本日はAzure AI学習枠です。
現在Azure MachineLearningをゼロから勉強しています。 チュートリアルとしてAzure MLで提供されている自動車価格のサンプルデータから自動車の価格推論を行うモデルを作成します。
前回まででデータの整理、機械学習のパイプラインの構築を行い、モデルを作成しました。
今回は最後にデプロイを行い使用できるようにしていきます。
〇リアルタイム推論パイプラインの作成
Azure MLではパイプラインを作成したあと、様々なワークフローで使用することができます。
推論パイプラインを作成後は[リアルタイム推論パイプライン]もしくは[バッチ推論パイプライン]として使用することができます。
ここではリアルタイム推論パイプラインを作成します。
①推論パイプラインの作成のプルダウンから[リアルタイム推論パイプライン]を選択します。
これによってWebサービス系のインプット、アウトプットが作成されます
②[送信]を選択します。
実験はすでに作成しいてるものを使用し新規で作成する必要はないです。
処理が始まります。これには数分の時間がかかります。
処理が完了するとデプロイが選択できるようになります。
デプロイした結果を使用するためにはAzure Kubernetes Serviceのコンピュータが必要です。
Kubernetesとはサーバー上でのコンテナの管理を行うためのオープンソースな仕組みです。
筆者もうまくまとめられるほど理解しているわけではないのですが、コンテナ、仮想マシンなどの違いに関しては次のMicrosoftの動画がわかりやすいと感じました。
Azure Kubernetes ServiceはクラウドであるAzure上でKubernetesを実行するサービスになるようです。
コンピュータを作成します。
③Azure ML studioの画面からコンピューティングタブへ飛び推論クラスターを選択します。
④仮想マシンを作成します。
⑤仮想マシンが作成されたらデプロイの設定でコンピューティング名で指定します。
デプロイを選択します。デプロイにも数分の時間がかかります。
デプロイが完了するとスタジオのエンドポイントに表示が現れます。
以上でデプロイが完了しました。
次回テストの実行とリソースの削除を行ってチュートリアルを終わります。
