JAZUG名古屋のLTの資料です http://jazug.doorkeeper.jp/events/14706 #jazug #75azu

1. Azure MLによるWeb Service
の作り方
JAZUG名古屋@3碧目
9/20 バスの日

2. 1/37
1. はじめに
2. Azure MLとは
3. Azure MLでWebサービス（デモ）
4. まとめ
アジェンダ

3. 2/37
はじめに
 ５分間でAzure MLをWebサイトと連携するまでの
ステップを話します
 Azure MLをサービスに適用する手順がわかるはず
 日本語情報が少ないAzure MLの情報が増えるとう
れしい

4. 3/37
自己紹介
 自己紹介@nishiokya
 Azure歴は2年
 好きなAzureサービス
 モバイルサービス
 好きなCDP
 サーキットブレーカー

5. 4/37
Azure MLとは
 Azureのデータサービスの一つ
 ML(機械学習)の各工程（データ収集、モデ
ル構築、評価、運用）がAzure上で完結

6. 5/37
Azure MLの運用までの流れ
①
データ
収集
②
実験モデル
（評価）
③
発行モデル
(学習結果)
④
ステージング
API
⑤
運用
API
ML Studio ML API
Services
Azure ML
Azure MLの構成
• ML Studio（データ解析担当/ポータルとは別）
• 実験(experiments)
• ステージングAPI(web services)
• ML API Service（開発向け/ポータルに統合）
• 運用API
デプロイ
1件/Batch

7. 6/37
今回作るWebサイトについて
 家を出る時間から会社に到着する時間を予測
 データは自作アプリで毎日の通勤時間を計測

8. DEMO

9. 8/37
①データ収集

10. 9/37
②実験用モデルの画面
1.収集したデータの読み込み
ML Studio
3.検証結果
2.モデルの構築

11. 10/37
③発行用モデル
ML Studio 1.収集データを
もとに入力パラメータ
取得
2.実験用モデルを
学習結果としてよびだす
3.入出力IFの設定
4.ステージングAPI作成

12. 11/37
④ステージング用API
ML Studio
ステージングAPIとして動作確認

13. 12/37
⑤運用API
Azureのポータル画面
運用APIは、Azureのポータル画面から編集

14. 13/37
予測結果
2.予測結果が出ます
1.時間や天気を入れて予測

15. 14/37
まとめ
1. クラウド上でデータ解析から運用までできる
 Rで作ったモデルをC#で作り替える作業からの卒業
2. 解析用のサンドボックスと開発用の環境が分かれ
ているため
 大規模環境を意識している

16. 15/37
サービス名時間割予測ごと一ヶ月の金額
Preview料金
ML Studio
Service
¥38.76
実行時間
課金されない¥27,907
ML API
Service
¥76.50
予測時間
¥18.36
1,000件予測
¥55,080
※参考利用料