Quick introduction of Machine Learning Lens Structure of the Machine Learning Lens Business goal ML problem framing ML lifecycle architecture diagram Data processing Model development Deployment Monitoring
Business goal: Picked up pillars MLOE-01: Develop right skills with accountability and empowerment 機械学習に特化したものではなく通常の Agile について述べている 機械学習で組織づくりについて言及しているドキュメントは珍しい Two-pizza rule を機械学習の専門家を含めて実現することはチャレンジ に見える
ML problem framing: Picked up pillars (1/2) MLOE-02: Establish ML roles and responsibilities 機械学習プラットフォームの運用に必要なロール一覧 非常に多岐にわたる クロスファンクショナルチームが互いにコラボレーションして運用する ことを想定
参考: ロール一覧 (1/2) Business analyst Domain expert Data architect Data engineer AI/ML architect Data scientist Data analyst MLOE-02: Establish ML roles and responsibilities - Machine Learning Lens https://docs.aws.amazon.com/wellarchitected/latest/machine-learning- lens/mloe-02.html
参考: ロール一覧 (2/2) ML engineer MLOps engineer IT auditor Model risk manager Cloud and security engineer Software engineer MLOE-02: Establish ML roles and responsibilities - Machine Learning Lens https://docs.aws.amazon.com/wellarchitected/latest/machine-learning- lens/mloe-02.html
ML problem framing: Picked up pillars (2/2) MLREL-03: Adopt a machine learning microservice strategy 機械学習の実装にマイクロサービスのパターンを用いることを推奨 Machine Learning Lens をよく表したプラクティス
ML lifecycle architecture diagram Machine Learning Lens におけるもっとも重要なページ ML lifecycle with data processing sub-phases included ML lifecycle with detailed phases and expanded components Lineage tracker
ML lifecycle with data processing sub-phases included Machine Learning Lens の Data Processing 以降のプロセスを細分化 ML lifecycle architecture diagram - Machine Learning Lens https://docs.aws.amazon.com/wellarchitected/latest/machine-learning-lens/ml-lifecycle- architecture-diagram.html
ML lifecycle with detailed phases and expanded components ML lifecycle architecture diagram - Machine https://docs.aws.amazon.com/wellarchitecte learning-lens/ml-lifecycle-architecture-diagr
Model development: Picked up pillars (1/2) MLSEC-10: Protect against data poisoning threats 訓練データへの悪意あるデータの混入に備えるというプラクティス たとえば、購入した高評価レビューや、意図的な低評価レビューを念頭 に置いたものと思われる セキュリティの手法や異常検知アルゴリズムが対策としてあげられてい る
Model development: Picked up pillars (1/2) MLPER-06: Optimize training and inference instance types 訓練・推論時で最適なインスタンスを選択するというプラクティス GPU は訓練に向き、CPU は大抵の推論をカバーするとされている 実際はさらに多くの選択肢があるため要検証
Deployment: Picked up pillars MLSEC-11: Protect against adversarial and malicious activities 悪意のある入力がなされないように保護するプラクティス 機械学習アルゴリズムのロバスト性を確認 同じような入力が繰り返されていないか監視 切り戻しができるようリニエージを管理
asei
masasuzu
lmi
sansantech
optimisuke
chumajin
takasehideki
lemiorhan
cybozuinsideout
onecareer_tech
wakamsha
mraible
tkikuchi1002
jonyablonski
rocio
mza
deanohume
jasonvnalue
swwweet
garrettdimon
dotmariusz
tanoku
searls
speakerdeck
holman