My Blog

Azure Machine Learningで学ぶ！簡単な家計簿＆気温データの可視化 1. はじめに 最近、「データ分析」や「AI（人工知能）」という言葉をよく聞くけれど、なんだか難しそう…と思っていませんか？実は、小学生でも楽しく学べる方法があります！ 今回は、**Microsoft Azure Machine Learning（Azure ML）**を使って、家計簿データと日本の気温データを簡単に分析＆可視化する方法を紹介します。 2. Azure Machine Learningってなに？ Azure Machine Learning（Azure ML）は、Microsoft Azureが提供するクラウドベースの機械学習プラットフォームです。 つまり、「インターネット上にあるスーパーパソコン」を使って、AIやデータ分析ができるサービスです！ 主な特徴は： ✅ パソコンにソフトを入れなくても使える！ ✅ 難しいプログラムなしでデータを分析！ ✅ クラウドなので、いつでもどこでもアクセス可能！ 3. 【事例①】Azure MLで簡単！家計簿データを分析して節約しよう📊 3.1 家計簿データを用意しよう まずは、1ヶ月の家計簿データを用意します。例えばこんな感じ： 日付 費目 金額（円） 2025/02/01 食費 2000 2025/02/02 交通費 500 2025/02/03 食費 1500 2025/02/04 娯楽費 3000 2025/02/05 交通費 700 3.2 データをAzure MLにアップロード📤 Azure Machine Learning Studioにログイン データセットを作成（CSVファイルでアップロード） Azure MLの可視化ツールを使って分析開始！ 3.3 家計簿の可視化をしてみよう📈 Azure MLのデータ可視化ツールを使うと、こんなグラフが簡単に作れます！ 【例①】費目ごとの支出割合（円グラフ）📊 どの費目にお金を使っているか、一目でわかる！ 【例②】日別の支出推移（折れ線グラフ）📉 どの日にたくさん使ったかチェック！ [Read More]

Azure Blob Storageを活用した安全な研究・開発用データ置き場の構築 1. はじめに 数学・工学系の研究者や開発者にとって、大規模なデータセットを安全に保存し、アクセスできる環境は不可欠です。特に、シミュレーションデータや実験データの長期保存、共同研究のためのデータ共有、機械学習のトレーニングデータ管理などのユースケースでは、スケーラブルで高いセキュリティを持つクラウドストレージが求められます。 本記事では、Microsoft Azure Blob Storageを活用して、安全な研究・開発用のデータ置き場を構築する方法を紹介します。 2. Azure Blob Storageとは？ Azure Blob Storageは、Microsoft Azureが提供するクラウドベースのオブジェクトストレージで、以下のような特徴を持ちます。 スケーラブル：データ容量に制限がなく、大規模データの保存が可能。 高セキュリティ：データ暗号化、アクセス制御、リージョン冗長性が標準提供。 コスト最適化：アクセス頻度に応じたストレージ階層（Hot, Cool, Archive）を選択可能。 グローバルアクセス：インターネット経由で世界中から安全にデータにアクセス可能。 3. 研究・開発用途での活用方法 Azure Blob Storageは、以下のような研究・開発のユースケースに適しています。 3.1 数学・工学系研究データの保存・管理 大規模な数値シミュレーション結果（例：気象シミュレーション、流体解析）をクラウドに保存し、研究チーム内で共有。 数学的モデルや計算結果を長期保存し、後の再検証に活用。 研究論文のデータセットを公開し、共同研究者や学生と共有。 3.2 AI・機械学習用データセットの管理 トレーニングデータの保存：画像・音声・テキストデータを大量に保持し、Azure Machine Learningと連携可能。 モデルのバージョン管理：学習済みモデルをBlob Storageに保存し、実験の再現性を向上。 3.3 実験データの長期アーカイブ 物理・化学・生物学の実験データをAzure Archive Storageに移動し、低コストで長期保存。 IoTセンサーやロボットのログデータを保存し、長期的な解析を可能に。 4. セキュリティとデータ保護 Azure Blob Storageは、高度なセキュリティ機能を提供し、研究データを安全に管理できます。 4.1 データ暗号化とアクセス制御 デフォルトでデータ暗号化（Azure Storage Service Encryption）。 Azure Active Directory (Azure AD)と統合し、厳格なアクセス制御を実施。 ネットワークレベルの制限（Private Link, Firewall）により、不正アクセスを防止。 4.2 リージョン冗長性（Geo-Redundancy） データの自動バックアップ：地理的に異なるリージョンにデータをレプリケーション可能。 **RA-GRS（Read-Access Geo-Redundant Storage）**により、障害時にも別リージョンから読み取りが可能。 5. [Read More]

Azureストレージを活用した外部ストレージの再現とその活用方法 1. はじめに 研究データや実験結果の保管には、長期的に安全に保存できるストレージ環境が必要です。特に、数学・工学系の研究者にとって、大量のシミュレーションデータや測定結果を管理するための予備データ保管庫の構築は欠かせません。本記事では、Microsoft Azureのストレージサービスを活用して、外部ストレージを再現する方法を解説します。 2. Azureのストレージサービスとは？ Azureにはさまざまなストレージサービスがあり、用途に応じたデータ管理が可能です。以下に主要なストレージサービスを紹介します。 2.1 Azure Blob Storage（オブジェクトストレージ） 特徴: 大量の非構造化データ（例：画像、動画、バイナリデータ）の保存に適している。 用途: 研究データやバックアップの長期保存。 2.2 Azure Files（クラウドベースのファイル共有） 特徴: SMB/NFSプロトコルをサポートし、オンプレミス環境とも連携可能。 用途: 実験データや論文のバージョン管理、共同研究環境のファイル共有。 2.3 Azure Data Lake Storage（大規模データ処理向けストレージ） 特徴: 大量のデータを分析・処理するための最適化がされている。 用途: AI・機械学習モデルのトレーニングデータの保存。 2.4 Azure Archive Storage（低コストの長期保存向け） 特徴: 頻繁にはアクセスしないが、長期保管が必要なデータ向け。 用途: 過去の実験データ、学術研究のアーカイブ。 3. 予備データ保管庫の構築と活用 3.1 研究用途での活用 数学・工学系の研究者は、以下のようなユースケースでAzureストレージを活用できます。 機械学習・AI研究：大量のトレーニングデータをAzure Data Lakeに保存し、Azure MLと連携。 実験データ管理：Azure Blob Storageを用いて実験データをバージョン管理。 論文・資料管理：Azure Filesを利用し、共同研究チームでのファイル共有をスムーズに。 3.2 セキュリティとデータ保護 データ暗号化: 保存時（静的データ）と転送時（動的データ）の両方で暗号化が可能。 アクセス制御: Azure Active Directoryと統合し、厳密な権限管理を実現。 リージョン冗長性: 地理的に離れたデータセンター間でバックアップが可能。 3.3 スケーラビリティの考慮 Azureストレージは、使用量に応じて拡張可能なため、研究データが増えても問題なく対応可能です。 ストレージサービス 容量制限 自動スケール 主要な用途 Azure Blob Storage 無制限 ◯ 研究データ・バックアップ Azure Files 100TB ◯ チームでのファイル共有 Azure Data Lake 無制限 ◯ AI・機械学習データ Azure Archive Storage 無制限 ◯ 低コストの長期保存 4. [Read More]

Microsoft Cloudを活用したCTF競技・学習環境の構築妄想 1. はじめに Capture The Flag（CTF）は、サイバーセキュリティを学ぶための競技形式の学習プラットフォームとして広く利用されています。 Microsoftのクラウドサービスを活用してCTF環境を構築する方法を考えてみたので、それらを列挙整理し、特に数学・工学系の研究者が活用できるユースケースもおまけとして紹介します。 費用や運用規模、管理コストなどは考慮せずに、ぱっと思いついたユースケースやメリットを整理しております。その点はご了承ください。 2. 基本的な用語解説 (1) CTF（Capture The Flag）とは？ CTF（Capture The Flag）: セキュリティの脆弱性を発見し、課題を解決する競技形式のイベント。 ジャンプボックス（Jump Box）: 安全な管理環境を提供する中継サーバー。 仮想ネットワーク（Virtual Network）: クラウド内で構築される仮想的なネットワーク環境。 コンテナ（Container）: 軽量な仮想化技術を利用した隔離環境。 (2) Microsoft クラウド関連技術 Azure Virtual Machines: クラウド上で仮想マシン（VM）を作成できる。 Azure Kubernetes Service（AKS）: コンテナ化されたCTF環境をスケーラブルに運用可能。 Azure DevOps: CTF用の課題環境を自動構築するためのCI/CD機能を提供。 Microsoft Defender for Cloud: CTF環境のセキュリティ監視を実現。 3. CTF環境の構築手法 (1) クラウドを活用したCTFの利点 項目 クラウド活用 従来のオンプレミス 柔軟性 必要なときに環境をスケール可能 物理サーバーの構築が必要 管理負担 Azureのマネージドサービスを活用 手動管理が多く負担大 セキュリティ Azure Security Centerで管理 物理環境のセキュリティ設定が必要 (2) Azureを利用したCTF環境の例 仮想マシンベースのCTF環境: Azure Virtual Machinesを活用し、Kali LinuxやWindows Serverを構築。 コンテナ化された環境: Azure Kubernetes Service（AKS）を利用し、競技用サーバーを分離管理。 CI/CDを活用した自動デプロイ: Azure DevOpsを用いて、CTF問題のデプロイを自動化。 4. [Read More]

続Azure OpenAI Serviceの概要と応用 1. はじめに Azure OpenAI Serviceは、MicrosoftのAzureクラウド上でOpenAIの高度な言語モデル（GPTシリーズ）を利用できるサービスです。 一年程前に、セキュリティの観点から、OpenAI APIとOpenAI Serviceを交えたハンズオンを行いましたが、 本記事では、基本的な用語解説を行いながら、数学・工学系研究者向けのユースケースを紹介し、情報セキュリティやスケーラビリティの観点からの比較も行います。 2. 基本的な用語解説 (1) Azure OpenAI Serviceとは？ Azure OpenAI Service: OpenAIの大規模言語モデル（LLM）をAzure環境で利用できるクラウドサービス。 LLM（Large Language Model）: 大量のテキストデータを学習し、自然言語処理を行う人工知能モデル。 APIエンドポイント: OpenAIモデルにアクセスし、テキスト生成・要約・翻訳などを行うためのインターフェース。 (2) 関連技術と概念 Fine-tuning（ファインチューニング）: 特定の用途に最適化するために、追加データでモデルを調整する手法。 Embeddings（埋め込み）: 単語や文を数値ベクトルに変換し、検索や分類に活用する技術。 Prompt Engineering（プロンプト設計）: 望む出力を得るための入力文の工夫。 Token（トークン）: LLMが処理する最小単位のテキスト（単語の一部や記号を含む）。 3. 数学・工学系研究者向けユースケース (1) 数式解析とテキスト要約 LaTeXコードの自動生成: 数式を自然言語で説明し、それをLaTeXコードに変換。 論文要約・翻訳: 長文の学術論文を要約し、異なる言語に翻訳。 (2) データ分析支援 データセットの前処理コード生成: PythonやRのコードを自動生成。 統計モデルの解釈: AIが統計的分析結果を解説。 (3) 研究プロジェクト管理 研究ノートの自動整理: AIがプロジェクトの進捗を整理し、タスク管理を支援。 コードレビュー補助: AIが数値計算やアルゴリズムのコードを解析。 4. 情報セキュリティとスケーラビリティ (1) 情報セキュリティの観点 項目 Azure OpenAI Service OpenAI API（一般公開版） データの保持 ユーザーのデータはAzure上で管理 一部データがモデル学習に利用される可能性 アクセス制御 Azure Active Directory（AAD）による制御 APIキーによる制御 コンプライアンス GDPR、ISO 27001準拠 一部要件が未対応 Azure OpenAIは企業向けのセキュリティ基準に適合し、データ保持やアクセス管理が強化されている。 (2) スケーラビリティの観点 項目 Azure OpenAI Service 他クラウドのAIモデル スケールアップ Azureのスケールセットを活用 プロバイダーごとに異なる APIレスポンス速度 地域ごとのAzureデータセンター最適化 一部のプロバイダーは遅延が発生する可能性 コスト管理 従量課金制で利用可能 一部サービスは固定料金 企業や研究機関のニーズに応じてスケール可能な点が強み。 5. [Read More]

今風なTeX執筆環境の構築と運用 1. はじめに 数学・工学系の研究者や学生にとって、昭和の頃から、TeXは論文執筆（国際会議や卒論等）やレポート作成に欠かせないツールです。本記事では、クラウド環境を活用した最新のTeX執筆環境の構築方法や、代表的なオンラインTeXサービス（Overleaf・Cloudlatex）との比較を交えて解説します。 IEEE CollabratecのOverleaf 無料特典も終了してしまい、多くの若手研究者が今後を悩んでいる人も居ると思います。現状を整理し、Microsoftのクラウドサービスを用いたTeX執筆環境の構築についても説明し、今後の年度末の卒論・修論・博論などの執筆環境が進化できることを願っています。 2. 基本的な用語解説 (1) TeXとは？ TeX（テフ）: 数式表記を得意とする高品質な組版システム。 LaTeX（ラテフ）: TeXの上に構築された文書作成システムで、より使いやすい。 (2) クラウドTeXとは？ クラウド上でTeXを動作させ、インターネット経由で編集・コンパイルできる環境。 代表例: Overleaf、Cloudlatex。 (3) コンテナベースのTeX環境 Dockerを利用したTeX環境: TeX LiveやMiKTeXをDockerコンテナで管理。 利点: 環境構築が容易で、再現性が高い。 (4) CI/CDとTeX **CI/CD（継続的インテグレーションとデリバリー）**をTeX執筆に応用することで、自動コンパイルやバージョン管理が可能。 代表例: GitHub Actions + TeX Live。 3. クラウドTeXサービスの比較 サービス名 価格 機能 メリット デメリット Overleaf 無料プランあり、有料プラン$15/月～ リアルタイム共同編集、Git連携 直感的なUI、豊富なテンプレート 無料プランは制限あり Cloudlatex 無料プランあり、有料プラン$5/月～ 日本語環境に最適化 日本語対応が強い 利用者が少ない Azure DevOps + VS Code + Docker 従量課金 フルカスタマイズ可能 ローカル環境と統一、CI/CD対応 環境構築の手間がある 4. Microsoftクラウドを用いたTeX執筆環境の構築 (1) Azure + VS Code + Remote Containers Azureアカウント作成（Azure公式サイト）。 Azure Virtual Machines（Linux）をデプロイ。 VS CodeのRemote - Containers拡張機能を利用。 Dockerを利用してTeX環境を構築（texlive/texlive イメージなど）。 (2) CI/CDを用いた自動コンパイル環境 GitHub Actions + TeX Live でプッシュ時にPDFを自動生成。 Azure DevOpsを利用して継続的なビルド・デプロイを実現。 (3) OneDriveを活用したドキュメント管理 OneDrive上に. [Read More]

個人向けクラウド開発環境の構築と運用 1. はじめに 近年、クラウド環境を活用した開発は個人開発者や研究者にとっても身近なものとなっています。本記事では、数学・工学系の研究者や開発者がクラウド環境を活用する際に必要な知識や、具体的な構築方法、運用のポイントについて解説します。 2. 基本的な用語解説 (1) クラウドコンピューティング（Cloud Computing） 意味: インターネットを介してコンピュータリソース（サーバー、ストレージ、ネットワークなど）を利用する技術。 主要な提供形態: IaaS（Infrastructure as a Service）、PaaS（Platform as a Service）、SaaS（Software as a Service）。 (2) コンテナ（Container） 意味: アプリケーションを動作させるための軽量な仮想環境。 代表例: Docker, Kubernetes。 利点: 軽量・ポータビリティ・スケーラビリティが高い。 (3) サーバーレスコンピューティング（Serverless Computing） 意味: サーバー管理不要でコードを実行できるクラウド技術。 代表例: AWS Lambda, Azure Functions。 利点: コスト効率が高く、スケーラブル。 (4) CI/CD（Continuous Integration / Continuous Deployment） 意味: 継続的インテグレーション・デプロイメントを行うことで、コードの自動テストと本番環境への反映を効率化。 代表的なツール: GitHub Actions, Azure DevOps, Jenkins。 (5) Infrastructure as Code（IaC） 意味: クラウド環境のインフラをコードで管理する手法。 代表例: Terraform, AWS CloudFormation, Azure Bicep。 3. 数学・工学系研究者向けユースケース (1) データ解析と機械学習のためのクラウド環境構築 活用技術: Azure Machine Learning, Google Colab, AWS SageMaker。 適用シナリオ: 大規模なデータを処理するためのGPU/TPUクラウド環境を構築。 機械学習モデルのトレーニングとデプロイをクラウド上で実行。 (2) 数値シミュレーションの実行環境構築 活用技術: Azure HPC, Google Cloud High Performance Computing。 適用シナリオ: 物理シミュレーションや流体解析の計算負荷を分散処理。 クラウド上の並列処理を利用した大規模解析の実施。 (3) 共同研究・分散開発のための環境構築 活用技術: GitHub Codespaces, Azure DevOps, Google Cloud Source Repositories。 適用シナリオ: 複数の研究者がクラウド環境で共同開発。 CI/CDを利用したコードの継続的インテグレーション。 (4) クラウドストレージとデータ共有 活用技術: Azure Blob Storage, Google Drive API, AWS S3。 適用シナリオ: 研究データや論文の管理と共有。 セキュリティを考慮したクラウドバックアップの運用。 4. [Read More]

Azure AI & Machine Learning の用語解説と研究者向けユースケース 1. はじめに Azure AI & Machine Learning は、データ分析や機械学習モデルの開発・運用を支援する Microsoft のクラウドプラットフォームです。本記事では、数学・工学系の研究者が活用できるユースケースを紹介しながら、初心者向けの用語解説を交えて Azure AI & Machine Learning の活用方法を解説します。 2. 基本的な用語解説 (1) 機械学習（Machine Learning, ML） 意味: データからパターンを学習し、予測や分類を行う技術。 関連技術: 教師あり学習、教師なし学習、強化学習。 (2) ディープラーニング（Deep Learning, DL） 意味: ニューラルネットワークを用いた機械学習の一分野で、大量のデータを処理し、特徴抽出を自動化する技術。 適用分野: 画像認識、音声認識、自然言語処理（NLP）。 (3) Azure Machine Learning（Azure ML） 意味: 機械学習の開発、デプロイ、運用を支援するクラウドプラットフォーム。 特徴: ノーコード開発、MLOps、自動機械学習（AutoML）。 (4) MLOps（Machine Learning Operations） 意味: 機械学習モデルのライフサイクル管理（開発、デプロイ、監視、改善）を行うための実践的な手法。 関連技術: CI/CD、DevOps、コンテナ化（Docker, Kubernetes）。 3. 数学・工学系研究者向けユースケース (1) データ解析と数値シミュレーション 活用技術: Azure Synapse Analytics, Azure Machine Learning 適用シナリオ: 大規模な数値シミュレーション結果を分析し、最適なパラメータを見つける。 時系列データ解析を用いた気象予測や物理シミュレーション。 (2) 画像解析とコンピュータビジョン 活用技術: Azure Cognitive Services, Azure Custom Vision 適用シナリオ: CT/MRI 画像解析による医療診断支援。 衛星画像を用いた環境変化の分析。 (3) 自然言語処理（NLP）を用いた論文分析 活用技術: Azure OpenAI Service, Text Analytics for Health 適用シナリオ: 大量の論文データを自動で分類し、最新の研究動向を抽出。 研究者向けのチャットボットや要約システムの構築。 (4) 自動制御とロボティクス 活用技術: Azure IoT Hub, Azure Percept 適用シナリオ: 強化学習を用いた自律走行ロボットの開発。 工場内のセンサーデータを解析し、異常検知を行う。 4. [Read More]

クラウド業界におけるクラウドサービスの使い分けとMicrosoftの最新動向を勝手に整理してみた 1. はじめに クラウド技術の進化により、企業や個人はさまざまなクラウドサービスを活用することが可能になりました。本記事では、クラウド業界全体のクラウドサービスの使い分け、採用傾向、そして Microsoft の最新クラウドサービスの強みについて、初心者向けの用語解説を交えながら整理してみました。 2. クラウドサービスの主要な種類と使い分け (1) IaaS（Infrastructure as a Service） 意味: サーバーやストレージ、ネットワークなどのインフラを提供するクラウドサービス。 代表例: Microsoft Azure Virtual Machines, AWS EC2, Google Compute Engine 適用シナリオ: 柔軟なサーバー構成が必要な場合 独自のアプリケーションをホストする場合 (2) PaaS（Platform as a Service） 意味: アプリケーション開発に必要な環境（OS、ミドルウェア、データベース）を提供するサービス。 代表例: Azure App Services, AWS Elastic Beanstalk, Google App Engine 適用シナリオ: 開発・運用の負担を軽減したい場合 サーバーレスな環境でアプリを開発したい場合 (3) SaaS（Software as a Service） 意味: ソフトウェアをインターネット経由で提供するサービス。 代表例: Microsoft 365, Google Workspace, Dropbox 適用シナリオ: すぐに利用可能な業務ツールを探している場合 個人・企業のコラボレーション環境を整備したい場合 3. クラウド業界の採用傾向 (1) マルチクラウド戦略の拡大 近年、多くの企業が AWS、Azure、Google Cloud など複数のクラウドを組み合わせて利用する マルチクラウド戦略 を採用しています。 [Read More]

Microsoft Cloudに関連するCICD技術の紹介と初心者向け用語解説 1. はじめに 継続的インテグレーション（CI）と継続的デリバリー（CD）は、ソフトウェア開発において重要な概念です。特に Microsoft Azure では、Azure DevOps や GitHub Actions などのツールを活用することで、効率的な開発プロセスを構築できます。本記事では、CICD に関する基本的な用語解説と、Microsoft Cloud 上での CICD 技術について整理してみます。 2. CICD の基本概念と初心者向け用語解説 (1) 継続的インテグレーション（CI: Continuous Integration） 意味: CI とは、開発者がコードをリポジトリに頻繁に統合し、変更が発生するたびに自動でビルドとテストを実施するプロセスです。 メリット: 変更を早期に検出し、バグを防止。 チームの開発スピードを向上させる。 テストの自動化により手作業の負担を軽減。 代表的なツール: Azure DevOps Pipelines, GitHub Actions, Jenkins (2) 継続的デリバリー（CD: Continuous Delivery） 意味: CI でビルド・テストしたコードを、自動または半自動的にステージング環境や本番環境へデプロイするプロセスです。 特徴: 本番環境へのリリースを迅速かつ安全に実施。 手動承認を組み込むことで、デプロイ前に最終確認が可能。 メリット: 一貫した環境で動作するため、デプロイの失敗を減らせる。 頻繁なリリースに対応しやすい。 代表的なツール: Azure DevOps, GitHub Actions, Jenkins (3) 継続的デプロイメント（CD: Continuous Deployment） 意味: 継続的デリバリーのプロセスをさらに発展させ、コードの変更がテストを通過すれば自動的に本番環境へリリースされる仕組み。 メリット: 新機能やバグ修正を即座に提供できる。 デプロイの手間を完全に排除。 デメリット: 十分なテスト自動化が求められる。 本番環境での問題発生時に迅速なロールバックが必要。 代表的なツール: Azure DevOps, GitHub Actions 3. [Read More]