効果的なマシンラーニングチーム

第4章. 効果的な依存マネジメントの実践

この作品はAIを使って翻訳されている。ご意見、ご感想をお待ちしている：[e-mail]

前の章では、効果的な依存関係管理の原則（4つの原則を思い出せるだろうか）と、それをサポートするツールについて説明した。この章では、それらを楽しみながら実践してみよう。

この章では、次のことを学ぶ：

• チェックアウト＆ゴー」の実際とは？

• Docker、batect、Poetryを使用して、MLのデリバリーライフサイクルの各ステップにおいて、一貫性があり、再現性があり、本番に近い実行環境を作成する方法。

• 依存関係のセキュリティ脆弱性を自動的に検出し、依存関係のアップデートを自動化する方法

この章のテクニックは、MLコードのための再現可能で、一貫性があり、分離された、本番のような実行環境を作成するために、実際のプロジェクトで使っているものである。これらのテクニックは、効果的かつ安全に依存関係を管理し、依存性地獄を避けるのに役立つ。

始めよう！

文脈の中でML開発ワークフロー

このセクションでは、"check out and go "を実際に見ることができる。コード・エクササイズでは、ローン不履行の可能性を予測するモデルをトレーニングし、提供することを目標に、以下のステップを実行する：

1. goスクリプトを実行して、ホストマシンに前提条件の依存関係をインストールする。

2. Docker化されたローカル開発環境を作成する。

3. プロジェクトのバーチャル環境を理解するようにコード・エディターを設定し、コーディング・アシスタントを使えるようにする。

4. ML開発ライフサイクルにおける一般的なタスクを実行する（モデルのトレーニング、テストを実行する、APIを開始するなど）。

5. クラウド上でモデルをトレーニングし、デプロイする。

この章を最大限に活用するために、フォークしてクローンし、ハンズオン・エクササイズ（ローンの貸し倒れの可能性を予測する分類器の訓練とテスト）に沿ってコードを書いてみよう。リポジトリをフォークすることをお勧めする。フォークしたリポジトリの GitHub Actions CI パイプラインで Docker と batect が作業しているのを、変更をコミットしてプッシュするときに見ることができるからだ。

コードを説明する前に、典型的なMLワークフローで何をコンテナ化しているかを明確に描いておこう。

何をコンテナ化するかを見極める

プロジェクトをDocker化する最初の、そして最も重要なステップは、何をコンテナ化しているのかを明確にすることだ。これは一部のML実践者を混乱させ、混同された共有状態を引き起こす可能性がある。例えば、MLモデルの開発とMLモデルの提供という2つの異なるタスクの間でイメージを共有すると、本番コンテナ（例えばモデルのWeb API）の中に不必要な開発依存関係（例えばJupyterやPylint）が発見されるかもしれない。これはコンテナのビルドと起動時間を不必要に長くし、APIの攻撃対象領域を拡大する。

ソフトウェア開発において、コンテナ化する最も一般的なものは、ウェブアプリケーションやウェブAPIである。これは、コマンド（例えば、python manage.py runserver ）を実行した後に開始される、単に寿命の長いプロセスである。MLでは、API経由でモデルの予測（推論）を提供するために、コンテナ化されたWebアプリケーションを使うこともできる。しかし、我々は通常、単なるウェブ・アプリケーション以上のものを実行していることを発見する。例えば、MLソリューションを作成する際に実行する一般的なMLタスクやプロセスを以下に示す： ...