MLOpsのこれまでとこれから

MLOpsはSoftware2.0のためのDevOpsであり、顧客自身のデータから半自動で顧客体験を改善できるようにします。これまではMLOpsと既存のSoftware1.0のためのDevOpsは独立していましたが、組み合わせることでSoftware2.0の弱点である確率的な挙動を抑制しより安定したサービスを開発することが可能です。

DevOpsと並走するこれからのMLOpsを構築するための問題点と解決策を提示し、AWSがどのようにMLOpsの構築を支援できるのかをご説明します。

Transcript

1. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. Amazon Web Services Japan Machine Learning Developer Relation Takahiro Kubo MLOpsのこれまでとこれから From Isolated to connected
2. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. 本日お話しする内容 2 ⚫ プロダクト開発の観点から、MLOpsの現状と今後の発展の方向を分 析します。 ⚫ これからのMLOpsを構築するための問題と、解決策についてお話し します。 ⚫ AWSがどのようにMLOpsの構築を支援できるのかをご説明します。
3. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. 本日お話ししない内容 3 ⚫ MLOpsの実装方法 ⚫ MLOps関連ライブラリの評価
4. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. © 2021, Amazon Web Services, Inc. or its affiliates. Takahiro Kubo / 久保 隆宏 (ttaakkaa@) DevRel Engineer, Machine Learning Career 1. SAPコンサルタント(10年) + kintone エヴァンジェリスト 業務要件定義から開発、運用保守まで一貫した導入支援を実施。 SaaS連携による効率的な業務アプリケーションの開発を模索 している時にkintoneと出会い、エヴァンジェリストとして活動。 2. 機械学習エンジニア (5年) 自然言語処理の研究に従事。対話アプリケーションのプロトタイプ作成、 自然言語処理による企業の非財務情報評価に取り組む。研究部署在籍中、 「Pythonで学ぶ強化学習」「直感 Deep Learning」などを執筆。arXivTimes やNLP若手の会といったコミュニティ活動にも参加。 3. プロダクトマネージャー(2年) プロダクトマネージャーとして非財務情報参照・点検サービスの開発に携わる。 研究開発をプロダクト化する険しい道を泥まみれで進む経験をする。 非財務開示に携わる方、評価する方双方が使えるサービスです！ 4. Developer Relation (0年~) + お父さん0年生 機械学習を活用したプロダクトの開発を学び普及させるためにAWSへ。 Product Manager for Software 2.0 を目指す。 Cybozu Days 2016
5. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. © 2021, Amazon Web Services, Inc. or its affiliates. Takahiro Kubo / 久保 隆宏 (ttaakkaa@) DevRel Engineer, Machine Learning 入門機械学習パイプライン 翻訳のレビューと付録の執筆をしています。 TensorFlow Extendedを利用し実際に機械学習パイプランを構築 し、さらにApache Beam/Apache Airflow/Kubeflow Pipelinesで 実行するまでをコード付きで解説しています。MLOpsの実装方 法が知りたい方はぜひ手に取っていただければと思います。 フィードバックループや差分プライバシーなど先進的な話題も 扱っており、英語版が出たときからすばらしいと感じていた書籍 です。付録ではUber/Twitter/Spotify/Airbnb/Netflixなど機械学 習先進企業の事例とそこから学べる構築のポイントをまとめてい ます。 個人的にはAirflow/AWS StepFunctionsでパイプラインを組んで いました。
6. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. Agenda 6 1. MLOpsの位置づけ 2. MLOpsを構築する際の問題点 3. 解決策 4. AWSからのMLOps構築支援 5. おわりに
7. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. MLOpsとは何か？ 7
8. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. MLOpsとは何か。Software 2.0のためのDevOpsである。 8 入出力データから帰納的に実装されたソフトウェアをSoftware 2.0と呼ぶ。 • Stanford大学のAndrej Karpathy先生が提唱された。狭義にはニューラルネット ワークで実装された機械学習モデルを指す。 プログラミング言語で実装するソフトウェアをSoftware 1.0とすると、 Software2.0には4つメリットがある。 1. 簡単: プログラミング言語を習得せずともソフトウェアを実装できる。 2. 速い: 行列演算で処理が構成されるため、GPUによる高速化が可能。 3. 高精度: 画像認識や音声認識など一部領域ではSoftware1.0を上回る。 4. 可搬性: 実装が画一的でソフトウェア配置のポータビリティが高い。
9. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. Software 2.0の開発には課題がある。 9 Configuration Data Collection Data Verification Machine Resource Management Serving Infrastructure ML Code Analysis Tool Process Management Tools Feature Extraction Monitoring “Only a small fraction of real-world ML systems is composed of the ML code” source: Hidden Technical Debt in Machine Learning Systems [D. Sculley, & al.] – 2015 https://papers.nips.cc/paper/5656-hidden-technical-debt-in-machine-learning-systems.pdf
10. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. Software 2.0の開発には3つ課題がある。 10 1. Wide データの取得、前処理、学習など幅広な処理を繋ぎ合わせ実装するため、 統合的なプロセス管理やバージョン管理が必要。 2. Large 開発環境に要求されるリソースが大きいため新しい環境構成が必要。 3. Probabilistic 確率的な挙動をするため新しい品質ガイドラインに基づくテストが必要。
11. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. Wideであるものは分解し、個別の問題に対応したライブラリ を連携させることで解決が図られている(=MLOps)。 11 Analyze Prepare Preprocess Test Release Deploy Operate Monitor Train 個別の ライブラリ ライブラリ の連携 LIME MLOps
12. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. Largeである問題はGPUをはじめとしたハードウェアの進化 により解決が図られている。 12 “A DECADE OF ACCELERATED COMPUTING AUGURS WELL FOR GPUS”より引用 AWSの機械学習専用チップ、自然言語処理で学習時間を50%削減するコンパイラについては「サービスアップデート 機械学習編:Amazon SageMaker と機械学習向けハードウェアによる機械学習の効率化」を参照。
13. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. Software 1.0 Software 1.0 Probabilisticな特性は、1.0を組み合わせることで解決が図ら れている。 13 Software 2.0 入力 出力 Service 機械学習で実装されるSoftware2.0は、挙動が100%予測可能ではない。 将棋を打つSoftware2.0はルール上禁止されている手を打つ可能性がある。 Software1.0を組み合わせることで、 Software2.0のメリットを享受しつ つ不完全な点を補うことができる。例えば、想定していないデータを事 前に検知し例外として処理する、禁止されている挙動を事後的に修正す るといった対応ができる。
14. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. Software2.0を扱う価値は何か？ 14
15. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. 顧客自身のデータから半自動で顧客体験を改善すること。 15 Customer Experience Traffic Data Data Driven Decision Growth Software1.0 delivered by DevOps Software2.0 delivered by MLOps
16. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. Dataが増えるほどSoftwareが高精度になり、高精度になるほ どCustomer Experienceが改善される。 16 Uber Eats 機械学習を用いて配達時間を予測。配達時間が正確になる ほど顧客体験が改善され、顧客体験が改善されるほど利用 者が増えてよりデータが集まり正確になる。 Spotify 機械学習を用いて新しい音楽と出会うDiscover Weeklyな どの機能を実装。本番の機械学習ワークロードの約5倍の 実験を行うことで新しい機能の開発を行っている (Software 1.0では困難な開発スピード)。 画像引用: Meet Michelangelo: Uber’s Machine Learning Platform 画像引用: The Winding Road to Better Machine Learning Infrastructure Through Tensorflow Extended and Kubeflow
17. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. AutoMLの進化が「半自動化」を加速している。 17 機械学習モデルを自動で構築するAutoMLの技術が進化し、データサイ エンティストによるチューニングがなくとも高い精度のモデルが構築 できるようになってきている。 画像分類で現在上位の分類性能を記録しているモデルは、 AutoML技術により構築されたモデル(Efficient Netなど)。 自然言語処理の分野では、大規模なテキストで事前学習する ことで少ないデータしかないタスクでも高い精度が記録でき ることが確認されている(BERTなど)。 OSSのAutoMLライブラリも開発され、手軽に利用できる。 AutoGluonではOtto Group[2015年]とBNP Paribas[2016年] のKaggleコンペティションで、参加したデータサイエンティ ストの 99% よりも高い精度を記録(論文)。 (開発者インタビューの記事があるので興味がある方はぜひ)
18. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. Business Understanding 最終的なプロダクト開発ではDevOpsとMLOpsが並走する。 18 Plan Code Build Test Release Deploy Operate Monitor Code Repository Artifact Software 1.0 Service Verification Raw Data Data Warehouse Collect Analyze Prepare Data Repository Preprocess Features Model Test Release Verification Software 2.0 Deploy Operate Monitor Train Service Raw Data DevOps MLOps
19. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. Agenda 19 1. MLOpsの位置づけ 2. MLOpsを構築する際の問題点 3. 解決策 4. AWSからのMLOps構築支援 5. おわりに
20. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. DevOps・MLOpsの実装には多くのロールがかかわる。 20 Plan Code Build Test Business Understanding Release Deploy Operate Monitor Code Repository Artifact Software 1.0 Service Verification Raw Data Data Warehouse Collect Analyze Prepare Data Repository Preprocess Features Model Test Release Verification Software 2.0 Deploy Operate Monitor Train Service Raw Data ML Engineer 機械学習モデルを本番環境に デプロイ可能な形式に変換す る。 Model risk Manager Software2.0 のサービスの 挙動を監視す る。 MLOps Engineer 機械学習モデルの開発・運用プロセスを自動化する。 AI/ML Architect Software2.0に必要なアーキテクチャ全体を設計する。 Data architect データを管理する基盤を設計する。 IT Auditor システム全体の権限管理や監査を行う。 ソフトウェアの開発を行う。 Software Engineer Product Manager 実装すべきソフトウェ ア機能を定義する。 Software1.0 に必要なソフトウェアアーキテクチャ全体を設計する。 Architect DevOps Engineer ソフトウェアの開発・運用プロセスを自動化する。 Operator サービスを 利用し業務 を行う。 System Admin Software1.0 のサービスの 挙動を監視す る。 Business Analyst 解決すべき ビジネス上 の問題を定 義する。 Data Analyst データの可 視化と分析 で問題を定 量的に特定 する。 ML Operator 推論結果に 基づき業務 を行いつつ、 推論結果に フィード バックを与 える。 ロールの名称は MLLensを参照 Data Scientist 機械学習モデ ルを構築する Domain Expert あるべき挙 動をデータ を用いて定 義する。 評価尺度を 定義する。 Data Engineer 機械学習モデ ルに入力可能 なデータと特 徴を作成する。
21. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. 機械学習担当のチームがアーキテクチャを把握できる範囲は限ら れている。 21 Business Understanding 21 Plan Code Build Test Release Deploy Operate Monitor Code Repository Artifact Software 1.0 Service Verification Raw Data Data Warehouse Collect Analyze Prepare Data Repository Preprocess Features Model Test Release Verification Software 2.0 Deploy Operate Monitor Train Service Raw Data 機械学習担当のチームが判断で きるのは主に実験管理の領域
22. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. 22 不十分な情報でMLOpsを構築すると、Software2.0が損益分岐点 を超えることを難しくする。 固定費 変動費 売上/コスト削減効果 損益分岐点 MLOps運用費 固定費 ・機械学習チームの人件費 ・常時稼働するインフラ費用(=MLOps) 変動費 ・インスタンス使用料(従量課金を想定) 構築した モデルの数 MLOpsの導入は、モデルの数に応じて増 える変動費の増加(いわゆる「技術的負 債」)を自動化のインフラ(=固定資産)によ り抑制する活動といえる。 売上/コスト削減効果や許容される固定費 は機械学習担当のチームだけでは見積り が困難。この状態でMLOpsへ投資をする と、Software2.0が損益分岐点を超えるこ とを難しくする。
23. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. Agenda 23 1. MLOpsの位置づけ 2. MLOpsを構築する際の問題点 3. 解決策 4. AWSからのMLOps構築支援 5. おわりに
24. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. 最初の一歩として、プロダクトマネージャーとアーキテクトに メッセージを送る。 24 原文をGistで公開していますのでコメントぜひよろしくお願いします。
25. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. 誰に送るか? 25
26. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. プロダクトマネージャー、アーキテクトは必須で巻き込む。 26 Plan Code Build Test Business Understanding Release Deploy Operate Monitor Code Repository Artifact Software 1.0 Service Verification Raw Data Data Warehouse Collect Analyze Prepare Data Repository Preprocess Features Model Test Release Verification Software 2.0 Deploy Operate Monitor Train Service Raw Data ML Engineer 機械学習モデルを本番環境に デプロイ可能な形式に変換す る。 Model risk Manager Software2.0 のサービスの 挙動を監視す る。 MLOps Engineer 機械学習モデルの開発・運用プロセスを自動化する。 AI/ML Architect Software2.0に必要なアーキテクチャ全体を設計する。 Data architect データを管理する基盤を設計する。 IT Auditor システム全体の権限管理や監査を行う。 ソフトウェアの開発を行う。 Software Engineer Product Manager 実装すべきソフトウェ ア機能を定義する。 Software1.0 に必要なソフトウェアアーキテクチャ全体を設計する。 Architect DevOps Engineer ソフトウェアの開発・運用プロセスを自動化する。 Operator サービスを 利用し業務 を行う。 System Admin Software1.0 のサービスの 挙動を監視す る。 Business Analyst 解決すべき ビジネス上 の問題を定 義する。 ML Operator 推論結果に 基づき業務 を行いつつ、 推論結果に フィード バックを与 える。 ロールの名称は MLLensを参照 DevOpsのアーキテクチャにつ いてインプットを得るのに必 要。 Data Analyst データの可 視化と分析 で問題を定 量的に特定 する。 Data Scientist 機械学習モデ ルを構築する Data Engineer 機械学習モデ ルに入力可能 なデータと特 徴を作成する。 Domain Expert あるべき挙 動をデータ を用いて定 義する。 評価尺度を 定義する。 MLの売上/コスト削減効果と 許容される固定費についてイ ンプットを得るのに必要。
27. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. いつ送るか? 27
28. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. 機械学習を学ぶ段階から参加してもらい、フェーズごとに MLOpsに必要なロールの担当を割り当ててもらう。 28 Learning Experimenting Deploying Scaling Prototyping 機械学習の 活用フェーズ MOOCなどでAI/ML について学ぶ。 小規模なチームで分析・ モデル構築・評価までの 一連の工程を実施 自社のデータと環境 で機械学習による課 題解決を検証する。 機械学習のワークロー ドを本番環境で稼働さ せる。 フェーズ内の アクティビティ 運用監視を含めた機 械学習ワークロード を開発する。 機械学習のワークロー ドの規模や適用範囲を 拡大する。 Building MLチーム内で 任命 Business Analyst Data Scientist Data Analyst MLOps Engineer Data architect Domain Expert AI/ML Architect ML Engineer ML Operator Model risk Manager システム管理 サイドで任命 Data Engineer Product Managerが任命 Architectが任命 機械学習を学ぶ段階で、プロダクト マネージャーはBusiness Analystの 役割を果たす人を任命する(か自分が なる)。
29. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. すべてのロールが揃うことは稀。同色ほど兼任しやすい。 29 Plan Code Build Test Business Understanding Release Deploy Operate Monitor Code Repository Artifact Software 1.0 Service Verification Raw Data Data Warehouse Collect Analyze Prepare Data Repository Preprocess Features Model Test Release Verification Software 2.0 Deploy Operate Monitor Train Service Raw Data ML Engineer 機械学習モデルを本番環境に デプロイ可能な形式に変換す る。 Model risk Manager Software2.0 のサービスの 挙動を監視す る。 MLOps Engineer 機械学習モデルの開発・運用プロセスを自動化する。 AI/ML Architect Software2.0に必要なアーキテクチャ全体を設計する。 Data architect データを管理する基盤を設計する。 IT Auditor システム全体の権限管理や監査を行う。 ソフトウェアの開発を行う。 Software Engineer Product Manager 実装すべきソフトウェ ア機能を定義する。 Software1.0 に必要なソフトウェアアーキテクチャ全体を設計する。 Architect DevOps Engineer ソフトウェアの開発・運用プロセスを自動化する。 Operator サービスを 利用し業務 を行う。 System Admin Software1.0 のサービスの 挙動を監視す る。 Business Analyst 解決すべき ビジネス上 の問題を定 義する。 Data Analyst データの可 視化と分析 で問題を定 量的に特定 する。 ML Operator 推論結果に 基づき業務 を行いつつ、 推論結果に フィード バックを与 える。 ロールの名称は MLLensを参照 Data Scientist Domain Expert あるべき挙 動をデータ を用いて定 義する。 評価尺度を 定義する。 Data Engineer 機械学習モデ ルに入力可能 なデータと特 徴を作成する。 機械学習モデ ルを構築する
30. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. フェーズごと段階的にチームとMLOpsを発展させる。 30 Learning Experimenting Deploying Scaling Prototyping 機械学習の 活用フェーズ 機械学習のワークロー ドを本番環境で稼働さ せる。 フェーズ内の アクティビティ 運用監視を含めた機 械学習ワークロード を開発する。 機械学習のワークロー ドの規模や適用範囲を 拡大する。 Building チーム データ 学習 デプロイ • 切断されたデータサイエンスおよびIT チーム • 限定的なクロストレーニング • 利害関係者とのコラボレーションの 改善 • 共有プロジェクトの目標 • 部門の枠を超えたプロジェクトチーム • いくつかのクロストレーニング • アドホックにデータの収集と前処理 • 自動化されたデータパイプライン • 自動化されたMLパイプライン • データガバナンス • 手動での学習、再学習 • 展開への明確な道筋がない • 手動展開 • 実験ごとの設定管理 • 自動化された学習パイプライン • 手動でのモデル検証 • 自動展開パイプライン • 限定的な監視/測定 • 実験ごとの設定管理 • 自動化された学習パイプライン • 手動でのモデル検証 • 自動化されたMLパイプライン • 監視とロギング（モデル、ワークロー ド、パイプライン） MOOCなどでAI/ML について学ぶ。 小規模なチームで分析・ モデル構築・評価までの 一連の工程を実施 自社のデータと環境 で機械学習による課 題解決を検証する。
31. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. 最終的にSoftware2.0の開発者が能動的にMLOpsを利用する ことで機械学習の活用がScalingする。 31 Learning Experimenting Deploying Scaling Prototyping 機械学習の 活用フェーズ 機械学習のワークロー ドを本番環境で稼働さ せる。 フェーズ内の アクティビティ 運用監視を含めた機 械学習ワークロード を開発する。 機械学習のワークロー ドの規模や適用範囲を 拡大する。 Building MLチーム内で 任命 Business Analyst Data Scientist Data Analyst MLOps Engineer Data architect Domain Expert AI/ML Architect ML Engineer ML Operator Model risk Manager システム管理 サイドで任命 Data Engineer Product Managerが任命 Architectが任命 能動的な 活用の拡大 MOOCなどでAI/ML について学ぶ。 小規模なチームで分析・ モデル構築・評価までの 一連の工程を実施 自社のデータと環境 で機械学習による課 題解決を検証する。
32. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. 先進的企業は能動的な活用を促すため社員へのデータサイエ ンス教育を拡大している。 32 How Airbnb Democratizes Data Science With Data University データを「顧客の声」と定義し、全社員が顧客の声に基づいた意思決定が できるよう社内でのデータサイエンス教育を開始。半年で500名が受講。 社内のデータを使用してトレーニングするため、30名ほどの社員がボラン ティアで講師を行っている。 Scaling Machine Learning at Uber with Michelangelo 技術系の採用者全員に、1週目に機械学習とUberの機械学習基盤である Michelangeloの講義を実施。その後も、Michelangeloのアップデートに関 する講習やオフィスアワーなどを実施し利用を支援。 Airbnbは2017年、Uberは2018年の記事。Airbnbは2017時点でFacebookと Dropboxにデータ活用で後れを取っていると述べているので、データ活用の先進企 業はかなり先をいっている。 画像引用: リンク先記事より 画像引用: リンク先記事より
33. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. 能動的に活用されるMLOpsは3つの要件を満たす。 33 Dev Ops ML Ops 民主的 ソフトウェア開発を専門にしない人も 機械学習を利用しSoftware2.0を構築す るようになると、どのような人でも使 えるUI/UXが求められる。 一元的 DevOpsとMLOpsが並走すると、ユー ザー、データ、ログ、プロセスの管理 がDevのOpsとMLのOpsで分離しない よう統合できる必要がある。 協調的 プロダクトの状況やチームのスキルレ ベルが多様であると、MLのOpsを実現 する手段が幅広に選択できる必要があ る。
34. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. Agenda 34 1. MLOpsを取り巻く状況 2. MLOpsを構築する際の問題点 3. 解決策 4. AWSからのMLOps構築支援 5. おわりに
35. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. AWSはハード面だけでなくソフト面でもMLOpsの構築を支援で きる。 35 ⚫ ハード面: MLOpsの構築基盤として ⚫ ソフト面: MLOpsを構築するための課題解決支援、トレーニングの提供
36. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. AWSは能動的に活用されるMLOpsの要件を満たすことができる。 36 Dev Ops ML Ops 民主的 一元的 協調的 Amazon SageMaker AWS Identity and Access Management (IAM) AWS Single Sign-On Amazon Cognito Amazon CloudWatch AWS CloudTrail Amazon S3 AWS Glue Amazon Redshift AWS CodeBuild AWS CodeCommit AWS CodeDeploy Amazon SageMaker Canvas Amazon QuickSight Amazon SageMaker Studio Lab
37. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. 民主的: エンドユーザーでも利用可能な機械学習サービス。 37 Amazon SageMaker CanvasはBusiness Analyst やDomain Expertがコーディング不要で機械学 習を行えるようにするサービス。 AWSコンソールにアクセスすることなく、通常 のSaaSへログインするようにシングルサインオ ンでアクセスできる。 Amazon S3、Amazon RedShift、Snowflakeと いったデータソースはもちろん手元のローカル ディスクからもデータをアップロードして利用 することができる。 詳細は: 「サービスアップデート 機械学習編: Amazon SageMaker Studio 新機能で機械学習をより簡単に」をご参照ください。
38. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. 民主的: エンドユーザーでも利用可能な機械学習サービス。 38 Amazon SageMaker Studio Labは無料かつメー ルアドレスのみで利用できるJupyter Lab環境。 学習用に最大12時間のCPUと4時間のGPUを利 用可能。15GBの永続ストレージ があり、ブラ ウザを落としても作業内容が記録される。プロ ダクション移行の際にSageMaker Studioへ移行 可能。 詳細は: 「サービスアップデート 機械学習編: Amazon SageMaker Studio 新機能で機械学習をより簡単に」をご参照ください。
39. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. 協調的: 幅広いマネージドサービスと動作可能なOSSから 実装を選択できる。 39 PREPARE SageMaker Ground Truth Label training data for machine learning SageMaker Data Wrangler Aggregate and prepare data for machine learning SageMaker Processing Built-in Python, BYO R/Spark SageMaker Feature Store Store, update, retrieve, and share features SageMaker Clarify Detect bias and understand model predictions BUILD SageMaker Studio Notebooks Jupyter notebooks with elastic compute and sharing Built-in and Bring your-own Algorithms Dozens of optimized algorithms or bring your own Local Mode Test and prototype on your local machine SageMaker Autopilot Automatically create machine learning models with full visibility SageMaker JumpStart Pre-built solutions for common use cases TRAIN & TUNE Managed Training Distributed infrastructure management SageMaker Experiments Capture, organize, and compare every step Automatic Model Tuning Hyperparameter optimization Distributed Training Libraries Training for large datasets and models SageMaker Debugger Debug and profile training runs Managed Spot Training Reduce training cost by 90% DEPLOY & MANAGE Managed Deployment Fully managed, ultra low latency, high throughput Kubernetes & Kubeflow Integration Simplify Kubernetes-based machine learning Multi-Model Endpoints Reduce cost by hosting multiple models per instance SageMaker Model Monitor Maintain accuracy of deployed models SageMaker Edge Manager Manage and monitor models on edge devices SageMaker Pipelines Workflow orchestration and automation Amazon SageMaker SageMaker Studio Integrated development environment (IDE) for ML AWSとFacebook共 同で開発しOSS公開 AWS Batchにデプロ イ可能 EKSで構築可能 Netflixが開発してい るOSS。AWSと親和 性が高い。 マネージドサービス であるMWAAを提供。
40. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. 一元的: ユーザー・ログ・データ・プロセスの統合が可能。 40 AWS Identity and Access Management (IAM) AWS Single Sign-On Amazon Simple Storage Service (Amazon S3) AWS Glue Amazon CloudWatch AWS CloudTrail Amazon Cognito • ユーザー AWS Single Sign-On(SSO):複数のAWSアカウントやビジネス アプリへのシングルサインオンを実現。 Amazon Cognito:カスタムアプリやAWS APIの認証・認可を 提供。 AWS Identity and Access Management(IAM): AWS APIに対す るアクセス制御を実施。 • ログ Amazon CloudWatch Logs: 使用中のすべてのシステム、ア プリケーション、AWSのサービスからのログを取得。 AWS CloudTrail: AWSインフラストラクチャ全体のアカウン ト活動を記録、保管、分析可能。 • データ Amazon S3: あらゆる量のデータを保存、保護することが可 能。データレイクに最適。 AWS Glue: データの検出、準備、結合を簡単に行えるサー バーレスのデータ統合サービス。 Amazon Redshift: フルマネージド型のデータウェアハウス サービス Amazon Redshift
41. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. 一元的: ユーザー・ログ・データ・プロセスの統合が可能。 41 • プロセス AWS CodeBuild: ソースコードのコンパイル等を行うマネー ジドサービス。 AWS CodeCommit:プライベートGitリポジトリをホスティン グするマネージドサービス。 AWS CodeDeploy: Amazon EC2/AWS Fargateなどにデプロ イするマネージドサービス。 AWS CodeCommit AWS CodeDeploy AWS CodeBuild
42. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. MLOps構築の一例 42 Amazon SageMaker Training Juoyter Notebook Amazon SageMaker Studio for development AWS CodeBuild AWS CodeCommit or GitHub Amazon SageMaker Endpoint Amazon API Gateway AWS CodeDeploy Model Manager for dev Model Manager for prod Amazon CloudWatch Synthetics Slack Approve Approve AWS CodePipeline Experiments Management AWS Lambda Amazon Elastic Container Registry Amazon SageMaker Experiments Train Model
43. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. お客様のMLOps構築事例 43 1. 竹中工務店、AWSで「建設デジタルプラットフォーム」を構築 2. マネージドサービスを活用した機械学習のためのCI/CDパイプラインの構築 3. AWS Autotech Forum 2020 Online 4. 遊戯王ニューロンにおけるAmazon SageMakerの活用大規模画像データの MLOps基盤構築 5. 顧客最適な機械学習モデルを提供する対話エンジンサービスとAmazon SageMakerの活用事例
44. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. ML Discovery Workshop お客様のビジネス課題に対しAI/MLの適用可否と難易度を発 見するワークショップ。アマゾンの代表的なイノベーショ ンメカニズムである「ワーキングバックワーズ（Working Backwords）」の５つの質問などを用い機械学習のユース ケースを特定する。(リンクはAstra Zeneca様の事例) ML Lensに基づくアーキテクチャーレビュー 機械学習を運用中のお客様に対し、MLOpsのアーキテク チャ提案やレビューを行う。機械学習版のWell-Architected FrameworkであるMachine Learning Lensを活用し機械学習 基盤の現状と課題を整理し、改善アーキテクチャを提案。 Amazon Machine Learning Solutions Lab AWSの機械学習エキスパートと連携し、モデル開発を含め たMVPを短期間で開発する。 ソフト面: 機械学習を活用するための課題解決を支援します。
45. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. 機械学習モデルのリリースまでに必要なスキルをチームで学習する ML Enablement Workshop(仮)を上期中に提供開始予定です。 Learning Experimenting Deploying Scaling Prototyping 機械学習の 活用フェーズ 機械学習のワークロー ドを本番環境で稼働さ せる。 フェーズ内の アクティビティ 運用監視を含めた機 械学習ワークロード を開発する。 機械学習のワークロー ドの規模や適用範囲を 拡大する。 Building MLチーム Business Analyst のスキル習得 Data Scientist のスキル習得 Data Analyst のスキル習得 MLOps Engineer のスキル習得 Data architect のスキル習得 Domain Expert AI/ML Architect のスキル習得 ML Engineer のスキル習得 ML Operator Model risk Manager のスキル習得 システム管理 サイド Data Engineer のスキル習得 Product Manager Architect 担当Solution Architectによる継続的支援 ワークショップによるトレーニングで自走を支援 ※ドメイン知識が要求 されるロールは対象外 MOOCなどでAI/ML について学ぶ。 小規模なチームで分析・ モデル構築・評価までの 一連の工程を実施 自社のデータと環境 で機械学習による課 題解決を検証する。
46. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. Agenda 46 1. MLOpsを取り巻く状況 2. MLOpsを構築する際の問題点 3. 解決策 4. AWSが提供できる支援 5. おわりに
47. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. 本日のまとめ 47 ⚫ MLOpsは顧客体験を半自動で改善できるパイプラインであり、これ からのプロダクト開発にとって重要です。 ⚫ MLOpsの構築には様々なステークホルダーを巻き込む必要がありま す。最初のメッセージをぜひ自分から送りましょう。 ⚫ 能動的に活用されるMLOpsの民主的・協調的・一元的の要件をAWS で満たすことができます。AWSはハード・ソフト両面で支援ができ るパートナーです。
48. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. Let’s Have a nice ML Journey!
49. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. References 49 • Andrej Karpathy. Software 2.0. 2017. • Hiroshi Maruyama. Software 2.0とその社会的課題. 2021. • Mike Loukides and Ben Lorica The road to Software 2.0. 2019. • Ville Tuulos and Hugo Bowne-Anderson. MLOps and DevOps: Why Data Makes It Different. 2021. • Data Sentics. Why the World Struggles to Productionalise ML-Driven Solutions (MLOps Part 1). 2020. • Data Sentics. How We Understand MLOps at DataSentics (MLOps Part 2). 2021. • AWS. MLOE-02: Establish ML roles and responsibilities. • Google Cloud. MLOps: 機械学習における継続的デリバリーと自動化のパイプライン. • Snockel. 2022. • datarevenue-berlin. OpenMLOps. 2021. • ZOZO TECH BLOG. KubeflowによるMLOps基盤構築から得られた知見と課題. 2021. • 岩本恵太. リーガルテックにおけるMLOps構築事例の紹介. 2021. • スタディサプリ. サイエンティストとエンジニアでつくるML ワークフロー. 2020. • iwazaki. 小さく始めて大きく育てるMLOps2020. 2020. • rmarl. BASEを支える機械学習エンジニアチームをゼロからつくってきた1年.2019. • Takahiro Kubo. MLOps論文一覧. 2022.
50. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. 付録: 送信メッセージ 50 お疲れ様です、機械学習チームのxxです。 202x年から機械学習チームではプロダクトへの応用を念頭に、機械学習技術の習得を進めてき ました。次のステップとして、社内のデータを利用したプロトタイピングを進めていきたいと考 えています。プロトタイピングが実験のみでおわらないように、本番環境への反映を想定し現在 不足しているロールやインフラ面の課題を洗い出したいと考えています。機械学習の活用に最終 的に必要なロールと開発プロセスは添付の資料にまとめています。 つきましては、プロトタイピングの先のゴール設定と、課題の洗い出しをまずプロダクトマネー ジャーのmy_pmさん、アーキテクトのmy_architectさんとさせていただきたいです。隔週でで きればと考えていますが、初回のミーティングでは機械学習チームのこれまで学んだ内容と課題 として感じている点を共有させていただきます。初回の日程は以下でいかがでしょうか。 2022/x/x 以上、よろしくお願いいたします。
51. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. 付録: DevOps & MLOpsを実現するロールマップ 51 Plan Code Build Test Business Understanding Release Deploy Operate Monitor Code Repository Artifact Software 1.0 Service Verification Raw Data Data Warehouse Collect Analyze Prepare Data Repository Preprocess Features Model Test Release Verification Software 2.0 Deploy Operate Monitor Train Service Raw Data ML Engineer 機械学習モデルを本番環境に デプロイ可能な形式に変換す る。 Model risk Manager Software2.0 のサービスの 挙動を監視す る。 MLOps Engineer 機械学習モデルの開発・運用プロセスを自動化する。 AI/ML Architect Software2.0に必要なアーキテクチャ全体を設計する。 Data architect データを管理する基盤を設計する。 IT Auditor システム全体の権限管理や監査を行う。 ソフトウェアの開発を行う。 Software Engineer Product Manager 実装すべきソフトウェ ア機能を定義する。 Software1.0 に必要なソフトウェアアーキテクチャ全体を設計する。 Architect DevOps Engineer ソフトウェアの開発・運用プロセスを自動化する。 Operator サービスを 利用し業務 を行う。 System Admin Software1.0 のサービスの 挙動を監視す る。 Business Analyst 解決すべき ビジネス上 の問題を定 義する。 Data Analyst データの可 視化と分析 で問題を定 量的に特定 する。 ML Operator 推論結果に 基づき業務 を行いつつ、 推論結果に フィード バックを与 える。 ロールの名称は MLLensを参照 Domain Expert あるべき挙 動をデータ を用いて定 義する。 評価尺度を 定義する。 Data Engineer 機械学習モデ ルに入力可能 なデータと特 徴を作成する。 Data Scientist 機械学習モデ ルを構築する
52. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. 付録: フェーズ別ロールマップ 52 Learning Experimenting Deploying Scaling Prototyping 機械学習の 活用フェーズ MOOCなどでAI/ML について学ぶ。 小規模なチームで分析・ モデル構築・評価までの 一連の工程を実施 自社のデータと環境 で機械学習による課 題解決を検証する。 機械学習のワークロー ドを本番環境で稼働さ せる。 フェーズ内の アクティビティ 運用監視を含めた機 械学習ワークロード を開発する。 機械学習のワークロー ドの規模や適用範囲を 拡大する。 Building MLチーム内で 任命 Business Analyst Data Scientist Data Analyst MLOps Engineer Data architect Domain Expert AI/ML Architect ML Engineer ML Operator Model risk Manager システム管理 サイドで任命 Data Engineer Product Managerが任命 Architectが任命
53. © 2022, Amazon Web Services, Inc. or its Affiliates. All rights reserved. Business Understanding 付録: DevOps & MLOpsフロー 53 Plan Code Build Test Release Deploy Operate Monitor Code Repository Artifact Software 1.0 Service Verification Raw Data Data Warehouse Collect Analyze Prepare Data Repository Preprocess Features Model Test Release Verification Software 2.0 Deploy Operate Monitor Train Service Raw Data DevOps MLOps