Machine Learning Operations (MLOps)

MLOps とは

Machine Learning Operations（MLOps）テクノロジーとその実践により、拡張性に優れ、制御された方法で、本稼働環境に機械学習モデルをデプロイして管理できるようになります。

MLOps は、本稼働環境で機械学習を実現するために次のような重要な機能を提供します。

1. モデルのデプロイの簡素化。データサイエンティストは、さまざまなモデリング言語、フレームワーク、ツールを使用しています。IT 運用チームは MLOps を使用して、さまざまな言語およびフレームワークのモデルを本稼働環境に迅速にデプロイできます。

2. 機械学習の監視。機械学習では、ソフトウェアを監視するためのツールが適切に動作しません。しかし、MLOps を使用すれば、機械学習の監視を行えます。その主な機能には、重要な特徴量のデータドリフト検出とモデル固有の指標があります。

3. 本稼働環境のライフサイクル管理。最初のモデルのデプロイは、機械学習モデルの運用を維持するための長期にわたる更新ライフサイクルの第一歩です。MLOps を使用すると、ビジネスアプリケーション向けのサービスを中断することなく、本稼働環境でモデルのテストおよび更新を行えます。

4. 本稼働環境でのモデルガバナンス。本稼働環境のアプリケーションで使用される機械学習モデルは、不要な変更を防止し、規制に準拠するために、厳密に制御する必要があります。MLOps により、アクセス制御、トレーサビリティの確保、監査証跡を行ってリスクを最小限に抑え、規制に確実に準拠できます。

MLOps が重要である理由

最終的に機械学習の価値を実現するには、機械学習モデルを本稼働環境で運用し、意思決定の改善やビジネスアプリケーションの効率向上のための取り組みをサポートする必要があります。MLOps を使用すれば、本稼働環境に機械学習をデプロイし、監視、管理、制御するためのテクノロジーを実践できます。また、組織で機械学習主導型アプリケーションの数を増やすには MLOps が必要です。MLOps では、プロセス、テスト、検定の自動化により、絶えず変化する環境で機械学習を管理するための繰り返し可能なプロセスが確立されることで、信頼を築きます。さらに、MLOps エンジニアが本稼働環境での機械学習の管理を担当し、責任を負うようにすることで、データサイエンティストに余裕が生まれ、自身の仕事に専念できるようになります。

MLOps + DataRobot

DataRobot MLOps は、DataRobot エンタープライズ AI プラットフォームの一部として提供される製品です。データサイエンティストや IT オペレーターは DataRobot MLOps を利用して、Python、R、Scala、Java、Go などの最新言語を使用して構築されたモデルだけでなく、現在利用可能なほとんどの 機械学習プラットフォームからモデルをインポートできます。DataRobot MLOps ではデプロイを簡素化するために、Keras、Java、PyTorch、XGBoost といったフレームワーク向けの環境があらかじめ構築されています。

モデルは Kubernetes や市場のほとんどの主要な機械学習実行環境でテストおよびデプロイされており、拡張性とパフォーマンスを最大限に高められます。また、本稼働環境グレードの REST エンドポイント経由で利用することもできます。DataRobot MLOps では機械学習全体のパフォーマンスを対象としてサービスの正常性、データドリフト、精度を監視し、レポートおよびアラートを生成します。

モデルのライフサイクル管理により、ダウンストリームアプリケーションへのサービスを中断することなく、モデルを更新できます。また、DataRobot MLOps は、ロールベースのアクセス制御、組み込みのモデル承認ワークフロー、完全なバージョン管理とロールバックによって、本稼働環境での堅牢なモデルガバナンスを実現します。