book

MLOps実装ガイド ―本番運用を見据えた開発戦略

Name: MLOps実装ガイド ―本番運用を見据えた開発戦略
ISBN: 9784814401208

by Yaron Haviv, Noah Gift, 井伊篤彦, 入江美穂, 張凡, 樋口千洋

August 2025

Intermediate to advanced

396 pages

5h 51m

Japanese

O'Reilly Japan, Inc.

Read now

Unlock full access

　表紙
　大扉
　原書大扉
　クレジット
　訳者まえがき
　はじめに
　1章　MLOpsとは何か、そしてなぜ必要なのか
　　1.1　MLOpsとは何か　　　1.1.1　企業におけるMLOps　　　1.1.2　企業向けソリューションにおけるROIの理解　　　1.1.3　企業におけるリスクと不確実性の理解　　　1.1.4　MLOpsとDevOpsの比較　　　1.1.5　MLOpsではないものとは何か　　1.2　MLOpsの一般的な定義　　　1.2.1　MLエンジニアリングとは何か　　　1.2.2　MLOpsとビジネスインセンティブ　　1.3　クラウドでのMLOps　　　1.3.1　主要なクラウド開発環境　　　1.3.2　クラウドコンピューティングの主要プレイヤー　　1.4　オンプレミスにおけるMLOps　　1.5　ハイブリッド環境におけるMLOps　　1.6　企業のMLOps戦略　　1.7　結論　　1.8　批判的思考を促す議論用質問　　1.9　演習問題
　2章　MLOpsの段階
　　2.1　はじめに　　　2.1.1　アルゴリズムを選択する　　　2.1.2　パイプラインをデザインする　　2.2　データの収集と準備　　　2.2.1　データの保管と取り込み　　　2.2.2　データの探索と準備　　　2.2.3　データのラベル付け　　　2.2.4　特徴量ストア　　2.3　モデルの開発と訓練　　　2.3.1　本番環境のMLコードの作成と保守　　　2.3.2　実験結果の追跡と比較　　　2.3.3　分散訓練とハイパーパラメータの最適化　　　2.3.4　本番環境用モデルの構築とテスト　　2.4　デプロイメント（およびオンラインMLサービス）　　　2.4.1　モデルエンドポイントからアプリケーションパイプラインまで　　　2.4.2　オンラインデータの準備　　2.5　継続的なモデルとデータのモニタリング　　　2.5.1　データドリフトとコンセプトドリフトのモニタリング　　　2.5.2　モデルの性能と精度のモニタリング　　2.6　事前学習済みモデルを用いた戦略　　2.7　エンドツーエンドのHugging Faceアプリケーションの構築　　2.8　フローの自動化（ML用のCI/CD）　　2.9　結論　　2.10　批判的思考を促す議論用質問　　2.11　演習問題
　3章　はじめてのMLOpsプロジェクトへの取り組み
　　3.1　ビジネスのユースケースと目標を特定　　　3.1.1　AIユースケースの紹介　　　3.1.2　目標の定義とROIの評価　　3.2　成功するMLプロジェクトの構築方法　　　3.2.1　プロジェクトの承認とプロトタイプ　　　3.2.2　プロジェクトの拡張と本番環境　　　3.2.3　プロジェクトの構造とライフサイクル　　3.3　MLプロジェクトの例、AからZまで　　　3.3.1　探索的データ分析　　　3.3.2　データとモデルのパイプラインの開発　　　3.3.3　アプリケーションパイプラインの開発　　　3.3.4　プロジェクトの拡張と本番環境　　　3.3.5　CI/CDと継続的オペレーション　　3.4　結論　　3.5　批判的思考を促す議論用質問　　3.6　演習問題
　4章　データと特徴量ストアの操作
　　4.1　データのバージョン管理とデータリネージ　　　4.1.1　仕組み　　　4.1.2　一般的なMLデータのバージョン管理ツール　　4.2　規模に応じたデータの準備と分析　　　4.2.1　構造化データと非構造化データの変換　　　4.2.2　分散データ処理アーキテクチャ　　　4.2.3　インタラクティブデータ処理　　　4.2.4　バッチデータ処理　　　4.2.5　ストリーム処理　　　4.2.6　ストリーム処理フレームワーク　　4.3　特徴量ストア　　　4.3.1　特徴量ストアアーキテクチャと使用方法　　　4.3.2　読み込みと変換サービス　　　4.3.3　特徴量ストレージ　　　4.3.4　特徴量検索（訓練とサービング）　　4.4　特徴量ストアのソリューションと使用例　　　4.4.1　Feast特徴量ストアの使用　　　4.4.2　MLRun特徴量ストアの使用　　4.5　結論　　4.6　批判的思考を促す議論用質問　　4.7　演習問題

　5章　本番環境モデルの開発
　　5.1　AutoML　　5.2　MLジョブの実行、トラッキング、比較　　　5.2.1　実験のトラッキング　　　5.2.2　モデル成果物とともに重要なメタデータを保存　　　5.2.3　MLジョブの比較：MLflowの例　　　5.2.4　ハイパーパラメータチューニング　　　5.2.5　自動ログ記録　　5.3　MLOpsの自動化：AutoMLOps　　　5.3.1　例：Azure Databricksを使ったMLジョブの実行とトラッキング　　　5.3.2　大規模訓練への対応　　　5.3.3　多段階ワークフローの構築と実行　　　5.3.4　計算リソースの効率的な管理　　　Azure Machine Learning Studioを使ったGitHub Actionsのゲストセクション　　5.4　結論　　5.5　批判的思考を促す議論用質問　　5.6　演習問題
　6章　モデルとAIアプリケーションのデプロイメント
　　6.1　モデルレジストリと管理　　6.2　ソリューションの例　　　6.2.1　SageMakerの例　　　6.2.2　MLflowの例　　　6.2.3　MLRunの例　　6.3　モデルサービング　　　6.3.1　Amazon SageMaker　　　6.3.2　Seldon Core　　　6.3.3　MLRun　　6.4　高度なサービスとアプリケーションのパイプライン　　　6.4.1　スケーラブルなアプリケーションパイプラインの実装　　　6.4.2　モデルルーティングとアンサンブル　　　6.4.3　モデル最適化とONNX　　6.5　データとモデルのモニタリング　　　6.5.1　統合モデルモニタリングソリューション　　　6.5.2　スタンドアロンモデルモニタリングソリューション　　6.6　モデルの再訓練　　　6.6.1　モデル再訓練のタイミング　　　6.6.2　データ再訓練の戦略　　　6.6.3　MLOpsパイプラインでのモデル再訓練　　6.7　デプロイメント戦略　　6.8　ビジネスへの影響を測る　　6.9　結論　　6.10　批判的思考を促す議論用質問　　6.11　演習問題
　7章　本番環境レベルのMLOpsプロジェクトをゼロから構築する
　　7.1　探索的データ分析（EDA）　　7.2　インタラクティブなデータの準備　　　7.2.1　クレジット取引データセットの準備　　　7.2.2　ユーザーイベント（アクティビティ）データセットの準備　　　7.2.3　ラベルの抽出とモデルの訓練　　7.3　特徴量ストアを使用したデータの取り込みと準備　　　7.3.1　クレジット取引データパイプライン（特徴量セット）の構築　　　7.3.2　ユーザーイベントデータパイプライン（FeatureSet）の構築　　　7.3.3　ターゲットラベルデータパイプライン（FeatureSet）の構築　　　7.3.4　特徴量ストアへのデータ取り込み　　7.4　モデル訓練および検証パイプライン　　　7.4.1　特徴量ベクトルの作成と評価　　　7.4.2　自動訓練および検証パイプラインの構築と実行　　7.5　リアルタイムアプリケーションパイプライン　　　7.5.1　カスタムモデルサービングクラスの定義　　　7.5.2　エンリッチメントとアンサンブルを備えたアプリケーションパイプラインの構築　　　7.5.3　アプリケーションパイプラインのローカルテスト　　　7.5.4　リアルタイムアプリケーションパイプラインのデプロイメントとテスト　　7.6　モデルモニタリング　　7.7　CI/CDと継続的運用　　7.8　結論　　7.9　批判的思考を促す議論用質問　　7.10　演習問題
　8章　スケーラブルな深層学習の構築と大規模言語モデルプロジェクト
　　8.1　分散深層学習　　　8.1.1　Horovod　　　8.1.2　Ray　　8.2　データ集計、ラベル付け、深層学習のモニター　　　8.2.1　データのラベル付けの落とし穴　　　8.2.2　データのラベル付けのベストプラクティス　　　8.2.3　データのラベル付けソリューション　　　8.2.4　ラベル付けに基盤モデルを利用　　　8.2.5　深層学習モデルと非構造化データのモニタリング　　8.3　深層学習モデルは内製か購入か　　8.4　基盤モデル、生成AI、LLM　　　8.4.1　生成AIのリスクと挑戦　　　8.4.2　MLOpsパイプラインで効率的にLLMを使用しカスタマイズする　　　8.4.3　アプリケーション例：LLMモデルのファインチューニング　　8.5　結論　　8.6　批判的思考を促す議論用質問　　8.7　演習問題
　9章　高度なデータ型のためのソリューション
　　9.1　時系列を使ったML問題の枠組み　　　ソーシャルメディアの影響パターンの分析　　　9.1.1　AWSを使用した時系列分析のナビゲート　　　9.1.2　DeepAR+で時系列データに飛び込む　　　9.1.3　GCP BigQueryとSQLを使用した時系列分析　　9.2　MLOpsのNLP問題における構築と購入の比較　　9.3　構築と購入の比較：Hugging Faceアプローチ　　9.4　AWSを使った自然言語処理の探求　　9.5　OpenAIを使った自然言語処理の探求　　9.6　動画分析、画像分類、生成AI　　9.7　CreateMLを使用した画像分類技術　　9.8　コンポジットAI　　　9.8.1　コンポジットAIのためのサーバーレスの始め方　　　9.8.2　コンポジットAIとサーバーレスのユースケース　　9.9　結論　　9.10　批判的思考を促す議論用質問　　9.11　演習問題
　10章　Rustを使用したMLOpsの実装
　　10.1　MLOpsにRustを使用するケース　　　10.1.1　Rust、GitHub Copilot、およびCodespacesによるレベルアップ　　　10.1.2　始まりはコマンドライン　　10.2　MLOps向けRust入門　　10.3　PyTorchとHugging FaceをRustで使用する　　10.4　Rustを使用してMLOps用ツールを構築する　　　10.4.1　コンテナ化されたRustコマンドラインツールの構築　　　10.4.2　GPU PyTorchワークフロー　　　10.4.3　TensorFlow Rustの使用　　　10.4.4　Rustでk-meansクラスタリングを実行する　　10.5　Rustに関する最後のポイント　　　10.5.1　Ruffリンター　　　10.5.2　rust-new-project-template　　10.6　結論　　10.7　批判的思考を促す議論用質問　　10.8　演習問題
　付録A　採用面接での質問
　付録B　エンタープライズMLOpsのインタビュー
　著者紹介
　奥付

Content preview from MLOps実装ガイド ―本番運用を見据えた開発戦略

●著者紹介

Yaron Haviv（ヤロン・ハヴィヴ）

複数のスタートアップを手がける起業家であり、1990年代後半よりデータ、クラウド、AI、ネットワーク分野における深い技術的経験を活かし、スタートアップおよびエンタープライズ企業のリーダーとして活躍している。Iguazioの共同創業者兼CTOとして、データサイエンスプラットフォームの戦略を主導し、リアルタイムAIへの移行を牽引している。また、GitHubで4,000以上のスターを獲得する主要なオープンソースサーバーレスプラットフォーム「Nuclio」を立ち上げたほか、IguazioのオープンソースMLOpsオーケストレーションフレームワーク「MLRun」を構築した。

彼の活動はLinkedIn（linkedin.com/in/yaronh）およびX（@yaronhaviv）を通じてフォローできる。

Noah Gift（ノア・ギフト）

Pragmatic A.I. Labsの創設者。ノースウェスタン大学MSDS、デューク大学MIDSデータサイエンス修士プログラム、カリフォルニア大学バークレー校データサイエンス大学院プログラム、UCデービス経営大学院MSBAプログラム、ノースカロライナ大学シャーロット校データサイエンス・イニシアティブ、およびテネシー大学（Tennessee Digital Jobs Factoryの一環）で講義を担当する。機械学習、MLOps、AI、データサイエンスに関する大学院向けコースの設計・教育を行い、学生や教員向けに機械学習およびクラウドアーキテクチャのコンサルティングも手掛けている。また、学生向けマルチクラウド認定プログラムのリードも担当している。彼の活動はLinkedIn（linkedin.com/in/noahgift）および自身のウェブサイト（noahgift.com）を通じてフォローできる。 ...

Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.

Read now

Unlock full access

More than 5,000 organizations count on O’Reilly

O’Reilly covers everything we've got, with content to help us build a world-class technology community, upgrade the capabilities and competencies of our teams, and improve overall team performance as well as their engagement.

Julian F.

Head of Cybersecurity

I wanted to learn C and C++, but it didn't click for me until I picked up an O'Reilly book. When I went on the O’Reilly platform, I was astonished to find all the books there, plus live events and sandboxes so you could play around with the technology.

Addison B.

Field Engineer

I’ve been on the O’Reilly platform for more than eight years. I use a couple of learning platforms, but I'm on O'Reilly more than anybody else. When you're there, you start learning. I'm never disappointed.

Amir M.

Data Platform Tech Lead

I'm always learning. So when I got on to O'Reilly, I was like a kid in a candy store. There are playlists. There are answers. There's on-demand training. It's worth its weight in gold, in terms of what it allows me to do.

Mark W.

Embedded Software Engineer

RustとWebAssemblyによるゲーム開発 ―安全・高速・プラットフォーム非依存のWebアプリ開発入門

Publisher Resources

ISBN: 9784814401208Publisher Website

Cloud Computing

Data Engineering

Data Science

AI & ML

Programming Languages

Software Architecture

IT/Ops

Security

Design

Business

Soft Skills