Azure MLOps応用
Azure MLでモデル登録時に複数のメトリクス（精度、F1スコア、推論時間）を記録した場合、本番環境へのデプロイ承認時に、これらのメトリクスに基づいた自動チェック（ゲート）を実装するには、どのアプローチが最適か？
A.モデルレジストリのメタデータにしきい値を保存し、Azure Pipelinesの条件付きタスクで自動チェックを実装する← 正解
✓ 正解です。モデルメタデータにしきい値を埋め込み、CI/CDパイプラインで自動検証するアプローチが、再現可能で監査可能なMLOpsプラクティスです。
B.Data Scientistが手動でメトリクスを確認して、スプレッドシートに記録し、承認書を作成する
✗ 手動プロセスは属人的で、スケーラビリティに欠け、監査証跡も不十分。本番環境での信頼性が担保できません。
C.すべてのモデルを自動的にデプロイし、本番での実績で適合性を判断する
✗ 無秩序なデプロイはビジネスリスク。本番での不具合はユーザーに直接影響し、責任体制も不明確になります。
D.Application Insightsのアラートルールでメトリクスを監視し、異常検知したら自動削除する
✗ Application Insightsは本番後の監視ツールで、デプロイ前のゲートには向きません。また、自動削除は過度な対応です。
この問題のポイント
モデルメタデータにしきい値を埋め込み、CI/CDパイプラインで自動検証するアプローチが、再現可能で監査可能なMLOpsプラクティスです。
「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。