はじめに

Azure Machine Learningで作成したモデルをフロントエンドから呼び出す際、
エンドポイントに直接アクセスする方法とAzure Functionsを経由する方法の2つのアプローチがあります。

「どちらが良いのか？」という疑問を持つ開発者は多いはず。
本記事では、両方のアプローチをセキュリティ、コスト、開発効率の観点から徹底比較し、プロジェクトに応じた最適な選択指針を提供します。

アーキテクチャ比較

パターン1: Azure ML エンドポイント直接呼び出し

パターン2: Azure Functions 経由

詳細比較

項目	Azure ML 直接	Functions 経由
開発複雑性	🟢 シンプル	🟡 中程度
セキュリティ	🔴 APIキー露出リスク	🟢 サーバーサイドで隠蔽
エラーハンドリング	🔴 フロントエンド依存	🟢 集約管理
認証・認可	🟡 APIキーのみ	🟢 JWT + マネージドID
ログ・監視	🟡 分散	🟢 統合
レイテンシ	🟢 低い	🟡 わずかに高い
拡張性	🔴 制限あり	🟢 高い
コスト	🟢 ML推論のみ	🟡 Functions + ML

セキュリティ面での重要な違い

❌ 直接呼び出しの問題点

// フロントエンドにAPIキーが露出
const ML_API_KEY = "your-ml-api-key-here"; // ブラウザで見える！

async function callML(message) {
    const response = await fetch(`${ML_ENDPOINT}/score`, {
        headers: {
            'Authorization': `Bearer ${ML_API_KEY}`, // 悪用される可能性
            'Content-Type': 'application/json'
        },
        body: JSON.stringify({ message })
    });
}

問題:

ブラウザのDevToolsでAPIキーが丸見え
全ユーザーが同じAPIキーを使用
レート制限やアクセス制御が困難

✅ Functions経由の利点

// フロントエンド（シンプル）
async function callChatAPI(message) {
    const response = await fetch('/api/chat', {
        method: 'POST',
        headers: { 'Content-Type': 'application/json' },
        body: JSON.stringify({ message })
    });
    return await response.json();
}

// Functions側（セキュアな実装）
module.exports = async function (context, req) {
    try {
        // 1. 入力検証
        if (!req.body.message || req.body.message.length > 1000) {
            return { status: 400, body: { error: '無効な入力' } };
        }
        
        // 2. ユーザー認証（必要に応じて）
        const user = await validateJWT(req.headers.authorization);
        
        // 3. レート制限
        if (await checkRateLimit(user?.id || req.ip)) {
            return { status: 429, body: { error: '制限に達しました' } };
        }
        
        // 4. ビジネスロジック実行
        const searchResults = await searchDocuments(req.body.message);
        const mlResponse = await callMLEndpoint({
            message: req.body.message,
            context: searchResults
        });
        
        // 5. ログ記録
        context.log('Chat completion:', {
            messageLength: req.body.message.length,
            responseTime: Date.now() - startTime
        });
        
        return {
            status: 200,
            body: {
                reply: mlResponse.answer,
                sources: searchResults.length
            }
        };
        
    } catch (error) {
        context.log.error('Chat API error:', error);
        return {
            status: 500,
            body: { error: 'サービス一時的に利用できません' }
        };
    }
};

利点:

APIキーはサーバーサイドで管理
マネージドIDによる認証
ユーザー単位でのアクセス制御
統合されたエラーハンドリング

コスト比較

開発期間中（1ヶ月）のコスト概算 ※一例です。

コスト要素	Azure ML 直接	Functions 経由
ML推論	$50-150	$50-150
Functions	$0	$5-20
追加ストレージ	$1-5	$3-8
監視・ログ	$0-10	$5-15
合計	$51-165	$63-193
差額	-	+$12-28

ROI（投資対効果）

月額$10-30の追加コストに対して：

セキュリティリスク回避: 情報漏洩事故を防止
開発効率向上: 統合されたエラーハンドリングとログ
運用工数削減: 問題の早期発見と解決
将来の拡張性: 新機能追加が容易

選択の決定フローチャート

プロジェクトタイプ別推奨

✅ Functions経由を推奨するケース

短期開発プロジェクト: 1-3ヶ月で高品質な成果物が必要
セキュリティ重視: APIキー露出リスクの回避が必要
複数サービス統合: AI Search、OpenAI Service等の複数サービスを組み合わせ
本番運用予定: エラーハンドリング、監視、ログ管理が重要
チーム開発: 統一されたAPI設計とエラーハンドリングが必要

✅ Azure ML直接を推奨するケース

シンプルな推論: 単一モデルの推論のみが目的
プロトタイプ開発: 最小限の機能で素早く検証
コスト最優先: 追加のサービス料金を避けたい
低レイテンシ必須: わずかな遅延も許容できない
学習・実験目的: Azure MLの機能理解が主眼

実装のポイント

// functions/chat/index.js
const { DefaultAzureCredential } = require("@azure/identity");

module.exports = async function (context, req) {
    const startTime = Date.now();
    
    try {
        // 1. RAG検索でコンテキスト取得
        const relevantDocs = await searchRelevantDocuments(req.body.message);
        
        // 2. Azure ML エンドポイント呼び出し
        const credential = new DefaultAzureCredential();
        const mlResponse = await fetch(`${process.env.ML_ENDPOINT}/score`, {
            method: 'POST',
            headers: {
                'Authorization': `Bearer ${await credential.getToken('https://ml.azure.com/.default')}`,
                'Content-Type': 'application/json'
            },
            body: JSON.stringify({
                message: req.body.message,
                context: relevantDocs.join('\n')
            })
        });
        
        const result = await mlResponse.json();
        
        // 3. レスポンス構築
        context.res = {
            status: 200,
            body: {
                reply: result.response,
                metadata: {
                    sources: relevantDocs.length,
                    responseTime: Date.now() - startTime
                }
            }
        };
        
    } catch (error) {
        context.log.error('Error:', error);
        context.res = {
            status: 500,
            body: { error: 'AI応答生成に失敗しました' }
        };
    }
};

まとめ

Azure Machine Learningエンドポイントの利用において：

簡単なプロトタイプ・学習目的: Azure ML直接でOK
本格的なWebアプリケーション: Azure Functions経由を推奨
セキュリティが重要な案件: Functions経由一択
短期間での高品質開発: Functions経由が効率的
複数のAIサービス統合: Functions経由で統一API

特に本番運用を前提とした開発では、月額$10-30程度の追加コストを支払ってでもFunctions経由にすることで、セキュリティ、保守性、拡張性の全てを向上させることができます。

プロジェクトの性質、予算、期間を総合的に判断して、最適なアプローチを選択しましょう。

参考資料