CyberAgent AI事業本部2024年度MLOps研修基礎編 / MLOps Basic

by Satsuki Nagae

Slide 1

Slide 1 text

Slide 2

Slide 2 text

Slide 3

Slide 3 text

Slide 4

Slide 4 text

Slide 5

Slide 5 text

Slide 6

Slide 6 text

Slide 7

Slide 7 text

Slide 8

Slide 8 text

Slide 9

Slide 9 text

Slide 10

Slide 10 text

Slide 11

Slide 11 text

Slide 12

Slide 12 text

Slide 13

Slide 13 text

©2024 CyberAgent Inc. Distribution prohibited DevOpsとは 13 DEV OPS 開発(Development)と運用(Operations) を合わせたソフトウェア開発手法以下の手法を組み合わせる・CI/CD ・マイクロサービス・IaC ・モニタリングとロギング・コミュニケーションとコラボレーション参考: DevOps （デブオプス）とは? - DevOps と AWS | AWS

Slide 14

Slide 14 text

Slide 15

Slide 15 text

©2024 CyberAgent Inc. Distribution prohibited AlexNet: ディープラーニングの火付け役 15 ・8層CNN(Convolutional Nerural Network)のImageNetの画像分類モデル・画像認識コンペILSVRCで性能を大きく向上させた・2000年代からのAIブームの火付け役と呼ばれることが多い参考: ImageNet Classiﬁcation with Deep Convolutional Neural Networks

Slide 16

Slide 16 text

Slide 17

Slide 17 text

Slide 18

Slide 18 text

Slide 19

Slide 19 text

Slide 20

Slide 20 text

©2024 CyberAgent Inc. Distribution prohibited MLOpsという言葉が登場 20 ・What is ML Ops? Best Practices for DevOps for ML (Cloud Next '18) でMLOpsという言葉が初めて使われる・MLのためのDevOpsと表現される引用: What is ML Ops? Best Practices for DevOps for ML (Cloud Next '18)のYouTube動画サムネイル

Slide 21

Slide 21 text

Slide 22

Slide 22 text

Slide 23

Slide 23 text

Slide 24

Slide 24 text

Slide 25

Slide 25 text

©2024 CyberAgent Inc. Distribution prohibited 引用: 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 3大クラウドベンダーのMLOpsの説明 25 MLOpsはMLシステム開発(Dev)とMLシステムオペレーション(Ops) の統合を目的とするMLエンジニアリングの文化と手法です。 Google Microsoft MLOpsはワークフローの効率を高める DevOpsの原則と実践に基づいています。引用: MLOps:Azure Machine Learning を使用したモデル管理、デプロイ、および監視 Amazon MLOpsはMLアプリケーション開発(Dev)とMLシステムのデプロイおよび運用(Ops)を統合するMLカルチャーとプラクティスです。引用: MLOps とは何ですか? - 機械学習オペレーションの説明 -AWS

Slide 26

Slide 26 text

©2024 CyberAgent Inc. Distribution prohibited MLOpsの定義 26 ・MLOpsとは何？のリサーチクエスチョンに答えた論文機械学習・ソフトウェアエンジニアリング(特にDevOps)・データエンジニアリングの3つの分野を活用するエンジニアリングプラクティス参考: Machine Learning Operations (MLOps): Overview, Deﬁnition, and Architecture

Slide 27

Slide 27 text

Slide 28

Slide 28 text

Slide 29

Slide 29 text

Slide 30

Slide 30 text

Slide 31

Slide 31 text

Slide 32

Slide 32 text

Slide 33

Slide 33 text

©2024 CyberAgent Inc. Distribution prohibited MLOpsの要素 33 Figure 4. End-to-end MLOps architecture and workﬂow with functional components and roles MLOpsを体系的に調査した論文 Machine Learning Operations (MLOps): Overview, Deﬁnition, and Architecture

Slide 34

Slide 34 text

Slide 35

Slide 35 text

Slide 36

Slide 36 text

©2024 CyberAgent Inc. Distribution prohibited MLの研究で起こりうる悲劇 36 大学院生降下法 ※ ※ 大学院生がモデルが動作するまでハイパーパラメータをいじくり回す手法参考: How do people come up with all these crazy deep learning architectures? 先人が残したコードモデル改善コードは秘伝のタレ化

Slide 37

Slide 37 text

Slide 38

Slide 38 text

Slide 39

Slide 39 text

Slide 40

Slide 40 text

Slide 41

Slide 41 text

Slide 42

Slide 42 text

Slide 43

Slide 43 text

Slide 44

Slide 44 text

Slide 45

Slide 45 text

Slide 46

Slide 46 text

Slide 47

Slide 47 text

Slide 48

Slide 48 text

Slide 49

Slide 49 text

Slide 50

Slide 50 text

Slide 51

Slide 51 text

Slide 52

Slide 52 text

Slide 53

Slide 53 text

Slide 54

Slide 54 text

Slide 55

Slide 55 text

Slide 56

Slide 56 text

Slide 57

Slide 57 text

Slide 58

Slide 58 text

Slide 59

Slide 59 text

Slide 60

Slide 60 text

Slide 61

Slide 61 text

Slide 62

Slide 62 text

Slide 63

Slide 63 text

Slide 64

Slide 64 text

Slide 65

Slide 65 text

Slide 66

Slide 66 text

Slide 67

Slide 67 text

©2024 CyberAgent Inc. Distribution prohibited データ鮮度の価値 67 Meta社(旧 Facebook)がCTR予測モデルの学習を 7日→1日に変更後、モデルの損失を1%削減できた※ ※ Practical Lessons from Predicting Clicks on Ads at Facebook ユーザー嗜好の移り変わりが早いインターネット広告ではデータ鮮度が価値を生む可能性がある

Slide 68

Slide 68 text

Slide 69

Slide 69 text

Slide 70

Slide 70 text

Slide 71

Slide 71 text

©2024 CyberAgent Inc. Distribution prohibited MLシステム特有の監視指標 71 大分類小分類項目データデータ品質データの欠損・型チェックデータドリフト連続・カテゴリ特徴のデータ距離指標外れ値監視大きなデータドリフト検知モデルモデルドリフト過去と現在の予測値のデータ分布距離モデル設定学習時のメタデータ予測モデル評価指標本番環境の予測値に対する評価指標予測ドリフト予測値の分布変化引用: A Comprehensive Guide on How to Monitor Your Models in Production

Slide 72

Slide 72 text

Slide 73

Slide 73 text

Slide 74

Slide 74 text

Slide 75

Slide 75 text

Slide 76

Slide 76 text

Slide 77

Slide 77 text

Slide 78

Slide 78 text

Slide 79

Slide 79 text

©2024 CyberAgent Inc. Distribution prohibited 3大クラウドベンダーのMLOps成熟度モデル 79 Amazon Google Microsoft 初期フェーズ Level 0 手動プロセス Level 0 MLOps なし反復可能フェーズ Level 1 MLパイプライン自動化 Level 1 DevOps はあるが MLOps なし信頼可能フェーズ Level 2 CI/CDパイプライン自動化 Level 2 学習自動化スケーラブルフェーズ Level 3 モデルデプロイ自動化 Level 4 フルMLOps自動化参考: 3大クラウド各社の MLOps 成熟度モデルの比較

Slide 80

Slide 80 text

Slide 81

Slide 81 text

Slide 82

Slide 82 text

©2024 CyberAgent Inc. Distribution prohibited レベル 1: MLパイプラインの自動化 82 引用: 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,MLOps レベル 1: ML パイプラインの自動化・統合テスト・継続的学習・開発と本番環境の実装同質化・コードのコンポーネント化・データとモデルの評価・Feature Store ・Model Store

Slide 83

Slide 83 text

Slide 84

Slide 84 text

©2024 CyberAgent Inc. Distribution prohibited MLOpsの定量化 84 引用: Figure 1. ML Systems Require Extensive Testing and Monitoring. The ML Test Score: A Rubric for ML Production Readiness and Technical Debt Reduction 既存のソフトウェアシステムになかった MLシステムがテスト・監視する項目を取り上げた論文

Slide 85

Slide 85 text

©2024 CyberAgent Inc. Distribution prohibited ML Test Score 85 引用: Figure 4. Average scores for interviewed teams. MLシステムを4つの観点でスコア化 7問×4軸の28問・特徴量 (0~7点) ・モデル (0~7点) ・インフラ (0~7点) ・モニタリング (0~7点) ・結果をドキュメント化し、テストを手動実行してる: 0.5ポイント・テストを自動的に繰り返し実行できるシステムがある: 1.0ポイント・4軸の各合計(0~7点)の最小値が ML Test Score

Slide 86

Slide 86 text

©2024 CyberAgent Inc. Distribution prohibited ML Test Score 86 ポイント解釈 0 プロダクションシステムというよりは研究プロジェクト (0, 1] 総合的にテストはされていないが，可能な限り信頼性向上に努めている (1, 2] 基礎的なプロジェクトの要求事項は通過した．しかし，信頼性向上のためのさらなる投資が必要とされる (2, 3] 適切なテストがされている，だが更に自動化の余地が残っている (3, 5] 信頼性の高い自動化されたテストとモニタリングレベル．ミッションクリティカルな状況でも問題はない > 5 卓越したレベルの機械学習システム引用: [抄訳] What’s your ML test score? A rubric for ML production systems