August 2026
Intermediate to advanced
552 pages
8h 9m
Japanese
本章の内容を学習することで、機械学習モデルの学習時と推論時で特徴量の不整合(Training-Serving Skew)が発生する問題を構造的に防止できるようになります。特徴量を一元管理することで、学習パイプラインと推論パイプラインの両方から同じデータソースを参照する堅牢な特徴量基盤を構築できます。さらに、Feature Monitoringによる特徴量の分布変化(データドリフト)の検出手法を習得することで、本番環境でのモデル品質の継続的な維持が可能になります。
第Ⅰ部では、Agent Platformを使った機械学習パイプラインの構築方法を学びました。しかし、モデルを本番運用する上では「特徴量をどう管理するか」という課題が残っています。学習時と推論時で特徴量の計算ロジックや値にズレがあれば、モデルの予測精度は次第に劣化していきます。こうした問題へ対処するために生まれたのが、特徴量を一元管理する仕組みである ...
Read now
Unlock full access