実験の自動トラッキング

完全自動化MLOps

Arturo Opsetmoen Amador

Senior Consultant - Machine Learning

機械学習は実験的な性質をもつ

実験できる「レバー」は多数:

• データ変換
  • 使用する特徴量
• 学習アルゴリズム
  • ハイパーパラメータ調整
• 評価指標
  • Precision、Recall など

可能性は広大！

$$

手作業のMLワークフローの問題

自動化不足＝手作業MLの課題

• 実験と結果の追跡が困難
• 時間とリソースの浪費
• 結果の再現・共有が難しい

MLにおける自動ロギング

重要なログ項目:

• コード
• 環境
• データ
• パラメータ
• メトリクス

ロギングの重要性

ロギングは次に不可欠です:

• ML実験の再現性
• システム性能の追跡と意思決定
• 改善点の特定

$$

再現性は透明性を生み、信頼できるシステムに不可欠です。

自動実験トラッキングシステム

$$

実行（ラン）や実験ごとにログを整理すると:

• モデル学習のメタデータを確認
• 学習ランを比較
• 学習ランを再現

$$

自動実験トラッキング - 現行ツール

実験トラッキングを自動化する主なツール:

• TensorBoard

$$

• MLFlow

$$

• Weights & Biases

$$

• Neptune

$$

$$

$$

Ayo berlatih!

完全自動化MLOps