ センターの関連ガイダンスを参照してください。