Operationalizing Machine Learning and Generative AI Solutions参考書

Azure Machine Learning（AML）ワークスペースの作成と管理、データストア、コンピューティング ターゲット、そしてワークスペースの ID とアクセス管理（マネージド ID／RBAC）を、MLOps 基盤の土台として理解します。

AML ワークスペースのアセット（データアセット、環境、コンポーネント）の作成と管理、そしてレジストリを使ったワークスペース間でのアセット共有を、再現性と再利用の観点で理解します。

GitHub と Machine Learning の安全な連携、Bicep と Azure CLI によるワークスペース/リソースのデプロイ、GitHub Actions ワークフローによるプロビジョニングの自動化、ワークスペースへのネットワークアクセス制限、そして Git によるソース管理を、MLOps の自動化基盤として理解します。

MLflow による実験トラッキング、自動機械学習（AutoML）、ノートブックでの探索、ハイパーパラメーター調整（スイープ）、学習スクリプトの実行、大規模/深層学習の分散学習、学習パイプライン、そしてジョブ間のモデル性能比較を理解します。

MLflow モデルの登録、特徴量取得仕様をモデル成果物にパッケージ化すること、責任ある AI の原則によるモデル評価、そしてモデルのアーカイブを含むライフサイクル管理を理解します。

モデルをリアルタイム/バッチのマネージド エンドポイントとしてデプロイし、エンドポイントのテストとトラブルシュート、段階的ロールアウトと安全なロールバックを行い、本番ではデータドリフトの検出・性能メトリクスの監視・しきい値超過時の再学習/アラートのトリガーを構成することを理解します。

Microsoft Foundry のリソースとプロジェクト環境の作成・構成、マネージド ID と RBAC による ID とアクセス管理、ネットワークセキュリティとプライベートネットワーク構成、そして Bicep テンプレートと Azure CLI によるインフラのデプロイを理解します。

サーバーレス API エンドポイントとマネージド コンピューティングによる基盤モデルのデプロイ、ユースケースに応じたモデル選択、モデルのバージョン管理と本番デプロイ戦略、そして高負荷ワークロード向けのプロビジョニングされたスループット ユニット（PTU）の構成を理解します。

プロンプトの設計と開発、プロンプトのバリアント作成と性能比較、そして Git リポジトリによるプロンプトのバージョン管理を、ソース管理と実験の観点で理解します。

テストデータセットとデータマッピングの作成、AI 品質メトリクス（根拠性／関連性／一貫性／流暢性）、有害コンテンツ検出のためのリスクと安全性の評価、そして組み込み/カスタムのメトリクスによる自動評価ワークフローの構成を理解します。

Foundry での継続的な監視、パフォーマンスメトリクス（レイテンシ・スループット・応答時間）の監視、コストメトリクス（トークン消費量・リソース使用量）の追跡と最適化、そして本番のトラブルシュートのための詳細なログ・トレース・デバッグの構成を理解します。

類似度しきい値・チャンクサイズ・検索戦略の調整による検索性能の最適化、ドメイン固有の精度向上のための埋め込みモデルの選択とファインチューニング、セマンティック検索とキーワード検索を組み合わせたハイブリッド検索、そして関連性メトリクスと A/B テストによる RAG の評価と改善を理解します。

高度なファインチューニング手法の設計と実装、ファインチューニング用の合成データの作成と管理、ファインチューニング済みモデルの性能の監視と最適化、そして開発から本番デプロイまでのファインチューニング済みモデルの管理を理解します。