機械学習の運用 (MLOps)

Azure Machine Learning の機能により機械学習のライフサイクルが自動化され、促進されます

MLOps を使用すると、イノベーションをすばやく実現することができます

MLOps (機械学習用の DevOps) を使用すると、機械学習モデルの監視、検証、ガバナンスを通じて、データ サイエンスと IT の両方のチームが共同作業し、モデルの開発とデプロイのペースを上げることができます。

リッチ モデル レジストリ内でのデータセット、コード、実験、環境の高度な追跡による、トレーニングの再現性。

自動スケール、強力なマネージド コンピューティング、コードなしのデプロイ、ツールにより、モデルのトレーニングとデプロイが容易。

継続的インテグレーション/継続的デプロイ (CI/CD) を使用してビルドおよびデプロイするためのスケジュールおよび管理の機能による、効率的なワークフロー。

ガバナンスと制御の目標の達成、モデルの透過性と公平性の促進を可能にする高度な機能。

リソース センター

エンドツーエンドの MLOps プロセスを順を追って説明します。

ビデオや付属のノートブック、コード サンプル、ドキュメントにアクセスできます。

MLOps 機能について: アセット、アーティファクト、コードの管理

MLOps 機能について: イベント駆動型機械学習ワークフローの作成 - Microsoft Channel 9 ビデオ

MLOps 機能について: GitHub Actions を使用した CI/CD - Microsoft Channel 9 ビデオ

関連情報

MLOPs GitHub

MLOps のドキュメント

MLOps の実例

ML 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

ML 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

自動スケーリング、管理、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

自動スケーリング、管理、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

Azure DevOps と GitHub Actions を統合して ML ワークフローを自動化

Azure DevOps と GitHub Actions を統合して ML ワークフローを自動化

ML プロジェクト全体でより優れたガバナンスとコスト管理を実現

ML プロジェクト全体でより優れたガバナンスとコスト管理を実現

お客様が MLOps でどのように価値を提供しているかを確認する

"Using the MLOps capabilities in Azure Machine Learning, we were able to increase productivity and enhance operations, going to production in a timely fashion and creating a repeatable process."

Vijaya Sekhar Chennupati 氏 (Applied data scientist、Johnson Controls)
Johnson Controls