## 基本的な考え方 - DevOpsの考え方をMLシステムに適用する - MLOps は、ML システム開発（Dev）と ML システム運用（Ops）の統合を目的とする ML エンジニアリングの文化と手法です - MLOps を実践すると、統合、テスト、リリース、デプロイ、インフラストラクチャ管理など、ML システム構築のすべてのステップで自動化とモニタリングを推進できます ## 解決したい課題・目的 - データサイエンス、プロダクション、運用などの各チームがシームレスに連携することができ、スムーズなデプロイと効果的かつ継続的なモニタリングが行われるようにする ## 構成要素 - CI: Continuous Integration - コードとコンポーネントのテストと検証 - データ、データスキーマ、モデルのテストと検証 - CD: Continuous Delivery - MLトレーニングパイプラインのデプロイ - CT: Continuous Training - 自動的にモデルを再トレーニング ## MLのデータサイエンスの手順 1. データ抽出 - 必要なデータを集める 2. データ分析 - データの特性の理解 - モデルに必要なデータの準備 3. データの準備 - データクリーニング - データの分割（トレーニング・検証・テスト） - 特徴量エンジニアリング 4. モデルのトレーニング - 様々なMLモデルをトレーニング - ハイパーパラメータの調整 5. モデルの評価 - テストデータを用いた品質評価 6. モデルの検証 - 予測性能がベースラインより優れていることを確認する 7. モデルの提供 - 予測サービスとして提供する - REST APIの提供やモバイルデバイスへの組み込みなど 8. モデルのモニタリング - 予測性能をモニタリング ## 参考リンク - [MLOps: 機械学習における継続的デリバリーと自動化のパイプライン](https://cloud.google.com/solutions/machine-learning/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning?hl=ja) - [MLOps を適用して、Amazon Forecast で AI を利用した予測の自動化を構築する](https://aws.amazon.com/jp/blogs/news/building-ai-powered-forecasting-automation-with-amazon-forecast-by-applying-mlops/)