内容紹介

※この商品はリフロー型で作成されており、ハイライトや検索、文字の大きさの変更などの機能がご利用可能です。

◆機械学習・LLM活用の現在地点◆

Azure Machine Learningは機械学習における学習から推論、運用までをエンドツーエンドでサポートするプラットフォームです。本書は、機械学習の活用を推進するエンジニアやデジタルトランスフォーメーションを担う人々に向け、Azure Machine Learningを使った機械学習モデルの構築から運用まで解説しています。Azure Machine Learningの基本からはじめ、自動機械学習（AutoML）機能を使った便利なモデル開発、MLflowと機械学習パイプラインを使った実践的なモデル開発を経て、MLOpsの実現を目指します。大規模言語モデルの活用にあたっては、モデルカタログやプロンプトフローの使い方を解説し、LLMOpsの概念にも触れます。

■こんな方におすすめ

・Azure Machine Learningに興味のある人、機械学習・LLMの活用をこれからはじめようとする人

■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

　　1.5 機械学習の全体的なプロセスと課題

　　1.6 ビジネスにおける機械学習

　　1.7 まとめ

・第2章 Azure Machine Learningの概要

　　2.1 Azure Machine Learningとは

　　2.2 Azure Machine Learning の主要な概念

　　2.3 Azureサービスとの連携

　　2.4 まとめ

・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

　　3.2 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

　　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

　　4.3 ハンズオン

　　4.4 まとめ

●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

　　5.2 学習ジョブでのモデル開発

　　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

　　6.3 Azure Machine LearningとMLflowの関係

　　6.4 実験管理とモデル管理の実例と解説

　　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

　　7.3 コンポーネントを用いたパイプラインの設計

　　7.4 Azure Machine Learningパイプラインの構築ハンズオン

　　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

　　8.3 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

　　8.4 バッチエンドポイント

　　8.5 モデルデプロイの構築ハンズオン

　　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

　　8.7 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

　　9.4 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

　　10.2 これまでの機械学習との違い

　　10.3 RAGワークフローの概要

　　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

　　10.5 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

　　11.2 モデルカタログの概要

　　11.3 基盤モデルのデプロイ

　　11.4 ファインチューニング

　　11.5 まとめ

・第12章 プロンプトフローの活用

　　12.1 RAGとは

　　12.2 プロンプトフローとは

　　12.3 ハンズオンの設定

　　12.4 問い合わせチャットボットの開発

　　12.5 まとめ

・第13章 LLMOpsへの招待

　　13.1 LLMOpsとは

　　13.2 Azure Machine LearningのLLMOps機能

　　13.3 まとめ

●付録

・付録A クライアント環境のセットアップ

・付録B Azure Machine Learningとデータ

・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

・付録D 責任あるAIツールボックス

■著者プロフィール

●永田 祥平：元日本マイクロソフト株式会社 クラウドソリューションアーキテクト。大学院で分子生物学やバイオインフォマティクスを学んだあと、2020年より日本マイクロソフト株式会社に入社。クラウドソリューションアーキテクト（AI）として、おもにエンタープライズのお客様を対象に、Azureデータ分析・機械学習基盤や生成AIアプリケーションの導入・活用支援を行う。2024年より米国系SaaS企業に移り、プロダクトマネージャーとして日本、韓国、台湾市場に向けた生成AI・エージェント機能の企画開発を行っている。おもな著書に『Azure OpenAI ServiceではじめるChatGPT/LLMシステム構築入門』（技術評論社）。第1章から第3章、第10章の執筆と全体統括を担当。X：@shohei_aio　LinkedIn：https://www.linkedin.com/in/shohei-nagata/

●立脇 裕太：日本マイクロソフト株式会社 クラウドソリューションアーキテクト。Softbank（SBT）、Deloitte、DataRobotでビッグデータ、クラウド、機械学習を活用してお客様のデータ活用を推進する経験を経て、日本マイクロソフトに入社。現職では、需要高まる生成AIの活用を支援する案件に従事しつつ、お客様のMLOps成熟度Level4実現に向けた支援にも従事。MLOpsCommunity（JP）のオーガナイザーでMLOpsやAIガバナンスに関する講演や記事執筆などを実施。第5章、第9章、第13章の執筆を担当。LinkedIn：https://www.linkedin.com/in/yuta-tatewaki

●伊藤 駿汰：日本マイクロソフト株式会社 クラウドソリューションアーキテクト／株式会社Omamori 取締役。本業でAI/ML開発（とくに自然言語処理方面）と利活用の技術支援、機械学習基盤やMLOps基盤の構築および活用の技術支援を行うクラウドソリューションアーキテクト、副業で自社サービスの開発を担うソフトウェアエンジニアとして活動。第6章、第11章、付録B、付録Cの執筆を担当。X：@ep_ito

●宮田 大士：日本マイクロソフト株式会社 クラウドソリューションアーキテクト。情報学の修士号を取得後、製造業にてデータ分析／機械学習システムの構築／データ分析基盤の開発を経験し、日本マイクロソフトに入社。現職では、自動車産業・製造業を中心とした幅広い業界のお客様にAIの導入／活用を支援。第4章と第12章の執筆を担当。X：@tmiyata25

●女部田 啓太：Regional AI Architect Lead, Office of the Chief Technology Officer, Microsoft Asia。Oracle、SAS Instituteでのデータ分析、統計解析、機械学習の経験を経て、2018年よりMicrosoftに入社。おもに製造業のお客様のプロジェクトに機械学習エンジニアとして従事。現職では、アジア地域における重要な基盤モデルの開発・運用管理、AI Agentのシステム構築プロジェクトへの技術支援などを実施。第7章、第8章、付録A、付録Dの執筆を担当。X：@keonabut　LinkedIn：https://www.linkedin.com/in/keita-onabuta