ブラックボックス化したMLシステムのVertex AI移行 / mlops_community_62

2026年3月30日に開催された「第62回 MLOps/LLMOps/AgentOps 勉強会」の登壇資料です。
https://mlops.connpass.com/event/387115/

▼関連資料
1人1アプリから標準化へ：Vertex AIを活用したMLOps推進
https://speakerdeck.com/visional_engineering_and_design/shibuya-ai-4

ビズリーチにおける検索・推薦の取り組み
https://speakerdeck.com/visional_engineering_and_design/deim2026

ビズリーチの 「企業向けレコメンド」機能について
https://speakerdeck.com/visional_engineering_and_design/shibuya-ai-3

Two-Tower モデルで実現する 検索リランキング
https://speakerdeck.com/visional_engineering_and_design/shibuya-ai-2

生成AIの利活用を加速させるための取り組み「prAIrie-dog」
https://speakerdeck.com/visional_engineering_and_design/shibuya-ai-1

-----
Visionalのエンジニアリングに関する最新情報はX、ブログで発信しています！📣

▼Visional Engineering Blog
https://engineering.visional.inc/blog/

▼VISIONAL ENGINEERING / X
https://twitter.com/VISIONAL_ENG

▼ビズリーチAI 特設サイト
https://www.bizreach.co.jp/ai

Transcript

1. ブラックボックス化したMLシステムのVertex AI移行 株式会社ビズリーチ 佐藤光
2. 自己紹介 佐藤光 2023年ビズリーチ 新卒入社 検索基盤チーム ->MLOpsチーム
3. Visionalグループについて 株式会社ビズリーチはVisionalグループの一員です。Visionalは、グループミッション「新しい可能性を、次々と。」を掲げ、 HR Tech領域を中心に産業のデジタルトランスフォーメーション（DX）を推進する事業を展開しています。未来に生まれるさ まざまな領域の課題解決に取り組み、日本の生産性向上を支えていきます。
4. アジェンダ ①プロジェクト概要 ②ブラックボックス化したMLシステム ③MLシステムのVertex AI移行
5. アジェンダ ①プロジェクト概要 ②ブラックボックス化したMLシステム ③MLシステムのVertex AI移行
6. プロジェクト概要 MLOpsサイクルを回すための土台作り Raw Data 推論結果 Feature Store Model Registry 特徴パイプライン 学習パイプライン 推論パイプライン ①パイプライン分割「可観 測性」の獲得 ②中間状態の保存 「品質」の見える化
7. Vertex AI Pipelines サーバーレスな実行環境 MLOpsを支える基盤機能 インフラ管理の不要化 柔軟なSDKサポート 高度なスケーラビリティ アーティファクト管理 リネージによる追跡 再利用性の向上 ① ② ③ ① ② ③
8. プロジェクト概要 Step Functionsで運用されている MLモデルのVertex AI移行 Step Functions Vertex AI Pipelines TO-BE AS-IS
9. アジェンダ ①プロジェクト概要 ②ブラックボックス化したMLシステム ③MLシステムのVertex AI移行
10. 「ビズリーチ」の紹介 C (求職者様) と B (企業様/ヘッドハンター様) へ 転職・採用プラットフォームを提供 引用：ビジョナル株式会社「2025年7月期 第2四半期決算説明資料」
11. ブラックボックス化したMLシステム 求職者と企業のエコシステム スカウト 最適なマッチング機会の創出を加速させたい！
12. ブラックボックス化したMLシステム 求職者の転職意向を予測するMLモデル 転職したい！ 最適なマッチング機会の創出を促進 スカウト
13. ブラックボックス化したMLシステム 0% 可観測性 精度モニタリングの欠如 モデル精度を継続的に監視する仕組みが 導入されていない 精度が確認できない/劣化を検知できない MLモデルの現状
14. ブラックボックスな MLモデル ブラックボックス化したMLシステム 問題の根本原因 長年の運用と部分最適な修正により、 システム全体が複雑化 システム詳細が分からず、監視できない MLモデルの現状
15. Vertex AI移行における課題設定 ①継続的なモニタリング体制の整備 モデルの性能を定常的に監視し、 継続的にモデル改善を続けられる体制の構築 ②「ブラックボックス」の解消 ロジック解明とドキュメント化を行い、 チームによる運用を可能にする
16. アジェンダ ①プロジェクト概要 ②ブラックボックス化したMLシステム ③MLシステムのVertex AI移行
17. Vertex AI移行 初期フェーズ さて、どこから始めよう？
18. Vertex AI移行 初期フェーズ 徹底的なコードリーディング
19. Vertex AI移行 初期フェーズ 徹底的なコードリーディング ①単一Dockerイメージに全ステップが記述 ②バッチ結果の複数配信先 ③使用していないルールベースロジック データ取得 前処理 学習 推論 後処理
20. Vertex AI移行 初期フェーズ 徹底的なコードリーディング ①単一Dockerイメージに全ステップが記述 ②バッチ結果の複数配信先 ③使用していないルールベースロジック それぞれの問題に 愚直に対応を進める
21. アジェンダ ①プロジェクト概要 ②ブラックボックス化したMLシステム ③MLシステムのVertex AI移行 – アプリケーション編 – システム編 – プロジェクトマネジメント編
22. Vertex AI移行 アプリケーション編 徹底的なコードリーディング ①単一Dockerイメージに全ステップが記述 ②バッチ結果の複数配信先 ③使用していないルールベースロジック データ取得 前処理 学習 推論 後処理
23. Vertex AI移行 アプリケーション編 データ取得 前処理 学習 推論 後処理 移行ステップの定義 やりたいことはいっぱいあるが 一気に進めるとレビューが大変 段階的なコード分割アプローチ
24. Vertex AI移行 アプリケーション編 段階的なコード分割アプローチ STEP1 モノリスコードを 「そのまま」動かす STEP2 前処理の切り出し feature-storeの作成 STEP3 後処理の切り出し STEP4 学習/推論の分割
25. Vertex AI移行 アプリケーション編 モデル学習 モデル推論 後処理 プロセス分割で可観測性アップ
26. アジェンダ ①プロジェクト概要 ②ブラックボックス化したMLシステム ③MLシステムのVertex AI移行 – アプリケーション編 – システム編 – プロジェクトマネジメント編
27. Vertex AI移行 システム構成編 徹底的なコードリーディング ①単一Dockerイメージに全ステップが記述 ②バッチ結果の複数配信先 ③使用していないルールベースロジック
28. Vertex AI移行 システム構成編 インフラ構成の全容解明 バッチ どの環境に配信している？
29. Vertex AI移行 システム構成編 バッチ インフラ構成の全容解明 ストアA ストアB 結果の配信先の把握だけでなく...
30. Vertex AI移行 システム構成編 バッチ インフラ構成の全容解明 ストアA ストアB クライアント仕様まで把握 バッチB バッチA ストアC ストアD
31. Vertex AI移行 システム構成編 バッチ インフラ構成の全容解明 ストアB バッチB ストアD クライアントは使っていないこと が判明！
32. アジェンダ ①プロジェクト概要 ②ブラックボックス化したMLシステム ③MLシステムのVertex AI移行 – アプリケーション編 – システム編 – プロジェクトマネジメント編
33. Vertex AI移行 プロジェクトマネジメント編 リリースのためのステークホルダーコミュニケーション ①不要リソースのトリアージ ②障害発生時の対応方針の共有
34. Vertex AI移行 プロジェクトマネジメント編 リリースのためのステークホルダーコミュニケーション ①不要リソースのトリアージ ②障害発生時の対応方針の共有 バッチ ストアB バッチB ストアD クライアントは使わないので サポート外にする
35. Vertex AI移行 プロジェクトマネジメント編 リリースのためのステークホルダーコミュニケーション ①不要リソースのトリアージ ②障害発生時の対応方針の共有 事前に 影響範囲の共有 / 対応方針の合意 を行って、 障害発生時の動きをスムーズに！
36. まとめ 得られた成果 ①継続的なモニタリング体制の整備 モデルの性能を定常的に監視し、 継続的にモデル改善を続けられる体制の構築 ②「ブラックボックス」の解消 ロジック解明とドキュメント化を行い、 チームによる運用を可能にする
37. 各ポジション 絶賛募集中！ MLOpsエンジニア 機械学習エンジニア データエンジニア DBRE エンジニアリングマネージャー さまざまなポジションで募集しています。 まずは気軽にカジュアル面談でお話ししましょう。 … Engineering Blog キャリア採用サイト