データとモデルのバージョニング

本番環境向けのMachine Learningモデル開発

Sinan Ozdemir

Data Scientist, Entrepreneur, and Author

メジャー版とマイナー版

バージョニングは major と minor の2種類

major はデータまたはモデルの大きな変更を示す

minor は小さな変更を示す

major/minor を使うと、変更内容と影響を把握できます

学習データのバージョニング

一意のメジャー/マイナーラベルやタイムスタンプ
実験の再現性・追跡性を確保
以前のデータ版へ容易に戻せる
データの経時変化を可視化

例:

Data V 1.0 は初期データセット
Data V 1.1 は特徴量変換を追加
Data V 1.2 は特徴選択を追加
Data V 2.0 は新たなデータソースを含む

フィーチャーストア

特徴量の異なる版を保存・管理する中央リポジトリ
特徴量版を簡単に追跡
実験ごとに特徴量を再利用
共同作業と実験の整合性を向上
重複作業を削減

ML モデルのバージョニング

さまざまな ML モデル版を管理
実験の再現性・追跡性を確保
以前のモデル版へ容易にロールバック
学習データ版と一致することが多いが、常にではない

例:

Model V 1.0 は初期モデル（Random Forest）
Model V 1.1 は Data V 1.1 で微調整した同一モデル
Model V 2.0 は Data V 1.2 で微調整した XGBoost モデル
Model V 2.1 は Data V 2.0 で微調整した XGBoost モデル

モデルストア

さまざまなモデル版を保存・管理する中央リポジトリ
モデルの版を簡単に追跡
以前の版へロールバック

MLflow によるモデル版管理の例

import mlflow

# Start a new mlflow run
with mlflow.start_run() as run:
    # Log model version as a parameter
    mlflow.log_param("model_version", "1.0")

    # Train and save the model
    model = train_model()
    mlflow.sklearn.log_model(model, "model")

練習しましょう！

本番環境向けのMachine Learningモデル開発

Preparing Video For Download...