IntelliCode がロールアウトされると、両チームにはさらに優れたユーザー エクスペリエンスを設計する機会が訪れました。それは、お客様それぞれの固有のコーディング習慣に基づくチーム入力候補モデルを作ることです。このような機械学習モデルをパーソナライズするには、モデルのトレーニングと発行をオンデマンドで自動的に、つまり Visual Studio や Visual Studio Code のユーザーから要求されるたびに実行できることが必要でした。既存のパイプラインを使用してこれらの機能を大規模に実行するために、両チームは Azure Machine Learning、Azure Data Factory、Azure Batch、Azure Pipelines などの Azure サービスを使用しました。

機械学習パイプラインを構築するにあたり、両チームは共通の標準とガイドラインを定義する必要がありました。それは意思疎通を可能にし、ベスト プラクティスを共有し、より良いコラボレーションを実現するためです。また、プロジェクトに対する互いのアプローチについても理解が必要でした。データ サイエンス チームの作業は実験が中心で、モデル作成を短時間で繰り返していましたが、エンジニアリング チームの主眼は、実稼働レベルの機能を求める Visual Studio ユーザーの期待に IntelliCode が応えられるようにすることでした。

現在では、機械学習パイプライン全体 (トレーニング、評価、パッケージング、デプロイ) が自動的に実行されており、Visual Studio と Visual Studio Code のユーザーからの月間 9,000 件を超えるモデル作成リクエストを処理しています。両チームは、このパイプラインを使用して追加の AI 機能を他の Microsoft 製品に組み込むことでさらに充実したエクスペリエンスをお客様に提供する方法を模索しています。