信頼性の高い機械学習 ―SRE原則を活用したMLOps

4章特徴量と訓練データ

執筆：Robbie Sedgewick、Todd Underwood

この段階では、もうモデルがデータから生まれることはおわかりいただけているでしょう。本章では、データの作成、前処理、ラベル付け、保存、そして最終的にモデルの作成に使用する方法について説明します。データを管理し扱うことで、再現性、管理性、信頼性に関して特有の課題が生じることを理解し、それらの課題にどのようにアプローチするかについて具体的な提案を行います。背景については、（まだお読みでない方は）2章と3章をご覧ください。

本章では、データをソースから受け取り、訓練システムで使用できるようにするためのインフラについて説明します。このタスクに関係する3つの基本的な特徴量サブシステム、特徴量システム、人間によるラベル付けシステム、メタデータシステムについて説明します。特徴量については前章で少し説明しましたが、別の捉え方としては、特徴量とは入力データの特性であり、特に私たちが注目する何かを予測できると判断した特性です。ラベルは、最終的に学習させるモデルに求める出力の具体例です。ラベルはモデルを訓練するための例として使われます。ラベルは、モデルが学習する特定のデータインスタンスの目標値または「正しい」値であるというようにも捉えることができます。ラベルは、データを別の独立したイベントと関連付けることによってログから抽出することもできるし、人間が生成することもできます。ここでは、しばしばアノテーションと呼ばれる、人間がラベルを大規模に生成するために必要な操作について説明します。そして最後に、メタデータシステムについて簡単に説明します。メタデータシステムは、他のシステムがどのように機能するかについての詳細を追跡し、再現性と信頼性を高めるためのもので、非常に重要です。 ...