Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
機械学習実用化失敗黙示録
Search
shibuiwilliam
April 20, 2022
Programming
0
150
機械学習実用化失敗黙示録
機械学習実用化の失敗経験談
shibuiwilliam
April 20, 2022
Tweet
Share
More Decks by shibuiwilliam
See All by shibuiwilliam
デプロイして本番システムで使うことから考えるAI
shibuiwilliam
1
290
今日からRAGを 始めることを考える
shibuiwilliam
2
1.4k
2024年生成AI新年会登壇資料
shibuiwilliam
0
210
Creative as Software Engineering
shibuiwilliam
2
540
Kubernetesクラスターを引き継ぐ技術
shibuiwilliam
3
220
機械学習システム構築実践ガイド
shibuiwilliam
1
730
GPT, Langchain, Faiss, FastAPIを組み合わせた Chat検索システム開発
shibuiwilliam
4
4.2k
機械学習を実用化するエンジニアリングスキル
shibuiwilliam
12
4.3k
Generative AIと検索を組み合わせた新たな体験の模索
shibuiwilliam
3
980
Other Decks in Programming
See All in Programming
最古の関数型言語「Lisp」ことはじめ / lisp_in_kamiyama
uhooi
1
190
Introduction to GitOps
hwchiu
0
110
Temporalを取り巻く仕様を整理する
sajikix
0
110
みんなのオブザーバビリティプラットフォームを作ってるんだがパフォーマンスがやばい #mackerelio #srenext
ne_sachirou
0
370
Clean Architecture by TypeScript & NestJS
ryounasso
0
150
Composing an API the *right* way (Droidcon Berlin 2024)
zsmb
1
450
なぜ宣言的 UI は壊れにくいのか / Why declarative UI is less fragile
uenitty
29
13k
コード生成を伴うLLMエージェント - 2024.07.18 Tokyo AI
smiyawaki0820
11
4.1k
君たちはどうコードをレビューする (される) か / 大吉祥寺.pm
utgwkk
15
8.5k
日付と正規化
megmogmog1965
0
140
Ruby メモリ管理 プログラミング
megmogmog1965
0
130
SDCon2024: Enabling DevOps and Team Topologies thru architecture: architecting for fast flow
cer
PRO
0
780
Featured
See All Featured
Code Review Best Practice
trishagee
58
16k
Principles of Awesome APIs and How to Build Them.
keavy
124
16k
ピンチをチャンスに:未来をつくるプロダクトロードマップ #pmconf2020
aki_iinuma
90
47k
Bootstrapping a Software Product
garrettdimon
PRO
304
110k
Atom: Resistance is Futile
akmur
261
25k
VelocityConf: Rendering Performance Case Studies
addyosmani
321
23k
[Rails World 2023 - Day 1 Closing Keynote] - The Magic of Rails
eileencodes
17
1.5k
How to name files
jennybc
67
96k
Bash Introduction
62gerente
607
210k
Understanding Cognitive Biases in Performance Measurement
bluesmoon
18
1.2k
We Have a Design System, Now What?
morganepeng
46
7k
Cheating the UX When There Is Nothing More to Optimize - PixelPioneers
stephaniewalter
277
13k
Transcript
機械学習実用化失敗黙示録 2022/04/20 しぶい
自己紹介 shibui yusuke • いろいろ → Launchable(いまここ) • MLOpsとかいろいろエンジニア •
もともとクラウド基盤の開発、運用 • ここ6年くらいMLOpsとバックエンドとインフラとたまに データ分析とAndroidで仕事 • Github: @shibuiwilliam • FB: yusuke.shibui • Meety: https://meety.net/matches/OPJgijxiEMHE • 最近の趣味:本の執筆と副業と ARとネコ cat : 0.55 dog: 0.45 human : 0.70 gorilla : 0.30 物体検知 2
MLOps勉強会を毎月開催してます! https://mlops.connpass.com/
ワシの失敗談は百八式まであるぞ • 成功の裏には多くの失敗が存在する。 • 成功しなくても多くの失敗は存在する。 • 機械学習の実用化関係の仕事を続けてきて犯した大小の失敗のうち、 代表的な1個を説明します。
機械学習を実用化するためのエンジニアリング 学習 コード 学習 データ 学習 評価 モデル レポート 推論
コード CI テスト データ 評価 コード CD システム A A/B テスト システム B 負荷 試験 ログ 収集 評価 データ ユニット テスト ユニット テスト 機械学習エンジニアが得意 ソフトウェアエンジニアが得意 SREが得意
機械学習を実用化するためのエンジニアリング 学習 コード 学習 データ 学習 評価 モデル レポート 推論
コード CI テスト データ 評価 コード CD システム A A/B テスト システム B 負荷 試験 ログ 収集 評価 データ ユニット テスト ユニット テスト 機械学習エンジニアが得意 ソフトウェアエンジニアが得意 SREが得意 機械学習のエンジニアリングには 機械学習の知識が必要
0->1 フェーズのよくある失敗 全部できるスーパーエンジニアが全部作る ・・・けど作るだけで終わる 機械学習を実用化するためのエンジニアリング 学習 コード 学習 データ 学習
評価 モデル レポート 推論 コード CI テスト データ 評価 コード CD システム A A/B テスト システム B 負荷 試験 ログ 収集 評価 データ ユニット テスト ユニット テスト 機械学習エンジニアが得意 ソフトウェアエンジニアが得意 SREが得意
機械学習黎明期に謎の機械学習システムが出来上がる コード管理 DWH CI CRD 学習 パイプライン ビルド パイプライン マイクロサービス
CRD デプロイ パイプライン CRD 学習 クラスター サービス クラスター cron リソース コントローラ
チームメンバー モチベーション 俺は0->1が得意! 新しいプロダクトを考 えたよ♪ どうにか運用せねば ・・・ 作った人の尻拭いは 嫌だ。無駄に複雑で 不安定だし。
作った人 PdM EM
作り直すことのエンジニアリング • 目標を立てる:チームメンバーが技術選定して小さな変更でまともな運用を目指す ◦ 独自パイプラインCRDをマネージドサービスとサーバレスに寄せる • モチベーションを作る:作ったときに存在しなかった新しい技術を取り入れる ◦ Vertex AIやMLflowの導入
• フルスタックを目指さない:エンジニアとして今得たい技術に集中する ◦ 機械学習Kubernetesクラスターをインフラチームクラスターに移行 • 技術的負債をビジネス的に説明する:運用負荷を下げたほうが開発効率は上がる ◦ 開発vs運用工数の指標化
開発のチームワークはフェーズによって異なる 機械学習 導入開始 実用化 開発自動化 リリース 自動化 機械学習 エンジニア一人 機械学習
エンジニア複数 機械学習エンジニア + バックエンドエンジニア プロダクト別・事業別 チーム 頑張れ! 一番自由な時期! 阿吽の呼吸で わいわい楽しい ♪ 軋轢が生まれ始める コード品質 vs Jupyter 各チームの独自運用 他チームはあまり知らない スーパーエンジニア レガシー企業は 実はこのステージが多い 動いてるけどメンテナンスが 難しいことが多い バックエンドエンジニアの 支援がありがたいフェーズ 素晴らしいチームワーク!
学び • 作りたいものや作ってほしいものが、本当に作るべきものとは限らない。 • 作り直しは必ず発生する。新技術を扱ったプロダクトでは特に。 • 組織とプロダクトのフェーズによって突破志向と安定志向を使い分ける。
昨年出版した本の宣伝 • AIエンジニアのための 機械学習システムデザインパターン • 2021年5月17日発売 • https://www.amazon.co.jp/dp/4798169447/ • 機械学習よりもKubernetesとIstioに詳しくなれる一冊!
• Amazon.co.jp 情報学・情報科学部門 1位! 人工知能部門 1位! • 韓国語版も発売中! • 英語版出したい!