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

Transcript

1. 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
2. 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
3. TOC 背景 <- MLOps の取り組みの分類 MLOps の課題 まとめ
4. 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
5. さまざまに情報発信 Asei Sugiyama (@asei) on Speaker Deck https://speakerdeck.com/asei
6. 縁あって MLSE に参加 MLOps に関する Working Group MLOps に関する基調講演
7. 現場の課題を収集する Workshop https://app.mural.co/t/zeroqueue8023/m/zeroqueue8023/1657073071541/6f20ef4285a7e19caf0baceb174dc781fd2d9f06? sender=u5c824b66a2341e9ebe6b4303
8. 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
9. TOC 背景 MLOps の取り組みの分類 <- MLOps の課題 まとめ
10. 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
11. 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
12. 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
13. 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
14. 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
15. 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
16. 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
17. 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
18. 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
19. 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
20. TOC 背景 MLOps の取り組みの分類 MLOps の課題 <- まとめ
21. 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
22. 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
23. 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
24. 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
25. 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