自動化MLOpsアーキテクチャのフィーチャーストア

完全自動化MLOps

Arturo Opsetmoen Amador

Senior Consultant - Machine Learning

機械学習における特徴量

$$

特徴量エンジニアリング

生データを選択・加工・変換し、MLアルゴリズムの入力となる特徴量を作成する

$$

例:

• 数値変換
• カテゴリのエンコード
• 値の集約
• 新規フィーチャーの構築

エンタープライズにおける特徴量エンジニアリング

$$

エンタープライズにおける特徴量エンジニアリング

$$

エンタープライズにおける特徴量エンジニアリング

$$

フィーチャーストア

$$

• フィーチャーの集中リポジトリ

• 自動化で重複作業を回避

• 変換の標準化

• 集中ストレージ

• バッチ/リアルタイムのフィーチャー提供

$$

フィーチャーストア - 実験の加速

$$

• 実験の加速

  • 実験用データ抽出
  • フィーチャー探索
  • 同一フィーチャーの定義の乱立を防止

$$

フィーチャーストア - 継続学習

$$

• 継続学習（CT）

  • 本番の自動パイプライン向けデータ抽出

$$

フィーチャーストア - オンライン予測

$$

• オンライン予測

  • 事前定義フィーチャーを予測サービスで利用

$$

フィーチャーストア - 環境の対称性

$$

• トレーニング/サービングのずれを防止

$$

Passons à la pratique !

完全自動化MLOps