August 2025
Intermediate to advanced
396 pages
5h 51m
Japanese
この章では、本番環境へのデプロイメントに必要なすべてのコンポーネントとMLOps属性を備えたMLプロジェクトの例を示します。これは、3章で紹介した実践に基づいています。この章の例では、ユーザーおよび取引の特徴量を計算し、それを分類モデルに入力して取引が正当であるかどうかを判断することで、クレジットカード取引の不正を検出・防止するアプリケーションを取り上げます。
この章で紹介されるすべてのコード例はGitに保存されています(https://oreil.ly/9OB5D)。
プロジェクトの実装は以下のステップで構成されています。
データ準備のステップは、標準的なPythonパッケージを使用する方法と、特徴量ストアを使用する方法(https://oreil.ly/a391g)の2通りで実装されます。
不正取引防止は、未処理の取引やイベントをリアルタイムで処理し、迅速に対応して取引が発生する前にブロックする必要があるため、非常に困難な課題です。例えば、取引額の平均を評価したい場合を考えてみてください。モデルを訓練する際には、通常、DataFrameを使用して平均を計算します。しかし、リアルタイムまたはオンラインのシナリオでは、平均の計算は増分的(インクリメンタル)になります。そのため、訓練用とリアルタイム提供用の2つのデータ処理用パイプラインを構築する必要があります。あるいは、特徴量ストアを使用することで、バッチ処理とリアルタイム処理の2つのデータパイプラインを構築し、それらをスケーラブルで耐障害性のあるインフラストラクチャ上に自動的にデプロイする方法も可能です(この方法は、後ほどデモンストレーションします)。 ...
Read now
Unlock full access