MLOpsの考え方を採用する

本番環境向けのMachine Learningモデル開発

Sinan Ozdemir

Data Scientist, Entrepreneur, and Author

MLOps

  • 実験から本番までのMLワークフローを自動化・効率化するプロセス
  • 実験を十分にテストし、デプロイとスケールに備える

mlops

本番環境向けのMachine Learningモデル開発

ML実験

ML実験はモデルを検証し、最良モデルを選ぶこと

  • MLOpsはモデル実験を含む
  • 複数データセットで評価
  • 慎重なモデル選定が重要
  • 選定には時間がかかり得る
  • プロジェクト成功に直結
本番環境向けのMachine Learningモデル開発

実験から本番へ

forest

本番投入できるML実験の条件

  • 適切な指標でテスト・検証済み
  • 適切なドキュメント
  • 監視体制がある
  • 本番環境が安全でスケーラブル
本番環境向けのMachine Learningモデル開発

多くのML実験が失敗する理由

これには多くの理由があります:

  • 目標・目的が不明確
  • データ品質が低い
  • 複雑なモデル構造
  • 学習データ不足
  • 過学習または学習不足
本番環境向けのMachine Learningモデル開発

技術的負債

十分なテストや検証をせず、ドキュメントが欠落・不完全・古いまま急いで書いたコード

  • 早期に対処しないと高コストな不具合が発生し得る。
  • 最初から適切なコードとドキュメントで技術的負債を回避する。

good_kitty

本番環境向けのMachine Learningモデル開発

演習に進みましょう!

本番環境向けのMachine Learningモデル開発

Preparing Video For Download...