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
インタビューから見えてきた MLOps のレベルと現場の課題
Search
Asei Sugiyama
December 14, 2022
Technology
2
1.7k
インタビューから見えてきた MLOps のレベルと現場の課題
2022年 年忘れ! MLOps LT大会!!!
https://mlops.connpass.com/event/265378/
の登壇資料です、MLOps に関する2022年の所感を話しました
Asei Sugiyama
December 14, 2022
Tweet
Share
More Decks by Asei Sugiyama
See All by Asei Sugiyama
Kubeflow Pipelines v2 で変わる機械学習パイプライン開発
asei
5
630
遊戯王 AI は次世代のグランドチャレンジになりうるか
asei
0
110
Vertex AI ではじめる MLOps
asei
3
100
MLSE 機械学習オペレーション WG と LangCheck の活動に関するお礼
asei
1
44
Vertex AI Feature Store に 機械学習エンジニアが涙した 理由
asei
2
1.6k
Cloud Next '23 から考える LLMOps
asei
3
790
Azure Architecture Center における MLOps Framework の概要と比較
asei
2
850
AIの標準化や法規制に関する動向 (2023年版)
asei
3
740
MLOps のはじめかた
asei
2
1.8k
Other Decks in Technology
See All in Technology
サービス開発におけるVue3とTypeScriptの親和性について
tsukuha
0
120
Secrets of a PowerShell "Guru"
guyrleech
1
110
CockroachDB はどのくらい「しぶとい」のか? / How tough is CockroachDB?
kota2and3kan
6
3.9k
いいたいことちゃんという
tkengo
0
260
Building a RAG-poweredAI chat appwith Python and VS Code
pamelafox
0
180
個人的、Kubernetes の最新注目機能! (2024年5月版) / TechFeed Experts Night#28 〜 コンテナ技術最前線
pfn
PRO
1
140
実例で紹介するRAG導入時の知見と精度向上の勘所
yamahiro
7
2.4k
How to Lead? Testimonial of a Lead Android Engineer
oleur
1
120
類似ロジック実装をiOS/Android間で合わせる道標No.1
fumiyasac0921
1
170
Microsoft for Startups Founders Hub_20240429 update
daikikanemitsu
1
2.5k
ルーターでプレゼンする
puhitaku
1
3.4k
Zero Data Loss Autonomous Recovery Service サービス概要
oracle4engineer
PRO
0
1.9k
Featured
See All Featured
Why Our Code Smells
bkeepers
PRO
331
56k
What the flash - Photography Introduction
edds
64
11k
Raft: Consensus for Rubyists
vanstee
133
6.3k
Fontdeck: Realign not Redesign
paulrobertlloyd
76
4.9k
Stop Working from a Prison Cell
hatefulcrawdad
267
19k
A better future with KSS
kneath
231
16k
Building Flexible Design Systems
yeseniaperezcruz
320
37k
Imperfection Machines: The Place of Print at Facebook
scottboms
261
12k
Atom: Resistance is Futile
akmur
260
25k
Six Lessons from altMBA
skipperchong
22
3k
Thoughts on Productivity
jonyablonski
60
3.9k
GraphQLとの向き合い方2022年版
quramy
33
12k
Transcript
インタビューから見えてきた MLOps の レベルと現場の課題 Asei Sugiyama
自己紹介 杉山 阿聖 (@K_Ryuichirou) Software Engineer @ Citadel AI Advisor
@ Money Forward Organizer @ MLSE 機械学習オペレーション WG 機械学習図鑑 共著
TOC 背景 <- MLOps の取り組みの分類 MLOps の課題 まとめ
機械学習の実用化について相談を受けることが多い AIを一つください、という前に https://speakerdeck.com/asei/aiwo-tukudasai-toiuqian-ni
さまざまに情報発信 Asei Sugiyama (@asei) on Speaker Deck https://speakerdeck.com/asei
縁あって MLSE に参加 MLOps に関する Working Group MLOps に関する基調講演
現場の課題を収集する Workshop https://app.mural.co/t/zeroqueue8023/m/zeroqueue8023/1657073071541/6f20ef4285a7e19caf0baceb174dc781fd2d9f06? sender=u5c824b66a2341e9ebe6b4303
今日は今まで聞いてきた話について振り返り MLOps の定義 プラクティスの分類方法 MLOps の取組分野 機械学習の活用段階 あまり有効でない分類軸
TOC 背景 MLOps の取り組みの分類 <- MLOps の課題 まとめ
MLOps の定義 MLOps: 機械学習の成果を スケールさせるための取り 組み AI を育てる取り組み
MLOps の取り組みの分類方法 MLOps の取り組み分野 機械学習の活用段階
MLOps の取組分野 MLOps を支える技術 MLOps を支えるプロセス MLOps を支えるモニタリン グ MLOps
を支える文化
MLOps を支える技術 機械学習パイプライン ML Metadata Feature Store 概ねここが MLOps として
語られる MLOps: Continuous delivery and automation pipelines in machine learning https://cloud.google.com/architecture/mlops-continuous-delivery-and- automation-pipelines-in-machine-learning
MLOps を支えるプロセ ス モデルの実験プロセス 本番システムに至るまでの 開発プロセス モデルのテスト 本番環境での検証 (A/Bテス トなど)
Well-Architected machine learning lifecycle - Machine Learning Lens https://docs.aws.amazon.com/wellarchitected/latest/machine-learning- lens/well-architected-machine-learning-lifecycle.html
MLOps を支えるモニタ リング 通常のシステムとしての計 測 データの測定 指標の測定 精度の測定 Lupus -
A Monitoring System for Accelerating MLOps https://speakerdeck.com/line_devday2021/lupus-a-monitoring-system-for- accelerating-mlops
MLOps を支える文化 多様な利害関係者間での合 意形成 機械学習チームの評価 機械学習に対する経営判断 Artificial Intelligence (AI) Transformation
Playbook | Landing AI https://landing.ai/resources/ai-transformation-playbook/ エムスリーにおけるAI・機械学習チームの立ち上げと機械学習プロダクト開発 https://speakerdeck.com/nishiba/m3-ai-team
機械学習の活用段階 Lv.0 手作業しかない Lv.1 デプロイの脱属人化 Lv.2 組織的な機械学習基盤の導入 Lv.3 継続的なモニタリングと改善のための分析
体感値 Lv.1 までは行けるようになってきた それ以降に分厚い壁がある Lv 段階 組織の多さ Lv.0 手作業しかない 大半がこれ
Lv.1 デプロイの脱属人化 かなり出てきた Lv.2 組織的な機械学習基盤の導入 ごく一部 Lv.3 継続的なモニタリングと改善のための分析 ほぼいない
あまり有効でない分類軸 企業規模 大企業でもスタートアップ並みに活用している場合がある SaaS 企業でもまったく進められない場合がある 業界 他業種の事例が製造業で活きるなど、事例の有用性は業界をまたぐ 逆説的に、MLOps は機械学習に関するすべての人に関係する
TOC 背景 MLOps の取り組みの分類 MLOps の課題 <- まとめ
現状の課題認識 技術面で未成熟 MLOps に関する取り組みや課題の収集 グローバルな動向に関するキャッチアップ
技術面で未成熟 Kubeflow をはじめ MLOps で用いられるツールはまだまだ未成熟 現状はデプロイの自働化やデプロイ前のテストに議論が集中しがち この領域はエンジニア間での交流が進んできている
MLOps に関する取り組みや課題の収集 成功事例は出てくるものの、それより遥かに多いはずの失敗事例が出て こない Microsoft: An Empirical Study on Program
Failures of Deep Learning Jobs - Microsoft Research Google: How ML Breaks: A Decade of Outages for One Large ML Pipeline 課題について情報発信側に回る人が少ない MLSE のワーキンググループで課題の収集を行っていく予定
グローバルな動向に関するキ ャッチアップ EU の AI ACT をはじめとして、 各国で機械学習の「標準」の策 定が進む 今までのボトムアップだけでは
なくなり、トップダウンな動き 国内団体や、国外の団体へとつ ながりを広めたい
まとめ MLOps に関するさまざまなとりくみについて振り返り どうやら活用段階と取組分野で課題や取り組みが分類できそう 事例や国内外の規制について情報収集を進める予定
None