Azure Machine Learningとは？用語やStudioとの違いなどを解説

PaaSにおいて機械学習のサービスの拡充が進んでいます。Azure Machine LearningはAzure MLと省略されることもあり、クラウド上で利用できるMicrosoftによる機械学習のサービスです。ブラウザベースのGUIで利用できます。

機械学習は、膨大なデータからルールやパターンをコンピュータに学習させて、新たなデータの認識を行います。専門的な用語が多く、技術の進歩やビジネスのニーズにしたがって常に新機能が追加されているため、最先端の機械学習を実践する場合には、最新の情報をチェックして開発環境を整備することが重要です。

Azure Machine Learningの概要、Azure Machine Learning Studio(classic)、価格設定などについて解説します。

Azure Machine Learningとは

機械学習には、教師あり学習、教師なし学習などがありますが、Azure Machine Learningはあらゆる機械学習の環境をクラウド上で提供します。アルゴリズムのライブラリが豊富に用意され、予測モデルの作成とテスト、デプロイ、運用と管理を行うことが可能です。

PythonもしくはR言語のコード記述やライブラリなどを利用できることはもちろん、GUIによってドラッグ＆ドロップで機械学習モデルを構築、トレーニング、結果の分析、学習のトラッキングができます。開発環境としてWebブラウザベースのエクスペリエンスが用意されていることが特徴です。

Azure AI Galleryから、他の開発者によるソリューションを利用することもできます。ビジネスでは需要予測や異常検知など、データサイエンスの領域で機械学習を利用します。このようなときに、Azure AI Galleryに公開されている多様な分析ソリューションが役に立ちます。コンセプトの実証実験、さまざまな問題を解決するためのチュートリアル、APIなどのコレクション、カスタムモジュールなどが公開されています。

Azure Machine Learningのモジュールは、個別に実行可能なコードのセットです。機能別に分類され、データ入力と出力、データ変換、機械学習のアルゴリズム、トレーニング、異常検出、テキスト分析、時系列の分析、統計などがあります。Pythonのモジュールを使って、カスタム関数を実行することも可能です。

TensorFlow、PyTorch、scikit-learn、Ray Rllibなどのオープンソースツールにも連携しています。

Azure Cosmos DB 自習書 - Azure Cosmos DB Gremlin API 編 -

Azure Machine Learningの用語集

Azure Machine Learningで用いられる用語から主要なものをピックアップして、簡単に解説します。

ワークスペース

機械学習のモデルのトレーニングやデプロイに用いるすべてのリソースを管理する場所です。Python環境のAzure Machine Learningコンピューティングインスタンスを追加できます。コンピューティングインスタンスは、データサイエンティストに向けたクラウドベースの開発環境で、生産性を向上させるとともに、管理機能やコンプライアンスの徹底などエンタープライズ向けの機能を提供します。

実験、実行、実行構成、スナップショット

「実験」は機械学習のモデル構築のためにトレーニングを行うことを指します。1つのワークスペースに複数のスクリプトが属し、スクリプトを1回行うことを「実行」と呼びます。実験に関する実行は、メタデータ（タイムスタンプなど）、メトリック、出力ファイル、スナップショットなどが記録されます。

実行方法を定義した命令が「実行構成」です。実行構成はEstimatorクラスを使うことによって、scikit-learn などの任意のフレームワークを使ってタスクを簡略化することが可能です。

実行時にスクリプトに含まれているファイルがzipで圧縮されて「スナップショット」として送信され、実行レコードに保存されます。ワークスペースにアクセスできるすべてのユーザーがスナップショットをダウンロードすることが可能で、実験のスクリプトなどを共有できます。

モデル、モデルレジストリ

機械学習は、入力されたデータを処理して出力する流れで行われます。この一連の流れが機械学習の「モデル」で、アルゴリズム、処理するデータ、トレーニングのプロセスを制御するパラメーター（ハイパーパラメーター）が必要になります。モデルに対して繰り返して学習を行うことがトレーニングです。

Azure Machine Learningでは、TensorFlow、PyTorch、Scikit-learn、Chainerのような、AIエンジニアやデータサイエンティストに注目されている外部のフレームワークを使うことができます。

ワークスペース内の学習モデルは、モデルレジストリで追跡可能です。同一名のモデルはバージョンで区別され、同じモデル名で登録すると新しいバージョンのレジストリが生成されます。モデルの登録時にはメタデータのタグを追加して、タグで検索することが可能です。

エンドポイント

クラウド上のWebサービス、IoTをエンドポイントとして指定します。Webサービスの場合は、AzureのContainer Instances、Kubernetes Service、FPGA（Field Programmable Gate Array）にデプロイできます。IoTのモジュールエンドポイントの場合には、デバイス上のAzure IoT Edgeを使ってモジュールをデプロイします。

リアルタイムエンドポイントでは、RESTエンドポイントを介して要求の受信とリアルタイムの予測を行います。パイプラインエンドポイントを使うと、RESTエンドポイントを使ってパイプラインをコレクション化し、自動化することが可能です。

その他の用語については、Microsoftのドキュメントに記載されています。

Azure Machine Learning Studio（classic）との違い

Azure Machine Learningデザイナーを使うことによって視覚的に機械学習の構築とデプロイが可能ですが、Azure Machine Learning Studio(classic)も用意されています。この違いについて解説します。

もともとは2015年にリリースされたAzure Machine Learning Studioが先行してGUI環境を実現していました。ところが、AIの需要が高まり、日々進化する機械学習に対応するため、2018年12月に「Azure Machine Learning」がサービスとして登場しました。したがって、従来のStudioと混乱が生じることを避ける目的からStudioにはクラシックという名称が付け加えられています。

回帰のアルゴリズムを使った機械学習の代表的なモデルに、需要予測など数値による結果を出力する場合があります。このような予測を主体とした学習モデルをテストしたいときAzure Machine Learning Studio(classic)は便利です。簡単にドラッグ＆ドロップでモデルを構築してWebサービスに移行できることがメリットで、データサイエンティストやAIエンジニアが需要予測モデルを簡単に構築したいときに役立ちます。

ただし、Azure Machine Learning Studio(classic)には制限があります。Pythonに加えてR言語を利用することができますが、コードSDKはサポートされていません。Azure Machine Learningと比較した場合、サポートされていない以下のような機能があります。

MLパイプライン
自動化されたモデルのトレーニング、ハイパーパラメーターの調整
データセットのドリフト検出（プレビュー）
プロジェクトのラベル付けデータ

その他にも、Azure Machine Learning Studio(classic)では、実験のデータが10GBに制限され、コンピューティングターゲットの範囲がAzure Machine Learningより狭められています。したがって、最新の環境で機械学習モデルを構築する場合には、Studio(classic)ではなくAzure Machine Learningを利用するとよいでしょう。