Azure Cognitive Services の概要

Azure AI Services（旧称 Azure Cognitive Services）は、機械学習モデルを一からトレーニングしなくても、アプリケーションにインテリジェントな機能を追加できる、事前構築済み AI API のファミリです。ポートフォリオは、Vision（画像や動画を分析）、Language（テキストを理解および生成）、Speech（音声とテキストを相互変換）、Decision（コンテンツをパーソナライズし、異常を検出）の 4 つの領域を対象としています。これらはすべて REST API、SDK、または Azure portal から利用できます。

AI Services は2つの方法でプロビジョニングできます。マルチサービス リソース（ポータルでは Azure AI Services と呼ばれます）は、1つのエンドポイントとAPIキーでほとんどのAPIにアクセスできます。開発や実験に便利です。一方、単一サービス リソース（例: Computer Vision や Text Analytics）では、1つのAPIだけにアクセスでき、サービスごとに専用の課金とクォータ制限が適用されます。本番環境では、コストを管理し、サービス固有のセキュリティポリシーを適用できるため、単一サービス リソースが選ばれることがよくあります。

Azure AI Vision カテゴリには、複数のAPIが含まれています。Computer Vision は画像を分析し、物体、シーンの説明、テキスト（OCR）、成人向けコンテンツを検出します。Custom Vision では、数十枚程度のラベル付き画像だけで、独自の画像分類モデルや物体検出モデルをトレーニングできます。Face API は顔や感情を検出します（責任ある利用のためのアクセス制御が適用されます）。Azure AI Video Indexer は、話者認識、文字起こし、シーン検出など、動画ファイルからさまざまな分析情報を抽出します。

Azure AI Language カテゴリでは、テキスト分析機能を利用できます。Text Analytics は、感情分析、キーフレーズ抽出、固有表現認識（NER）、言語検出を提供します。Azure AI Translator は、1回のAPI呼び出しで100以上の言語間のテキストを翻訳します。Azure AI Language Understanding (CLU) は、自然言語からユーザーの意図を分類し、会話型アプリケーションの構築に利用できます。Azure AI Question Answering は、FAQやドキュメントからナレッジベースを構築し、自然言語の質問に回答します。

Azure AI Speech カテゴリは、音声とテキストをつなぐ機能を提供します。Speech to Text（STT）は、音声をリアルタイムまたはバッチモードで文字起こしし、100以上の言語と、分野固有の用語に対応するカスタム音響モデルをサポートします。Text to Speech（TTS）は、140以上の言語のニューラル音声を使用して、テキストを自然な音声に変換します。Speaker Recognition は、声によって個人を識別または検証します。Speech Translation はSTTとTranslatorを組み合わせ、リアルタイムの音声間翻訳を実現します。

Decision カテゴリには、パーソナライズと異常検出のためのサービスが含まれています。Azure AI Anomaly Detector は、時系列データ（例: サーバーのメトリックや売上高）を分析し、ラベル付きのトレーニング データセットを必要とせずに異常を自動的に特定します。過去のデータから正常なパターンを学習するためです。Azure AI Personalizer（一部のビューでは現在 Content Safety の一部）は、コンテキスト特徴量に基づいて、ユーザーに表示する最適なコンテンツ項目を強化学習で選択します。どちらも、運用やビジネス インテリジェンスのシナリオで役立ちます。

Azure AI Services のすべてのAPIは、同じパターンに従います。まず、リソースからエンドポイントURLとAPIキー（またはマネージド ID）を取得し、ペイロードと認証ヘッダーを含むHTTP POSTリクエストを送信します。APIは、結果を含むJSONレスポンスを返します。Microsoftは、.NET、Python、JavaScript、Java、Go向けのクライアントSDKを提供しています。これらはREST呼び出しを型付きオブジェクトとリトライ ロジックでラップするため、HTTP処理を手動で記述せずに簡単に統合できます。

Microsoftは、6つの責任あるAIの原則に基づいてAzure AI Servicesを構築しています。公平性（AIは差別してはなりません）、信頼性と安全性（AIは期待どおりに動作する必要があります）、プライバシーとセキュリティ（データは保護する必要があります）、包括性（AIはすべての人を支援する必要があります）、透明性（AIは理解可能である必要があります）、説明責任（AIの判断には人間が責任を負う必要があります）です。Face APIの識別機能など、一部の機能では、アクセスが許可される前にMicrosoftへの正式な申請が必要です。

Azure AI Services は従量課金モデルで料金が設定されます。API呼び出しごと、分析した画像ごと、翻訳した文字ごと、または文字起こしした音声の分ごとに料金が発生します。サービスとレベルごとに料金単位が異なります。ほとんどのサービスには、呼び出し回数に制限のある無料レベル（F0）が用意されています（例: Text Analytics は月5,000回）。そのため、無料で試すことができます。Standard レベル（S0）はクォータが大きく、本番環境に適しています。料金は利用量に比例して増加し、固定の月額契約はありません。

AI Services リソースは、既定のAPIキー認証だけでなく、さらに安全に保護する必要があります。ベスト プラクティスには、APIキーをコード内ではなくAzure Key Vaultに保存すること、キーを使わずにマネージド IDでリソースにアクセスすること、プライベート エンドポイントを使用してネットワーク アクセスを制限し、VNetからのみリソースに到達できるようにすること、コンプライアンス対応のために診断ログを有効にしてすべてのAPI呼び出しを監査することが含まれます。APIキーは定期的にローテーションしてください。各リソースには2つのキーがあり、サービスを停止せずにローテーションできます。

多くのAzure AI Servicesは、データ レジデンシー（処理をオンプレミスまたは特定のリージョン内に保持すること）が必要なシナリオや、ネットワークから切り離された環境向けに、Docker コンテナーとしてデプロイできます。Microsoft Container Registryからコンテナー イメージをプルし、APIキーとエンドポイントの構成を指定して実行した後、localhostのサービスのREST APIを呼び出します。コンテナーは課金のためにAzureへ定期的に接続します。利用状況は引き続き追跡され、Azureサブスクリプションを通じて課金されますが、AI処理はローカルで実行されます。

このレッスンで扱った Microsoft Azure Fundamentals (AZ-900) の概念について、理解度を確認しましょう。

このレッスンでは、Azure AI Services がVision、Language、Speech、Decisionの各分野にわたる構築済みのAI機能を提供し、REST API経由で利用できること、マルチサービス リソースによって1つのエンドポイントとキーで簡単にアクセスできること、そしてすべてのサービスをKey Vaultとマネージド IDで保護し、データ レジデンシー要件に対応するためにコンテナーとしてデプロイできることを学びました。次は、Language APIとVision APIを実際に呼び出す方法について説明します。