機械学習オペレーション(MLOps)
MLモデルのデプロイを合理化し、ワークフローを自動化し、信頼性を確保し、AIの成功を効率的に拡大するMLOpsのパワーをご覧ください。
Machine Learning Operations(MLOps)は、機械学習(ML)モデルを本番環境に確実かつ効率的にデプロイし、維持することを目的としたプラクティスのセットです。DevOpsの原則から着想を得たMLOpsは、データ収集やモデルのトレーニングからデプロイやモニタリングに至るまで、AIモデルのライフサイクル全体に同様の概念を適用する。主な目標は、MLモデルを研究用プロトタイプから堅牢でスケーラブルな本番アプリケーションに移行するプロセスを自動化し、合理化することです。これにより、モデルが初期に優れたパフォーマンスを発揮するだけでなく、新しいデータが利用可能になるにつれて、長期にわたって効果的であり続けることを保証します。
MLOpsと関連コンセプトの比較
MLOpsを、関連はするが異なる概念と区別することは重要だ:
- MLOpsとAutoMLの比較:両者は連携できるが、焦点は異なる。自動機械学習(AutoML)は、データの前処理、フィーチャーエンジニアリング、ハイパーパラメータのチューニングなど、モデル作成プロセスの自動化に重点を置く。一方、MLOpsは、モデルのデプロイメント、モニタリング、ガバナンスなど、モデル構築後を含むライフサイクル全体をカバーする。AutoMLは、開発段階を加速する、より大きなMLOpsフレームワークの中のツールと考えることができる。
- MLOpsとDevOpsの比較:MLOpsは、機械学習特有のニーズに合わせたDevOpsの特殊化である。DevOpsが継続的インテグレーションと継続的デプロイメント(CI/CD)によるソフトウェアデリバリの自動化に焦点を当てているのに対し、MLOpsはこのパラダイムをデータとモデルのパイプラインにまで拡張している。MLOpsは、データドリフト、モデルのバージョニング、継続的な再トレーニングの必要性など、従来のソフトウェア開発では通常見られなかった課題に対処する。
実世界での応用
MLOpsの実践は、本番環境で複雑なMLシステムを管理するために不可欠である。
- 推薦システム:NetflixやSpotifyのような企業は、MLOpsを使用して、新しいユーザーインタラクションデータに基づいて、レコメンデーションシステムのモデルを継続的に再トレーニングしている。MLOpsパイプラインは、異なるモデルのバージョンをA/Bテストし、エンゲージメントメトリクスを監視し、パフォーマンスの低いモデルを迅速にロールバックすることを可能にし、レコメンデーションが常に新鮮でパーソナライズされたものになるようにする。
- 不正検知:金融機関は不正検知モデルの管理にMLOを導入している。これには、不正行為の新しいパターンがないかトランザクションデータを監視し、新しいデータでモデルを自動的に再トレーニングし、リアルタイム検知のために推論レイテンシーを低く抑え、規制遵守のために監査証跡を維持することが含まれる。目視検査システムで使用されているUltralytics YOLOモデルは、不正検出に使用することができ、エッジデバイスへの展開と監視のためにMLOpsの恩恵を受けています。
ツールとプラットフォーム
さまざまなツールがMLOpsライフサイクルのさまざまな段階をサポートし、チームは効率的でスケーラブルなワークフローを構築できる。