はじめに

  • 2 分

機械学習モデルを開発する際の一般的な課題は、運用環境のシナリオに備することです。 データを処理してモデルをトレーニングするコードを記述するときは、コードをスケーラブルで反復可能で、自動化の準備ができている必要があります。

ノートブックは実験や開発に最適ですが、スクリプトは運用環境のワークロードに適しています。 Azure Machine Learning では、 コマンド ジョブとしてスクリプトを実行できます。 コマンド ジョブを送信するときに、入力データやコンピューティング環境などのさまざまなパラメーターを構成できます。

トレーニング スクリプトがジョブとして実行されたら、時間の経過に伴うモデルのパフォーマンスも監視する必要があります。 MLflow を使用して、メトリック、パラメーター、成果物をスクリプトから直接追跡できます。 MLflow は、Azure Machine Learning と統合されたオープンソース プラットフォームであり、実行を比較して次の手順を決定できます。

学習の目的

このモジュールでは、次の方法を学習します。

  • ノートブックをスクリプトに変換します。
  • ターミナルでスクリプトをテストします。
  • コマンド ジョブとしてスクリプトを実行します。
  • コマンド ジョブでパラメーターを使用します。
  • スクリプトをジョブとして実行するときは、MLflow を使用します。
  • 実行からのメトリック、パラメーター、成果物、モデルを確認します。

まず、運用環境の機械学習ワークロード用のノートブックよりもスクリプトの方が適している理由を調べてみましょう。 また、既存のノートブックを再利用可能な運用環境対応スクリプトに変換する方法も説明します。