Azure Machine Learning 使ってみた

2023年01月27日 (金) に 開催された Microsoft Base Festa 2023 @MS Base Kobe での登壇資料です。

https://azure-tech-love.connpass.com/event/271265/

Transcript

1. Azure Machine Learning 使ってみた 株式会社 Digeon 平田 恭嘉
2. 自己紹介 所属: 株式会社Digeon Webエンジニア 機械学習エンジニア 経歴: 神戸大学大学院システム情報学研究科 (計算分子生物学) ↓ 株式会社オプト (機械学習エンジニア) ↓ 株式会社Digeon 好きなもの - ビール - 服
3. Azure Machine Learning とは Azureが提供している機械学習サービス。 主要な機能 • ノートブック(マネージドのJupyterNotebook) • AutoML (今回利用した) • デザイナー これらを利用してMLOpsを実現することができる。 • データの管理 • 計算モデルの訓練 • 実験管理 • 計算モデルのデプロイ • 計算モデルのモニタリング • モデルの再学習
4. 参考: MLOpsとは Machine Learning(ML)とDevOpsを組み合わせた造語。 継続的インテグレーション (CI)や継続的デリバリ (CD)に加 えて継続的トレーニング (CT)を行えるようにする取り組み のこと。 機械学習システムは推論のコードだけではなく、多くの要素 で構成されている。 これらを開発・運用するために DevOpsの手法を用いる。 DevOpsと同様に開発サイクルの短縮、迅速化、信頼性の 高いリリースを行うことができる。 https://cloud.google.com/architecture/mlops-continuous-delivery-and- automation-pipelines-in-machine-learning?hl=ja
5. Auto ML 複数のアルゴリズムとパラメータを並列で試験し、 自動的に最適なモデルを作成することができる。 以下の手順でモデル作成を行う。 1. データのアップロード 2. アップロードしたデータ アセットの選択 3. ジョブの構成(ジョブの名前などの設定) 4. タスクと設定の選択 a. 分類 b. 回帰 c. 時系列予測 d. 自然言語処理 e. コンピュータビジョン (画像系タスク) 5. ハイパーパラメータ構成 (Computer Vision のみ) 6. 検証とテスト
6. 60個のモデルが自動生成・訓練される
7. 学習結果のメトリクスの確認 (これも自動)
8. 文字列も取り扱うことが出来る
9. デプロイ 作成したモデルをデプロイし、 WebAPIとして公開すること が出来る。 モデルをアプリケーションで利用できるようにするための実 装工数を大幅に削減することができる。 手順としてはAzureのGUIからクリックしていくだけ。
10. デプロイ モデル情報のページへ遷移
11. デプロイ デプロイ>Webサービスを選択
12. デプロイ これだけで推論APIが完成
13. Swaggerを使える Swagger: OpenAPIを利用しREST APIを設計するために 使用するツールセット。 APIのドキュメンテーションが出来るもの。
14. AutoMLの使い所 個人の感想です データさえ用意できれば、コードを書かずに高速にモデルを 作ることが出来る。 ベースラインとして使える。
15. より複雑なモデルを作り たい場合 AutoMLを使わず、コードを書く場合どうするか コード モデル データ 実行環境 などなど の整合性を保ちながら管理する必要がある 次回作にご期待ください!!
16. まとめ Azure Machine Learning は Azureが提供している機械学習サービスで、 モデルのトレーニングとデプロイ、 MLOpsを管理することが できる。 MLOpsとは機械学習システムの開発・運用に DevOpsのプ ラクティスを取り入れたものである。 AutoMLは複数のモデルやパラメータを自動的に提案・試 験し、最適なモデルを生成することができる。 機械学習モデルをただ自動生成するだけでなく、学習結果 の可視化や、重要な特徴量の可視化、 WebAPI化を行うこ とが出来る。