MS Build 2022 AI/ML Updateを含んだクラウド機械学習環境

▼こちらのイベントでお話しした内容です。
https://jdla.connpass.com/event/253008/

Transcript

1. もっと気軽に、
   クラウドで機械学習しよう。
   KOHEI OGAWA
   HIROSATO GAMO
   

   View Slide

2. WHO AM I ?
   @shisyu_gaku /koheiogawa
   書を書いたり、プログラムを書いたりしている人
   何かを設計し、何かを最適化するのが好き
   高専出身
   KOHEI OGAWA
   Microsoft Japan Co., Ltd.
   Cloud Solution Architect (Data & AI)
   書道家/エンジニア
   興味分野
   センシング、HCI、AIの社会実装、MLOps、エッジAI推論
   Linux Foundation / Green Software Foundation所属
   どんな人か
   

   View Slide

3. WHO AM I ?
   @hiro_gamo /Hirosato-Gamo
   元データサイエンティスト。データ基盤、ブロックチェーンシス
   テム構築など経験し、今はデータ活用の課題解決や技術
   検証に勤しむ。
   HIROSATO GAMO
   Microsoft Japan Co., Ltd.
   Cloud Solution Architect (Data & AI)
   興味分野
   データサイエンス(機械学習・統計解析)、MLエンジニアリング、
   データエンジニアリング
   どんな人か
   

   View Slide

4. 想定オーディエンス
   1. G検定合格者以上のスキルを有する方
   

   View Slide

5. 伝えたいメッセージ(Agenda)
   1. オンプレミスからクラウドに移行するとメリットたくさんある
   2. MLの市場投入をより加速させる一歩
   3. 機械学習モデルを一からフルスクラッチで作る必要はないかもしれない
   4. コードが書けなくても機械学習モデルを作ることはできる
   

   View Slide

6. Part１.オンプレミスからクラウドに移行するとメリットたくさんある
   

   View Slide

7. 7
   機械学習システムの抽象イメージ
   学習ステップ
   Jupyter Notebook
   Python R
   MLモデル
   学習コード
   外部ストレージ
   データ
   計算機リソース
   ipython Kernel
   データ取得
   開発
   出力
   GPU(NNを使うとき)
   データサイエンティストなど
   推論ステップ
   エンドポイント
   データ
   (or パス)
   コンピューティング
   MLモデル
   推論コード
   推論結果
   実行
   Python R
   GPU (NNを使うとき)
   データサイエンティスト、
   ソフトウェエンジニアなど
   

   View Slide

8. 8
   計算リソースの準備と環境構築
   オンプレミス Azure ML
   • 十分な性能を有したCPU/GPU マシンの調達
   の必要がある
   • 必要になるスペックがあがると購入し直
   しの必要がある
   • 電源確保＆ネットワークに接続
   • 常時電気代がかかる
   • デバイス自体のセットアップの手間があ
   る
   • NVIDIAドライバーや機械学習ライブラリ等の
   最低限求められるセットアップも必要
   • Azure ML Compute Instance/Cluster を展開
   (マネージドリソース)
   • (GPU搭載を含む)様々なマシンスペック
   を自由に選択して利用可能
   • クラスターはオートスケール可能
   • 起動時間に応じて課金
   • タイムアウトを気にする必要がない
   • VMのアタッチ
   • 既存のVMの利用
   • DSVM(DataScience VM)
   • 一通り機械学習を実行するために必
   要なソフトウェアがプリセットされ
   た VM
   悲しい点 嬉しくなる点
   

   View Slide

9. Data Science Virtual Machineに含まれるツール
   Azure Data Science Virtual Machine に含まれるツール - Azure Data Science Virtual Machine | Microsoft Docs
   LightGBM、OpenCV
   Docker、ONNX Runtime
   Vscode, PyCharm, vim,
   emacs, git, Azure SDK
   CUDA、NVIDIAドライバー
   miniconda, JupyterLab,
   JupyterHub, Python..
   PyTorch、Tensorflow
   

   View Slide

10. 10
    デモ：計算リソースの準備と環境構築
    Azure ML
    デモ
    1. Azure MLリソース作成、コンピューティング
    インスタンス作成画面まで
    2. DSVM作成からアタッチまで
    

    View Slide

11. 11
    機械学習におけるデータの管理
    オンプレミス Azure ML
    • データ容量を意識した管理の必要
    • 容量が足りなくなれば追加購入の必要が
    ある
    • セキュリティ面の不安
    • 実験管理にmlflow、AutoMLツールにpyCaret
    など、新たにMLモデルの生成を賢くするツー
    ルの環境を整えれば使えるが、OSSのためメ
    ンテナンスが継続される保証はない
    • Azure Storageリソースにより一元管理
    • AzureML Studioで追加インストール不要で実
    験管理を行うことができる。
    • Azure上にデータが管理されるため、多くのセ
    キュリティサービスと環境により監視され守
    られている
    • AzureはMicrosoftが日々メンテナンス行って
    いる
    • AutoMLをGUIベースでもコードベースでも扱
    う方法が組み込まれている。
    悲しい点 嬉しくなる点
    

    View Slide

12. 自動機械学習 Automated Machine Learning
    ユーザーの入力
    特徴量
    エンジニアリング
    アルゴリズム
    の選択
    ハイパーパラメータ
    のチューニング
    モデルの
    リーダーボードと解釈
    データセット
    設定と制約
    76% 34% 82%
    41%
    88%
    72%
    81% 54% 73%
    88% 90% 91%
    95% 68%
    56%
    89% 89% 79%
    順位 モデル スコア
    1 95%
    2 76%
    3 53%
    …
    自動機械学習は、与えられたデータに対して「最高のモデル」を探索するために、
    特徴量エンジニアリング、アルゴリズムとハイパーパラメータの選択を自動実行する。
    

    View Slide

13. 13
    Automated MLの新機能 in MSBuild 2022
    ComputerVisonタスク
    1. 画像分類の単数ラベル
    2. 画像分類の複数ラベル
    3. 物体検出
    4. インスタンスのセグメント化
    自然言語処理タスク
    1. 複数テキスト分類
    2. 複数ラベルテキスト分類
    3. 名前付きエンティティの認識 (NER)
    定義された各アルゴリズムのハイパーパラメータを自動で探索
    

    View Slide

14. 14
    デモ：オンプレからクラウドの移行-機械学習におけるデータの管理-
    Azure ML
    デモ
    1. AzureMLStudioでの実験管理
    2. Automated ML(GUI)
    

    View Slide

15. Part２. MLの市場投入をより加速させる一歩
    

    View Slide

16. Machine Learning Platform Architecture
    構造化データ
    非構造化データ
    その他全てのMLシナリオ;
    NLP, Vision, IoT, etc.
    モデル AKS
    バッチ予測: SQL DB
    Analytics
    Power BI
    Business Apps
    Prepare Data Build & Train Manage & Monitor
    Deploy
    Synapse
    様々なAzureサービスのソースからデータを取り込み、モデル構築・分析・可視化が可能。
    Azure ML
    

    View Slide

17. Machine Learning Platform Architecture
    構造化データ
    非構造化データ
    その他全てのMLシナリオ;
    NLP, Vision, IoT, etc.
    モデル AKS
    バッチ予測: SQL DB
    Analytics
    Power BI
    Business Apps
    Synapse
    AzureMLによる信頼性の高いMLモデルの構築とMLOps環境
    Prepare Data Build & Train Manage & Monitor
    Deploy
    シームレスなStudio体験
    包括的な MLOps
    クラウドとオンプレミスを横断する一元管理
    サーバーレス
    コンピュート
    マネージド
    Kubernetes
    Azure Edge & Hybrid
    Azure Arc-enabled
    Kubernetes
    Edge/IoT Devices
    再現性 自動化 デプロイ 再学習
    一括管理
    Azure ML
    

    View Slide

18. Machine Learning Platform Architecture
    構造化データ
    非構造化データ
    その他全てのMLシナリオ;
    NLP, Vision, IoT, etc.
    モデル AKS
    バッチ予測: SQL DB
    Analytics
    Power BI
    Business Apps
    シームレスなStudio体験
    包括的な MLOps
    クラウドとオンプレミスを横断する一元管理
    サーバーレス
    コンピュート
    マネージド
    Kubernetes
    Azure Edge & Hybrid
    Azure Arc-enabled
    Kubernetes
    Edge/IoT Devices
    再現性 自動化 デプロイ 再学習
    一括管理
    Azure ML
    Synapse
    AzureMLによる信頼性の高いMLモデルの構築とMLOps環境
    Prepare Data Build & Train Manage & Monitor
    Deploy
    包括的な MLOps
    再現性 自動化 デプロイ 再学習
    一括管理
    

    View Slide

19. Responsible ML Tools(モデル評価と意思決定のダッシュボード) in MSBuild 2022
    Responsible AI Dashboard & Responsible AI Scorecard
    AML Responsible AI DashboardとスコアカードでAIシステムを評価し、データドリブンな意思決定を行う。
    概要
    • 公平で信頼性が高く、説明責任を果たすためのAIの開発ツール
    • YAMLを使用したワークフロー
    • シナリオに合わせて生成するRAIコンポーネントを指定可能
    • AML StudioのUI ダッシュボードによるコードなしウィザード
    • レポート機能として、インサイトやRAI ScorecardをPDFレポートと
    して出力し、ビジネス関係者と共有することが可能
    スタジオで責任ある AI ダッシュボードを使用する方法 (プレビュー) - Azure Machine Learning | Microsoft Docs
    • グローバル コントロール
    • エラー分析
    • モデルの概要
    • データ エクスプローラー
    • 特徴量の重要度 (モデルの説明)
    • 反事実条件 What-If
    • 原因分析
    分析項目と機能
    

    View Slide

20. デモ：Responsible ML Tools(モデル評価と意思決定のダッシュボード)
    Azure ML
    デモ
    1. どのようにその画面までたどり着くのか
    2. 何ができるのか
    

    View Slide

21. Full MLOps on Azure アーキテクチャ
    再現性、自動化、デプロイ、再学習の実現
    再現性
    デプロイ
    自動化
    再学習
    ・実験・メタデータ管理
    ・マネージドエンドポイント
    ・github/Azure DevOps連携によるCI/CD
    ・データドリフト検知
    ・Azure Monitorによる監視
    ・EventGridによるイベント検知
    

    View Slide

22. Level 4 – Full MLOps Automated Retraining
    Mount/Download
    Azure Synapse
    Pipeline
    Azure Data Lake
    Storage Gen2
    Job Environments
    Azure Machine Learning
    Python SDK/CLI
    Azure Container Registry
    Data
    Prep
    Data Models
    Monitoring
    Azure Machine Learning
    Python SDK/CLI
    Managed
    (Online/Batch) Endpoint
    Code
    Checkout
    Managed
    (Online/Batch) Endpoint
    GitHub
    Model Training
    Code Test, Data Check
    Model Training
    Model Evaluation
    Responsible AI
    Deploy to Stage
    Deploy to Stage
    Model Test
    Responsible AI
    Azure Monitor Azure Insights
    Azure Machine Learning
    Components
    container
    Gated
    approval
    Retraining Trigger
    Deploy to Prod
    Deploy to Prod
    Model Test
    ResponsibleAI
    Safe Rollout
    Azure Machine Learning
    Python SDK/CLI
    Compute Instance
    Compute Clusters
    build&push
    Training
    (pipeline)
    Deployment
    (pipeline)
    Data Science
    team
    Infra team
    Alert
    Dashboard
    build&push
    job
    submit
    experiment
    log/metric
    auto
    scale
    log/metric
    auto
    scale
    log/metric
    Register model
    deploy
    automatically
    deploy
    automatically
    Event Grid
    (Model Trigger)
    (Code Trigger)
    Azure Managed
    Grafana
    Event Grid
    model register
    data drift
    

    View Slide

23. Level 4 – Full MLOps Automated Retraining
    Mount/Download
    Azure Synapse
    Pipeline
    Azure Data Lake
    Storage Gen2
    Job Environments
    Azure Machine Learning
    Python SDK/CLI
    Azure Container Registry
    Data
    Prep
    Data Models
    Monitoring
    Azure Machine Learning
    Python SDK/CLI
    Managed
    (Online/Batch) Endpoint
    Code
    Checkout
    Managed
    (Online/Batch) Endpoint
    GitHub
    Model Training
    Code Test, Data Check
    Model Training
    Model Evaluation
    Responsible AI
    Deploy to Stage
    Deploy to Stage
    Model Test
    Responsible AI
    Azure Monitor Azure Insights
    Azure Machine Learning
    Components
    container
    Gated
    approval
    Retraining Trigger
    Deploy to Prod
    Deploy to Prod
    Model Test
    ResponsibleAI
    Safe Rollout
    Azure Machine Learning
    Python SDK/CLI
    Compute Instance
    Compute Clusters
    build&push
    Training
    (pipeline)
    Deployment
    (pipeline)
    Data Science
    team
    Infra team
    Alert
    Dashboard
    build&push
    job
    submit
    experiment
    log/metric
    auto
    scale
    log/metric
    auto
    scale
    log/metric
    Register model
    deploy
    automatically
    deploy
    automatically
    Event Grid
    (Model Trigger)
    (Code Trigger)
    Azure Managed
    Grafana
    Event Grid
    model register
    data drift
    • データセット・ジョブ、モデル等の管理
    • 作成者/実験者・時刻 etc..
    • 再利用するためのサンプルコードも提供
    • モデルのトレーニングコードの生成 in MSBuild 2022
    再現性
    

    View Slide

24. Level 4 – Full MLOps Automated Retraining
    Mount/Download
    Azure Synapse
    Pipeline
    Azure Data Lake
    Storage Gen2
    Job Environments
    Azure Machine Learning
    Python SDK/CLI
    Azure Container Registry
    Data
    Prep
    Data Models
    Monitoring
    Azure Machine Learning
    Python SDK/CLI
    Managed
    (Online/Batch) Endpoint
    Code
    Checkout
    Managed
    (Online/Batch) Endpoint
    GitHub
    Model Training
    Code Test, Data Check
    Model Training
    Model Evaluation
    Responsible AI
    Deploy to Stage
    Deploy to Stage
    Model Test
    Responsible AI
    Azure Monitor Azure Insights
    Azure Machine Learning
    Components
    container
    Gated
    approval
    Retraining Trigger
    Deploy to Prod
    Deploy to Prod
    Model Test
    ResponsibleAI
    Safe Rollout
    Azure Machine Learning
    Python SDK/CLI
    Compute Instance
    Compute Clusters
    build&push
    Training
    (pipeline)
    Deployment
    (pipeline)
    Data Science
    team
    Infra team
    Alert
    Dashboard
    build&push
    job
    submit
    experiment
    log/metric
    auto
    scale
    log/metric
    auto
    scale
    log/metric
    Register model
    deploy
    automatically
    deploy
    automatically
    Event Grid
    (Model Trigger)
    (Code Trigger)
    Azure Managed
    Grafana
    Event Grid
    model register
    data drift
    • マネージドエンドポイント(モデル展開の簡素化)
    • カスタムコンテナは推論サーバーをDocker化さえできれば、
    AMLはホストできる
    • Azure Machine Learning 上で監視、スケーリング、アラート、および
    認証を引き続き利用できる
    • ブルーグリーンデプロイメント対応
    デプロイ
    

    View Slide

25. Level 4 – Full MLOps Automated Retraining
    Mount/Download
    Azure Synapse
    Pipeline
    Azure Data Lake
    Storage Gen2
    Job Environments
    Azure Machine Learning
    Python SDK/CLI
    Azure Container Registry
    Data
    Prep
    Data Models
    Monitoring
    Azure Machine Learning
    Python SDK/CLI
    Managed
    (Online/Batch) Endpoint
    Code
    Checkout
    Managed
    (Online/Batch) Endpoint
    GitHub
    Model Training
    Code Test, Data Check
    Model Training
    Model Evaluation
    Responsible AI
    Deploy to Stage
    Deploy to Stage
    Model Test
    Responsible AI
    Azure Monitor Azure Insights
    Azure Machine Learning
    Components
    container
    Gated
    approval
    Retraining Trigger
    Deploy to Prod
    Deploy to Prod
    Model Test
    ResponsibleAI
    Safe Rollout
    Azure Machine Learning
    Python SDK/CLI
    Compute Instance
    Compute Clusters
    build&push
    Training
    (pipeline)
    Deployment
    (pipeline)
    Data Science
    team
    Infra team
    Alert
    Dashboard
    build&push
    job
    submit
    experiment
    log/metric
    auto
    scale
    log/metric
    auto
    scale
    log/metric
    Register model
    deploy
    automatically
    deploy
    automatically
    Event Grid
    (Model Trigger)
    (Code Trigger)
    Azure Managed
    Grafana
    Event Grid
    model register
    data drift
    • コード管理 in Github/Azure DevOps
    • テストの実行
    • パイプラインのキック
    • トレーニングジョブの実行、レジストリにモデルの登録、
    モデルのデプロイ
    自動化
    

    View Slide

26. Level 4 – Full MLOps Automated Retraining
    Mount/Download
    Azure Synapse
    Pipeline
    Azure Data Lake
    Storage Gen2
    Job Environments
    Azure Machine Learning
    Python SDK/CLI
    Azure Container Registry
    Data
    Prep
    Data Models
    Monitoring
    Azure Machine Learning
    Python SDK/CLI
    Managed
    (Online/Batch) Endpoint
    Code
    Checkout
    Managed
    (Online/Batch) Endpoint
    GitHub
    Model Training
    Code Test, Data Check
    Model Training
    Model Evaluation
    Responsible AI
    Deploy to Stage
    Deploy to Stage
    Model Test
    Responsible AI
    Azure Monitor Azure Insights
    Azure Machine Learning
    Components
    container
    Gated
    approval
    Retraining Trigger
    Deploy to Prod
    Deploy to Prod
    Model Test
    ResponsibleAI
    Safe Rollout
    Azure Machine Learning
    Python SDK/CLI
    Compute Instance
    Compute Clusters
    build&push
    Training
    (pipeline)
    Deployment
    (pipeline)
    Data Science
    team
    Infra team
    Alert
    Dashboard
    build&push
    job
    submit
    experiment
    log/metric
    auto
    scale
    log/metric
    auto
    scale
    log/metric
    Register model
    deploy
    automatically
    deploy
    automatically
    Event Grid
    (Model Trigger)
    (Code Trigger)
    Azure Managed
    Grafana
    Event Grid
    model register
    data drift
    • データドリフト検知
    • Azure Monitorにより監視
    • Azure Event Gridによるイベントの検知
    • job完了、モデルの登録、デプロイ、
    実行ステータスの変更、etc…
    再学習
    

    View Slide

27. デモ：マネージドエンドポイント
    Azure ML
    デモ
    1. モデルの登録画面からエンドポイントの作成、
    推論まで
    

    View Slide

28. Part３.機械学習モデルを一からフルスクラッチで作る必要はないかもしれない
    

    View Slide

29. Azure AIの全体像
    Azure Applied AI Services
    Azure Machine Learning
    • Speech to Text
    • Text to Speech
    • Speech Translation
    • Speaker
    Recognition
    • Computer Vision
    • Custom Vision
    • Face API
    • Entity recognition
    • Sentiment analysis
    • QnA Maker
    • Conversational language
    understanding
    • Translator etc…
    • Anomaly Detector
    • Content Moderator
    • Personalizer
    業務シナリオに特化したサービス群
    カスタム可能な学習済みAIモデル
    エンドツーエンドの機械学習サービス
    エンジン
    • GPT-3シリーズ
    • Codexシリーズ
    • 埋め込みシリーズ
    Azure Cognitive Services
    

    View Slide

30. Azure AIの全体像
    Azure Machine Learning
    • Speech to Text
    • Text to Speech
    • Speech Translation
    • Speaker
    Recognition
    • Computer Vision
    • Custom Vision
    • Face API
    • Entity recognition
    • Sentiment analysis
    • QnA Maker
    • Conversational language
    understanding
    • Translator etc…
    • Anomaly Detector
    • Content Moderator
    • Personalizer
    業務シナリオに特化したサービス群
    カスタム可能な学習済みAIモデル
    エンドツーエンドの機械学習サービス
    エンジン
    • GPT-3シリーズ
    • Codexシリーズ
    • 埋め込みシリーズ
    Azure Cognitive Services
    Azure Applied AI Services
    

    View Slide

31. シンプルなAPIでテキストと構造を抽出
    フォームに合わせた抽出のカスタマイズ
    クラウドからエッジまで、
    どこにでもデプロイ可能
    U S E C A S E S
    要求管理と自動化 ドキュメントプロセスの
    自動化
    帳票類の自動化
    Azure Form
    Recognizer
    

    View Slide

32. デモ：Azure Applied AI Services
    Azure Form Recognizer
    デモ
    1. 画像から文章の読み取り
    2. 手書き文字とレイアウト認識
    

    View Slide

33. Azure Open AI Services
    Open AI modelsのような大規模なモデルをAzure 上で、よりセキュアに利用可能に。
    GPT-3 models
    Inferencing time
    Capability
    Ada
    Babbage
    Curie
    Davinci
    • 高度な利用シナリオでの文章要約
    • クリエイティブ コンテンツの生成
    • 質問への回答
    • 複雑で微妙な内容の文章分類
    • セマンティック検索のランキング
    • 適度に複雑な内容の文章分類
    • 簡単な文章分類
    • テキストの解析と文法訂正
    • アプリケーション生成
    • 高度なコード生成
    Capability
    リミテッドプレビュー in MSBuild 2022
    

    View Slide

34. デモ：Azure Cognitive Services
    Azure Open AI Services
    デモ
    1. 具体的に例えば何ができるのか
    

    View Slide

35. View Slide

36. Part４.コードが書けなくても機械学習モデルを作ることはできる
    

    View Slide

37. Machine Learning Platform Architecture
    構造化データ
    非構造化データ
    その他全てのMLシナリオ;
    NLP, Vision, IoT, etc.
    モデル AKS
    バッチ予測: SQL DB
    Analytics
    Power BI
    Business Apps
    Synapse
    AzureMLによる信頼性の高いMLモデルの構築とMLOps環境
    Prepare Data Build & Train Manage & Monitor
    Deploy
    シームレスなStudio体験
    包括的な MLOps
    クラウドとオンプレミスを横断する一元管理
    サーバーレス
    コンピュート
    マネージド
    Kubernetes
    Azure Edge & Hybrid
    Azure Arc-enabled
    Kubernetes
    Edge/IoT Devices
    再現性 自動化 デプロイ 再学習
    一括管理
    Azure ML
    

    View Slide

38. Machine Learning Platform Architecture
    構造化データ
    非構造化データ
    その他全てのMLシナリオ;
    NLP, Vision, IoT, etc.
    モデル AKS
    バッチ予測: SQL DB
    Analytics
    Power BI
    Business Apps
    シームレスなStudio体験
    包括的な MLOps
    クラウドとオンプレミスを横断する一元管理
    サーバーレス
    コンピュート
    マネージド
    Kubernetes
    Azure Edge & Hybrid
    Azure Arc-enabled
    Kubernetes
    Edge/IoT Devices
    再現性 自動化 デプロイ 再学習
    一括管理
    Azure ML
    Synapse
    AzureMLによる信頼性の高いMLモデルの構築とMLOps環境
    Prepare Data Build & Train Manage & Monitor
    Deploy
    

    View Slide

39. Designer デザイナー in Azure ML
    機械学習のモデル構築、テスト、デプロイするためのビジュアルパイプライン
    • 直感的なマウス操作でパイプライン構築
    • 特徴量エンジニアリング
    • モデル学習 (回帰、分類、クラスタリング)
    • 推論 (リアルタイム & バッチ)
    • カスタムモデル・スクリプト (Python, R)
    https://docs.microsoft.com/ja-jp/azure/machine-learning/concept-designer
    

    View Slide

40. Designer で提供するモジュール
    データのインポート
    データの手動入力
    データのエクスポート
    データのビン化
    データ結合
    データ正規化
    パーティションとサンプル
    重複行の削除
    SMOTE
    列変換
    列の選択
    データの分割
    列の追加
    行の追加
    算術演算の適用
    SQL 変換の適用
    欠損値の除去
    値の置換
    CSA への変換
    データセットへ変換
    インジケーター値へ変換
    メタデータの編集
    フィルター特徴量選択
    Permutation 特徴量
    デシジョンツリー
    ディジョンフォレスト
    高速フォレスト分位点回帰
    線形回帰
    ロジスティック回帰
    ニューラルネットワーク
    ポワソン回帰
    ブーストデシジョンツリー
    サポートベクターマシン
    K-Means クラスタリング
    DenseNet
    ResNet
    SVD Recommender
    Wide Deep Recommender
    PCA 異常検知
    LDA
    Python モデルの作成
    Python スクリプトの実行
    R スクリプトの実行
    画像データ変換処理
    画像データの分割
    テキスト前処理
    Word2Vec
    Glove
    FastText
    クロスバリデーション
    スコアリング
    パラメータチューニング
    

    View Slide

41. 再利用可能なカスタムコンポーネント in MSBuild 2022
    ビジュアルコンポーネントをyamlとpythonファイル、環境ファイルから自作可能に。
    Pipeline
    メタデータ
    name、display_name、version、type、etc...
    インターフェース
    入出力の仕様(名前、型、説明、既定値など)
    コマンド、コード、環境
    コンポーネントの実行に必要なコマンド、
    コード、環境
    SDK
    CLI
    UI
    

    View Slide

42. デモ：Designer デザイナー in Azure ML
    Azure ML
    デモ
    1. Sampleパイプラインの紹介
    2. データの可視化
    

    View Slide

43. おまけ. Kaggle に関心がある方へ
    

    View Slide

44. デモ：Kaggle環境をAzure MLに構築する流れ
    Starting your Kaggle challenge using Azure Machine Learn Services (microsoft.com)
    

    View Slide

45. View Slide