Databricks における『MLOps』

Slide 1

Slide 1 text

Slide 2

Slide 2 text

Slide 3

Slide 3 text

©2023 Databricks Inc. — All rights reserved Conﬁdential and Proprietary 3 アジェンダ ● イントロダクション ○ MLOpsとは何でなぜ注意が必要か？ ○ 人とプロセス ○ ガイドの原則 ○ development、staging、productionのセマンティクス ○ MLデプロイメントパターン ● 新機能 ○ Unity Catalog ○ モデルサービング ○ レイクハウスモニタリング ● 設計上の意思決定 ● リファレンスアーキテクチャ ● リソース

Slide 4

Slide 4 text

©2023 Databricks Inc. — All rights reserved Conﬁdential and Proprietary 4 DatabricksにおけるMLOps ● イントロダクション ○ MLOpsとは何でなぜ注意が必要か？ ○ 人とプロセス ○ ガイドの原則 ○ development、staging、productionのセマンティクス ○ MLデプロイメントパターン ● 新機能 ○ Unity Catalog ○ モデルサービング ○ レイクハウスモニタリング ● 設計上の意思決定 ● リファレンスアーキテクチャ ● リソース

Slide 5

Slide 5 text

Slide 6

Slide 6 text

Slide 7

Slide 7 text

Slide 8

Slide 8 text

©2023 Databricks Inc. — All rights reserved Conﬁdential and Proprietary なぜMLOpsに注意が必要なのか？ MLOpsはあなたのリスクの軽減に役立ちます 8 ● 技術的なリスク - 精度の低いモデル、壊れやすいインフラ ● コンプライアンスのリスク - 規制や企業ポリシーの違反 MLOpsは自動化を通じて長期的な効率性を改善します ● モデルのプロダクションへのデリバリーを整流化 ● プロダクションでエラーが発生する前に捕捉 ● 遅くて手動のプロセスを回避

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

Slide 14

Slide 14 text

©2023 Databricks Inc. — All rights reserved Conﬁdential and Proprietary 多くの場合、モデルとコードのライフサイクルは非同期的になります • 週次の不正検知モデル • モデルの更新。コードの変更なし。 • コンピュータビジョンモデル、大規模言語モデルのファインチューン • モデルの更新なし。コードの変更。モデル vs. コードのライフサイクル 15

Slide 15

Slide 15 text

Slide 16

Slide 16 text

Slide 17

Slide 17 text

Slide 18

Slide 18 text

©2023 Databricks Inc. — All rights reserved Conﬁdential and Proprietary 19 コードデプロイのプロセス dev staging prod トレーニングコードの開発補助的なコードの開発 → コードをプロモート ✔ データのサブセットでモデルトレーニングコードをテスト ✔ 補助的なコードのテスト → コードをプロモート ✔ プロダクションデータでモデルをトレーニング ✔ モデルをテスト → モデルをデプロイ → 補助的なコードをデプロイ

Slide 19

Slide 19 text

©2023 Databricks Inc. — All rights reserved Conﬁdential and Proprietary 21 DatabricksにおけるMLOps ● イントロダクション ○ MLOpsとは何でなぜ注意が必要か？ ○ 人とプロセス ○ ガイドの原則 ○ development、staging、productionのセマンティクス ○ MLデプロイメントパターン ● 新機能 ○ Unity Catalog ○ モデルサービング ○ レイクハウスモニタリング ● 設計上の意思決定 ● リファレンスアーキテクチャ ● リソース

Slide 20

Slide 20 text

©2023 Databricks Inc. — All rights reserved Conﬁdential and Proprietary 22 Unity Catalog データとAIアセットに対する単一のガバナンスソリューション: ○ 中央管理のアクセス制御 ○ 監査 ○ リネージ ○ 検索データとAIに対する統合ガバナンス MLOps - What’s new? ボリューム (生データ) Delta テーブル特徴量モデル推論テーブルメトリックテーブル

Slide 21

Slide 21 text

©2023 Databricks Inc. — All rights reserved Conﬁdential and Proprietary 23 Unity Catalog Unity Catalogでの特徴量エンジニアリングによって: ● 主キー(およびタイムスタンプキー)が割り当てられたUnity CatalogのすべてのDelta テーブルを、モデルのトレーニングとサービングのためのソースとして利用可能 ● 特徴量テーブルはワークスペース横断で容易に共有でき、レイクハウスの他のアセットとのリネージが記録される Unity Catalogでの特徴量エンジニアリング MLOps - What’s new? ボリューム (生データ) Delta テーブル特徴量モデル推論テーブルメトリックテーブル

Slide 22

Slide 22 text

©2023 Databricks Inc. — All rights reserved Conﬁdential and Proprietary 24 Unity Catalog Unity Catalogでのモデル管理によって ● Unity Catalogですべてのモデルライフサイクルを管理可能 ● Databricksワークスペース横断でモデルを共有可能 ● データとモデルの両方に対するリネージを追跡可能 Unity Catalogでのモデル管理 MLOps - What’s new? ボリューム (生データ) Delta テーブル特徴量モデル推論テーブルメトリックテーブル

Slide 23

Slide 23 text

©2023 Databricks Inc. — All rights reserved Conﬁdential and Proprietary 25 モデルサービングリアルタイムのMLモデルデプロイメント ● モデルサービングは、リアルタイムのMLモデルデプロイメントをシンプルにするためのプロダクションレディ、サーバレスのソリューションを提供します。 ● アプリケーションやウェブサイトとモデルの予測結果を連携するためのAPIとしてモデルをデプロイします。 ● モデルサービングは: ○ 運用コストを削減します。 ○ MLライフサイクルを円滑にします。 ○ データサイエンスチームは、プロダクションレベルのリアルタイムMLを自身のソリューションに組み込むためのコアタスクにフォーカスできます。 MLOps - What’s new?

Slide 24

Slide 24 text

©2023 Databricks Inc. — All rights reserved Conﬁdential and Proprietary 26 モデルサービング MLOpsのメリット MLOps - What’s new? デプロイメントを自動化しエラーを削減する自動特徴量/ベクトル検索モニタリング統合ガバナンスレイクハウスネイティブ CPUやGPUに任意のモデルをデプロイ。自動化されたコンテナ構築とインフラ管理はメンテナンスコストを削減し、デプロイメントをスピードアップシンプルなデプロイメント非常に低いレーテンシーで高可用性かつスケーラブルなサービング (オーバーヘッドレーテンシーのp50は <10ms)かつ、大ボリュームのクエリーに対応 (QPS >25k) サーバレス

Slide 25

Slide 25 text

Slide 26

Slide 26 text

©2023 Databricks Inc. — All rights reserved Conﬁdential and Proprietary 28 モデルサービング推論テーブルモデルのモニタリングとデバッグのための推論テーブル: ● それぞれのリクエストとレスポンスはUnity Catalogの推論テーブルに記録されます ○ お使いのモデルの次のイテレーションで再トレーニングのデータセットとして活用 ○ プロダクションのデータとモデルに対する品質モニタリングの作成 ○ 疑わしい推論の診断とデバッグの実行 ○ 再度ラベリングすべきラベルミスのあるデータセットの作成 MLOps - What’s new? ボリューム (生データ) Delta テーブル特徴量モデル推論テーブルメトリックテーブル

Slide 27

Slide 27 text

©2023 Databricks Inc. — All rights reserved Conﬁdential and Proprietary データとAIアセットの両方が高品質、正確、信頼できることを保証するためのデータ中心のモニタリングソリューション。 ● UCテーブルでデータをインクリメンタルに処理 ● UCテーブルに格納されるプロファイルメトリクスを計算 ● UCテーブルに格納されるドリフトメトリクスの計算 ● SQLエクスプレッションとしてのカスタムメトリクスをサポート ● メトリクスの時間変化を可視化する自動生成のDBSQLダッシュボードレイクハウスモニタリング MLOps - What’s new? レイクハウスネイティブ

Slide 28

Slide 28 text

©2023 Databricks Inc. — All rights reserved Conﬁdential and Proprietary 31 DatabricksにおけるMLOps ● イントロダクション ○ MLOpsとは何でなぜ注意が必要か？ ○ 人とプロセス ○ ガイドの原則 ○ development、staging、productionのセマンティクス ○ MLデプロイメントパターン ● 新機能 ○ Unity Catalog ○ モデルサービング ○ レイクハウスモニタリング ● 設計上の意思決定 ● リファレンスアーキテクチャ ● リソース

Slide 29

Slide 29 text

Slide 30

Slide 30 text

Slide 31

Slide 31 text

Slide 32

Slide 32 text

©2023 Databricks Inc. — All rights reserved Conﬁdential and Proprietary 35 Unity Catalog コンセプト MLOps design decisions カタログ: ● データとAIアセットのコンテナとして機能スキーマ: ● 関連するテーブル、ビュー、モデルをグルーピングするカタログ内の論理的構成体データテーブル: ● ..の形式で提供される3レベルの名前を用いて参照

Slide 33

Slide 33 text

©2023 Databricks Inc. — All rights reserved Conﬁdential and Proprietary 36 Unity Catalog コンセプト MLOps design decisions カタログ: ● データとAIアセットのコンテナとして機能スキーマ: ● 関連するテーブル、ビュー、モデルをグルーピングするカタログ内の論理的構成体データテーブル: ● ..の形式で提供される3レベルの名前を用いて参照ボリューム: ● クラウドオブジェクトストレージロケーションの論理的ボリューム。テーブル以外のデータセットにガバナンスを追加。

Slide 34

Slide 34 text

©2023 Databricks Inc. — All rights reserved Conﬁdential and Proprietary 37 Unity Catalog Concepts MLOps design decisions カタログ: ● データとAIアセットのコンテナとして機能スキーマ: ● 関連するテーブル、ビュー、モデルをグルーピングするカタログ内の論理的構成体データテーブル: ● ..の形式で提供される3レベルの名前を用いて参照ボリューム: ● クラウドオブジェクトストレージロケーションの論理的ボリューム。テーブル以外のデータセットにガバナンスを追加。関数: ● SQLとPythonのUDF

Slide 35

Slide 35 text

Slide 36

Slide 36 text

©2023 Databricks Inc. — All rights reserved Conﬁdential and Proprietary 39 Unity Catalog コンセプト MLOps design decisions 登録モデル: ● Unity Catalogに登録されたMLﬂow モデル。モデルバージョン: ● 登録モデルのバージョン。同じモデル名でモデルが登録されるとバージョン番号が増加。

Slide 37

Slide 37 text

©2023 Databricks Inc. — All rights reserved Conﬁdential and Proprietary 40 Unity Catalog Concepts MLOps design decisions 登録モデル: ● Unity Catalogに登録されたMLﬂow モデル。モデルバージョン: ● 登録モデルのバージョン。同じモデル名でモデルが登録されるとバージョン番号が増加。モデルのエイリアス: ● 登録モデルの特定のバージョンに対する変更可能な名前付きリファレンス。

Slide 38

Slide 38 text

©2023 Databricks Inc. — All rights reserved Conﬁdential and Proprietary 41 Unity Catalog 推奨の構成 - カタログレベル dev bronze silver gold fraud_detection > Tables: offline_location_features fraud_clf_inference fraud_clf_metrics > Volumes: > Models: fraud_clf > Functions: compute_distance staging bronze silver gold fraud_detection > Tables: fraud_clf_inference fraud_clf_metrics > Volumes: > Models: fraud_clf > Functions: compute_distance prod bronze silver gold fraud_detection > Tables: fraud_clf_inference fraud_clf_metrics > Volumes: > Models: fraud_clf > Functions: compute_distance MLOps design decisions

Slide 39

Slide 39 text

©2023 Databricks Inc. — All rights reserved Conﬁdential and Proprietary 42 Unity Catalog 推奨の構成 - スキーマレベル dev bronze silver gold fraud_detection > Tables: offline_location_features fraud_clf_inference fraud_clf_metrics > Volumes: > Models: fraud_clf > Functions: compute_distance staging bronze silver gold fraud_detection > Tables: fraud_clf_inference fraud_clf_metrics > Volumes: > Models: fraud_clf > Functions: compute_distance prod bronze silver gold fraud_detection > Tables: fraud_clf_inference fraud_clf_metrics > Volumes: > Models: fraud_clf > Functions: compute_distance MLOps design decisions

Slide 40

Slide 40 text

©2023 Databricks Inc. — All rights reserved Conﬁdential and Proprietary 43 Unity Catalog 推奨の構成 - スキーマレベル dev bronze silver gold fraud_detection > Tables: offline_location_features fraud_clf_inference fraud_clf_metrics > Volumes: > Models: fraud_clf > Functions: compute_distance staging bronze silver gold fraud_detection > Tables: fraud_clf_inference fraud_clf_metrics > Volumes: > Models: fraud_clf > Functions: compute_distance prod bronze silver gold fraud_detection > Tables: fraud_clf_inference fraud_clf_metrics > Volumes: > Models: fraud_clf > Functions: compute_distance MLOps design decisions

Slide 41

Slide 41 text

©2023 Databricks Inc. — All rights reserved Conﬁdential and Proprietary 44 Unity Catalog 推奨構成 dev bronze silver gold fraud_detection > Tables: offline_location_features fraud_clf_inference fraud_clf_metrics > Volumes: > Models: fraud_clf > Functions: compute_distance staging bronze silver gold fraud_detection > Tables: fraud_clf_inference fraud_clf_metrics > Volumes: > Models: fraud_clf > Functions: compute_distance prod bronze silver gold fraud_detection > Tables: fraud_clf_inference fraud_clf_metrics > Volumes: > Models: fraud_clf > Functions: compute_distance MLOps design decisions サンプルの prodカタログ

Slide 42

Slide 42 text

©2023 Databricks Inc. — All rights reserved Conﬁdential and Proprietary 45 DatabricksにおけるMLOps ● イントロダクション ○ MLOpsとは何でなぜ注意が必要か？ ○ 人とプロセス ○ ガイドの原則 ○ development、staging、productionのセマンティクス ○ MLデプロイメントパターン ● 新機能 ○ Unity Catalog ○ モデルサービング ○ レイクハウスモニタリング ● 設計上の意思決定 ● リファレンスアーキテクチャ ● リソース

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

©2023 Databricks Inc. — All rights reserved Conﬁdential and Proprietary 50 Implementing MLOps on Databricks ● Databricks MLOps Stack ○ Customizable stack for starting new ML projects on Databricks ○ Follows deploy code paradigm ○ Cloud: Azure, AWS ○ CI/CD: GitHub, Azure DevOps ○ Databricks Infrastructure: Databricks asset bundles

Slide 48

Slide 48 text

©2023 Databricks Inc. — All rights reserved Conﬁdential and Proprietary 51 DatabricksにおけるMLOps ● イントロダクション ○ MLOpsとは何でなぜ注意が必要か？ ○ 人とプロセス ○ ガイドの原則 ○ development、staging、productionのセマンティクス ○ MLデプロイメントパターン ● 新機能 ○ Unity Catalog ○ モデルサービング ○ レイクハウスモニタリング ● 設計上の意思決定 ● リファレンスアーキテクチャ ● リソース

Slide 49

Slide 49 text

©2023 Databricks Inc. — All rights reserved Confidential and Proprietary MLOps Resources ● Read the updated Big Book of MLOps. Throughout the eBook, we provide links to resources for details and for learning more about specific topics. ● Catch up on the Data+AI Summit 2023 talks on MLOps, including: ○ Wednesday keynote on Lakehouse IQ, MosaicML, and Lakehouse AI, as well as JetBlue’s personal story ○ Databricks vision and product updates ■ LLMOps: Everything You Need to Know to Manage LLMs, which overviews the Databricks vision for developing LLM-powered applications ■ Deep Dive into the Latest Lakehouse AI Capabilities ■ Advancements in Open Source LLM Tooling, Including MLflow ○ Key Insights From Running LLMs in Production From MLOps.Community ● Read and watch about success stories: ○ CareSource on their MLOps platform for improving healthcare ○ Walgreens Boots Alliance on the details of their MLOps architecture ○ Gucci on their end-to-end MLOps architecture ○ Ahold Delhaize on their move to Serverless Model Serving ○ The Trade Desk on scaling NLP for 100 million web pages per day 52

Slide 50

Slide 50 text

©2023 Databricks Inc. — All rights reserved Conﬁdential and Proprietary Resources: Big Book MLOps eBook Big Book of MLOps (Release: 10/19) Models in Unity Catalog Deep Dive deck Part 2: LLMOps deck (go/llmops/deck) 53