MLOpsに単一の創始者はいない。複数分野の交差点だからだ。知的な祖先には機械学習研究者、データシステム構築者、ソフトウェア信頼性の提唱者、モデル性能を現実世界で評価すべきだと主張した人々がいる。
以下の人々は、MLOpsエンジニアが使うアイデアとインフラを助けて作った。貢献はアルゴリズムから運用実務まで幅広く、モデル配備が単なる訓練実行ではなく工学的・社会的な決断であることを示している。
“データインフラは、新しいアルゴリズムより先に、可能なモデルの範囲を変え得る。”
LiはImageNetプロジェクトを率い、大規模なラベル付きデータセットとベンチマークがコンピュータビジョン研究を変え、機械学習におけるデータインフラの重要性を明らかにした。
ImageNetは2006年、WordNetのカテゴリに沿って数百万枚のラベル付き画像を整理するプロジェクトとして始まった。2012年の競技会で深層ニューラルネットワークが大幅に結果を改善し、後にMLOpsチームが扱う計算・データ・配備の課題を加速させた転換点となった。
“データインフラは、新しいアルゴリズムより先に、可能なモデルの範囲を変え得る。”
DeanはGoogleの基盤的なシステム論文の共著者であり、TensorFlowの主導にも関わり、大規模分散システムと実用的な機械学習インフラを結び付けた。
Googleが2016年にTensorFlowをオープンソースとして公開したことで、研究者と本番エンジニアが多くの機械学習ワークロードを記述・実行する共通枠組みを得た。その広がりは、枠組み、ツール、配備環境が、どのアイデアが研究からプロダクトへ移れるかを左右することを示した。
“共有プラットフォームは、孤立した技術力を組織として反復可能な能力に変える。”
Kollerは確率モデリングに大きな貢献をし、CourseraとInsitroを共同創業して、機械学習研究を大規模な運用組織とつないだ。
スタンフォードでKollerは教科書『Probabilistic Graphical Models』を共著し、不確実性と構造化予測の体系的な語彙を学生と実務者に与えた。オンライン学習や創薬を軸に組織を築いた後の仕事は、モデルの周囲に必要なシステムを示している。
“モデルの価値は、使い、試し、支え続けられる組織に依存する。”
Rudinの解釈可能な機械学習の研究は、説明が求められる高リスク場面で透明なモデルを使うようチームに迫る。
Rudinは、高リスクな判断では、事後説明付きの不透明なモデルより、最初から解釈可能に設計されたモデルのほうがしばしば優れると論じてきた。この議論はMLOpsの評価とモデル承認実務に直接影響する。
“人に深く影響する決断では、説明可能性はダッシュボードの追加機能ではなく設計要件だ。”
Kleppmannの分散データシステムに関する著作は、複製、一貫性、ストリーム処理――信頼できるMLデータパイプラインの中核問題――への実践的枠組みをエンジニアに与えた。
2017年の著書『Designing Data-Intensive Applications』は、苦労して得た分散システムの教訓を広く読まれる工学ガイドに翻訳した。MLOpsエンジニアは訓練・推論データフローを作るとき、系譜、レイテンシ、正しさ、障害について同じ問いを使う。
“データパイプラインは本番システムだ。不一致、遅延、失敗を前提に設計せよ。”
Thomasはfast.aiと非営利のfastaiコミュニティを共同創業し、実践的な深層学習教育と、配備されたモデルの社会的帰結を強調した。
fast.aiの講座を通じて、Thomasらはエリート研究室の外の多くの学習者に実践的な深層学習教育を届けた。説明責任に関する後の主張は、配備チームが精度だけでなく害も測るべきだという考えを強めた。
“システムを作りやすくしても、誰に影響するかを理解する義務は消えない。”
Huyenの機械学習システム設計に関する著作と教育は、データ分布、配備、監視についてMLOps分野に実践的な語彙を与えた。
2022年の著書『Designing Machine Learning Systems』は、データ分布シフト、フィードバックループ、評価、インフラといった、工学チームに散らばりがちだった運用の教訓を集めた。MLOpsを具体化しようとする人々の共通参照になった。
“配備をモデル証拠の終わりではなく始まりとして扱え。”
Gebruのデータセット文書化と大規模言語モデルの害に関する研究は、評価、出自、ガバナンスを本番AIチームの中心関心にした。
Gebruは2018年の論文「Datasheets for Datasets」の共著者で、データセットの動機、構成、収集についての標準化された文書化を提案した。この考えは、新しい場面に配備する前に訓練材料が何を表すかを運用チームが問う手段を与える。
“データに文書化された出自と限界がなければ、モデルへの自信は証拠ではない。”
バーはこのリストの首位を基準にした相対値です。
名前をオンオフすると — すべての棒が選んだグループの首位を基準に再計算される。
MLOps、ML工学、データ工学、プラットフォーム工学の境界は、企業が同じ仕事を違う形で組織するため争点になる。有用な問いは肩書きではなく、再現性、配備、監視、モデルリスクを誰が担うかだ。
すべてのモデルに複雑なプラットフォームが要るかも議論になる。小さく低リスクな応用は、単純でよく文書化されたパイプラインのほうが安全なことがあり、過剰設計はそれ自体が運用負債になり得る。
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、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 🔌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 🦾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 🌿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 👔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 🤖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 🛰️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 🌉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 🔌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 🦾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