Azure MLOps応用
Azure MLで複数のマネージドオンラインエンドポイント間でトラフィック分割（トラフィックルール）を実施している最中に、一方のモデルが予期せず高レイテンシーを示し始めた場合、どのような対応が可能か？
A.トラフィック分割の比率をリアルタイムで調整し、問題のあるエンドポイントへの流量を減らしながら、並行して根本原因を調査する← 正解
✓ 正解です。Azure MLのトラフィック分割機能により、デプロイを削除せずに比率を動的に変更できます。本番への影響を最小化しつつ問題解決ができます。
B.高レイテンシーのエンドポイントを即座に削除し、他のエンドポイントにすべてのトラフィックを振る
✗ エンドポイント削除は取り返しのつかない対応です。再デプロイに時間がかかり、その間ユーザーに影響があります。まずは流量制御で対応すべきです。
C.Application Insightsでメトリクスを確認して、ログにはパターンを記録するが、トラフィックは変更しない
✗ 監視のみで対応がないと、ユーザーは継続して遅い応答を受け、体験品質が低下します。トラフィック調整による保護が必要です。
D.障害エンドポイントを自動的に検出してフェイルオーバーするため、複数の同一モデルコピーをデプロイしておく必要がある
✗ Azure MLのエンドポイントは既に高可用性を備えており、同一モデルの複数コピーは通常不要です。トラフィック分割と自動スケーリングで対応できます。
この問題のポイント
Azure MLのトラフィック分割機能により、デプロイを削除せずに比率を動的に変更できます。本番への影響を最小化しつつ問題解決ができます。
「Azure MLOps」の他の問題
Azure MLで「本番モデルのデータドリフトを定期的に検出して、精度低下前に再訓練アラートを出す」ために使う機能はどれ…Azure MLの「マネージドオンラインエンドポイント」でブルーグリーンデプロイを実現する機能はどれか？Azure MLにおける「バッチ推論パイプライン」と「リアルタイム推論エンドポイント」の主な違いは何か？Azure MLパイプラインの「Published Pipeline」と「Draft Pipeline」の主な使い分けの…Azure MLの「自動機械学習（AutoML）」と「ハイパーパラメータチューニング」の主な目的の違いは？Azure MLの「モデルレジストリ」と「モデルエンドポイント」の主な役割の違いは？
IT・クラウド の関連資格
AWS Certified Cloud Practitioner（CLF-C02）
AWSクラウドの入門資格。クラウドの概念・AWSのコアサービス・セキュリティ・料金モデルを問う。
AWS Certified Solutions Architect - Associate（SAA-C03）
AWSでのシステム設計能力を問うアソシエイト資格。高可用性・セキュリティ・コスト最適化の設計が中心。
DP-900：Microsoft Azure Data Fundamentals
Azureのデータサービスの基礎を問うMicrosoft認定資格。リレーショナル/非リレーショナルデータ、分析ワークロード、コアのデータ概念を扱う。