Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
インタビューから見えてきた MLOps のレベルと現場の課題
Search
Asei Sugiyama
December 14, 2022
Technology
2
1.9k
インタビューから見えてきた MLOps のレベルと現場の課題
2022年 年忘れ! MLOps LT大会!!!
https://mlops.connpass.com/event/265378/
の登壇資料です、MLOps に関する2022年の所感を話しました
Asei Sugiyama
December 14, 2022
Tweet
Share
More Decks by Asei Sugiyama
See All by Asei Sugiyama
MLOps の現場から
asei
8
880
LLMOps: Eval-Centric を前提としたMLOps
asei
7
640
The Rise of LLMOps
asei
13
2.9k
生成AIの活用パターンと継続的評価
asei
15
2.6k
最近の Citadel AI の取り組みのご紹介 (Nov, 2024)
asei
2
120
仕事で取り組む 生成 AI 時代の対話の品質評価
asei
2
84
MLOps の処方箋ができるまで
asei
3
630
LLM を現場で評価する
asei
5
1k
生成 AI の評価方法
asei
8
2.4k
Other Decks in Technology
See All in Technology
Goで作って学ぶWebSocket
ryuichi1208
3
2.4k
OPENLOGI Company Profile
hr01
0
60k
コンピュータビジョンの社会実装について考えていたらゲームを作っていた話
takmin
1
570
Iceberg Meetup Japan #1 : Iceberg and Databricks
databricksjapan
0
290
Active Directory攻防
cryptopeg
PRO
8
5k
1行のコードから社会課題の解決へ: EMの探究、事業・技術・組織を紡ぐ実践知 / EM Conf 2025
9ma3r
6
2.2k
ソフトウェアエンジニアと仕事するときに知っておいたほうが良いこと / Key points for working with software engineers
pinkumohikan
1
140
役員・マネージャー・著者・エンジニアそれぞれの立場から見たAWS認定資格
nrinetcom
PRO
1
2.4k
「正しく」失敗できる チームの作り方 〜リアルな事例から紐解く失敗を恐れない組織とは〜 / A team that can fail correctly
i35_267
2
710
【5分でわかる】セーフィー エンジニア向け会社紹介
safie_recruit
0
18k
ビジネスモデリング道場 目的と背景
masuda220
PRO
9
690
Snowflakeの開発・運用コストをApache Icebergで効率化しよう!~機能と活用例のご紹介~
sagara
1
320
Featured
See All Featured
Testing 201, or: Great Expectations
jmmastey
42
7.2k
A Modern Web Designer's Workflow
chriscoyier
693
190k
CSS Pre-Processors: Stylus, Less & Sass
bermonpainter
356
29k
Adopting Sorbet at Scale
ufuk
74
9.2k
The World Runs on Bad Software
bkeepers
PRO
67
11k
Put a Button on it: Removing Barriers to Going Fast.
kastner
60
3.7k
Building Applications with DynamoDB
mza
93
6.2k
Code Reviewing Like a Champion
maltzj
521
39k
Responsive Adventures: Dirty Tricks From The Dark Corners of Front-End
smashingmag
251
21k
Fontdeck: Realign not Redesign
paulrobertlloyd
83
5.4k
Stop Working from a Prison Cell
hatefulcrawdad
267
20k
GraphQLとの向き合い方2022年版
quramy
44
13k
Transcript
インタビューから見えてきた MLOps の レベルと現場の課題 Asei Sugiyama
自己紹介 杉山 阿聖 (@K_Ryuichirou) Software Engineer @ Citadel AI Advisor
@ Money Forward Organizer @ MLSE 機械学習オペレーション WG 機械学習図鑑 共著
TOC 背景 <- MLOps の取り組みの分類 MLOps の課題 まとめ
機械学習の実用化について相談を受けることが多い AIを一つください、という前に https://speakerdeck.com/asei/aiwo-tukudasai-toiuqian-ni
さまざまに情報発信 Asei Sugiyama (@asei) on Speaker Deck https://speakerdeck.com/asei
縁あって MLSE に参加 MLOps に関する Working Group MLOps に関する基調講演
現場の課題を収集する Workshop https://app.mural.co/t/zeroqueue8023/m/zeroqueue8023/1657073071541/6f20ef4285a7e19caf0baceb174dc781fd2d9f06? sender=u5c824b66a2341e9ebe6b4303
今日は今まで聞いてきた話について振り返り MLOps の定義 プラクティスの分類方法 MLOps の取組分野 機械学習の活用段階 あまり有効でない分類軸
TOC 背景 MLOps の取り組みの分類 <- MLOps の課題 まとめ
MLOps の定義 MLOps: 機械学習の成果を スケールさせるための取り 組み AI を育てる取り組み
MLOps の取り組みの分類方法 MLOps の取り組み分野 機械学習の活用段階
MLOps の取組分野 MLOps を支える技術 MLOps を支えるプロセス MLOps を支えるモニタリン グ MLOps
を支える文化
MLOps を支える技術 機械学習パイプライン ML Metadata Feature Store 概ねここが MLOps として
語られる MLOps: Continuous delivery and automation pipelines in machine learning https://cloud.google.com/architecture/mlops-continuous-delivery-and- automation-pipelines-in-machine-learning
MLOps を支えるプロセ ス モデルの実験プロセス 本番システムに至るまでの 開発プロセス モデルのテスト 本番環境での検証 (A/Bテス トなど)
Well-Architected machine learning lifecycle - Machine Learning Lens https://docs.aws.amazon.com/wellarchitected/latest/machine-learning- lens/well-architected-machine-learning-lifecycle.html
MLOps を支えるモニタ リング 通常のシステムとしての計 測 データの測定 指標の測定 精度の測定 Lupus -
A Monitoring System for Accelerating MLOps https://speakerdeck.com/line_devday2021/lupus-a-monitoring-system-for- accelerating-mlops
MLOps を支える文化 多様な利害関係者間での合 意形成 機械学習チームの評価 機械学習に対する経営判断 Artificial Intelligence (AI) Transformation
Playbook | Landing AI https://landing.ai/resources/ai-transformation-playbook/ エムスリーにおけるAI・機械学習チームの立ち上げと機械学習プロダクト開発 https://speakerdeck.com/nishiba/m3-ai-team
機械学習の活用段階 Lv.0 手作業しかない Lv.1 デプロイの脱属人化 Lv.2 組織的な機械学習基盤の導入 Lv.3 継続的なモニタリングと改善のための分析
体感値 Lv.1 までは行けるようになってきた それ以降に分厚い壁がある Lv 段階 組織の多さ Lv.0 手作業しかない 大半がこれ
Lv.1 デプロイの脱属人化 かなり出てきた Lv.2 組織的な機械学習基盤の導入 ごく一部 Lv.3 継続的なモニタリングと改善のための分析 ほぼいない
あまり有効でない分類軸 企業規模 大企業でもスタートアップ並みに活用している場合がある SaaS 企業でもまったく進められない場合がある 業界 他業種の事例が製造業で活きるなど、事例の有用性は業界をまたぐ 逆説的に、MLOps は機械学習に関するすべての人に関係する
TOC 背景 MLOps の取り組みの分類 MLOps の課題 <- まとめ
現状の課題認識 技術面で未成熟 MLOps に関する取り組みや課題の収集 グローバルな動向に関するキャッチアップ
技術面で未成熟 Kubeflow をはじめ MLOps で用いられるツールはまだまだ未成熟 現状はデプロイの自働化やデプロイ前のテストに議論が集中しがち この領域はエンジニア間での交流が進んできている
MLOps に関する取り組みや課題の収集 成功事例は出てくるものの、それより遥かに多いはずの失敗事例が出て こない Microsoft: An Empirical Study on Program
Failures of Deep Learning Jobs - Microsoft Research Google: How ML Breaks: A Decade of Outages for One Large ML Pipeline 課題について情報発信側に回る人が少ない MLSE のワーキンググループで課題の収集を行っていく予定
グローバルな動向に関するキ ャッチアップ EU の AI ACT をはじめとして、 各国で機械学習の「標準」の策 定が進む 今までのボトムアップだけでは
なくなり、トップダウンな動き 国内団体や、国外の団体へとつ ながりを広めたい
まとめ MLOps に関するさまざまなとりくみについて振り返り どうやら活用段階と取組分野で課題や取り組みが分類できそう 事例や国内外の規制について情報収集を進める予定
None