Microsoft AI と機械学習製品

Microsoftには、AI と機械学習のためのプラットフォームがいくつか用意されています。 各プラットフォームは、対象ユーザー、ワークロード、データ基盤、デプロイ モデルの異なる組み合わせを対象としています。 この記事は、ソリューション アーキテクト、機械学習エンジニア、データ サイエンティスト、アプリケーション開発者が開始プラットフォームを選択し、プラットフォームの違いを理解し、実際のアーキテクチャでそれらを組み合わせる方法を学習するのに役立ちます。 対象範囲には、従来の機械学習、分析統合機械学習、Azure、Microsoft Fabric、Microsoft Foundry 全体の生成 AI ワークロードが含まれます。 この記事では、Microsoft提供されるソリューションについて説明します。

この記事を使用して、オプションを比較し、エンドツーエンドのソリューションを設計します。

プライマリ ワークロードのシナリオ

ワークロードに追加する必要がある AI または機械学習機能から始めます。 次の表は、一般的な機能シナリオを、カスタム AI と機械学習機能の推奨される開始プラットフォームにマップします。 プラットフォームの機能を確認し、デシジョン ツリーを確認する前に、最初のオリエンテーションとして使用します。

プラットフォームの機能を比較する

次の表は、各プラットフォームが主に適合する場所、補完的なサポートを提供する場所、および機能がフォーカスされていない場所をまとめたものです。 マトリックスでは、次のアイコンが使用されます。

• ✅ 主な機能
• ⚠️ サポートされている機能または補完的な機能
• ❌ フォーカスではない

次のノートでは、マトリックス内の特定の評価を明確にしています。

• Foundry Tools は、Azure AI 検索、Foundry コントロール プレーンのコンテンツ の安全性、Foundry Tools の Azure ドキュメント インテリジェンスなどのサービスが RAG およびエージェント ソリューションの一般的な構成要素であるため、生成 AI とエージェントの補完的なツールと評価されています。 生成型 AI 開発の主要なプラットフォームは、Foundry Microsoftです。

• Microsoft Foundry ガバナンスは、主に Foundry コントロール プレーンから取得され、エージェントとアプリケーションの可観測性、ランタイム制御、セキュリティ統合、フリート管理を提供します。

• Azure Machine Learningは、Foundry モデル、マネージド エンドポイント、評価機能、サポートされている基盤モデルの微調整へのアクセスを通じて、生成型 AI をサポートします。 これは、生成型 AI 開発の主要なプラットフォームではありません。

• Azure Databricksは、Unity カタログが、ロールベースのアクセス制御 (RBAC) と OpenSharing を使用して統合されたデータとモデル ガバナンスを提供するため、ガバナンスの主要な評価を獲得します。

• oneLake、Microsoft Purview統合、秘密度ラベル、ドメイン ベースのコントロールはデータ資産をカバーするため、Microsoft Fabricはガバナンスの補完的なものとして評価されます。 Microsoft Fabricには、モデルを格納および追跡するための MLflow ベースのモデル レジストリが組み込まれています。 Microsoft Fabricには、レイクハウスやコード項目との関係など、機械学習モデルと実験の系列ビューも組み込まれています。 ただし、Microsoft Fabricには責任ある AI ダッシュボードは含まれません。 より広範なモデル ライフサイクル ガバナンスの場合は、Microsoft FabricとAzure Machine Learningを組み合わせて使用します。

• Microsoft Fabricは、Microsoft Fabric Real-Time インテリジェンスがストリーミング分析を対象とし、Microsoft Fabric機械学習モデル エンドポイントがリアルタイム予測用のマネージド オンライン REST エンドポイントを提供するため、リアルタイム推論の補完的なものとして評価されます。 モデル エンドポイントはプレビュー段階であり、限られたモデル フレーバーのセットをサポートしています。 広範な運用オンライン サービスの場合は、Microsoft FabricとAzure Machine Learningマネージド オンライン エンドポイントまたは Microsoft Foundry を組み合わせることもできます。

• Foundry Local は、Microsoft Foundry をエッジとオフラインのシナリオでデバイス上の推論に拡張します。

• Azure Arcは、ハイブリッド トレーニングまたはスコアリングのために、Azure Machine Learningをオンプレミスの Kubernetes クラスターに拡張します。

• Microsoft Fabric データ サイエンスには、低コードの AutoML エクスペリエンスが含まれています。 コードファースト AutoML は、Microsoft Fabric ノートブックの高速軽量 AutoML (FLAML) API を通じて使用できます。 現在の状態については、Microsoft Fabricドキュメントを確認してください。

プラットフォームの選択肢を絞り込む

次のデシジョン ツリーを使用して、開始プラットフォームの選択肢を絞り込みます。 このツリーは、ワークロードの プライマリ プラットフォームを選択するのに役立ちます。 ほとんどの運用ソリューションは複数のプラットフォームを組み合わせるので、この記事の製品固有のセクションを使用して選択を絞り込みます。 複合アーキテクチャ パターンの使用も検討してください。 詳細については、「プラットフォームの 結合」を参照してください。

このデシジョン ツリーのVisio ファイルをダウンロードします。

ステップバイステップのチュートリアル

デシジョン ツリーを確認するには、次の手順に従います。 プラットフォームの選択に達したら、残りの手順をスキップします。

1. 機能シナリオを特定します。

   ワークロード内の機能レベルでプラットフォームを選択します。 各機能には、1 つ以上のテクノロジが提供できる固有の機能要件と非機能要件があります。 このフローチャートを使用する場合は、解決する特定のユース ケースの要件を考慮してください。

   • ビジョン、音声、言語、検索、ドキュメントの理解、コンテンツの安全性などの事前構築済みの AI 機能がワークロードのニーズを満たしている場合は、 Foundry Tools を使用します。 Foundry Tools の多くのサービスでは、Azure言語でのカスタム テキスト分類や、Azure ドキュメント インテリジェンスのカスタム モデルなど、カスタマイズがサポートされています。 完全なカスタム トレーニングや、言語モデルを使用して特殊なサービスをシミュレートするようなより広範なアプローチにコミットする前に、これらのサービスを検討してください。 サービス固有のドキュメントについては、次の記事を参照してください。
     • Foundry Tools の Azure Vision
     • Foundry Tools での音声のAzure
     • Foundry ツール内の Azure 言語
     • Azure AI 検索
     • Foundry Tools における Azure ドキュメント インテリジェンス
     • Foundry Tools のAzure コンテンツの理解
     • Foundry コントロール プレーンでのコンテンツの安全性
   • ワークロードで非決定的な動作を追加するために生成 AI またはカスタム AI エージェントが必要な場合は、手順 2 に進みます。
   • この機能にカスタム機械学習またはディープ ラーニング機能 (従来の機械学習、コンピューター ビジョン、予測、独自のモデルの微調整など) が必要な場合は、手順 3 に進みます。
   • 機械学習をより広範なデータと BI ワークフローに統合する必要がある場合は、手順 4 に進みます。

2. 生成 AI とエージェントの場合は、開発者プロファイルに一致するMicrosoft プラットフォームを選択します。

   • 大規模言語モデル (LLM) API への直接アクセスのみ: Microsoft Foundry で openAI Azure使用します。

   • コード優先エージェントまたはマルチエージェント開発: ホストとオーケストレーションには、Foundry Agent Service と組み合わせてMicrosoft Agent Framework SDK を使用します。

   • 完全な生成 AI プラットフォーム (Foundry モデル、微調整、評価、安全性、可観測性、ガバナンス): Microsoft Foundry を使用します。

3. カスタム機械学習とディープ ラーニングの場合は、トレーニングと推論を実行する必要がある場所に基づいて決定します。

   • Windows アプリまたはデバイスの場合: ハードウェア アクセラレーションを使用したローカル モデル推論には、Windows および Windows ML で MicrosoftFoundry を使用します。 .NET アプリケーションでローカルの従来の機械学習、AutoML、または Open Neural Network Exchange (ONNX) モデルの統合が必要な場合は、ML.NET を使用します。

   • IoT ゲートウェイまたはエッジ アプライアンスの場合: ローカルまたはハードウェアで高速化された推論には、Azure IoT Edge、Foundry Local、Azure Local、またはAzure Stack Edgeを使用します。

   • SQL データベース内: SQL インテリジェント アプリケーションと AI を 使用して、データベース内予測、ベクター取得、AI エンドポイント統合を行います。 データベースで Python または R を実行する必要がある場合は、SQL Server Machine Learning Services または Azure SQL Managed Instance Machine Learning Services を使用します。

   • オンプレミスまたはマルチクラウドの Kubernetes クラスターの場合: トレーニングと推論がAzureを通じて調整されている間にデータが配置されるように、Azure Arcを介してクラスターをAzure Machine Learningにアタッチします。

   • Spark ベースまたは分散コンピューティングの場合: 手順 5 に進みます。

   • 完全な MLOps を使用するクラウドマネージド コンピューティングの場合: Azure Machine Learningを使用します。

4. 分析統合機械学習の場合は、データと BI パターンに一致するソリューションを選択します。

   • OneLake 上のPower BIを使用した統合 SaaS: Microsoft Fabric データ サイエンス ワークロードを使用します。

   • 既存のAzure Synapse Analytics投資: Azure Synapse Analyticsで機械学習を使用します。 新しい投資の場合は、Microsoft Fabricを優先します。

   • Lakehouse 規模の Spark と機械学習: Azure Databricksを使用します。

5. Spark ベースまたは分散コンピューティングの場合は、Lakehouse クラスターとマネージド Spark クラスターのどちらを使用するかに基づいて決定します。

   • MLflow と Unity カタログ ガバナンスを備えた Lakehouse: Azure Databricksを使用します。 サービスとガバナンスのために、Azure Machine Learningマネージド エンドポイントを通じてモデルを発行できます。

   • ネイティブ ストレージとセキュリティ統合を使用したAzure上のマネージド Spark クラスター: Azure HDInsightで Apache Spark を使用します。

Azure Machine Learning

Azure Machine Learningは、機械学習モデルを大規模にトレーニング、デプロイ、管理するためのフル マネージド クラウド サービスです。 TensorFlow、PyTorch、scikit-learn など、数万個のオープンソース Python パッケージをサポートしています。 データの準備からデプロイ、MLOps、責任ある AI まで、機械学習のライフサイクル全体を対象にしたツールが提供されます。

次の機能が必要な場合は、Azure Machine Learningを使用します。

• カスタム トレーニング。 カスタム モデル トレーニングは、従来の機械学習、ディープ ラーニング、またはオープンソースの LLM の微調整に使用します。

• 運用 MLOps。 実験の追跡、モデルのバージョン管理、管理レジストリ、CI/CD パイプライン、運用監視を含む運用 MLOps ライフサイクルを使用します。

• マネージド エンドポイント。 自動スケーリング、マネージド ID、および監視を提供する環境でホストされているマネージド オンラインまたはバッチ推論エンドポイントを使用します。

• ハイブリッド コンピューティング。 ハイブリッド トレーニングまたは推論は、Azure Arc対応 Kubernetes クラスターで使用します。

次の表は、機械学習ライフサイクル全体で提供Azure Machine Learningプラットフォームの機能をまとめたものです。

次の表は、Azure Machine Learningのコア導入の詳細をまとめたものです。

Azure Machine Learningは、次の状況では最適ではありません。

• 視覚、音声、または言語の事前トレーニング済み API のみを使用する必要があります。 この場合は、Foundry Tools を使用します。

• 機械学習は、分析ワークロードの小さな拡張機能です。 この場合、Microsoft FabricまたはAzure Databricksが出発点として適している可能性があります。

• ワークロードはエンド ツー エンドの生成 AI (モデルの選択、エージェントオーケストレーション、評価、デプロイ、監視) です。 また、従来の機械学習トレーニングや、Azure Machine Learning資産、実行、MLflow モデルは必要ありません。 この場合、Microsoft Foundry だけで十分です。 Azure Machine Learning ワークスペースは、カスタム モデルのコンピューティング、MLOps ライフサイクル、またはマネージド オンラインエンドポイントまたはバッチ エンドポイントAzure Machine Learningトレーニングする必要がある場合にのみ必要です。

Microsoft Foundry

Microsoft Foundry は、生成型 AI アプリケーションと AI エージェントを構築、最適化、および管理するための統合Azure プラットフォームです。 Microsoft Foundry は、Foundry モデル カタログ、エージェントとオーケストレーション サービス、評価ツールと安全性ツール、ランタイム ガバナンス用のコントロール プレーンを組み合わせたものです。 コード優先のエージェント開発では、Foundry と Microsoft Agent Framework のペアMicrosoft、Semantic Kernelと AutoGen の間の以前の分割よりも優先される統合Microsoft SDK です。

次の機能が必要な場合は、Microsoft Foundry を使用します。

• 生成 AI またはエージェント。 マルチモデル チャットボットや調整された LLM ワークフローなどの生成 AI またはエージェントベースのソリューションを構築します。

• モデルの検出と評価。 複数のプロバイダーから基礎モデルを検出、比較、評価できる必要があります。

• モデルのカスタマイズとガバナンス。 組み込みの可観測性、コンテンツの安全性、ランタイム コントロールを提供するマネージド環境で、基盤モデルを微調整、評価、デプロイする必要があります。

次の表は、生成型 AI アプリケーションとエージェント開発をサポートする Microsoft Foundry 機能をまとめたものです。

Foundry Toolkit for Visual Studio Code

Foundry Toolkit for Visual Studio Code は、Microsoft Foundry の主要な開発者エクスペリエンスです。 これは、生成 AI アプリケーションとエージェントのローカル優先ワークフローが必要な場合に使用します。 このツールキットは、モデル検出、ローカル モデルの実行、プロンプトとエージェントの開発、ツールの統合、デバッグ、トレース、評価、微調整、およびデプロイをサポートし、Visual Studio Codeから Foundry をMicrosoftします。

デプロイ前にソリューションにコード、ソース管理、ローカル イテレーション、エージェント検査、MCP ツール統合、またはモデル テストが必要な場合は、Foundry Toolkit から開始します。 Foundry ポータルを使用して、アプリケーションとエージェントの実行後の概念実証の探索、プロジェクトのセットアップ、リソース レビュー、評価レビュー、運用の可視性を実現します。

Foundry ポータルとAzure Machine Learning スタジオ

Foundry ポータルとAzure Machine Learning スタジオは、補完的な Web エクスペリエンスです。 プロトタイプ作成、プロジェクトとリソースの管理、評価レビュー、運用の可視性に使用します。

次の表は、Microsoft Foundry の主要な導入の詳細をまとめたものです。

Microsoft Foundry は、次の状況では最適ではありません。

• API を介して光学式文字認識 (OCR)、音声テキスト変換の文字起こし、翻訳、コンテンツ モデレーションなどの事前構築済みの AI 機能を使用します。また、モデルの選択、オーケストレーション、エージェントは必要ありません。 この場合は、 Foundry Tools を使用します。

• ソリューションには、従来の機械学習またはディープ ラーニング用のカスタム モデル トレーニングと、完全な MLOps 機能が必要です。 この場合は、Azure Machine Learningを使用します。 Microsoft Foundry では、表形式データ用の広範なプロビジョニング済みトレーニング コンピューティングまたは AutoML は提供されていません。

• ソリューションには Spark 規模のデータ エンジニアリングが必要です。 この場合は、Azure DatabricksまたはMicrosoft Fabricを使用します。

鋳造ツール

Foundry Tools (旧称 Azure AI サービス および Cognitive Services) は、REST API と SDK を通じて使用する事前トレーニング済みの AI 機能のファミリです。 各ツールは特定の機能を対象としているため、カスタム モデルを構築またはトレーニングすることなく、インテリジェントな機能をアプリケーションに追加できます。 使用するサービスの決定については、「 AI サービス テクノロジの選択」を参照してください。

Foundry Tools は、次の状況で使用します。

• 事前トレーニング済み API はシナリオを対象としているため、カスタム モデルをトレーニングする必要はありません。

• 標準のマネージド API と、既存のアプリケーションとの API ベースの統合が必要です。

次の表は、一般的に使用されるサービスを機能領域別にグループ化しています。 生成 AI モデル、エージェント、オーケストレーションは、Microsoft Foundry の一部であり、参照用に個別に一覧表示されます。

機能領域内のサービスを比較し、サービスを選択するには、次の詳細な選択ガイドを参照してください。

• 画像とビデオの処理
• ターゲット言語処理
• 音声認識と生成
• ベクトル検索
• AI サービス テクノロジ

次の表は、Foundry Tools の主要な導入の詳細をまとめたものです。

Foundry Tools は、次の状況では最適ではありません。シナリオでは、サポートされているカスタマイズ オプションを超えるカスタム モデル アーキテクチャまたはトレーニング データが必要です。 このような場合は、クラシック モデルまたはディープ ラーニング モデルにAzure Machine Learningを使用するか、生成 AI の微調整に Microsoft Foundry を使用します。

Microsoft Fabric

Microsoft Fabricは、SaaS ベースの統合された分析プラットフォームです。 データ エンジニアリング、データ サイエンス、データ ウェアハウス、リアルタイム インテリジェンス、Power BIを共有 OneLake データ基盤に統合します。 Microsoft Fabricを使用するデータ エンジニア、データ サイエンティスト、ビジネス アナリストは、同じマネージド環境で共同作業を行います。

Microsoft Fabric Data Science ワークロードは、機械学習に最も関連する部分です。 Spark ノートブック、AutoML、実験追跡用の組み込みの MLflow エクスペリエンス、モデル レジストリが提供されます。 詳細については、「Microsoft Fabricのデータ サイエンスとは」を参照してください。

次の機能が必要な場合は、Microsoft Fabricを使用します。

• 分析統合機械学習。 機械学習は、レイクハウス内のデータに対するモデルの構築や、Power BIへの予測の提供など、ソリューション内の広範な分析ワークフローの一部です。

• フル マネージド SaaS。 管理するインフラストラクチャを最小限に抑えたフル マネージド SaaS エクスペリエンスが必要です。

• 共有データ基盤。 チームは、同じ OneLake 基盤上で、データ エンジニアリング、データ サイエンス、BI 全体で作業します。

次の表は、分析統合機械学習に最も関連するMicrosoft Fabric機能をまとめたものです。

次の表は、Microsoft Fabricのコア導入の詳細をまとめたものです。

Microsoft Fabricは、大規模なディープ ラーニング、管理されたレジストリを備えた包括的な MLOps、またはきめ細かいコンピューティング制御が必要です。 このような場合は、Azure Machine LearningまたはAzure DatabricksでMicrosoft Fabricを補完します。 Microsoft Fabricでは、分析統合機械学習について詳しく説明していますが、専用の機械学習プラットフォームの代わりではありません。

Azure Databricks

Azure Databricksは、データ、分析、AI ソリューションを構築、デプロイ、共有、保守するための、統合されたオープンな分析プラットフォームです。 これは、lakehouse アーキテクチャのデータ ウェアハウスとデータ レイク機能を組み合わせ、Azureストレージとセキュリティと統合します。

次の機能が必要な場合は、Azure Databricksを使用します。

• Spark スケールの機械学習。 非常に大規模なデータセットまたは分散 Spark クラスターで機械学習を実行する必要があります。

• 統合された Lakehouse ワークフロー。 データ エンジニアリング、特徴エンジニアリング、実験、モデル開発を 1 つの Lakehouse ワークフローで組み合わせます。

• 運用環境の機械学習操作。 マネージド サービス エンドポイント、自動化されたワークフロー、MLOps パイプラインを使用して、運用環境で機械学習ソリューションをデプロイ、管理、監視したいと考えています。

• Unity カタログ のガバナンス。 一元化されたアクセス制御と系列を提供する Unity カタログのデータ、機能、モデル、および関数を管理する必要があります。

• 生成 AI とエージェント。 カスタム モデルと基盤モデルのシナリオを含め、Azure Databricksで生成型 AI と AI エージェントのワークロードを構築します。

次の表に、注目すべきAzure Databricks機能を示します。

次の表は、Azure Databricksのコア導入の詳細をまとめたものです。

Azure Databricksは、次の状況では最適ではありません。

• チームは Spark スケールの処理を必要としません。 この場合、クラスターのオーバーヘッドが正当化されない可能性があります。

• シナリオでは、純粋に API 駆動型の AI を使用します。 この場合、Foundry Tools または Microsoft Foundry は、より直接的なパスを提供します。

• Azure Machine Learning固有のガバナンス コントロール、エンドポイント機能、またはチーム間で標準化されたエンドポイント レイヤーが必要です。 このような場合は、ハイブリッド設計Azure Machine Learningマネージド エンドポイントを使用します。

SQL インテリジェント アプリケーションと機械学習

SQL データベース内 AI は、管理されたリレーショナル データを既に存在する場所に保持し、予測、ベクター取得、および AI エンドポイント統合を Transact-SQL (T-SQL) に直接追加します。

次の状況では、SQL データベース内 AI を使用します。

• セキュリティ、プライバシー、待機時間、または規制上の理由から、データはリレーショナル データベース内に残る必要があります。

• 不正行為のチェックや次のベスト アクションの決定など、トランザクションに近い待機時間のスコアリングが必要です。

• RAG パターンとセマンティック マッチング パターンについて、データベース内でベクター検索と取得を直接行う必要があります。

• オーケストレーションまたはエージェント呼び出し可能なワークフローには、T-SQL からの外部 AI エンドポイントのデータベースネイティブ呼び出しが必要です。

次の表に、現在のプラットフォームとツールを示します。

次の表は、Azure SQL機械学習のコア導入の詳細をまとめたものです。

次Azure SQL方法を使用する場合は、機械学習を別のプラットフォームと組み合わせます。

• 外部でトレーニングし、SQL でスコアを付けます。 大規模またはディープ ラーニングのトレーニングでは、トレーニングにAzure Machine Learning、Azure Databricks、またはMicrosoft Fabricを使用します。 次に、データベース内スコアリングのために推論成果物を SQL に戻します。

• クラウドトレーニング、データベースデプロイ、SQL 予測。 外部でトレーニングし、ターゲット SQL プラットフォームでサポートされているスコアリング 成果物をエクスポートした後、 PREDICT を使用して、トランザクション データに近い SQL で予測を実行します。

• SQL で埋め込みを生成し、生成用にエンドポイントを呼び出します。 RAG とエージェントのシナリオでは、SQL で埋め込みとベクター取得を生成します。 次に、応答の生成が必要な場合は、 sp_invoke_external_rest_endpoint を使用して SQL から外部モデル エンドポイントを呼び出します。

エッジ、ローカル、オンプレミスの機械学習

クラウドの外部、ローカル デバイス、オフライン環境、アプリケーションに埋め込まれた環境、またはオンプレミスインフラストラクチャ内で実行される機械学習の場合、Microsoftにはいくつかのオプションが用意されています。

次の機能が必要な場合は、エッジ、ローカル、オンプレミスの機械学習を使用します。

• ローカル推論。 待機時間、オフライン操作、またはデータ プライバシーの要件を満たすには、ローカルで推論を実行する必要があります。 たとえば、断続的な接続を使用する環境の予測メンテナンス ソリューションでは、ローカル推論が必要です。

• アプリケーションに機械学習を埋め込む機能。 埋め込み機械学習機能を必要とするデスクトップまたはモバイル アプリケーションを構築します。

• オンプレミスの実行。 シナリオでは、ローカルのSQL Serverデプロイなど、オンプレミス環境にとどまるために機械学習の実行が必要です。

Microsoftには、次のオプションがあります。

• Windows上の Microsoft Foundry には、CPU、GPU、および NPU 全体のハードウェア アクセラレーションを備えたWindows デバイスでのローカル推論用のWindows ML が含まれています。 新しいWindows アプリとデバイスの推論ワークロードには、Windows ML を使用します。

• ML.NET は、.NET開発者向けのオープンソースのクロスプラットフォーム機械学習フレームワークです。 データの読み込み、トレーニング (.NETの AutoML を含む)、ローカル推論がサポートされています。 ML.NET は、ONNX モデルの統合など、.NETネイティブ モデルのトレーニングまたは推論がアプリケーションで必要な場合に使用します。

• SQL Server Machine Learning Services では、データがローカル データ層に残る必要がある場合に、オンプレミスのSQL Server内でのトレーニングとスコアリングがサポートされます。

• Foundry Local は、Microsoft Foundry をエッジとオフラインのシナリオに拡張するデバイス上の AI 推論ソリューションです。

• Azure Localは、ローカル仮想マシン (VM) とコンテナーのAzure管理インフラストラクチャを提供します。 これを使用して、Foundry Local ワークロード、RAG 取得コンポーネント、Azure Machine Learningからエクスポートされた ONNX モデルなどのデータに近いエッジ AI コンポーネントをホストします。

• Azure Machine Learningの Kubernetes コンピューティングでは、Azure Arc対応の Kubernetes クラスターが Azure Machine Learning ワークスペースにアタッチされるため、オンプレミスまたはマルチクラウド クラスターでは、オーケストレーションがAzureしたままトレーニングと推論が実行されます。

• Azure IoT Edgeは、推論がローカルで実行されるように、コンテナー化された機械学習モデルをエッジ デバイスにデプロイします。

• Azure Stack Edgeでは、ハードウェアアクセラレータによる機械学習と VM またはコンテナー化されたワークロードに使用できる、Microsoftマネージド エッジ アプライアンスが提供されます。 デバイスは、検証済みのパートナー ワークロードまたは少なくとも 100 ノードのデプロイでのみ使用できます。

一般的なパターンでは、Azure Machine LearningまたはAzure Databricksを使用して、クラウド内のエクスポート可能なモデルをトレーニングします。 その後、モデルとターゲット ランタイムがその形式をサポートすると、モデルは ONNX に変換されます。 最後に、モデルは、Windows ML、ML.NET、Azure IoT Edge モジュール、Foundry Local、またはAzure Local インフラストラクチャを介してエッジ推論用にデプロイされます。

プラットフォームを組み合わせる

運用ソリューションでは、複数のプラットフォームを組み合わせることができます。 この記事の前半のフローチャートは、 プライマリ の開始プラットフォームを選択するのに役立ちます。 複合アーキテクチャを計画し、各シナリオで通常必要となるサポートMicrosoft コンポーネントを特定するには、次の表を使用します。

開発プラットフォームおよびツール

ほとんどのチームは、主要なプラットフォームとして選択したプラットフォームと共に、クロスカット開発ツールとサポート サービスを使用します。 これらのツールは、AI と機械学習の作業が実行前に開発、テスト、パッケージ化される場所に影響します。 サポート サービスは、推論がホストされる場所、またはマネージド クラウド プラットフォームに移動できないデータにコンピューティングがアタッチされる場所に影響します。

このセクションでは、日常的な開発および運用プラットフォームである主な開発者ツールと、自己管理型推論をホストする隣接するサポート サービス、Spark ベースの機械学習の高速化、オンプレミス インフラストラクチャへのトレーニングとスコアリングの拡張を分離します。

次のツールは、クラウドとオンプレミスのプラットフォーム全体での開発をサポートします。

隣接するサポート サービスは、実験、自己管理推論ホスティング、Spark ベースの機械学習、またはハイブリッド操作に役立ちますが、決定フローの主要なプラットフォームの選択肢ではありません。

寄稿者

Microsoft では、この記事を保持しています。 この記事を書いたのは、以下の寄稿者です。

主要著者:

• Mahdi Setayesh | プリンシパル ソフトウェア エンジニア

公開されていない LinkedIn プロフィールを見るには、LinkedIn にサインインしてください。

次のステップ

• Azure Machine Learning とは
• Microsoft Foundry のドキュメント
• Microsoft Fabric とは何か?
• Foundry Tools とは
• Azure Machine Learning のしくみ
• Microsoft AI
• Microsoft AI エンジニアとデータ サイエンティスト向けのトレーニングについて学習する

関連リソース

• AI サービス テクノロジを選択する
• ベクター検索用の Azure サービスを選択する
• AI テクノロジの概要