Azure での AI ワークロードのリソース選択に関する推奨事項
この記事では、Azure で AI ワークロードを実行している組織向けのリソース選択に関する推奨事項を紹介します。 Azure AI Studio、Azure OpenAI、Azure Machine Learning、Azure AI サービスなどの「Azure AI サービスとしてのプラットフォーム (PaaS)」ソリューションに焦点を当てています。 生成型と非生成型両方の AI ワークロードが対象です。
情報に基づいて AI リソースを選択することで、組織は AI ワークロードを管理する際のパフォーマンス、スケーラビリティ、コスト効率を向上させることができます。 次の表は、主要な Azure AI PaaS ソリューションと重要な決定基準の概要を示しています。
| AI プラットフォーム | AI の種類 | 説明 | 必要なスキル |
|---|---|---|---|
| Azure OpenAI | 生成 AI | OpenAI モデルにアクセスするためのプラットフォーム | 開発者とデータ サイエンスのスキル |
| Azure AI Studio | 生成 AI | プロンプト エンジニアリングと生成 AI エンドポイントのデプロイのためのプラットフォーム | 開発者とデータ サイエンスのスキル |
| Azure AI サービス | 分析 AI | 事前構築済みの機械学習モデルを使用するためのプラットフォーム | 開発者スキル |
| Azure Machine Learning | 機械学習 | 機械学習モデルのトレーニングとデプロイのためのプラットフォーム。 | 開発者スキルと高度なデータ サイエンス スキル |
生成 AI ワークロードのリソースを選択する
生成 AI では、入力データに基づいて意味のある出力を処理および生成するために、さまざまなリソースの組み合わせが必要です。 検索拡張生成 (RAG) を使用するような生成 AI アプリケーションは、適切な選択をすることで AI モデルを信頼できる情報に基づかせ、正確な結果を提供できるようになります。
一般的な RAG ワークロードでは、(1) ワークロードはユーザー クエリを受け取ります。 (2) プロンプト フロー、セマンティック カーネル、LangChain などのオーケストレーターがデータ フローを管理します。 (3) 検索および取得メカニズムが適切な (4) グランディング データを見つけ、生成 AI エンドポイントに送信します。 (5) 生成 AI モデル エンドポイントは、ユーザー クエリとグラウンディング データに基づいて応答を生成します。 生成的な RAG ワークロードを構築するには、フレームワークとして次の推奨事項を使用してください。
生成 AI プラットフォームを選択します。 Azure OpenAI または Azure AI Studio を使用して、生成 AI モデルをデプロイおよび管理します。 Azure OpenAI サービスは、OpenAI モデルのプライベート ネットワークとコンテンツ フィルタリングへのアクセスを提供します。 Azure AI Studio には、AI ワークロードを開発するためのコード優先プラットフォームが用意されています。 これには、アプリケーションをビルドおよびデプロイするためのツールが組み込まれています。 また、大規模なモデルカタログ、プロンプト フロー、微調整、コンテンツの安全性フィルターなども備えています。
適切な AI コンピューティング タイプを選択します。 Azure AI Studio では、プロンプト フロー、インデックスの作成、Studio 内での Visual Studio Code (Web またはデスクトップ) の起動に、コンピューティング インスタンスが必要です。 パフォーマンスと予算のニーズに基づいてコンピューティングの種類を選択します。
オーケストレーターを選択します。 生成 AI の一般的なオーケストレーターには、セマンティック カーネル、プロンプト フロー、LangChain などがあります。 セマンティック カーネルは Azure サービスと統合されます。 LangChain は、Microsoft のエコシステムを超えた拡張性を提供します。
検索と知識の取得メカニズムを選択します。 生成 AI モデルを構築するには、関連データ取得のためのインデックスまたはベクトル データベースを作成します。 Azure AI 検索を使用して、さまざまな データ ソースから従来のインデックスとベクトル インデックスを構築し、データ チャンクを適用し、複数の種類のクエリを使用します。 データが構造化データベースに存在する場合は、Azure Cosmos DB、Azure Database for PostgreSQL、Azure Cache for Redis の使用を検討してください。
データをグラウンディングするためのデータ ソースを選択します。 画像、オーディオ、ビデオ、または大規模なデータセットの場合は、グラウンディング データを Azure Blob Storage に格納します。 または、Azure AI 検索やベクトル データベースでサポートされているデータベースを使用します。
コンピューティング プラットフォームを選択します。 Azure コンピューティング デシジョン ツリー を使用して、ワークロードに適したプラットフォームを選択します。
非生成 AI ワークロードのリソースを選択する
非生成 AI ワークロードは、機械学習タスクをサポートするために、プラットフォーム、コンピューティング リソース、データ ソース、およびデータ処理ツールに依存します。 適切なリソースを選択すると、事前構築済みソリューションとカスタム ソリューションの両方を使用して AI ワークロードを構築することができます。
非生成 AI ワークロードでは、(1) ワークロードがデータを取り込みます。 (2) オプションのデータ処理メカニズムが受信データを抽出または操作します。 (3) AI モデル エンドポイントがデータを分析します。 (4) データは、AI モデルのトレーニングまたは微調整をサポートします。 非生成 AI ワークロードを構築するには、フレームワークとして次の推奨事項を使用してください。
非生成 AI プラットフォームを選択します。Azure AI サービスは、データ サイエンス スキルを必要としない事前構築済みの AI モデルを提供します。 適切な Azure AI サービスの選択に関するガイダンスについては、「Azure AI サービス テクノロジの選択」を参照してください。 Azure Machine Learning には、独自のデータを使用して機械学習モデルを構築し、AI ワークロードでそれらのモデルを使用するためのプラットフォームが用意されています。
適切な AI コンピューティングを選択します。 Azure Machine Learning の場合、ジョブの実行や、エンドポイントのホストには、コンピューティング リソースが必要です。 パフォーマンスと予算のニーズを満たすコンピューティング タイプを使用します。 Azure AI サービスでは、コンピューティング リソースは必要ありません。
データ ソースを選択します。 Azure Machine Learning の場合は、サポートされているいずれかのデータ ソースを使用してトレーニング データをホストします。 Azure AI サービスの場合、多くのサービスではデータの微調整は必要ありません。Azure AI Custom Vision などの一部のサービスでは、ローカル ファイルをマネージド データ ストレージ ソリューションにアップロードするオプションが用意されています。
コンピューティング プラットフォームを選択します。 Azure コンピューティング デシジョン ツリー を使用して、適切なワークロード プラットフォームを選択します。
データ処理サービスを選択します (省略可能)。 Azure Functions はサーバーレス オプションを提供するため、一般的なデータ処理の選択肢となります。 Azure Event Grid は、データ処理パイプラインを開始するための一般的なトリガー メカニズムでもあります。