モデルの保守

MLOpsのデプロイとライフサイクル

Nemanja Radojkovic

Senior Machine Learning Engineer

前回までに…

• 異常や変動をどう検知するか？

 

本レッスンの焦点：MLモデルの失敗

¹ https://datacentricai.org/

量より質

• 関連情報のある特徴量を増やす
• より良いラベルを得る

 

ラベル == 学習用データの目的変数の値

ラベル品質 == 真値への近さ

ラベリングツールの利点

手動ラベリングは複雑・長時間・ミスが起きやすい

良いラベリングツールを使う！

• ラベリングが効率的に
• 精度向上
• 目的に合ったUI
• 「まずこの例にラベル付けすると効果大」
• 「ここは誤りの可能性があります」

例：画像分類器向けの画像ラベリングツール

ラベル到着時

• MLビルドパイプラインを実行 => 新モデル
• 新モデルが旧モデルより良いか確認
  • YES => テストしてデプロイ
  • NO => 継続して探索

探索を続ける

• 新しいモデルを試す
• 新しい特徴量を試す
• 新しいデータ源を試す

 

非常に有用：メタデータストア（MLflow Tracking など）

• モデル選定の過程を記録
• 実験の重複を回避

 

いずれにせよ： MLOps は最速・最効率でモデルを保守

練習に進みましょう！

MLOpsのデプロイとライフサイクル