Slide 1

Slide 1 text

今さら聞けないシリーズ 機械学習とMLOpsとは 弥生 隆明 ソリューションアーキテクト データブリックス・ジャパン

Slide 2

Slide 2 text

アジェンダ ● 機械学習とは ● MLOpsとは ● Databricksで実現する機械学習・MLOps

Slide 3

Slide 3 text

アジェンダ ● 機械学習とは ● MLOpsとは ● Databricksで実現する機械学習・MLOps

Slide 4

Slide 4 text

機械学習とは 機械学習がどう言うものかを説明する前に、機械学習が活用されるデータサイエンスのプロセスを説明します。 質問 仮説 実験 分析 結果の 分析・解釈 結果の 提供・ コミュニケー ション

Slide 5

Slide 5 text

機械学習とは データサイエンスは、さまざまなデータから知見を抽出するために 3つのスキルが求められます。 ドメイン知識 コンピューターサ イエンス 応用統計学 データ サイエンス

Slide 6

Slide 6 text

機械学習とは 以下のようにデータサイエンスを定義できます。 データサイエンスは、特定ドメインにおいて 知見を抽出し、適用するための科学的なプロセスで データを活用することを目的とした、ドメイン知識、応用統計学、コン ピューターサイエンス、そして、機械学習から 構成される複数の学問分野にまたがる領域です。

Slide 7

Slide 7 text

機械学習とは データサイエンスプロジェクトを成功に導くには、いくつか注意する点があります。 質問 仮説 実験 分析 結果の 分析・解釈 結果の 提供・ コミュニケー ション 実世界の問題のフレーミング 計測可能な実世界の目標 制約、ベースライン ソリューション全体の継続的計測

Slide 8

Slide 8 text

機械学習とは 機械学習はデータサイエンスで用いられる、応用統計学とコンピューターサイエンスを組み合わせた技術です。 コンピューターサ イエンス 応用統計学 機械学習

Slide 9

Slide 9 text

機械学習とは 機械学習はデータサイエンスで用いられる、応用統計学とコンピューターサイエンスを組み合わせた技術です。 機械学習(Machine Learning) タスクを実行するために、コンピュータに対して明示的に プログラムを行うのではなく、機械学習においては コンピュータがタスクの実行方法を学習します。

Slide 10

Slide 10 text

機械学習とは 機械学習の詳細に行く前に、「機械学習ではない」明示的なプログラミングの例を見ておきましょう。 今日は雨が降るでしょうか? コンピューターにプログラミングします... If If Then これは機械学習ではありません

Slide 11

Slide 11 text

機械学習とは 明示的にタスクをプログラムすることなし に、コンピューターはタスクの実施方法を学習します。 P( )

Slide 12

Slide 12 text

機械学習とは 機械学習アルゴリズムはデータから学習を行います。 日付 湿度 雲量 雨 2020-08-27 65% 82% Yes 2020-08-28 62% 55% Yes 2020-08-29 30% 12% No 2020-08-30 95% 100% Yes 2020-08-31 82% 40% Yes 2020-09-01 40% 15% No 2020-09-02 21% 9% No

Slide 13

Slide 13 text

機械学習とは 機械学習の利点とは何でしょうか? ❏ より精度の高い予測 ❏ 大量のデータ(行数)への対応 ❏ 大量の特徴量(列数)への対応 ❏ 人の負荷の削減

Slide 14

Slide 14 text

機械学習とは 機械学習のワークフローを説明します。 データ探索 データ クレンジング 特徴量エンジ ニアリング モデル開発 モデル評価 モデルデプロ イメント

Slide 15

Slide 15 text

機械学習とは 機械学習ワークフローとデータサイエンスのプロセスの関係は以下のようになります。 データ探索 データ クレンジング 特徴量エンジ ニアリング モデル開発 モデル評価 モデルデプロ イメント 質問 仮説 実験 分析 結果の 分析・解釈 結果の 提供・ コミュニケー ション

Slide 16

Slide 16 text

機械学習とは 明示的にタスクをプログラムすることなし に、コンピューターはタスクの実施方法を学習します。 P( )

Slide 17

Slide 17 text

機械学習とは 機械学習にはいくつかのタイプが存在します。前述の例は「教師あり学習」です。 日付 湿度 雲量 雨 2020-08-27 65% 82% Yes 2020-08-28 62% 55% Yes 2020-08-29 30% 12% No 教師あり学習では、アルゴリズムは入出力のサンプルに基づき、 入力・出力をマッピングする関数を学習します

Slide 18

Slide 18 text

機械学習とは 教師あり学習の例には以下のようなものがあります。 ❏ どのくらいの雨量になるのか? ❏ いつ在庫切れが起きるのか? ❏ 患者に対してこの治療法は有効か? ❏ 立候補者は何票獲得するのか?

Slide 19

Slide 19 text

機械学習とは 教師あり学習で使用した教師データ (ラベル)が存在しない場合でも、「教師なし学習」を活用できる場合があります。 教師なし学習では、アルゴリズムは既存のラベルなしに 入力データ間の関係性を理解しようとします 日付 湿度 雲量 雨 2020-08-27 65% 82% Yes 2020-08-28 62% 55% Yes 2020-08-29 30% 12% No

Slide 20

Slide 20 text

機械学習とは 教師なし学習の例には以下のようなものがあります。 ❏ 購買行動に基づいて顧客をグルーピングできるか? ❏ 症状に基づいて患者をグルーピングできるか? ❏ 他のトランザクションと異なる不正行為と思われる トランザクションを特定することができるか?

Slide 21

Slide 21 text

機械学習とは 雨の予測にもいくつかのパターンが存在します。以下のいずれも教師あり学習で解く問題です。 P( ) 降水確率 雨量

Slide 22

Slide 22 text

機械学習とは 「雨かそうでないか」を予測する場合、 2つのクラスのどちらかを予測する「分類 (Classification)」問題となります。 P( ) 降水確率 日付 雨 2020-08-27 Yes 2020-08-28 Yes 2020-08-29 No 分類は教師あり学習のサブセットであり、モデルは事前定義済みのクラ スの中からどのクラスであるのかを予測しようとします

Slide 23

Slide 23 text

機械学習とは 分類の例には以下のようなものがあります。 ❏ 誰が選挙に勝つかを予測できるか? ❏ どのチームがサッカーの試合に勝つかを予測できるか? ❏ 画像の中にあるのがどの果物であるかを予測できるか?

Slide 24

Slide 24 text

機械学習とは 「どのくらいの量の雨が降るのか」を予測する場合、ラベルの値を予測する「回帰 (Regression)」問題となります。 日付 雨 2020-08-27 10 mm 2020-08-28 15 mm 2020-08-29 0 mm 回帰は教師あり学習のサブセットであり、モデルは 連続的なラベルの値に基づき定量的な値を予測しようとします 雨量

Slide 25

Slide 25 text

機械学習とは 回帰の例には以下のようなものがあります。 ❏ 候補者が何票獲得するのかを予測できるか? ❏ 試合でサッカーチームが何点獲得するのかを予測できるか?

Slide 26

Slide 26 text

機械学習とは 「教師なし学習」はラベルが存在しない場合でも、データ間の関係性の理解に活用することができます。 教師なし学習では、アルゴリズムは既存のラベルなしに 入力データ間の関係性を理解しようとします 日付 湿度 雲量 雨 2020-08-27 65% 82% Yes 2020-08-28 62% 55% Yes 2020-08-29 30% 12% No

Slide 27

Slide 27 text

機械学習とは 教師なし学習の一例として「クラスタリング」があります。 日付 湿度 雲量 雨 2020-08-27 65% 82% Yes 2020-08-28 62% 55% Yes 2020-08-29 30% 12% No 2020-08-30 95% 100% Yes 2020-08-31 82% 40% Yes 2020-09-01 40% 15% No 2020-09-02 21% 9% No クラスター1 クラスター2 クラスター3 ● 類似するレコードには類似する特徴量が含まれます。 ● 事前にクラスター数を決めておく必要があります。

Slide 28

Slide 28 text

アジェンダ ● 機械学習とは ● MLOpsとは ● Databricksで実現する機械学習・MLOps

Slide 29

Slide 29 text

MLOpsとは 前章では機械学習とは何か、どのようなモデルを構築するのかを説明しました。しかし、これで終わりではありません! データ探索 データ クレンジング 特徴量エンジ ニアリング モデル開発 モデル評価 モデルデプロ イメント 質問 仮説 実験 分析 結果の 分析・解釈 結果の 提供・ コミュニケー ション 機械学習モデルを活用してビジネス価値を創出し続けるためには、モデ ルを運用し続ける必要があります

Slide 30

Slide 30 text

ML コード 設定 データ収集 データ 検証 特徴量 エンジニアリング 計算リソース管 理 分析ツール プロセス管理ツール インフラ ストラクチャの 提供 モニタリング “Hidden Technical Debt in Machine Learning Systems,” Google NIPS 2015 図1: 上の図に示すように、MLコードは実世界におけるMLシステムのほんの一部です。必要となる周辺 のインフラストラクチャは広大かつ複雑なものとなります。 MLにおいて最も難しいのはMLではなくデータです

Slide 31

Slide 31 text

“これはとても複雑なことになっているぞ” のデータサイエンスプロジェク トは本格運用の前に中断され ています。 のAIプロジェクトは決して 本格配備に到達しませ ん。 のMLプロジェクトは本 格配備の前のどこかで 頓挫しています。 その通りです。そう感じているのはあなただけではありません。 87% 80% 78%

Slide 32

Slide 32 text

データエンジニア x データサイエンティスト MLOpsとは データ、MLに必要な技術、チームはサイロ化されています。

Slide 33

Slide 33 text

● 場当たり的な実験追跡 アプローチ ● 実験の再現性確保が困難 データ準備 ● 複数の複雑なデプロイメントオプ ション ● フレームワークごとに異なるモニ タリングアプローチ モデル構築 モデルのデプロイ ● データとMLの連携不足 ● モデルで使用されるデータ の追跡が困難 MLOpsとは MLのライフサイクルは手動であり、一貫性がなく分断されています。

Slide 34

Slide 34 text

標準化が 必要です

Slide 35

Slide 35 text

MLOpsとは MLOpsとは機械学習モデルライフサイクル全般を円滑にするために必要な体制・基盤・手法全般を意味します。 MLOps(Machine Learning Operations)とは、 データサイエンスチーム、運用チームなど、機械学習モデルの 構築・運用に関わるチームが協調し、円滑に機械学習モデルを運用して いくための体制・基盤を構築すること、 その概念全般を意味します。

Slide 36

Slide 36 text

MLOpsは恒常的なモデル運用には不可欠です データアクセス 探索的データ分析 特徴量 エンジニアリング モデル チューニング モデル トレーニング 実験 トラッキング モデル管理 CI / CD モデル サービング モデル監視 維持 & ガバナンス

Slide 37

Slide 37 text

なぜMLOpsは それほど難しいの でしょうか? The story of enterprise Machine Learning: “It took me 3 weeks to develop the model. It’s been >11 months, and it’s still not deployed.” @DineshNirmallBM #StrataData #strataconf 10:19 AM - Mar 7, 2018 • TweetDeck 企業における機械学習の物語: モデル構築に3週間かかったけど、 11ヶ月以上経ってもデプロイされてい ません。

Slide 38

Slide 38 text

孤立したデータチーム 主流のソフトウェアエンジニアリング オペレーションとの統合の欠如 The story of enterprise Machine Learning: “It took me 3 weeks to develop the model. It’s been >11 months, and it’s still not deployed.” @DineshNirmallBM #StrataData #strataconf 10:19 AM - Mar 7, 2018 • TweetDeck 混沌としたツールチェイン 環境に散在する異なる目的に特化したML ツール 実世界で求められる パフォーマンスの欠如 時間経過に伴うモデルドリフト、 貧弱な観察可能性、説明可能性 企業における機械学習の物語: モデル構築に3週間かかったけど、 11ヶ月以上経ってもデプロイされてい ません。 なぜMLOpsは それほど難しいの でしょうか?

Slide 39

Slide 39 text

データサイエンスと機械学習はチームスポーツです。 しかし、3つの問題が障害となっています。 データアクセス 探索的データ分析 特徴量 エンジニアリング モデル チューニング モデル トレーニング 実験 トラッキング モデル管理 CI / CD モデル サービング モデル監視 維持 & ガバナンス ML / DevOps エンジニア データ エンジニア データ/ML サイエンティスト

Slide 40

Slide 40 text

データサイエンスと機械学習はチームスポーツです。 しかし、3つの問題が障害となっています。 データアクセス 探索的データ分析 特徴量 エンジニアリング モデル チューニング モデル トレーニング 実験 トラッキング モデル管理 CI / CD モデル サービング モデル監視 維持 & ガバナンス ML / DevOps エンジニア データ エンジニア データ/ML サイエンティスト データサイエンスで最もハードなのはデータです 実験は複雑なものです MLの本格運用は困難です

Slide 41

Slide 41 text

MLOpsとは MLOpsにおいては共通的な課題が存在しています。 ▪ サイロ化 ▪ MLプロセスのそれぞれが異なる部門に依存しています。 ▪ 再現性の確保 ▪ MLの実験を再現可能、監査可能にするのが困難です。 ▪ MLの結果は常に使用されたデータのバージョンに依存します。 既存MLモデルのメンテナンスは面倒で時間を浪費するものです!

Slide 42

Slide 42 text

MLOpsとは MLOpsでは以下のゴールを達成する必要があります。 ● チームスポーツです!DE、DS、Opsメンバーが協働する必要があります。 ● エンドツーエンドのMLライフサイクルの自動化 ● 再現性のあるMLパイプラインの構築 ○ コードのバージョン管理 (モデル、データ処理) - Azure DevOps, Github, ... ○ 設定のバージョン管理 (モデル、デプロイ) - Terraform, ... ○ データのバージョン管理 - Delta, ... ● モデルトレーニング、デプロイのための再利用可能なソフトウェア環境 ● モデルの追跡、パッケージ、デプロイ ● エンドツーエンドのMLライフサイクルのデータガバナンス ● 運用、ML関連の課題に対するMLアプリケーションのモニタリング ● MLライフサイクルにおけるイベントの通知、アラート

Slide 43

Slide 43 text

MLOpsとは MLOpsでは以下のゴールを達成する必要があります。 ● データとモデルのテスト・検証を追加することで、継続的インテグレーション (CI) はコードのテスト・検証を拡張します。 ● 継続的デリバリー (CD) は、新たなMLモデル予測サービスを自動でデプロイ するMLトレーニングパイプラインのデリバリーに関するものです ● 継続的トレーニング (CT) は、再デプロイのためにMLモデルを自動で再トレー ニングを行います。 ● 継続的モニタリング (CM) は、ビジネスメトリクスに関係するプロダクションデー タ、モデルパフォーマンスのモニタリングに関するものです。

Slide 44

Slide 44 text

アジェンダ ● 機械学習とは ● MLOpsとは ● Databricksで実現する機械学習・MLOps

Slide 45

Slide 45 text

©2021 Databricks Inc. — All rights reserved MLライフサイクル全体をシンプルにする プラットフォームが存在すると したらどうでしょうか?

Slide 46

Slide 46 text

©2021 Databricks Inc. — All rights reserved ここでDatabricksの出番です

Slide 47

Slide 47 text

©2021 Databricks Inc. — All rights reserved Databricksは、データサイエンスの取り組みをシンプルにする お手伝いをします データアクセス 探索的データ分析 特徴量 エンジニアリング モデル チューニング モデル トレーニング 実験 トラッキング モデル管理 CI / CD モデル サービング モデル監視 維持 & ガバナンス ML / DevOps エンジニア データ エンジニア データ/ML サイエンティスト データサイエンスで最もハードなのはデータです 実験は複雑なものです MLの本格運用は困難です

Slide 48

Slide 48 text

©2021 Databricks Inc. — All rights reserved データチームをまとめあげるコラボレーティブワークスペースを 提供します Data Access Exploratory Data Analysis Feature Engineering Model Tuning Model Training Experiment Tracking Model Management CI / CD Model Serving Model Monitoring Maintenance & Governance < Data Engineers> < Data Scientists > < MLOps + DevOps > データ/ ML サイエンティスト ML / DevOps エンジニア The hardest part of data science is data 実験は複雑なものです MLの本格運用は困難です コラボレーティブデータ探索ワークスペース ビルトインのデータ準備機能 | ネイティブの可視化機能 | 最適化されたランタイム

Slide 49

Slide 49 text

©2021 Databricks Inc. — All rights reserved そして、MLライフサイクル全体をサポートする環境を 提供します Data Access Exploratory Data Analysis Feature Engineering Model Tuning Model Training Experiment Tracking Model Management CI / CD Model Serving Model Monitoring Maintenance & Governance < Data Engineers> < Data Scientists > < MLOps + DevOps > ML / DevOps エンジニア The hardest part of data science is data Experimentation is complex MLの本格運用は困難です コラボレーティブデータ探索ワークスペース ビルトインのデータ準備機能 | ネイティブの可視化機能 | 最適化されたランタイム 実験環境 特徴量ストア | 実験トラッキング | モデルレジストリ

Slide 50

Slide 50 text

©2021 Databricks Inc. — All rights reserved 大規模データサイエンス運用のためのツールも提供します Data Access Exploratory Data Analysis Feature Engineering Model Tuning Model Training Experiment Tracking Model Management CI / CD Model Serving Model Monitoring Maintenance & Governance < Data Engineers> < Data Scientists > < MLOps + DevOps > The hardest part of data science is data Experimentation is complex Productionizing ML is difficult コラボレーティブデータ探索ワークスペース ビルトインのデータ準備機能 | ネイティブの可視化機能 | 最適化されたランタイム 実験環境 特徴量ストア | 実験トラッキング | モデルレジストリ MLOps + DevOpsの本格運用 Git連携 | モデルサービング | モデル監視

Slide 51

Slide 51 text

©2021 Databricks Inc. — All rights reserved Databricks: 完全なデータサイエンス/MLプラットフォーム Exploratory Data Analysis Data Visualization Feature Selection Model Tuning Model Training Experiment Tracking Model Management CI / CD Model Serving Model Monitoring Maintenance & Governance < Data Scientists > < DevOps > コラボレーティブデータ探索ワークスペース ビルトインのデータ準備機能 | ネイティブの可視化機能 | 最適化されたランタイム 実験環境 特徴量ストア | 実験トラッキング | モデルレジストリ MLOps + DevOpsの本格運用 Git連携 | モデルサービング | モデル監視

Slide 52

Slide 52 text

©2021 Databricks Inc. — All rights reserved 中身を見ていきましょう

Slide 53

Slide 53 text

©2021 Databricks Inc. — All rights reserved Exploratory Data Analysis Data Visualization Feature Selection Model Tuning Model Training Experiment Tracking Model Management CI / CD Model Serving Model Monitoring Maintenance & Governance < Data Scientists > < DevOps > MLOps + DevOpsの本格運用 Git連携 | モデルサービング | モデル監視 実験環境 特徴量ストア | 実験トラッキング | モデルレジストリ コラボレーティブデータ探索ワークスペース ビルトインのデータ準備機能 | ネイティブの可視化機能 | 最適化されたランタイム Databricks: 完全なデータサイエンス/MLプラットフォーム

Slide 54

Slide 54 text

©2021 Databricks Inc. — All rights reserved 最適化された計算資源、環境 スケーラブルな計算資源を持つターンキーのランタイム Databricksランタイム データ分析、データサイエンス、データエンジニ アリング向けのベースランタイム 機械学習ランタイム プレインストールMLライブラリおよびGPUをサ ポートするML最適化ランタイム

Slide 55

Slide 55 text

©2021 Databricks Inc. — All rights reserved クラウドネイティブのコラボレーション 大規模コラボレーティブデータ分析、データサイエンス 多言語対応ノートブック Python、R、Scala、SQL対応の共同編集可能 なノートブック ビルトインの可視化、ダッシュボード 12以上の可視化タイプをネイティブサポート、イ ンタラクティブなダッシュボードを作成可能

Slide 56

Slide 56 text

©2021 Databricks Inc. — All rights reserved クラウドネイティブのコラボレーション 大規模コラボレーティブデータ分析、データサイエンス 多言語対応ノートブック Python、R、Scala、SQL対応の共同編集可能 なノートブック 実運用への対応 ライブラリ、環境定義を構成する任意のファイル タイプのサポート ビルトインの可視化、ダッシュボード 12以上の可視化タイプをネイティブサポート、イ ンタラクティブなダッシュボードを作成可能

Slide 57

Slide 57 text

©2021 Databricks Inc. — All rights reserved サードパーティのエディタのサポート お使いのIDEからセキュアかつスケーラブルな計算資源を利用可能 人気のエディタと連携 Jupyter、PyCharm、VSCodeなどと接続可能 RStudioのホスティング RStudioはネイティブでDatabricksでホスティ ングできます Databricks 管理の計算資源

Slide 58

Slide 58 text

©2021 Databricks Inc. — All rights reserved Exploratory Data Analysis Data Visualization Feature Selection Model Tuning Model Training Experiment Tracking Model Management CI / CD Model Serving Model Monitoring Maintenance & Governance < Data Scientists > < DevOps > MLOps + DevOpsの本格運用 Git連携 | モデルサービング | モデル監視 実験環境 特徴量ストア | 実験トラッキング | モデルレジストリ コラボレーティブデータ探索ワークスペース ビルトインのデータ準備機能 | ネイティブの可視化機能 | 最適化されたランタイム Databricks: 完全なデータサイエンス/MLプラットフォーム

Slide 59

Slide 59 text

©2021 Databricks Inc. — All rights reserved データネイティブMLのためのビルトイン特徴量ストア 特徴量の再利用、トレーニング、サービングでの活用 検索可能な資産としての特徴量 リネージュベースの検索を通じた特徴量の探索、 ACLによって管理された再利用の促進 トレーニングとサービングの一貫性 トレーニングで使用された特徴量と同じものが、低 レーテンシーのモデルサービングでも 使用されることを保証 モデルデプロイをスムーズに 特徴量の再利用とMLflowによるMLOpsの 自動化を通じてモデルのデプロイを加速

Slide 60

Slide 60 text

©2021 Databricks Inc. — All rights reserved 自動化されたトラッキングと再現性の確保 実験に関するあらゆる情報を自動で記録します コーディング不要のMLネイティブロギ ング Tensorflow、Pytorch、Scikit-Learn、MLlib などのトレーニングを自動で記録 ビルトインのデータバージョン ロギング Delta Lakeによるデータバージョンの自動記 録

Slide 61

Slide 61 text

©2021 Databricks Inc. — All rights reserved 自動化されたトラッキングと再現性の確保 実験に関するあらゆる情報を自動で記録します アウトオブボックスの再現性 コード、クラスター設定、ライブラリのバージョン も記録 コーディング不要のMLネイティブロギ ング Tensorflow、Pytorch、Scikit-Learn、MLlib などのトレーニングを自動で記録 ビルトインのデータバージョン ロギング Delta Lakeによるデータバージョンの自動記 録

Slide 62

Slide 62 text

©2021 Databricks Inc. — All rights reserved モデルライフサイクル管理 「MLモデルのGithub」によるバージョン、デプロイメントの管理 MLOpsネイティブの機能 ステージベースのACL、CI/CDのための webhook、通知、コメント、タグなど MLフレームワークに依存しない モデル管理

Slide 63

Slide 63 text

©2021 Databricks Inc. — All rights reserved Exploratory Data Analysis Data Visualization Feature Selection Model Tuning Model Training Experiment Tracking Model Management CI / CD Model Serving Model Monitoring Maintenance & Governance < Data Scientists > < DevOps > MLOps + DevOpsの本格運用 Git連携 | モデルサービング | モデル監視 実験環境 特徴量ストア | 実験トラッキング | モデルレジストリ コラボレーティブデータ探索ワークスペース ビルトインのデータ準備機能 | ネイティブの可視化機能 | 最適化されたランタイム Databricks: 完全なデータサイエンス/MLプラットフォーム

Slide 64

Slide 64 text

©2021 Databricks Inc. — All rights reserved ネイティブのGit連携 DatabricksでGit操作を行うことで迅速にコードをデプロイ UIベースのGit操作 UIベースのGit操作を通じてデータチームでベ ストプラクティスを活用 Gitワークフローの自動化 著名なCI/CDツールとの連携を通じてワーク ロードを自動化するAPI エンタープライズにおけるGit デプロイメント プライベートネットワークのエンタープライズGit のサポート

Slide 65

Slide 65 text

©2021 Databricks Inc. — All rights reserved マルチタスクジョブ 複数のジョブを連携させるシンプルな方法 DAGオーケストレーション タスクの依存関係を宣言し、高信頼でマルチタス クのジョブを実行/デバッグ ETLからMLまで ETLからMLトレーニング、バッチスコアリングまで あらゆるワークロードを統合

Slide 66

Slide 66 text

©2021 Databricks Inc. — All rights reserved モデルのデプロイメント あらゆる規模で柔軟にデプロイ

Slide 67

Slide 67 text

©2021 Databricks Inc. — All rights reserved モデルのデプロイメント あらゆる規模で柔軟にデプロイ バッチスコアリング モデルレジストリからワンクリックでモデルをデ プロイし、スケーラブルなクラスターによるバッ チスコアリングを辞し オンラインスコアリング オートスケーリングする低レーテンシーのREST エンドポイントにワンクリックでモデルをデプロ イ

Slide 68

Slide 68 text

No content