1950年代〜2005年
研究成果としてのモデル
機械学習は主に研究、専門製品、統計の領域にあった。運用上の関心はあったが、独立したキャリアになることは少なかった。
MLOpsは古い運用課題に対する新しい職名だ。制御された実験で動くモデルでも、変化するデータ、実ユーザー、本番の予算に出会うと失敗し得る。この職業は機械学習の研究文化と、ソフトウェア配送・運用の規律を組み合わせる。
その歴史はデータエンジニアリング、クラウドコンピューティング、DevOpsと共有されている。組織が孤立したモデルから、データ・挙動・コンプライアンスを継続管理すべきモデル群へと移る2010年代後半に、この役割ははっきり分かれてきた。
始まりの場所
2015〜2019年世界のクラウドコンピューティング産業
クラウドプラットフォームとMLチームが本番の保守コストに直面するなかで、MLOpsという言葉が広がった。Googleの研究者による2015年の論文「Hidden Technical Debt in Machine Learning Systems」は、モデルを長寿命のシステムに変える依存関係、フィードバックループ、運用の複雑さについて、広く引用される語彙を与えた。
年表
1959年アーサー・サミュエルが機械学習を定義
サミュエルは自己改善するチェッカープログラムの研究のなかで機械学習を述べ、後に本番に載る分野の命名を助けた。
1998年GoogleのPageRankがデータ駆動システムを示す
ウェブ規模のランキングは、モデルとデータインフラが中核プロダクト基盤になり得ることを示した。
2006年クラウドコンピューティングが主流に
Amazon Web Servicesが、所有ハードウェアではなく運用サービスとして弾力的な計算とストレージを提供し始めた。
2012年ImageNetの突破が深層学習を加速
AlexNetのImageNet成功により、GPUベースの訓練が多くの機械学習プログラムの中心となった。
2015年隠れた技術的負債が命名される
Googleの研究者が、なぜMLシステムがモデルコードを超えて依存関係と保守負担を蓄積するかを記述した。
2016年Kubeflowとコンテナオーケストレーションの時代
Kubernetesの普及が、分散ワークロードをパッケージ化し実行する共通の運用層を作った。
2017年TensorFlow Extendedが発表される
GoogleがTFXを、エンドツーエンドのMLパイプライン向けの本番志向プラットフォームとして提示した。
2019年MLOpsが一般的な業界用語に
クラウドベンダーとスタートアップが、実験追跡、パイプライン、モデルレジストリ、配備のツールを体系化した。
2020年MLライフサイクル標準が成熟
チームはデータ検証、特徴量管理、モデル監視を本番要件として扱うことが増えた。
2023〜2024年生成AIが運用面を広げる
基盤モデルが、評価、検索拡張、コスト制御、プロンプト管理、AIガバナンスへの新しい需要を生んだ。
時代の流れ
2006〜2014年
クラウドとビッグデータの基盤
弾力的なインフラ、分散処理、オープンソースの枠組みが、より大規模なモデル訓練とサービングを可能にした。
2015〜2018年
技術的負債が可視化される
本番チームは、データ依存、監視、再訓練が当初のモデルよりコスト高になり得ると認識した。
2019〜2022年
プラットフォームとライフサイクルツール
実験追跡、モデルレジストリ、特徴量ストア、CI/CDパターンが、認識可能なMLOpsの構成要素になった。
2023年〜現在
基盤モデルとガバナンス
LLMアプリケーションは、評価、検索、アクセス制御、可観測性、責任ある配備へと仕事を広げている。
この職業が置き換えた仕事
もう存在しない近隣の職業 — 吸収され、自動化され、規制で消えた。
手動のモデル引き継ぎ
2000年代〜2010年代研究者が直列化したモデルと手順をメールでアプリチームに送るのが普通だった。レジストリ、版管理された成果物、配備パイプラインが、その非公式な引き渡しを置き換えた。
スプレッドシートの実験記録
2010年代チームは実行、パラメータ、指標をローカルファイルや表計算に残していた。実験追跡システムは今、成果物、コード版、比較を中央で保存する。
都度バッチ採点の運用担当
2000年代〜2010年代運用スタッフが定期スクリプトで予測を出していた。スケジュール済みワークフロー、マネージドプラットフォーム、自動品質チェックが、その反復実行を吸収した。
MLOpsが生まれたのは、モデルの有用な寿命が訓練の後に始まるからだ。この分野は、プロトタイプが後回しにできる運用上の問い――版管理、障害、コスト、バイアス、ロールバック――を一流のエンジニアリング作業にする。
次の局面を決めるのは、組織がモデルを呼び出せるかどうかより、公開後も有用で安全で制御可能だと示せるかどうかだ。
似ている職業
分野だけでなく、6つのスコアが近い職業です。
🔐
?????????????????
デジタル攻撃を発見、防止し、対応することで、システム、データ、人々を保護します。
AI耐性 63 🧫臨床データサイエンティスト
臨床データ、治験データ、医療システムのデータを用いて、より安全な医療、研究、業務上の意思決定のための信頼できるエビデンスを生み出す。
AI耐性 68 🔌半導体エンジニア
自動車のブレーキから核ミサイルの誘導システムまで、あらゆるコンピュータや携帯電話の中にあるトランジスタを設計・製造する。地球上でごく一部の工場しか動かせないほど精密な機械を使う仕事だ。
AI耐性 60 🦾ロボット技術者
感知し、判断し、物理世界で行動する機械を設計する仕事。真の難問は知能ではなく、世界そのものだった。
AI耐性 65 🌿サステナビリティマネージャー
組織が事業上の義務を果たしながら環境・社会への害を減らせるよう、戦略、測定、報告を主導する。
AI耐性 66 👔弁護士
依頼人に法的助言を与え、権利義務を縛る文書を起草し、法廷では代理人として弁論する——助言が誤っていれば自ら法的責任を負う職業。
AI耐性 58さらに探す
さらに探す
工学・技術のほかの職業
💻
ソフトウェアエンジニア
現代生活を動かすコードを書き、テストし、保守する仕事であり、AIが自分自身の日々の作業を自動化していく様子を最初に目の当たりにしている職業の一つでもある。
AI耐性 35 🤖AI研究者
機械知能を支えるアルゴリズムを設計・検証する仕事。今やその研究プロセス自体の自動化を競う分野になりつつある。
AI耐性 50 🛰️航空宇宙エンジニア
地上を離れる航空機・ロケット・宇宙船を設計・解析・認証する仕事で、推測の余地を残さない安全マージンを守り続ける。
AI耐性 74 🌉土木技術者
川と岩と重力を橋・道路・清潔な水に変える職業――イムホテプ以来、文明を静かに支え続ける仕事。
AI耐性 72 🔌半導体エンジニア
自動車のブレーキから核ミサイルの誘導システムまで、あらゆるコンピュータや携帯電話の中にあるトランジスタを設計・製造する。地球上でごく一部の工場しか動かせないほど精密な機械を使う仕事だ。
AI耐性 60 🦾ロボット技術者
感知し、判断し、物理世界で行動する機械を設計する仕事。真の難問は知能ではなく、世界そのものだった。
AI耐性 65 🔐?????????????????
デジタル攻撃を発見、防止し、対応することで、システム、データ、人々を保護します。
AI耐性 63 🌬️再生可能エネルギーエンジニア
再生可能な資源を信頼できる電力に変える、風力、太陽光、蓄電、送電網のシステムを設計・構築・改善する。
AI耐性 72