AutoMLを学ぶ (Japanese Edition)

グレゴリー・ウィーラーによる序文

自動化された機械学習は、何らかの形で10年以上前から存在している。アルゴリズムは成熟している。フレームワークは強力だ。クラウドプラットフォームは顧客獲得をめぐって熾烈な競争を繰り広げている。それにもかかわらず、多くの組織は、ノートPC上の有望なモデルから、臨床医や規制当局、あるいは金融アナリストが信頼できるシステムへと移行することに、依然として苦戦している。妥当性確認スコアと獲得した信頼との間のギャップを埋めること、それが本書の中心的な目的だ。これは待望の書である。

このギャップが解消されないのは、実運用における機械学習が、モデリングの問題の難易度が高いバージョンではなく、全く別の問題だからだ。ノートPC上のモデルは、統計的な質問に答えるものである。 実運用環境のモデルは、ステークホルダーや規制当局、そしてそのモデルが関わる患者や顧客に対して答えを出すものだ。ドリフトの監視、公平性の監査、勾配ブースティングなど聞いたこともなく、知る気もない人々への説明、そしてそれを構築しなかったチームによる保守が必要となる。これらはいずれもアルゴリズム的な問題ではない。厳密に言えば、そのほとんどは技術的な問題ですらない。それにもかかわらず、これまでのAutoMLに関する文献は、あたかもそれが技術的な問題であるかのように書かれてきた。

ケレム・トマックは、このテーマにおいて稀有な経験の組み合わせを持っている。彼は本番システムを構築し、自身の会社でAutoMLを用いた製品を開発し、アナリティクスやAIの第一人者たちとコラボレーションし、データサイエンスの大学院生から技術リーダー、Cスイートに至るまで、多様な聴衆にこれらの概念を教えてきた。彼は、どの問題が重要で、どの問題を諦めるべきか、そして何より、どの問題が教科書で取り上げられにくいのかを知るほど、困難な問題と長く向き合ってきた者として執筆している。 その結果生まれた本書は、生データからハイパーパラメータの最適化、ニューラルアーキテクチャ検索を経てモデルを構築する流れを追うだけでなく、さらにAirflowのDAGやKubeflowパイプライン、機械学習のためのCI/CD、本番環境での監視やドリフト検出に至るまでを網羅している。ケレムは、モデルを本番環境に導入することが物語の終わりではないことを理解している。それはあくまで始まりに過ぎないのだ。

本書の締めくくりとなる3つのケーススタディは、これらすべてを統合している。1日5,000万件のトランザクションを、100ミリ秒未満の遅延制約下で処理する銀行。数百の店舗と数万のSKUにわたる需要を予測する小売業者。HIPAAコンプライアンスと人口統計グループ間のアルゴリズムの公平性を確保しつつ、患者の再入院を予測する病院システム。これらは単なるお遊びの例ではない。AutoMLを深く理解し、責任を持ってデプロイできるかどうかを明らかにする種の問題なのだ。

特に注目すべきはヘルスケア分野のケーススタディだ。トマックは、バイアス緩和に向けた3つの連続したアプローチ——保護属性の除去、敵対的デバイアシング、そして最後に事後キャリブレーションを伴う公平性意識型アンサンブル——を読者に解説し、単純な解決策がなぜ失敗するのかを具体的に示している。特徴量セットから人種を除外しても、郵便番号や保険の種類を通じた代理差別を防げないという実証は、読者の記憶に長く残るほど明快かつ実践的に提示されている。 規制産業において、代理変数による差別が存在することを知ることと、本番パイプラインでそれを検出し緩和する方法を知ることとの間には、学会論文とデプロイされたシステムとの違いがある。 ...