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
受託分析屋がKubeflowを使って思うこと_KubeflowMeetup_1.pdf
Search
Kazusa
September 26, 2018
Technology
2
2.3k
受託分析屋がKubeflowを使って思うこと_KubeflowMeetup_1.pdf
Kubeflowでモデルをデプロイする時に必要になってくる、学習(実験)の管理やモデル管理について話しました
Kazusa
September 26, 2018
Tweet
Share
More Decks by Kazusa
See All by Kazusa
20190208_MLSE_NeurIPS2018_tkazusa.pdf
tkazusa
1
660
機械学習どこから手をつけよう? Google DevFest 2018 Tokyo
tkazusa
2
1.1k
機械学習システム開発及び運用にかかる 不確実を考慮した要件定義の考察および提案
tkazusa
0
270
【論文読み】GCVAE-GAN Fine-Grained Image Generation through Asymmetric Training
tkazusa
0
110
【論文読み】Graph Convolutional Networks for Classification with a Structured
tkazusa
0
56
Other Decks in Technology
See All in Technology
エンジニアとして成長するための持続可能なアウトプット戦略 / Sustainable Output Strategy
iselegant
3
630
Next.js の fetch 拡張とキャッシュ機構の違いを理解する
ryo_manba
2
500
私たちはなぜ事業責任者にならないといけないのか ~Webサービスを作る茨の道~
gimupop
4
1.6k
やさしいITを目指すために
ishity__
0
270
What's New in OpenShift 4.16
redhatlivestreaming
1
120
Cloud Nativeを支える要素技術・プロダクト・プラクティスの歩み / infrastudy-returns-01-amsy810
masayaaoyama
1
350
品質活動を事業に結びつけるためのQA文化の築き方 / how to build QA culture
mii3king
1
1.2k
Okioに愛を込めて
ryunen344
3
770
AI Risk Solution Study
tkhresk
0
120
Adaptor, Helmet, SSG
watany
0
120
Kotlin Collection関数をマスター
ldf_tech
0
120
オーティファイ会社紹介資料 / Autify Company Deck
autifyhq
9
110k
Featured
See All Featured
It's Worth the Effort
3n
180
27k
Rails Girls Zürich Keynote
gr2m
91
13k
What’s in a name? Adding method to the madness
productmarketing
PRO
18
2.8k
Put a Button on it: Removing Barriers to Going Fast.
kastner
58
3.2k
Teambox: Starting and Learning
jrom
129
8.5k
"I'm Feeling Lucky" - Building Great Search Experiences for Today's Users (#IAC19)
danielanewman
222
21k
A Modern Web Designer's Workflow
chriscoyier
689
190k
The Art of Programming - Codeland 2020
erikaheidi
46
12k
How GitHub (no longer) Works
holman
305
140k
Build The Right Thing And Hit Your Dates
maggiecrowley
27
2.1k
What's new in Ruby 2.0
geeforr
338
31k
Ruby is Unlike a Banana
tanoku
96
10k
Transcript
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