MLOpsガイド

MLOpsツールの選び方を学び、AIプロジェクトを実運用に導きましょう。

「MLシステムの開発と導入は比較的簡単で低コストですが、長期的なメンテナンスは困難で高コストです」 – D. Sculleyほか、『Hidden Technical Debt in Machine Learning Systems』、NIPS、2015年

AIの現状に関するMcKinseyのレポートによれば、AIの導入率は2017年と比較して2倍に増え、AIは転換期を迎えています。もはや実験段階ではなく、実運用なのです。この分野の顕著な変化をご紹介しましょう。

• AIプロジェクトの一環として組織が使用する機能の数が増加。
• 導入率の上昇とともに、機械学習プロジェクトへの投資額が増加。
• 実運用においてコンプライアンスを確保するため、データの収集、ガバナンス、倫理への関心が上昇。

AI環境における目まぐるしい変化をどのように乗り切ればいいのでしょうか？その答えは、MLOPsのプロセスをしっかり整備することです。DevOpsがソフトウェア開発の世界を変えたように、MLOpsはAIの成熟を促進します。

このガイドでは、データサイエンティストやML従事者を対象に、MLOpsを使ってAIモデルを実験段階から実運用へと導くうえでのアドバイスを提供します。主なトピックは以下のとおりです。

• MLOpsとは
• MLOpsの利点
• MLOpsのライフサイクル
• MLOpsのツール
• オープンソースのMLOps

このガイドは、機械学習のライフサイクルに基づいています。ここで紹介するMLOpsの原則やベストプラクティスが、御社のデータサイエンティストや機械学習エンジニアの参考となれば幸いです。

本ガイドをAIプロジェクトの拡大と機械学習オペレーション（MLOps）の導入にお役立てください。