パイプラインを使用してワークフローを調整する

Azure OpenAI Service ドキュメント / 2026/3/25

💬 オピニオンDeveloper Stack & InfrastructureTools & Practical Usage

要点

  • 「パイプライン」を使ってワークフローの各段階(処理ステップ)の流れや順序を調整する方法を説明しています。
  • パイプライン設計により、実行手順の変更・差し替えをしやすくし、運用時の柔軟性を高めることが狙いです。
  • ワークフローを段階的に分割し、パイプラインとして組み立てる考え方により、管理や再利用性が向上します。
  • 全体として、処理の依存関係や段取りを見える化し、改善サイクルを回しやすくする内容です。
目次 エディター モードを終了する
Learn に質問する Learn に質問する フォーカス モード
目次 英語で読む 追加 プランへの追加

次の方法で共有

Facebook x.com LinkedIn 電子メール
マークダウンのコピー 印刷

Note

このページにアクセスするには、承認が必要です。 サインインまたはディレクトリの変更を試すことができます。

このページにアクセスするには、承認が必要です。 ディレクトリの変更を試すことができます。

Azure Machine Learning パイプラインとは

フィードバック

適用対象:Azure CLI ml 拡張機能 v1Python SDK azureml v1

重要

この記事では、Azure Machine Learning SDK v1 の使用に関する情報を提供します。 SDK v1 は、2025 年 3 月 31 日の時点で非推奨です。 サポートは 2026 年 6 月 30 日に終了します。 SDK v1 は、その日付までインストールして使用できます。 SDK v1 を使用する既存のワークフローは、サポート終了日以降も引き続き動作します。 ただし、製品のアーキテクチャの変更が発生した場合に、セキュリティ リスクや破壊的変更にさらされる可能性があります。

2026 年 6 月 30 日より前に SDK v2 に移行することをお勧めします。 SDK v2 の詳細については、「 Azure Machine Learning CLI と Python SDK v2 とは」 および SDK v2 リファレンスを参照してください

重要

この記事の Azure CLI コマンドの一部では、Azure Machine Learning 用に azure-cli-ml、つまり v1 の拡張機能を使用しています。 CLI v1 のサポートは 2025 年 9 月 30 日に終了しました。 Microsoft は、このサービスのテクニカル サポートや更新プログラムを提供しなくなります。 CLI v1 を使用する既存のワークフローは、サポート終了日以降も引き続き動作します。 ただし、製品のアーキテクチャの変更が発生した場合に、セキュリティ リスクや破壊的変更にさらされる可能性があります。

できるだけ早く ml (v2) 拡張機能に移行することをお勧めします。 v2 拡張機能の詳細については、Azure Machine Learning CLI 拡張機能と Python SDK v2 に関する記事を参照してください。

Azure Machine Learning パイプラインは、完全な機械学習タスクを自動化するワークフローです。 ベスト プラクティスを標準化し、チームのコラボレーションをサポートし、効率を向上させます。

Azure Machine Learning パイプラインが必要な理由

パイプラインは、機械学習タスクをステップに分割します。 各ステップは、個別に開発および自動化できる管理可能なコンポーネントです。 Azure Machine Learning は、手順間の依存関係を管理します。 このモジュール方式:

MLOps プラクティスを標準化し、スケーラブルなチーム間のコラボレーションをサポートします

MLOps では、モデルの構築とデプロイが自動化されます。 パイプラインは、各ステップを特定のタスクにマッピングすることでこのプロセスを簡略化し、チームが個別に作業できるようにします。

たとえば、プロジェクトには、データ収集、準備、トレーニング、評価、配置が含まれる場合があります。 データ エンジニア、サイエンティスト、ML エンジニアはそれぞれ手順を所有しています。 手順は コンポーネントとして最適に構築され、1 つのワークフローに統合されます。 パイプラインは、DevOps プラクティスによってバージョン管理、自動化、標準化できます。

トレーニングの効率とコスト削減

パイプラインにより、効率が向上し、コストも削減されます。 変更されていないステップからの出力を再利用し、タスクに最適なコンピューティング リソースで各ステップを実行できます。

作業の開始に関するベスト プラクティス

開始点に応じて、いくつかの方法でパイプラインを構築できます。

パイプラインを初めて使用する場合は、まず、既存のコードをステップに分割し、入力をパラメーター化し、すべてをパイプラインにラップします。

スケーリングするには、一般的な問題に対してパイプライン テンプレートを使用します。 Teams はテンプレートをフォークし、割り当てられた手順に取り組み、必要に応じてその部分のみを更新します。

再利用可能なパイプラインとコンポーネントを使用すると、チームは既存の部分を複製または組み合わせることで、新しいワークフローをすばやく作成できます。

CLIPython SDK、またはデザイナー UI を使用してパイプラインを構築できます。

どの Azure パイプライン テクノロジを使用すべきか

Azure には、さまざまな目的で複数の種類のパイプラインが用意されています。

シナリオ プライマリ ペルソナ Azure オファリング OSS オファリング Canonical パイプ 長所
モデル オーケストレーション (機械学習) データ サイエンティスト Azure Machine Learning パイプライン Kubeflow パイプライン データ -> モデル 分散、キャッシュ、コード優先、再利用
データのオーケストレーション (データ準備) データ エンジニア Azure Data Factory のパイプライン Apache エアフロー データ -> データ 厳密に型指定された移動、データ中心のアクティビティ
コードとアプリのオーケストレーション (CI/CD) アプリ開発者/Ops Azure Pipelines Jenkins コード + モデル -> アプリとサービス ほとんどのオープンで柔軟なアクティビティのサポート、承認キュー、ゲートを使用したフェーズ

次のステップ

Azure Machine Learning パイプラインは、開発の開始時から価値を追加します。


フィードバック

このページはお役に立ちましたか?

はい いいえ
いいえ

このトピックについてサポートが必要ですか?

このトピックの意図を把握したり、理解を深めたりするために Ask Learn を使ってみませんか?

Learn に質問する Learn に質問する
修正を提案しますか?

その他のリソース


  • Last updated on 2025-10-30