Loading article…
MLOpsまたはML Ops は、機械学習モデルを信頼性と効率性をもって本番環境に導入し、維持することを目的としたパラダイムです。この言葉は、「機械学習」とソフトウェア分野におけるDevOpsの継続的デリバリー プラクティス (CI/CD) を組み合わせたものです。機械学習モデルは、分離された実験システムでテストおよび開発されます。アルゴリズムのリリース準備が整うと、データ サイエンティスト、DevOps、機械学習エンジニアの間で MLOps が実施され、アルゴリズムを本番システムに移行します。[1] DevOpsやDataOpsのアプローチと同様に、MLOps は自動化を強化し、本番モデルの品質を向上させることを目指しており、ビジネス要件と規制要件にも重点を置いています。MLOps はベスト プラクティスのセットとして始まりましたが、徐々に ML ライフサイクル管理への独立したアプローチへと進化しています。MLOps は、モデル生成 (ソフトウェア開発ライフサイクル、継続的インテグレーション/継続的デリバリー)、オーケストレーション、導入との統合から、健全性、診断、ガバナンス、ビジネス メトリックまで、ライフサイクル全体に適用されます。
意味
MLOps は、機械学習製品のエンドツーエンドの概念化、実装、監視、展開、スケーラビリティに関するベストプラクティス、概念セット、開発文化などの側面を含むパラダイムです。何よりも、機械学習、ソフトウェアエンジニアリング (特に DevOps)、データエンジニアリングという 3 つの分野を活用するエンジニアリングプラクティスです。MLOps は、開発 (Dev) と運用 (Ops) のギャップを埋めることで、機械学習システムを本番環境に導入することを目的としています。基本的に、MLOps は、CI/CD 自動化、ワークフローオーケストレーション、再現性、データ、モデル、コードのバージョン管理、コラボレーション、継続的な ML トレーニングと評価、ML メタデータの追跡とログ記録、継続的な監視、フィードバックループなどの原則を活用して、機械学習製品の作成を容易にすることを目的としています。[2]
歴史
アプリケーションにおける機械学習の継続的な使用の課題は、2015 年の論文で強調されました。[3]機械学習の予測される成長には、2017 年から 2018 年にかけて ML パイロットと実装が 2 倍になり、2018 年から 2020 年にかけて再び 2 倍になるとの予測が含まれていました。 [4] MLOps は、ビジネスにおける機械学習の複雑さと成長に対応できるソリューションとして、AI/ML の専門家、企業、テクノロジー ジャーナリストの間で急速に注目を集め始めました。[5]
報告書によると、企業の機械学習イニシアチブの大部分（最大88％）は、テスト段階から先に進めずに苦労しています。[2]しかし、実際に機械学習を本番環境に導入した組織では、利益率が3～15％増加しました。[6] MLOps市場は2019年に232億ドルと推定され、急速な導入により2025年までに1,260億ドルに達すると予測されています。
建築
機械学習システムは、データ収集、データ処理、特徴エンジニアリング、データラベリング、モデル設計、モデルトレーニングと最適化、エンドポイント展開、エンドポイント監視の 8 つのカテゴリに分類できます。機械学習ライフサイクルの各ステップは独自のシステムに組み込まれていますが、相互接続が必要です。これらは、企業が組織内で機械学習を拡張するために必要な最小限のシステムです。
目標
企業がMLOpsシステムを通じて企業全体にMLを実装することで達成したい目標は数多くあり、その中には次のようなものがある。[7]
- 展開と自動化[8]
- モデルと予測の再現性[9]
- 診断[9]
- ガバナンスと規制遵守[10]
- スケーラビリティ[11]
- コラボレーション[12]
- ビジネス用途[13]
- 監視と管理[14]
MLOps などの標準的なプラクティスでは、前述の各領域が考慮されており、企業はワークフローを最適化し、実装中に問題を回避することができます。
MLOpsシステムの一般的なアーキテクチャには、モデルが構築されるデータサイエンスプラットフォームと計算が実行される分析エンジンが含まれ、MLOpsツールはシステム間での機械学習モデル、データ、結果の移動を調整します。[7]
参照
- Gartnerによると、 ModelOpsはMLOpsのサブセットです。MLOps は ML モデルの運用化に重点を置いていますが、 ModelOps はあらゆる種類の AI モデルの運用化をカバーしています。
- AIOps は、似た名前ですが、IT と運用で AI (ML) を使用するという異なる概念です。
参考文献
- ^ Talagala, Nisha. 「なぜ MLOps (ML だけではない) がビジネスの新たな競争のフロンティアなのか」。AITrends。2018年1 月 30 日閲覧。
- ^ ab クロイツベルガー、ドミニク;キュール、ニクラス。ヒルシュル、セバスチャン (2023)。 「機械学習オペレーション (MLOps): 概要、定義、アーキテクチャ」。IEEE アクセス。11 : 31866–31879。arXiv : 2205.02302。Bibcode :2023IEEEA..1131866K。土井：10.1109/ACCESS.2023.3262138。ISSN 2169-3536。S2CID 248524628。
- ^ Sculley, D.; Holt, Gary; Golovin, Daniel; Davydov, Eugene; Phillips, Todd; Ebner, Dietmar; Chaudhary, Vinay; Young, Michael; Crespo, Jean-Francois; Dennison, Dan (2015 年 12 月 7 日)。「機械学習システムにおける隠れた技術的負債」(PDF)。NIPS Proceedings (2015) 。2017 年11 月 14 日閲覧。
- ^ Sallomi, Paul; Lee, Paul. 「Deloitte Technology, Media and Telecommunications Predictions 2018」（PDF） . Deloitte . 2017年10月13日閲覧。
- ^ https://www.meetup.com/MLOps-Silicon-Valley/?_cookie-check=o1SkbKRfUlSuQoT3
- ^ Bughin, Jacques; Hazan, Eric; Ramaswamy, Sree; Chui, Michael; Allas, Tera; Dahlström, Peter; Henke, Nicolaus; Trench, Monica. 「人工知能は次のデジタルフロンティアか?」McKinsey . McKinsey Global Institute . 2017年6月1日閲覧。
- ^ ab Walsh, Nick. 「量子指向開発者の台頭と標準化された MLOps の必要性」。スライド。Nick Walsh。2018年1 月 1 日閲覧。
- ^ 「4つのステップでコードから本番環境対応の機械学習へ」DAGsHub ブログ2021-02-03 . 2021-02-19閲覧。
- ^ ab Warden, Pete. 「機械学習の再現性危機」。Pete Warden のブログ。Pete Warden。2018年3 月 19 日閲覧。
- ^ Vaughan, Jack. 「機械学習アルゴリズムとデータガバナンスの融合」。SearchDataManagement。TechTarget 。2017年9月1日閲覧。
- ^ Lorica, Ben. 「大規模なディープラーニングのトレーニングと展開方法」O'Reilly . 2018年3月15日閲覧。
- ^ Garda, Natalie. 「IoT と機械学習: コラボレーションが鍵となる理由」。IoT Tech Expo。Encore Media Group。2017年10 月 12 日閲覧。
- ^ ジェームス・マニカ「分析、AI、自動化の現在と今後」マッキンゼー。マッキンゼー・グローバル・インスティテュート。 2017年5月1日閲覧。
- ^ Haviv, Yaron. 「MLOps の課題、ソリューション、将来の動向」Iguazio . 2020 年2 月 19 日閲覧。