機械学習をビジネスに活用、継続的運用を実現するMLOpsの実践法

　AIや機械学習（ML）を活用してデータ主導のビジネスを展開したい企業にとって、実運用面における問題の解決は喫緊の課題だ。MLシステムを具体的なサービスとして実開発するに当たっては、データの収集から分析、特徴量の抽出、特徴量エンジニアリング、モデルの学習・評価、デプロイまでの一連の流れを整備する必要がある。

　実際、MLモデルの開発は実開発・実運用に必要なシステムの一部にすぎず、データを収集する仕組みやモデル運用状況の可視化など、考慮すべき要素は多岐にわたる。そこで注目されているのが、MLシステムの開発と運用を統合する「MLOps」のプラクティスで実開発・実運用における課題を解決するアプローチだ。

　本資料では、運用時の継続的なパフォーマンスを担保し、MLOpsを実現するツールについて解説する。「特徴量分布」と「特徴量重要度」を用いてMLモデルの性能を監視し、性能劣化を検知するという。トレーニング時とサービング時のズレ（スキュー）とサービング時の経時的なズレ（ドリフト）によるトラブルを解消するなど、多くのメリットを確認してほしい。