目次
第1部 Azure Machine Learningの基本
第1章 機械学習をビジネスに活かすには
- 1.1 機械学習に関わる用語の整理
- 1.2 機械学習が解決できる課題
- 1.3 生成AI時代における機械学習の意義
- 1.4 機械学習が取り組むべき課題
- 1.4.1 需要予測
- 1.4.2 画像分類による品質検査
- 1.4.3 自然言語処理による文書分類
- 1.5 機械学習の全体的なプロセスと課題
- 1.5.1 課題設定：解決すべき課題の明確化とプロジェクトの基盤構築
- 1.5.2 データ収集・探索：必要なデータの収集と分析
- 1.5.3 データ前処理：モデルが学習可能なデータセットの整備
- 1.5.4 アルゴリズム選定：タスクに最適なモデルの選択
- 1.5.5 パラメーター探索：モデル性能を左右するパラメーターの最適化
- 1.5.6 モデル学習：データからパターンを学ぶプロセス
- 1.5.7 モデル評価：モデルの性能確認と改善
- 1.5.8 デプロイ：モデルの実稼働環境への導入
- 1.5.9 モニタリング：デプロイ後のモデル性能監視とメンテナンス
- 1.6 ビジネスにおける機械学習
- 1.6.2 トレーニングループ
- 1.6.3 運用ループ
- 1.7 まとめ
第2章 Azure Machine Learningの概要
- 2.1 Azure Machine Learningとは
- COLUMN マネージド計算リソースとは
- 2.1.1 使い慣れたツールとの統合
- 2.1.2 MLflowへのネイティブ対応
- 2.1.3 MLOpsのプラットフォーム
- 2.1.4 責任あるAI利用のための機能
- 2.1.5 エンタープライズ対応
- 2.1.6 LLMを利用したアプリケーションの開発
- 2.2 Azure Machine Learning の主要な概念
- 2.2.1 ワークスペース
- COLUMN Azure Machine Learningの価格
- 2.2.2 クライアントツール
- 2.2.3 開発用機能
- 2.2.4 アセット
- COLUMN Azure Machine Learning推論HTTPサーバー
- 2.2.5 管理
- 2.2.6 レジストリ
- COLUMN Azure Machine Learning CLI/SDK v2
- 2.3 Azureサービスとの連携
- 2.3.1 Azure Synapse Analytics/Azure Data Factory
- 2.3.2 Microsoft Fabric
- 2.3.3 Azure Kubernetes Services/Azure Arc
- 2.3.4 GitHub/Azure DevOps
- 2.4 まとめ
- COLUMN Microsoftの責任あるAIへの取り組み
第3章 Azure Machine Learningのセットアップ
- 3.1 Azureリソースの階層構造
- 3.1.1 管理グループ（Management groups）
- 3.1.2 サブスクリプション（Subscriptions）
- 3.1.3 リソースグループ（Resource groups）
- 3.1.4 リソース（Resources）
- 3.2 Azureアカウント作成
- 3.3 Azure Machine Learningワークスペースの作成
- 3.4 クォータの引き上げ申請
- COLUMN プレビュー機能の有効化
- 3.5 まとめ
第4章 AutoMLの概要と実践
- 4.1 AutoML（自動機械学習）とは？
- 4.2 AutoMLでサポートされる機械学習のタスク
- 4.2.1 分類
- 4.2.2 回帰
- 4.2.3 時系列予測
- 4.2.4 画像（Computer Vision）
- 4.2.5 自然言語処理（NLP）
- 4.3 ハンズオン
- 4.3.1 データの登録
- 4.3.2 学習ジョブの作成と実行
- 4.3.3 結果の確認
- 4.3.4 モデルのデプロイ
- 4.4 まとめ
- COLUMN データのラベリング
第2部 機械学習モデルの構築と活用
第5章 スクラッチでのモデル開発
- 5.1 ノートブック上でのモデル開発
- 5.1.1 コンピューティングインスタンスの作成
- 5.1.2 Web版のVS Codeを起動
- 5.1.3 サンプルコードのダウンロード
- 5.1.4 conda仮想環境作成
- COLUMN Azure Machine Learning上でのAnacondaライセンスについて
- 5.1.5 新しいカーネルとして追加
- 5.1.6 モデル開発
- 5.2 学習ジョブでのモデル開発
- 5.2.1 Azure Machine Learningワークスペースに接続
- COLUMN DefaultAzureCredentialとは
- 5.2.2 データアセットの作成
- 5.2.3 カスタム環境の作成
- 5.2.4 学習用スクリプト作成
- COLUMN IPythonマジック
- 5.2.5 ジョブの構成
- COLUMN LightGBMとは
- 5.2.6 ジョブの実行
- 5.3 モデルの評価
- 5.4 コンピューティングインスタンスの停止
- 5.5 まとめ
第6章 MLflowによる実験管理とモデル管理
- 6.1 MLflow概要
- 6.2 MLflowの構成と使い方
- 6.2.1 MLflow Tracking
- 6.2.2 MLflow Models
- 6.3 Azure Machine LearningとMLflowの関係
- 6.3.1 MLflow Tracking Server-as-a-Service
- 6.3.2 その他のクラウドサービスの対応状況
- COLUMN MLflowとAzure Machine LearningのアセットURI
- 6.4 実験管理とモデル管理の実例と解説
- 6.4.1 autologを使用したノートブック上での実験管理
- 6.4.2 ノートブック上でのカスタム実験管理
- COLUMN ジョブ中での実験管理
- 6.5 まとめ
第7章 機械学習パイプライン
- 7.1 機械学習パイプラインとは？
- 7.2 Azure Machine Learningパイプラインとコンポーネント
- 7.2.1 Azure Machine Learning パイプラインの概要
- 7.2.2 パイプラインの仕組み
- 7.2.3 パイプラインの実行方法
- 7.2.4 Azure Machine Learningコンポーネント
- 7.3 コンポーネントを用いたパイプラインの設計
- 7.3.1 パイプライン全体の処理内容の定義
- 7.3.2 コンポーネントの処理内容の定義
- 7.3.3 コンポーネントの依存関係
- 7.3.4 コンポーネントの設定
- 7.4 Azure Machine Learningパイプラインの構築ハンズオン
- 7.4.1 事前準備
- 7.4.2 コンポーネントの作成
- 7.4.3 パイプラインの作成
- 7.4.4 パイプラインの実行
- 7.5 まとめ
第8章 モデルのデプロイ
- 8.1 機械学習モデルの推論
- 8.2 オンラインエンドポイント
- 8.2.1 オンラインエンドポイント概要
- 8.2.2 エンドポイントとデプロイ
- 8.2.3 デプロイに必要なアセット
- 8.2.4 ユーザーへの影響を最小限に抑えた推論環境の移行
- 8.2.5 マネージドオンラインエンドポイントの認証
- 8.3 マネージドオンラインエンドポイントの構築ハンズオン
- 8.3.1 アセットの準備
- 8.3.2 エンドポイントの作成
- 8.3.3 デプロイの作成
- 8.3.4 推論の実行
- 8.4 バッチエンドポイント
- 8.4.1 バッチエンドポイントの概要
- 8.4.2 バッチエンドポイントの認証
- 8.5 モデルデプロイの構築ハンズオン
- 8.5.1 アセットの準備
- 8.5.2 エンドポイントの作成
- 8.5.3 デプロイの作成
- 8.5.4 推論の実行
- 8.6 パイプラインコンポーネントデプロイの構築ハンズオン
- 8.6.1 エンドポイントの作成
- 8.6.2 パイプラインジョブのデプロイ
- 8.6.3 パイプラインの実行
- 8.7 まとめ
第9章 MLOpsの概要と実践
- 9.1 MLOpsとは
- 9.2 MLOps実現に向けたMicrosoftの取り組み
- 9.3 Azure Machine LearningのMLOps機能
- 9.3.1 レジストリとは
- 9.3.2 レジストリの構築ハンズオン
- 9.3.3 モデル監視
- 9.3.4 モデル監視ジョブの構築ハンズオン
- COLUMN ドリフトメトリクスの詳細
- 9.3.5 機械学習における継続的インテグレーション／デリバリー
- 9.3.6 継続的インテグレーション／デリバリーの構築ハンズオン
- 9.4 まとめ
第3部 大規模言語モデルの活用
第10章 大規模言語モデルの概要
- 10.1 大規模言語モデルとは
- 10.1.1 LLMのテキスト生成の仕組み
- 10.1.2 LLMの「文脈理解」能力
- 10.1.3 LLMの特徴
- 10.1.4 LLMの構築プロセス
- COLUMN ユーザー独自のデータセットを使ったファインチューニング
- 10.2 これまでの機械学習との違い
- 10.2.1 タスクごとのモデル設計 vs. 汎用的なモデルの利用
- 10.2.2 基盤モデル
- 10.2.3 推論フェーズの重要性
- 10.2.4 プロンプトによるタスク指示
- 10.3 RAGワークフローの概要
- COLUMN RAGとファインチューニングの使い分け
- 10.4 LLMを活用したアプリケーション開発のライフサイクル
- 10.4.1 初期化
- 10.4.2 実験
- 10.4.3 評価と改善
- 10.4.4 本番
- 10.5 まとめ
第11章 基盤モデルとモデルカタログ
- 11.1 基盤モデルの概要
- 11.1.1 自己教師あり学習と基盤モデル
- COLUMN ライセンスと機械学習モデル
- 11.1.2 ファインチューニングとは
- 11.2 モデルカタログの概要
- 11.2.2 Azure OpenAIのモデル
- 11.2.3 Hugging Face Hub のモデル
- 11.3 基盤モデルのデプロイ
- 11.3.1 サーバーレスAPI
- COLUMN Azure AI Content Safety
- COLUMN Azure AI Inference SDK
- 11.3.2 マネージドオンラインエンドポイントへのノーコードデプロイ
- 11.4 ファインチューニング
- 11.4.1 SaaS 的ファインチューニング
- 11.4.2 PaaS的ファインチューニング
- COLUMN 深層学習モデルの軽量化手法
- 11.5 まとめ
第12章 プロンプトフローの活用
- 12.1 RAGとは
- 12.1.1 検索システム
- COLUMN ベクトル検索について
- 12.1.2 オーケストレーター
- 12.2 プロンプトフローとは
- 12.3 ハンズオンの設定
- 12.3.1 Azure OpenAIのデプロイ
- 12.3.2 Azure AI Searchのデプロイ
- 12.3.3 各サービスへの接続設定
- 12.3.4 インデックスの作成
- 12.4 問い合わせチャットボットの開発
- 12.4.1 フローの作成
- 12.4.2 フローの評価
- 12.4.3 フローの実行
- 12.4.4 フローのデプロイ
- 12.5 まとめ
第13章 LLMOpsへの招待
- 13.1 LLMOpsとは
- 13.1.1 MLOpsとLLMOpsの違い
- 13.1.2 MicrosoftのLLMOps実現に向けた取り組み
- 13.2 Azure Machine LearningのLLMOps機能
- 13.2.1 LLMワークフローの監視
- 13.2.2 LLMワークフローの監視ジョブ構築ハンズオン
- COLUMN LLMワークフローのコード管理とCI/CD環境整備
- 13.3 まとめ
- COLUMN Azure AI Foundry
付録
付録A クライアント環境のセットアップ
- A.1 Azure CLIのインストール
- A.1.1 インストール手順（Windows）
- A.1.2 インストール手順（macOS）
- A.1.3 インストール手順（Linux；Ubuntu、Debian）
- A.1.4 Dockerコンテナ（Dockerに対応しているオペレーティングシステム）
- A.2 Azure Machine Learning用のAzure CLI拡張機能
- A.3 Azure Machine Learning Python SDKのインストール
付録B Azure Machine Learningとデータ
- B.1 データに関連する機能とアセット
- B.1.1 データアセット
- B.1.2 データインポート
- COLUMN v1時代のリレーショナルデータベース連携
- B.1.3 特徴量ストア
- B.2 データソース連携
- B.2.1 アプリケーションデータ
- B.2.2 データレイクハウスを中心とするデータ分析基盤
- B.3 まとめ
付録C MLflow Modelsによるノーコードコンテナビルドとデプロイ
- C.1 MLflow Modelsのメリット
- C.2 モデルの読み込みと推論
- C.3 APIのデプロイ
- C.3.1 事前準備
- COLUMN MLFLOW_TRACKING_URI
- C.3.2 コンテナビルド
- C.3.3 サービング
- C.3.4 MLflowによって自動生成されたAPIの仕様
- C.3.5 Azure Machine Learningマネージドオンラインエンドポイント
- COLUMN Kunbernetesオンラインエンドポイント
- C.4 まとめ
付録D 責任あるAIツールボックス
- D.1 責任あるAIツールボックスの概要
- D.2 エラー分析
- D.3 解釈可能性
- D.4 公平性評価
- D.5 反実仮想サンプル生成
- D.6 因果推論