開発フェーズ

ビジネスのための MLOps

Arne Jonas Warnke

Head of Emerging Curriculum

開発フェーズの重要ステップ

 

データ準備／特徴量エンジニアリング

 

データ準備／特徴量エンジニアリング

ここでは、

• 中央DBで利用可能にする
• MLモデルが消費できる形式に整形
• 特徴量エンジニアリング
  • データの集約
  • 欠損の補完
  • 外れ値への対応

関与者

• データエンジニア、データサイエンティスト、業務担当者

$$

モデル学習／実験

モデル学習／実験

タスク:

• 機械学習モデルの学習・チューニング
• 代替モデルとの比較
• 性能評価

重要

• すべての結果を自動ログ化

 

担当

• データサイエンティスト／機械学習エンジニア

$$

モデル評価

モデル評価

$$

ここで確認すること

• ビジネス要件を満たすか
  • 例: データプライバシー
• モデルのストレステスト
  • 極端な条件をシミュレーション
• モデルの挙動
  • 公平性は?

$$

担当

• データサイエンティスト／機械学習エンジニア

テストと検証

テストと検証

ソフトウェア工学を適用

• テストと
• ベストプラクティス

をMLモデルに適用、例

• モデルがシステム全体に悪影響を与えない

担当

• ソフトウェアエンジニア／機械学習エンジニア

モデル開発を練習しよう

ビジネスのための MLOps