最新のMLOpsフレームワーク

MLOpsのデプロイとライフサイクル

Nemanja Radojkovic

Senior Machine Learning Engineer

自己紹介

 

 

• シニア機械学習エンジニア
• 本番環境での機械学習モデルの開発・デプロイ・運用保守の経験
• 現在の関心領域：MLのデプロイとライフサイクル管理

¹ www.linkedin.com/in/radojkovic

概念中心のコース

YES: 概念の把握

NO: ハンズオンスキル

MLOps

Machine Learning Operations

• 原則
• 実践
• ツール

目標：MLのワークフローとサービス

• 自動化
• 再現可能
• 統合

第1章

MLOpsの価値と必要性

モデルライフサイクルの段階

 

MLOpsフレームワークの構成要素

OpsなしMLの高コスト

 

一般的な出発点

• 手作業のMLワークフロー
• 手作業のデプロイ
• アドホックな監視

 

=> 技術的負債の蓄積

技術的負債

いま簡単な解決策を選ぶことで、より良い（時間のかかる）方法を避けた結果生じる、追加作業の暗黙コスト

~ Wikipedia[1]

 

このテーマの有名なGoogle論文：

"Machine Learning: The high-interest credit card of technical debt"[2]

 

時間とデプロイが増えるほど

• 技術的負債とモデルリスクが増加
• プロセスは遅く、ストレス増・ミスが増える
• 価値提供能力が低下

¹ https://en.wikipedia.org/wiki/Technical_debt ² https://research.google/pubs/pub43146/

MLワークフロー

• データ収集・前処理
• データラベリング
• モデル選定
• モデル学習
• モデルパッケージ化
• モデルデプロイ
• モデル監視・保守

 

MLワークフローの自動化 = MLOpsの成熟度

MLOpsの実装後

• 自動化
• 高速
• 再現可能
• 説明可能

この後の内容

 

モデルのライフサイクル管理

MLOpsアーキテクチャ

練習しましょう！

MLOpsのデプロイとライフサイクル