変更要約: 各節に図（figure）を追加＝cert-figure-retrofit。AI-300 第1章を新規作成（ドメイン1「MLOps インフラ」: ワークスペース/データストア/コンピューティング ターゲット/ID・アクセス管理、アセット管理=データアセット/環境/コンポーネント/レジストリ、IaC と自動化=Bicep・Azure CLI/GitHub Actions/ワークロード ID フェデレーション/ネットワーク制限/Git）
1.2Machine Learning のアセット管理
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。
MLOps の鍵は 再現性と再利用です。AML はそれを アセット（データ・環境・コンポーネント・モデル）として管理し、バージョン管理・共有できるようにします。
1.2.1データアセット・環境・コンポーネント
- データアセット：特定のデータ（ファイル/フォルダー/テーブル）へのバージョン付き参照。学習の入力を再現可能にする。
- 環境：実行に必要な依存関係（Python パッケージ・Docker）を定義。同じ環境でジョブを再現できる。
- コンポーネント：入力・出力・処理をまとめた再利用可能なステップ。パイプラインの部品として組み合わせる。
1.2.2レジストリによる共有
レジストリ は、モデル・環境・コンポーネント・データアセットを複数のワークスペースをまたいで共有するための仕組みです。たとえば、開発ワークスペースで作ったコンポーネントを、本番ワークスペースから再利用できます。これにより、組織で標準化した部品を横展開し、MLOps の一貫性を高められます。
| アセット | 役割 | 再現性/再利用 |
|---|---|---|
| データアセット | データへのバージョン付き参照 | 入力の再現 |
| 環境 | 依存関係（パッケージ/Docker） | 実行環境の再現 |
| コンポーネント | 再利用可能な処理ステップ | パイプラインで再利用 |
| レジストリ | ワークスペース横断の共有 | 組織で標準化・横展開 |
混同に注意：
①環境（依存関係の定義）とコンピューティング（実行マシン）は別物。
②コンポーネント（再利用可能なステップ）を組み合わせてパイプラインを作る。
③レジストリ（ワークスペース横断の共有）は、ワークスペース内のアセット管理とは別レイヤー。
「要件 → アセット」：例「学習の入力データを再現可能に」＝データアセット、「依存パッケージを固定して再現」＝環境、「処理を部品化して再利用」＝コンポーネント、「複数ワークスペースで部品を共有」＝レジストリ。
1.2.3この節のまとめ
- アセット＝データアセット（入力の再現）/ 環境（依存関係の再現）/ コンポーネント（再利用可能なステップ）
- レジストリでワークスペースを横断してアセットを共有・標準化
- 再現性と再利用が MLOps の核
進捗の記録にはログインが必要です。
理解度チェック
（軽い確認用）Q1. 学習の入力データを再現可能にする、データへのバージョン付き参照はどれですか？
Q2. 実行に必要な Python パッケージや Docker などの依存関係を定義し、ジョブを再現可能にするのはどれですか？
Q3. 入力・出力・処理をまとめ、パイプラインの部品として再利用できる単位はどれですか？
Q4. モデルやコンポーネントを複数のワークスペースをまたいで共有するために使うのはどれですか？
Q5. 環境とコンピューティングの違いとして正しいものはどれですか？
Q6. MLOps において再現性と再利用を高めるための基本的な考え方はどれですか？