機械学習運用（MLOps）

機械学習オペレーション（MLOps）は、機械学習、データエンジニアリング、およびDevOpsのプラクティスの交差点である。 プラクティスを表している。これは、機械学習（ML）モデルのライフサイクルを合理化するために設計された、標準化されたプロセスとツールのセットである。 機械学習（ML）モデルのライフサイクルを合理化するために設計された、標準化されたプロセスとツールのセットです。 実験的研究からスケーラブルで信頼性の高いプロダクションシステムへと移行させる。従来のソフトウェア開発が 従来のソフトウェア開発がコードの変更を管理するためにDevOpsの原則に依存しているのに対し、MLOpsはデータとモデルという2つの重要な側面を追加します。 データとモデルです。この全体的なアプローチにより、以下のことが保証される。 人工知能（AI） アプリケーションの正確性と効率性を長期にわたって維持し、モデルの崩壊やデータ分布の変化といった独自の課題に対処します。 データ分布

MLOpsライフサイクルのコア・コンポーネント

堅牢なMLOpsフレームワークは、エンドツーエンドのワークフローを自動化し、再現性と市場投入までの時間の短縮を保証します。ライフサイクル ライフサイクルは通常、いくつかの統合されたステージで構成される：

• データ管理：これにはデータセットの収集、クリーニング、バージョン管理が含まれる。効果的な データの前処理を行うことで モデルに入力される情報が高品質で一貫性のあるものであることを保証する。チームはしばしば のようなツールを使用します。
• モデル開発：データサイエンティストは モデルの訓練と実験を行う。この段階には以下が含まれる パフォーマンスを最適化するためのハイパーパラメータ が含まれる。MLflowのようなツールで実験を追跡することは、以下のことを確実にするために極めて重要である。 を確認し、再現することができる。
• デプロイメントとサービング：モデルが検証されると、本番環境へのモデル展開が行われる。 モデルを本番環境にデプロイする。 これには多くの場合、Dockerを使用したコンテナ化が含まれます。 などの相互運用可能なフォーマットへのエクスポートが行われます。 ONNXのような相互運用可能な形式にエクスポートする必要があります。
• モニタリングとメンテナンス：配備後、システムは以下の点を観察しなければならない。 データ・ドリフト。 観察しなければならない。継続的な モデルの継続的なモニタリングにより 自動的に再トレーニングサイクルを開始することができます。

MLOpsと関連概念

MLOpsが類似の用語とどのように異なるかを理解することは、正しい戦略を実行するために不可欠である：

• MLOpsとDevOpsの比較： DevOpsがソフトウェアコードの継続的デリバリーに重点を置いているのに対し、MLOpsはコードとデータとモデルの成果物を包括している。 MLOpsはコード、データ、モデルの成果物を包括する。MLOpsでは、"バグ "はコードの破損ではなく、むしろ以下のような原因による精度の劣化かもしれない。 MLOpsでは、"バグ "は壊れたコードではなく、環境要因の変化による精度の低下かもしれない。 環境要因の変化による精度の低下である。
• MLOpsとモデル・サービングの比較： モデルサービングは、MLOpsの特定のサブセットである。 モデルのホスティングと推論リクエストの処理に必要なインフラに特化したMLOpsの特定のサブセットである。MLOpsは、トレーニングやガバナンスと並んで 包括的なものであり、トレーニングやガバナンスとともにサービング・インフラを管理する。
• MLOpsとAutoMLの比較： 自動機械学習（AutoML） はモデルの選択とトレーニングのプロセスを自動化します。MLOpsはモデル作成後の運用ライフサイクルを管理する。 管理します。

実際のアプリケーション

MLOpsは、理論的なモデルを様々な業界における実践的なビジネス・ソリューションに変えます。

1. スマートな小売在庫：ある大手小売業者は YOLO11を を使用して棚の在庫を監視しています。MLOpsパイプライン MLOpsパイプラインは、新商品が追加されると自動的にデータセットをバージョンアップする。システムは 信頼度スコアが閾値を下回ると、Ultralytics Platformの再トレーニングパイプラインが起動する。 Ultralytics プラットフォーム上の再トレーニングパイプラインが起動します、 新しいモデルを検証し、ダウンタイムなしで数千のエッジデバイスにアップデートをプッシュします。
2. 製造業における予知保全：工場では 工場では、組立ラインの欠陥をdetect するためにコンピュータ・ビジョン ラインの欠陥を検出する。高速生産に対応するため、モデルは低推論レイテンシに最適化される。 最適化されます。 TensorRT.MLOpsは、製造公差が変更されると、モデルが更新され、バージョン管理されることを保証します、 モデルが更新され、バージョン管理されるため、厳密な品質検査が維持されます。 品質検査 基準を維持します。

UltralyticsMLOpsの実装

MLOpsの基本的なステップは、モデル・トレーニングの再現性とログを確実に取ることである。以下のコードは MLOpsパイプラインの重要な要件である、バージョン管理された成果物とメトリクスを自動的に生成するトレーニング実行を開始する方法を示します。 MLOpsパイプラインの重要な要件です。

from ultralytics import YOLO

# Load the YOLO11 model (recommended for state-of-the-art performance)
model = YOLO("yolo11n.pt")

# Train the model on a dataset
# This step generates logs, saves model weights, and records metrics
# essential for the experiment tracking phase of MLOps.
results = model.train(data="coco8.yaml", epochs=5, imgsz=640)

この分野の進化に伴い、YOLO26のような次期アーキテクチャーは、こうした自動化パイプラインにさらにシームレスに統合できるよう設計されている。 このような自動化パイプラインにシームレスに統合できるように設計されており、トレーニングから配備までの移行を簡素化するネイティブなエンド・ツー・エンド機能を提供している。 トレーニングから配備への移行を簡素化するネイティブなエンドツーエンド機能を提供する。MLOpsは、これらの高度なモデルが実世界で確実に機能するためのバックボーンである。 クラウドコンピューティング クラウド・コンピューティング スケールとエッジAIの効率性を活用します。