Azure Databricksでの機械学習

Azure Databricksで機械学習アプリケーションを構築、デプロイ、管理します。統合プラットフォームは、データ準備から運用監視までの ML ライフサイクル全体を統合します。

生成AI と AIエージェントをお探しですか? Azure Databricks で AI エージェントを構築するを参照してください。

概要

クイックスタートを試し、モデルをコードで試作し、ノートブックを使ってみましょう。

ガイド	Description
はじめに: Databricks で初めての機械学習モデルを構築する	scikit-learn を使用して単純な分類モデルを構築してデプロイします。
データサイエンスに Genie Code を使用する	AI エージェントを使用して、データの探索、モデルの構築、反復処理を行います。
Databricks ノートブック	Python、R、Scala、SQL をサポートするコラボレーション開発環境。
概念: Azure Databricksに関するデータサイエンスと機械学習	Azure Databricksのデータサイエンスと機械学習の背後にある主要な概念について説明します。

特徴をエンジニアリングし、機械学習モデルを作成し、実験を追跡します。

Feature	Description
フィーチャーストア	機能エンジニアリングを行い、Unity カタログで機能を管理し、運用環境で機能を提供します。
モデルトレーニングの例	一般的なライブラリを使用してクラシック ML モデルをトレーニングするためのエンドツーエンドの例について説明します。
Databricks Runtime for ML	scikit-learn、XGBoost、MLflow、およびその他の ML ライブラリを使用して事前構成されたクラスターと、ディープラーニングフレームワークのサポート。
MLflow の追跡	実験を追跡し、モデルのパフォーマンスを比較し、完全なモデル開発ライフサイクルを管理します。

マネージドコンピューティングと組み込みのフレームワークを使用して、ディープラーニングモデルを開発します。

Feature	Description
AI ランタイム	カスタムディープラーニングトレーニングと推論ワークロードには、サーバーレス GPU コンピューティングを使用します。
分散トレーニングの例	Ray、TorchDistributor、DeepSpeed を使用した分散ディープラーニングの例を確認します。
DL のベストプラクティス	フレームワークの選択、データの読み込み、分散スケーリング、ディープラーニングモデルのライフサイクルの管理について説明します。
Ray on Databricks	大規模なモデルのトレーニングと推論のために分散コンピューティングを使用して ML ワークロードをスケーリングします。

リアルタイム、ストリーミング、またはバッチ推論のためのスケーラブルなエンドポイントを使用して、モデルを運用環境にデプロイします。

Feature	Description
モデルサービング	自動スケーリングと GPU サポートを使用して、カスタムモデルと LLM を REST エンドポイントとしてデプロイします。
AI ゲートウェイ	使用状況の追跡、ペイロードのログ記録、セキュリティ制御を使用して、Azure Databricksで提供されるモデルへのアクセスを管理および監視します。
バッチ推論	大規模なデータセットに対するバッチおよびストリーミングの推論と予測のモデルをデプロイします。
Foundation Model API	Databricks によってホストされている最先端の GenAI モデルにアクセスしてクエリを実行します。

包括的な監視およびガバナンスツールを使用して、モデルの品質、データの整合性、コンプライアンスを確保します。

Feature	Description
Unity カタログ	統合されたアクセス制御、系列の追跡、検出を使用して、データ、機能、モデル、および機能を管理します。
モデル用 MLflow	実験やモデルから評価とデプロイまで、ML のライフサイクル全体を管理します。
異常検出	カタログレベルでデータの鮮度と完全性を監視します。
データプロファイリング	自動化されたアラートと根本原因分析を使用して、データ品質、モデルのパフォーマンス、予測の誤差を監視します。

自動化されたワークフロー、CI/CD 統合、運用対応パイプラインを使用して機械学習操作をスケーリングします。

Feature	Description
Unity Catalog のモデル	Unity カタログのモデルレジストリを使用して、一元的なガバナンスを行い、デプロイを含むモデルのライフサイクルを管理します。
Lakeflow ジョブ	ML パイプライン用の自動化されたワークフローを構築します。
宣言型オートメーションバンドル	ML のトレーニングやデプロイなど、CI/CD のコードとしてAzure Databricksインフラストラクチャを管理します。
MLOps ワークフロー	トレーニング、テスト、デプロイの自動化されたパイプラインを備えたエンドツーエンドの MLOps について説明します。

このページはお役に立ちましたか?