MLOps実装ガイド ―本番運用を見据えた開発戦略

5章本番環境モデルの開発

MLモデルの開発は、もはや実験室や研究論文に限定されるものではありません。それは現実世界での応用であり、実運用を意味します。そのため、高性能なモデルを構築することが、本番環境向けモデル開発の中心になります。

本番環境を第一に考えることで、モデルが実際に本番環境に導入され、現実のビジネスケースに応えられるようになります。そうでない場合、チーム間の連携不足、技術的な不一致、その他の摩擦により、MLパイプライン全体でモデルが行き詰まってしまいます。

本章では、最高のモデルを構築することに焦点を当てています。本番環境前にMLパイプライン全体を通してモデルを実装し、実行するためのすべての手順とプロセスについて詳しく説明します。これには、大規模なMLジョブ、自動化、訓練の実行、トラッキング、比較、テスト、リソース管理などが含まれます。さまざまな方法論、ツール、アプローチについて、コード例とともに詳しく説明します。

手順に従い、章末の演習問題を試す際には、MLOpsパイプライン全体を意識し、読者や他のチームメンバーが行っている他の手順と、読者の作業がどのように統合され自動化できるのかを意識してください。本番環境第一を念頭に置いてこれらの手順を実行することで、MLモデルの信頼性、安定性、性能を保証することができます。

5.1　AutoML

最適なMLモデルの構築は、データサイエンスの経験と直感に依存する反復プロセスです。データサイエンティストは、データから新しい特徴量の作成、適切なアルゴリズムの選択、最適な予測モデルを得るための最適なモデルパラメータの選択など、さまざまな戦略を試みます。

自動機械学習（AutoML）は、データとモデルの目標から、可能な処理タスクとテストすべき実験を自動的に推測し、最良のモデル結果が得られるまで連続して実行するものです。AutoMLはデータサイエンティストの労力を軽減し、経験の浅い人でも迅速かつ効率的に高性能なMLモデルを開発できるようにします。しかしながら、より多くの計算リソースを使用する可能性があります。 ...