📦実務とノウハウ

機械学習の実験を、反復可能で監視されたサービスに変えることだ。データと訓練のパイプラインを作り、モデルをパッケージ化し、クラウドやエッジに配備し、バージョンを追跡し、性能を監視し、ロールバック手順を整える。小規模チームではアプリケーションコードも書くことがあり、大規模組織では多くのデータサイエンスチーム向けの共有プラットフォームを運用する。

データサイエンティストは一般に問題設定、データ分析、モデル開発に焦点を置く。MLOpsはモデルを再現可能・配備可能にし、時間をかけて観測できるようにすることに焦点を置く。境界は絶対ではない。強いチームは評価とデータ品質で協働し、MLOpsエンジニアも配備後にモデルがどう失敗し得るかを理解できるだけの機械学習の知識を必要とする。

必須ではない。コンピューターサイエンス、工学、データ系の学位は一般的だが、高度な研究資格より実務のソフトウェア・クラウド・データプラットフォーム経験のほうが重要なこともある。新しいモデルを作る職は大学院を好む場合がある一方、MLプラットフォームを運用する職は本番エンジニアリング、インフラ、慎重な実験を同様に高く評価する。

ほとんどのMLエコシステムがPythonを使うため、Pythonが一般的だ。データ作業にはSQLが不可欠で、Docker、YAML、Infrastructure as Codeの設定も日常道具である。プラットフォームチームによってはGo、Java、Scala、TypeScriptも使う。重要なのは一つの言語への忠誠ではなく、パイプラインをテスト可能・バージョン管理可能・観測可能にすることだ。

世界、ユーザー行動、入力、成果が変わることで、配備済みモデルの有用性が下がる現象を指す。昨年のパターンで訓練した不正検知モデルは、新しい詐欺手法を見落とすかもしれない。入力分布、予測品質、事業成果を監視することで、気づかれない劣化が有害な判断になる前にドリフトを発見できる。

MLOpsは自動化、バージョン管理、継続的デリバリー、責任の共有といったDevOpsの考え方を借りるが、データとモデル固有の関心を加える。アプリケーションコードが変わらなくても、訓練データが変わればモデルは変わり得る。チームはデータセットの版管理、モデル挙動の評価、実験管理、予測品質の監視を、サーバーの健全性と並んで行う必要がある。