受託分析屋がKubeflow を使って思うこと 2018/9/26 Kubeflow Meetup #1 (Cloud Native Meetup Tokyo #5) Taketoshi Kazusa @tkazusa 

自己紹介 • 上総 虎智 Taketoshi Kazusa • Github: tkazusa / Twitter: @tkazusa • BrainPad Inc. 分析官 • 最近のおもちゃ Kubeflow 0.1 

自己紹介 • 上総 虎智 Taketoshi Kazusa • Github: tkazusa / Twitter: @tkazusa • BrainPad Inc. 分析官 • 最近のおもちゃ 

今日のお題 KubeCon CloudNativeCon Europe 2018 

今日のお題 

今日のお題 

Continuous integration & deployment of models • Every night my model is automatically retrained on my latest logs • If the new model is better it is automatically pushed into production 

MLシステム継続的デプロイこんな感じ? アプリケーション エンジニア データサイエンティスト MLエンジニア Experiment Jobs (Training) ML Service Services App image ML Training image ユーザー ・data ・model ・config Storage k8a k8a Container Repository 

MLシステム継続的デプロイこんな感じ? Experiment Jobs (Training) ML Service Services App image ML Training image ・data ・model ・config Storage k8a k8a Container Repository アプリケーション エンジニア データサイエンティスト MLエンジニア ユーザー 

MLシステム継続的デプロイこんな感じ? Experiment Jobs (Training) ML Service Services App image ML Training image ・data ・model ・config Storage k8a k8a Container Repository アプリケーション エンジニア データサイエンティスト MLエンジニア ユーザー 

なんか良さげ けど、これで全部いける？ 

Serving自動でいいんでしたっけ？ Experiment Jobs (Training) ML Service Services App image ML Training image ・data ・model ・config Storage k8a k8a Container Repository アプリケーション エンジニア データサイエンティスト MLエンジニア ユーザー 

ワンクッション挟みたくなる Experiment Jobs (Training) ML Service Services App image ML Training image ・data Storage k8a k8a ・メトリクスひとつじゃない ・セグメントごとの指標 ・機械学習の公平性 ・学習(実験)時の試行錯誤の 結果を一覧で見たい ・model ・config Serving model ・model ・config ・model ・config Container Repository アプリケーション エンジニア データサイエンティスト MLエンジニア ユーザー 

ワンクッション挟みたくなる アプリケーション エンジニア データサイエンティスト MLエンジニア Experiment Jobs (Training) ML Service Services App image ML Training image ユーザー ・data Storage k8a k8a ・メトリクスひとつじゃない ・セグメントごとの指標 ・機械学習の公平性 ・Train時の試行錯誤の結果を 一覧で見たい ・model ・config Serving model ・model ・config ・model ・config Experiment Management 

ワンクッション挟みたくなる アプリケーション エンジニア データサイエンティスト MLエンジニア Experiment Jobs (Training) ML Service Services App image ML Training image ユーザー ・data Storage k8a k8a ・メトリクスひとつじゃない ・セグメントごとの指標 ・機械学習の公平性 ・Train時の試行錯誤の結果を 一覧で見たい ・model ・config Serving model ・model ・config ・model ・config IntegrateされるTFMA 一瞬、話題になったCometML 話題にすらならいmlflow 

TensorFlow Model Analysis (TFMA) • モデルをデプロイする場合に必要な評価を探索的にも行える • ああ 

Experiment management tools • いつ、だれが、どのスクリプト、どんなハイパラで学習させて、ど んな評価になったのか？が一覧性を持って管理したい • なんなら、必要に応じて検索できて欲しい 

Experiment management tools • いつ、だれが、どのスクリプト、どんなハイパラで学習させて、ど んな評価になったのか？が一覧性を持って管理できる • 必要に応じて検索ができる 

Experiment management tools • いつ、だれが、どのスクリプト、どんなハイパラで学習させて、ど んな評価になったのか？が一覧性を持って管理できる • 必要に応じて検索ができる Katibでいける？ 大嶋さんに聞き たくなった。 

Experiment management tools • いつ、だれが、どのスクリプト、どんなハイパラで学習させて、ど んな評価になったのか？が一覧性を持って管理できる • 必要に応じて検索ができる デ、データ。。。 

Experiment management tools • いつ、だれが、どのスクリプト、どんなハイパラで学習させて、ど んな評価になったのか？が一覧性を持って管理できる • 必要に応じて検索ができる 

欲しくない？ 僕は欲しい。 

人間挟んでServingで終わり？ アプリケーション エンジニア データサイエンティスト MLエンジニア Experiment Jobs (Training) ML Service Services App image ML Training image ユーザー ・data Storage k8a k8a ・model ・config Serving model ・model ・config ・model ・config Container Repository 

Serveし終わったモデルってどうしてる？ アプリケーション エンジニア データサイエンティスト MLエンジニア Experiment Jobs (Training) ML Service Services App image ML Training image ユーザー ・data Storage k8a k8a ・model ・config Serving model ・model ・config ・model ・config Serving model Serving model Serving model ・モデルの挙動に対する説明責任 ・機械学習の公平性 ・再現性の担保 ・過去のモデル/データ/コ ンフィグの版管理 Container Repository 

過去に作ってServeしたモデルってどうしてる？ アプリケーション エンジニア データサイエンティスト MLエンジニア Experiment Jobs (Training) ML Service Services App image ML Training image ユーザー ・data Storage k8a k8a ・model ・config Serving model ・model ・config ・model ・config Serving model Serving model Serving model ・モデルの挙動に対する説明責任 ・機械学習の公平性 ・再現性の担保 ・過去のモデル/データ/コ ンフィグの版管理 Model Management 

過去に作ってServeしたモデルってどうしてる？ アプリケーション エンジニア データサイエンティスト MLエンジニア Experiment Jobs (Training) ML Service Services App image ML Training image ユーザー ・data Storage k8a k8a ・model ・config Serving model ・model ・config ・model ・config Serving model Serving model Serving model ・モデルの挙動に対する説明責任 ・機械学習の公平性 ・再現性の担保 ・過去のモデル/データ/コ ンフィグの版管理 まだない？ 

試行錯誤中。 

まとめ • “Continuous integration & deployment of models“をシンプルに実 装できるならまじ良さげ • けど、毎日再学習＆良ければPushが最適解じゃ無い場合もある • Experiment ManagementやModel Management、Model Analysis に期待しているけど、まだもうちょっと先になるのかな • もしくは他のツールとの組み合わせ？試行錯誤中 

ありがとうございました http://www.brainpad.co.jp/recruit/ 株式会社ブレインパッドの採用情報見て下さい 

参考情報 • https://schd.ws/hosted_files/kccnceu18/d4/Kubeflow_Deep_Dive.pdf • https://medium.com/tensorflow/introducing-tensorflow-model- analysis-scaleable-sliced-and-full-pass-metrics-5cde7baf0b7b • https://www.mlflow.org/docs/latest/tracking.html#tracking-ui