ナビゲーションをスキップする

機械学習の運用 (MLOps)

機械学習ワークフローの自動化、共同作業、再現性を加速する

オン プレミスからエッジまで、運用環境全体で数千のモデルのデプロイと管理を合理化しました

モデルをより迅速にデプロイおよびスコア付けするための、バッチおよびリアルタイムの予測のためのフル マネージド エンドポイント

継続的インテグレーション/継続的デリバリー (CI/CD) のための機械学習ワークフローを自動化するための繰り返し可能なパイプライン

モデルパフォーマンス メトリックを継続的に監視し、データ ドリフトを検出し、モデルのパフォーマンスを向上させるために再トレーニングをトリガーします

イノベーションを迅速に実現する

MLOps (機械学習操作、または機械学習用 DevOps) は、機械学習からビジネス価値を得るための人、プロセス、プラットフォームの共通部分です。機械学習モデルの監視、検証、ガバナンスを使用して、開発とデプロイを合理化します。

機械学習ワークフローとモデルの構築

データセットとリッチ モデル レジストリを使用して資産を追跡します。実行履歴内のコード、データ、メトリクスを追跡することで、追跡可能性を高めます。機械学習パイプラインを構築して、再現可能なモデル ワークフローを設計、デプロイ、管理し、一貫したモデル配信を実現します。

非常に正確なモデルをどこからでも簡単にデプロイ

自信を持って迅速にデプロイします。マネージド オンライン エンドポイントを使用して、基盤となるインフラストラクチャを管理することなく、強力な CPU および GPU マシンにモデルをデプロイします。モデルのプロファイリングと検証ツールを使用して、モデルを迅速にパッケージ化し、すべてのステップで高品質を確保します。制御されたロールアウトを使用して、モデルを運用環境に昇格させます。

機械学習ライフサイクル全体を効率的に管理する

Azure DevOps と GitHub Actions との組み込みの相互運用性を活用して、ワークフローをシームレスに管理および自動化します。モデルのトレーニングとデプロイ パイプラインを最適化し、CI/CD 用にビルドして再トレーニングを容易にし、機械学習を既存のリリース プロセスに簡単に適合させます。高度なデータ ドリフト分析を使用して、時間の経過と共にモデルのパフォーマンスを向上させます。

資産全体でガバナンスを実現する

モデルのバージョン履歴と系列を追跡して、監査可能性を高めます。リソースにコンピューティング クォータを設定し、ポリシーを適用して、セキュリティ、プライバシー、コンプライアンスの標準を確実に遵守します。高度な機能を使用して、ガバナンスと制御の目標を達成し、モデルの透明性と公平性を高めます。

MLflow との相互運用性のメリット

MLflow とAzure Machine Learning を使用して、柔軟で安全なエンドツーエンドの機械学習ワークフローを構築します。既存のワークロードをローカルの実行からインテリジェントなクラウドとエッジにシームレスにスケーリングできます。MLflow の実験を格納し、メトリック、パラメーター、モデル成果物を一元化された Azure Machine Learning ワークスペースで実行します。

ワークスペース間で共同 MLOps を高速化する

レジストリを使用して、ワークスペース間の共同作業と MLOps を容易にします。機械学習資産をホストで一元管理し、組織内のすべてのワークスペースで利用できるようにします。チーム間でモデル、環境、コンポーネント、データセットを昇格、共有、検出します。系列と追跡可能性を維持しながら、他のワークスペースでチームによって作成されたパイプラインを再利用し、モデルをデプロイします。

リソース センター

実施中の機械学習の運用を確認する

機械学習パイプラインを構築して、モデル ワークフローを設計、デプロイ、管理する

機械学習パイプラインを構築して、モデル ワークフローを設計、デプロイ、管理する

機械学習パイプラインを構築して、モデル ワークフローを設計、デプロイ、管理する

自動スケーリングとマネージド分散推論クラスターを使用して、自信を持って迅速にデプロイする

自動スケーリングとマネージド分散推論クラスターを使用して、自信を持って迅速にデプロイする

自動スケーリングとマネージド分散推論クラスターを使用して、自信を持って迅速にデプロイする

Azure DevOps や GitHub Actions と相互運用して機械学習ワークフローを自動化する

Azure DevOps や GitHub Actions と相互運用して機械学習ワークフローを自動化する

Azure DevOps や GitHub Actions と相互運用して機械学習ワークフローを自動化する

機械学習プロジェクト全体でガバナンスとコスト管理を改善する

機械学習プロジェクト全体でガバナンスとコスト管理を改善する

機械学習プロジェクト全体でガバナンスとコスト管理を改善する

包括的なセキュリティとコンプライアンスの組み込み

  • Microsoft ではサイバーセキュリティの研究と開発に年間 USD 10 億を超える投資を行っています。

  • Microsoft には、データ セキュリティとプライバシーを専門とする 3,500 人を超えるセキュリティ エキスパートがいます。

  • Azure は、他のクラウド プロバイダーを上回る数の認定を受けています。包括的なリストをご確認ください。

Azure の無料アカウントを使用して作業を開始する

無料で始めましょう$200 のクレジットを取得して 30 日間使用できます。クレジットを保持している間は、最も人気のあるサービスの多くを無料で利用でき、40 を超える他のサービスが常に無料です。

クレジットを受け取った後は、従量課金に移動して、同じ無料サービスを使用してビルドを続けてください。無料の月額料金分を超えて使用する場合にのみ、お支払いください。

12 か月経過後、40 を超えるサービスを常に無料で利用できます。そして今まで通り、月次の無料枠を超えて使用した分は、お支払いください。

機械学習の運用によって顧客がどのように価値を提供しているか確認する

FedEx

"Customers expect timely and accurate information on their packages and a data-based delivery experience. We're helping FedEx stay on the leading edge with Azure Machine Learning, and we're building expertise for future projects."

Bikram Virk 氏 (AI および機械学習担当製品マネージャー、FedEx)
FedEx

BRF

"We're scaling with automated machine learning in Azure and MLOps capabilities in Azure Machine Learning so that our 15 analysts can focus on more strategic tasks instead of the mechanics of merging spreadsheets and running analyses."

BRF、テクノロジ エグゼクティブ マネージャー、Alexandre Biazin 氏
BRF

ネスレ

"MLOps is at the core of our product. Because of its reproducible ML pipelines, ...registered models, and automatic model scoring, we're definitely detecting things that we missed before. Which, in terms of risk management, is really, really important."

Ignasi Paredes-Oliva 氏 (リード データ サイエンティスト、Nestlé Global Security Operations Center)
Nestle Italia

ペプシコ

"We've used the MLOps capabilities in Azure Machine Learning to simplify the whole machine learning process. That allows us to focus more on data science and let Azure Machine Learning take care of end-to-end operationalization."

Michael Cleavinger 氏 (ショッパー インサイト データ サイエンスおよびアドバンスト アナリティクス担当シニア ディレクター、PepsiCo)
ペプシコ

準備が整ったら、Azure の無料アカウントを設定しましょう。

どのようなご用件ですか?