Azure AI Studio でプロジェクトを作成する

この記事では、Azure AI Studio プロジェクトの作成方法を説明します。 プロジェクトは、カスタマイズされた AI アプリの構築中に作業を整理し、状態を保存するために使用されます。

プロジェクトは、エンタープライズ レベルのセキュリティとコラボレーション環境を提供する Azure AI Studio ハブによってホストされます。 プロジェクトとリソース モデルの詳細については、Azure AI Studio ハブに関するページを参照してください。

前提条件

• Azure サブスクリプション。 Azure サブスクリプションをお持ちでない場合は、無料アカウントを作成してください。
• Azure AI Studio ハブ。 ハブがない場合は、「Azure AI Studio ハブを作成および管理する方法」を参照してください。

プロジェクトの作成

次のタブを使用して、プロジェクトの作成に使用する方法を選択します。

Azure AI Studio

Azure AI Studio でプロジェクトを作成するには、次の手順に従います。

1. Azure AI Studio のホーム ページに移動します。

2. [+ New project] を選択します。

3. プロジェクトの 名前 を入力します。

4. プロジェクトをホストするためのハブをドロップダウンから選択します。 ハブとプロジェクトの間の関係の詳細については、ハブとプロジェクトの概要に関するドキュメントを参照してください。 まだハブがない場合は、[新しいハブの作成] を選択します。

   

   Note

   ハブを作成するには、選択したリソース グループに対する所有者または共同作成者のアクセス許可が必要です。 ハブはチームと共有することをお勧めします。 これにより、データ接続などの構成をすべてのプロジェクトと共有し、セキュリティ設定と支出を一元的に管理できます。 ハブを作成するためのその他のオプションについては、Azure AI Studio ハブを作成および管理する方法に関するページを参照してください。 プロジェクト名は、同じハブを共有するプロジェクト間で一意にする必要があります。

5. 新しいハブを作成する場合は、名前を入力します。

6. [サブスクリプション] ドロップダウンで、ご自分の Azure サブスクリプションを選択します。 課金、アクセス、または管理上の理由から、プロジェクト用の特定の Azure サブスクリプションを選択します。 たとえば、これにより、プロジェクトへのサブスクリプション レベルのアクセスがユーザーとサービス プリンシパルに許可されます。

7. [リソース グループ] は既定値のままにして、新しいリソース グループを作成します。 または、ドロップダウンから既存のリソース グループを選択することもできます。

   ヒント

   作業を開始する場合には特に、プロジェクトの新しいリソース グループを作成することをお勧めします。 これにより、プロジェクトとそのすべてのリソースをまとめて簡単に管理できます。 プロジェクトを作成すると、ハブ、コンテナー レジストリ、ストレージ アカウントなど、リソース グループに複数のリソースが作成されます。

8. ハブの [場所] を入力し、[次へ] を選択します。 この場所は、ハブがホストされるリージョンです。 ハブの場所は、プロジェクトの場所でもあります。 Azure AI サービスの可用性はリージョンによって異なります。 たとえば、特定のモデルについては、リージョンによっては利用できない場合があります。

9. ドロップダウンから既存の Azure AI サービス リソース (Azure OpenAI を含む) を選択するか、新しいリソースを作成します。

   

10. [レビューと完了] ページに、レビューする Azure AI サービス リソース名とその他の設定が表示されます。

    

11. プロジェクトの詳細を確認し、[Create a project] (プロジェクトの作成) を選択します。 リソースの作成の進行状況が表示され、プロセスが完了するとプロジェクトが作成されます。

    

プロジェクトが作成されたら、左側のナビゲーション パネルでプレイグラウンド、ツール、その他のアセットにアクセスできます。

Python SDK

1. SDK クイック スタートの説明に従って Python をインストールします。

2. Azure Machine Learning SDK v2 をインストールします。

3. azure-identity をインストールします: pip install azure-identity。 ノートブック セルで %pip install azure-identity を使います。

4. サブスクリプションの詳細を指定します。

   # Enter details of your subscription
   subscription_id = "<SUBSCRIPTION_ID>"
   resource_group = "<RESOURCE_GROUP>"

5. サブスクリプションへのハンドルを取得します。 この記事のすべての Python コードで ml_client が使用されています。

   # get a handle to the subscription
   
   from azure.ai.ml import MLClient
   from azure.identity import DefaultAzureCredential
   
   ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)

6. (省略可能) 複数のアカウントがある場合は、使う Microsoft Entra ID のテナント ID を DefaultAzureCredential に追加します。 Azure portal で、[Microsoft Entra ID] の [外部 ID] からテナント ID を見つけます。

   DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")
   

7. (省略可能) Azure Government - US または Azure China 21Vianet リージョン内で作業している場合は、認証するリージョンを指定します。 DefaultAzureCredential を使用してそのリージョンを指定できます。 次の例では、Azure Government - US リージョンに対して認証を行います。

   from azure.identity import AzureAuthorityHosts
   DefaultAzureCredential(authority=AzureAuthorityHosts.AZURE_GOVERNMENT)
   

8. 次のコードを使用して、自分または管理者が以前に作成したハブからプロジェクトを作成します。 文字列値の例を独自の値に置き換えます。

   from azure.ai.ml.entities import Project
   
   my_project_name = "myexampleproject"
   my_display_name = "My Example Project"
   hub_name = "myhubname" # Azure resource manager ID of the hub
   hub_id=f"/subscriptions/{subscription_id}/resourceGroups/{resource_group}/providers/Microsoft.MachineLearningServices/workspaces/{hub_name}"
   
   my_project = Project(name=my_project_name, 
                   display_name=my_display_name,
                   hub_id=hub_id)
   
   created_project = ml_client.workspaces.begin_create(workspace=my_project).result()
   

Azure CLI

1. Azure CLI と機械学習拡張機能がインストールされていない場合は、機械学習拡張機能のインストールと設定に関する記事の手順に従います。

2. Azure CLI から Azure サブスクリプションに対して認証するには、次のコマンドを使用します。

   az login
   

   認証の詳細については、認証メソッドに関するページを参照してください。

3. 拡張機能がインストールされ、Azure サブスクリプションに対して認証されたら、次のコマンドを使用して、既存の Azure AI Studio ハブから新しい Azure AI Studio プロジェクトを作成します。

   az ml workspace create --kind project --hub-id {my_hub_ARM_ID} --resource-group {my_resource_group} --name {my_project_name}
   

プロジェクト設定の表示

Azure AI Studio

プロジェクトの [設定] ページで、プロジェクト名、説明、プロジェクトをホストするハブなど、プロジェクトに関する情報を確認できます。 プロジェクト ID を見つけることもできます。これは、SDK または API でプロジェクトを識別するために使用されます。

• [名前]: プロジェクトの名前は、左側のパネルで選ばれているプロジェクトに対応します。
• ハブ: プロジェクトをホストするハブ。
• 場所: プロジェクトをホストするハブの場所。 サポートされている場所については、Azure AI Studio のリージョンに関する記事をご覧ください。
• サブスクリプション: プロジェクトをホストするハブをホストするサブスクリプション。
• リソース グループ: プロジェクトをホストするハブをホストするリソース グループ。

[Azure portal での管理] を選択して、Azure portal のプロジェクト リソースに移動します。

Python SDK

新しいプロジェクトを管理または使用するには、MLClient に含めます。

ml_client = MLClient(workspace_name=my_project_name, resource_group_name=resource_group, subscription_id=subscription_id,credential=DefaultAzureCredential())

Azure CLI

プロジェクトの設定を表示するには、az ml workspace show コマンドを使用します。 次に例を示します。

az ml workspace show --name {my_project_name} --resource-group {my_resource_group}

プロジェクト リソースへのアクセス

ハブ上の一般的な構成は、接続、コンピューティング インスタンス、ネットワーク アクセスを含めて、プロジェクトと共有されるため、すぐに開発を開始できます。

さらに、いくつかのリソースは、プロジェクト ワークスペース内のユーザーのみがアクセスできます。

1. データセット、フロー、インデックス、デプロイされたモデル API エンドポイント (オープンおよびサーバーレス) を含むコンポーネント。

2. [プロジェクト設定] で作成した接続。

3. Azure Storage BLOB コンテナーと、プロジェクト内のデータ アップロード用のファイル共有。 次の接続を使用してストレージにアクセスします。

   データ接続	保存先	目的
   workspaceblobstore	{project-GUID}-azureml-blobstore	データアップロード用の既定のコンテナー
   workspaceartifactstore	{project-GUID}-azureml	モデルの重みなど、プロジェクトのコンポーネントとメタデータを格納する
   workspacefilestore	{project-GUID}-code	コンピューティングで作成されたファイルをホストし、プロンプト フローを使用する

Note

ストレージ アカウントの公衆ネットワーク アクセスが無効に設定されている場合、ストレージ接続はプロジェクトで直接作成されません。 これらは、最初のユーザーがプライベート ネットワーク接続経由で AI Studio にアクセスするときに作成されます。 ストレージ接続のトラブルシューティング

関連するコンテンツ

• エンタープライズ チャット Web アプリをデプロイする
• Azure AI Studio について詳しく知る
• ハブの詳細情報