イントロダクション
利用可能なデータの増加、コンピューティング能力の民主化、モデルのトレーニングに使用されるアルゴリズムの進歩により、組織全体で機械学習プロジェクトが増加しています。
ただし、機械学習プロジェクトを導入およびスケーリングする際の主な障害の 1 つは、明確な戦略と組織のサイロの欠如です。
MLOps
機械学習操作 または MLOps は、概念実証またはパイロット プロジェクトから運用環境の機械学習ワークロードに、より効率的にスケーリングすることを目的としています。
MLOps の実装は、機械学習ワークロードを堅牢で再現可能なものにするのに役立ちます。 たとえば、常に運用環境でモデルを維持しながら、必要に応じていつでもモデルの監視、再トレーニング、再デプロイを行うことができます。
MLOps の目的は、機械学習ライフサイクルをスケーラブルにすることです。
- モデルのトレーニング
- パッケージ モデル
- モデルの検証
- モデルのデプロイ
- モニターモデル
- モデルの再トレーニング
MLOps には、複数のロールと複数のツールが必要です。 データ サイエンティストは、多くの場合、内部 ループとも呼ばれるモデルのトレーニングに関連するすべてのタスクに重点を置きます。
モデルをパッケージ化してデプロイするために、データ サイエンティストは、機械学習モデルをスケーリングするために DevOps プラクティスを適用する機械学習エンジニアの支援を必要とする場合があります。
トレーニング済みのモデルを取得して運用環境にデプロイすることは、多くの場合、 外部ループと呼ばれます。 外側のループでは、モデルがパッケージ化、検証、デプロイ、および監視されます。 モデルを再トレーニングする必要がある場合は、内部ループに戻ってモデルを変更します。
DevOps
アジャイル計画などの DevOps 原則を使用すると、チームが作業を整理し、成果物をより迅速に生成するのに役立ちます。 ソース管理を使用すると、プロジェクトのコラボレーションを容易にすることができます。 自動化を使用すると、機械学習のライフサイクルを高速化できます。
このモジュールでは、これらの DevOps の原則について説明し、一般的に使用される 2 つのツール ( Azure DevOps と GitHub) を紹介します。
学習目標
このモジュールでは、次の内容を学習します。
- DevOps が機械学習プロジェクトに役立つ理由。
- 機械学習プロジェクトに適用できる DevOps の原則。
- Azure DevOps と GitHub を Azure Machine Learning に接続する方法。