シナリオ問題応用

製造業の顧客が、既存のオンプレミス機械学習モデル(Pythonで開発)を Azure に移行したいと考えています。モデルの推論が 1 日に 1 回、バッチ処理で実行され、結果は翌日のレポートに利用されます。コストを最小化しながら運用負担を軽減するには、どのアーキテクチャが最適ですか?

A.Azure Machine Learning のコンピューティング インスタンスで常時実行し、REST API で推論を呼び出す
✗ コンピューティング インスタンスの常時実行は、バッチ処理が 1 日 1 回のみのため、大幅な無駄なコスト が発生します。
B.Azure Machine Learning のバッチ エンドポイントを使用し、スケジュールのあるパイプラインで定期実行する← 正解
✓ 正解です。バッチ エンドポイントはバッチ処理に特化し、必要な時間だけリソースを使用するため、コスト効率に優れています。スケジュール機能で完全自動化も可能です。
C.Azure Kubernetes Service(AKS)にモデルをコンテナ化してデプロイし、クーロン ジョブで実行する
✗ AKS は 1 日 1 回の処理では管理複雑性が高く、クラスタ維持コストも割高になります。リアルタイム推論向けです。
D.Azure Databricks で PySpark を使用してモデルを再実装し、常時クラスタを起動する
✗ Databricks で常時クラスタを起動するのは不経済であり、既存 Python モデルの再実装も不要です。

この問題のポイント

バッチ エンドポイントはバッチ処理に特化し、必要な時間だけリソースを使用するため、コスト効率に優れています。スケジュール機能で完全自動化も可能です。

AI-900:Microsoft Azure AI Fundamentals の問題一覧