MLOps

Artificial Intelligence (AI) Strategy

Vidhi Chugh

AI strategist and ethicist

運用化

高度なAIモデルを通常業務に導入すること。

コードとデータのバージョン管理

• 実験により複数のコードバージョンが生成される

• バージョン管理システムで管理される

• データバージョン

• 新しいデータまたは新しい特徴量

移植性

• MLプロジェクトの環境
  • トレーニング
  • 検証
  • 本番

 

• ライフサイクル全体で一貫性を保つ

  • ライブラリ
  • フレームワーク
  • バージョン

 

考えるべきタイミング！

• 異なるバージョンと依存関係の管理

• 即時のビジネス価値に注力

• スケーラビリティとアーキテクチャは後回しにされる

• 場当たり的なアプローチが課題を生む

自動データ管理

• トレーニングデータの再準備にかかる労力
• エラー、変更、または更新
• 品質のための自動データ管理
• 品質チェックとアラート

自動化の必要性

• 手動介入 = 遅延
  • モデル性能の低下
  • エラー分析
  • 是正措置

 

• 相当な時間の経過
• 不正確な予測
• 深刻な影響

コードのリファクタリング

 

 

• エンジニアリングのベストプラクティスの欠如

 

• 初期コードのリファクタリングが必要
  • 重大なリスク
  • 元のロジックの誤解または誤表現

効率的なアーキテクチャの特性

 

• 信頼性の高いシステムには継続的な努力が必要
• MLOps = プロセスの標準化と自動パイプライン

 

• 自動化:
  • 再利用可能なモジュール（データ製品、コード）
  • 自動テストフレームワーク
  • リファクタリングのリスク軽減

 

効率的なアーキテクチャの特性

 

 

• Dockerがモデルと環境をバンドル

• 手動介入の削減 = 効率的なライフサイクル

• モデル性能の維持は困難

 

• モデル監視のための MLOps
  • モデルの廃棄を30%削減
  • 価値を60%向上

練習しましょう！

Artificial Intelligence (AI) Strategy