自動化

本番環境向けのMachine Learningモデル開発

Sinan Ozdemir

Data Scientist, Entrepreneur, and Author

ML自動化の概要

  • 自動化はMLパイプラインの信頼性と効率を確保
  • 人的ミスのリスクを低減
  • 開発とデプロイを効率化
  • 主要なMLOpsの4原則:
    • 継続的インテグレーション（CI）
    • 継続的デリバリー（CD）
    • 継続的トレーニング（CT）
    • 継続的モニタリング（CM）
本番環境向けのMachine Learningモデル開発

自動化の4原則

継続的インテグレーション（CI） コード変更を定期的に共有リポジトリへ統合 コーディング

継続的デリバリー（CD） コード変更を自動でビルド、テスト、デプロイ パッケージ

継続的トレーニング（CT） 新しいデータで継続的に学習・更新

脳

継続的モニタリング（CM） モデルの性能と精度を継続的に監視 モニター

本番環境向けのMachine Learningモデル開発

継続的インテグレーションとデリバリー

継続的インテグレーション（CI）

  • 常に動くコード状態を維持
  • 人的ミスのリスクを低減
  • 早期に不具合を検知

継続的デリバリー（CD）

  • 迅速かつ一貫したモデルデプロイ
  • 本番投入までの時間を短縮
  • 人的ミスのリスクを低減

CI/CDツール: Git、AWS CodePipeline、Jenkins、Travis CI

Jenkins

本番環境向けのMachine Learningモデル開発

継続的トレーニングとモニタリング

継続的トレーニング（CT）

  • モデル精度と最新性を維持
  • モデル劣化のリスクを低減
  • 再学習までの時間を短縮

継続的モニタリング（CM）

  • モデル劣化のリスクを低減
  • 全体の精度を向上
  • 一貫性のある信頼できるML指標にアクセス
  • 早期に問題を検知

モニター

本番環境向けのMachine Learningモデル開発

大規模ML自動化の例

  1. CI: モデルのコードをGitにコミット

  2. CD: JenkinsなどのCI/CDでビルドとテスト。合格ならデプロイ

    • モデルをシリアライズ
    • 依存関係をDockerで設定
    • Dockerイメージをデプロイ

  3. CM: モデル性能を継続監視

    • 監視結果で意思決定
    • CMツール: Prometheus、Grafana

  4. CT: 新しいデータで再学習

  5. 新しいコード作成／モデル更新 … 手順1へ

本番環境向けのMachine Learningモデル開発

Vamos praticar!

本番環境向けのMachine Learningモデル開発

Preparing Video For Download...