機械学習運用（MLOps）
MLOpsの力を発見しましょう。MLモデルのデプロイを効率化し、ワークフローを自動化し、信頼性を確保し、AIの成功を効率的にスケールします。
Machine Learning Operations（MLOps）は、機械学習（ML）モデルを本番環境で信頼性と効率性を維持しながらデプロイすることを目的とした一連のプラクティスです。DevOpsの原則から着想を得て、MLOpsは同様の概念を、データ収集やモデル学習からデプロイや監視まで、AIモデルのライフサイクル全体に適用します。主な目標は、MLモデルを研究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へと移行させるプロセスを自動化および効率化することです。これにより、モデルは初期段階で良好な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、時間の経過とともに効果を維持することが保証されます。
MLOpsと関連概念
MLOpsを、関連するものの異なる概念と区別することが重要です。
- MLOpsとAutoML: これらは連携して動作できますが、その焦点は異なります。自動機械学習（AutoML）は、データの前処理、特徴量エンジニアリング、およびハイパーパラメータチューニングなど、モデル作成プロセスの自動化に焦点を当てています。一方、MLOpsは、モデルデプロイメント、監視、およびガバナンスなど、モデルの構築後に発生することを含む、ライフサイクル全体をカバーします。AutoMLは、開発段階を加速する、より大きなMLOpsフレームワーク内のツールと見なすことができます。
- MLOpsとDevOps: MLOpsは、機械学習の固有のニーズに合わせて調整されたDevOpsの専門分野です。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）を通じてソフトウェアの配信を自動化することに焦点を当てているのに対し、MLOpsはこのパラダイムを拡張して、データとモデルのパイプラインを含めます。データドリフト、モデルのバージョン管理、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い課題に対処します。
実際のアプリケーション
MLOpsプラクティスは、本番環境における複雑なMLシステムの管理に不可欠です。
- レコメンデーションシステム：NetflixやSpotifyなどの企業は、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モデルを継続的に再トレーニングしています。MLOpsパイプラインを使用すると、さまざまなモデルバージョンを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して、レコメンデーションが常に最新でパーソナライズされるようにすることができます。
- 不正検出: 金融機関は、不正検出モデルを管理するためにMLOpsを導入しています。これには、不正行為の新しいパターンを監視するためのトランザクションデータの監視、新しいデータを使用したモデルの自動再トレーニング、リアルタイム検出のための低い推論レイテンシの確保、および規制遵守のための監査証跡の維持が含まれます。不正検出に利用できる、視覚検査システムで使用されるUltralytics YOLOモデルも、エッジデバイスでのデプロイと監視のためにMLOpsの恩恵を受けます。
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、チームが効率的でスケーラブルなワークフローを構築できるようにします。
