はじめに

利用できるデータが増え、コンピューティング能力が民主化され、モデルのトレーニングに使われるアルゴリズムが進歩したことにより、あらゆる組織で機械学習プロジェクトが増加しています。

ただし、機械学習プロジェクトを採用してスケーリングするときの主な障害の 1 つは、明確な戦略の欠如と組織のサイロです。

MLOps

機械学習の運用または MLOps の目的は、概念実証またはパイロットプロジェクトから運用環境の機械学習ワークロードに、より効率的にスケーリングすることです。

MLOps を実装すると、機械学習ワークロードを堅牢で再現可能なものにするのに役立ちます。たとえば、運用環境のモデルを常に維持しながら、必要に応じていつでもモデルの監視、再トレーニング、再デプロイを行うことができます。

MLOps の目的は、機械学習のライフサイクルをスケーラブルにすることです。

Machine learning lifecycle

MLOps には、複数のロールと複数のツールが必要です。データ科学者は、多くの場合、モデルのトレーニングに関連するすべてのタスク (内側のループとも呼ばれます) に注目します。

モデルをパッケージ化してデプロイするため、データ科学者は、DevOps のプラクティスを適用する機械学習エンジニアの助けを借りて、機械学習モデルをスケーリングする場合があります。

トレーニング済みのモデルを取得して運用環境にデプロイすることは、多くの場合、外側のループと呼ばれます。外側のループでは、モデルのパッケージ化、検証、デプロイ、監視が行われます。モデルの再トレーニングが必要であると判断したら、内側のループに戻ってモデルを変更します。

アジャイル計画などの DevOps の原則を使うと、チームが作業を整理し、成果物をより迅速に生成するのに役立ちます。 ソース管理を使うと、プロジェクトでのコラボレーションを容易にすることができます。 自動化を使うと、機械学習のライフサイクルを高速化できます。

このモジュールでは、これらの DevOps の原則を紹介し、よく使われる 2 つのツール Azure DevOps と GitHub に光を当てます。

このモジュールでは、次のことを学習します。