Submit Search
Upload
ML Ops 実装の現場から
•
1 like
•
5,711 views
慎
慎一郎 畠
Follow
第1回MLOpsコミュニティイベントでの講演資料です。
Read less
Read more
Technology
Report
Share
Report
Share
1 of 20
Download now
Download to read offline
Recommended
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
NTT DATA Technology & Innovation
Data-centricなML開発
Data-centricなML開発
Takeshi Suzuki
先駆者に学ぶ MLOpsの実際
先駆者に学ぶ MLOpsの実際
Tetsutaro Watanabe
ブレインパッドにおける機械学習プロジェクトの進め方
ブレインパッドにおける機械学習プロジェクトの進め方
BrainPad Inc.
Data-Centric AIの紹介
Data-Centric AIの紹介
Kazuyuki Miyazawa
MLOpsはバズワード
MLOpsはバズワード
Tetsutaro Watanabe
MLOps入門
MLOps入門
Hiro Mura
MLOpsの概要と初学者が気をつけたほうが良いこと
MLOpsの概要と初学者が気をつけたほうが良いこと
Sho Tanaka
Recommended
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
NTT DATA Technology & Innovation
Data-centricなML開発
Data-centricなML開発
Takeshi Suzuki
先駆者に学ぶ MLOpsの実際
先駆者に学ぶ MLOpsの実際
Tetsutaro Watanabe
ブレインパッドにおける機械学習プロジェクトの進め方
ブレインパッドにおける機械学習プロジェクトの進め方
BrainPad Inc.
Data-Centric AIの紹介
Data-Centric AIの紹介
Kazuyuki Miyazawa
MLOpsはバズワード
MLOpsはバズワード
Tetsutaro Watanabe
MLOps入門
MLOps入門
Hiro Mura
MLOpsの概要と初学者が気をつけたほうが良いこと
MLOpsの概要と初学者が気をつけたほうが良いこと
Sho Tanaka
MLflowによる機械学習モデルのライフサイクルの管理
MLflowによる機械学習モデルのライフサイクルの管理
Takeshi Yamamuro
機械学習で泣かないためのコード設計
機械学習で泣かないためのコード設計
Takahiro Kubo
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)
Deep Learning JP
2014 3 13(テンソル分解の基礎)
2014 3 13(テンソル分解の基礎)
Tatsuya Yokota
“機械学習の説明”の信頼性
“機械学習の説明”の信頼性
Satoshi Hara
入門 Kubeflow ~Kubernetesで機械学習をはじめるために~ (NTT Tech Conference #4 講演資料)
入門 Kubeflow ~Kubernetesで機械学習をはじめるために~ (NTT Tech Conference #4 講演資料)
NTT DATA Technology & Innovation
プレゼン・ポスターで自分の研究を「伝える」 (How to do technical oral/poster presentation)
プレゼン・ポスターで自分の研究を「伝える」 (How to do technical oral/poster presentation)
Toshihiko Yamasaki
失敗から学ぶ機械学習応用
失敗から学ぶ機械学習応用
Hiroyuki Masuda
時系列予測にTransformerを使うのは有効か?
時系列予測にTransformerを使うのは有効か?
Fumihiko Takahashi
機械学習モデルのサービングとは?
機械学習モデルのサービングとは?
Sho Tanaka
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
Satoshi Hara
Triplet Loss 徹底解説
Triplet Loss 徹底解説
tancoro
深層学習の非常に簡単な説明
深層学習の非常に簡単な説明
Seiichi Uchida
BlackBox モデルの説明性・解釈性技術の実装
BlackBox モデルの説明性・解釈性技術の実装
Deep Learning Lab(ディープラーニング・ラボ)
深層生成モデルと世界モデル
深層生成モデルと世界モデル
Masahiro Suzuki
機械学習応用のためのソフトウェアエンジニアリングパターン
機械学習応用のためのソフトウェアエンジニアリングパターン
HironoriTAKEUCHI1
Getting started with MLOps
Getting started with MLOps
yusuke shibui
機械学習デザインパターン Machine Learning Design Patterns
機械学習デザインパターン Machine Learning Design Patterns
Hironori Washizaki
情報抽出入門 〜非構造化データを構造化させる技術〜
情報抽出入門 〜非構造化データを構造化させる技術〜
Yuya Unno
Teslaにおけるコンピュータビジョン技術の調査
Teslaにおけるコンピュータビジョン技術の調査
Kazuyuki Miyazawa
みんなのPython勉強会#21 澪標アナリティクス 井原様
みんなのPython勉強会#21 澪標アナリティクス 井原様
Takeshi Akutsu
BtoBマーケティングにおけるML/NLPの活用
BtoBマーケティングにおけるML/NLPの活用
Akira Kitauchi
More Related Content
What's hot
MLflowによる機械学習モデルのライフサイクルの管理
MLflowによる機械学習モデルのライフサイクルの管理
Takeshi Yamamuro
機械学習で泣かないためのコード設計
機械学習で泣かないためのコード設計
Takahiro Kubo
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)
Deep Learning JP
2014 3 13(テンソル分解の基礎)
2014 3 13(テンソル分解の基礎)
Tatsuya Yokota
“機械学習の説明”の信頼性
“機械学習の説明”の信頼性
Satoshi Hara
入門 Kubeflow ~Kubernetesで機械学習をはじめるために~ (NTT Tech Conference #4 講演資料)
入門 Kubeflow ~Kubernetesで機械学習をはじめるために~ (NTT Tech Conference #4 講演資料)
NTT DATA Technology & Innovation
プレゼン・ポスターで自分の研究を「伝える」 (How to do technical oral/poster presentation)
プレゼン・ポスターで自分の研究を「伝える」 (How to do technical oral/poster presentation)
Toshihiko Yamasaki
失敗から学ぶ機械学習応用
失敗から学ぶ機械学習応用
Hiroyuki Masuda
時系列予測にTransformerを使うのは有効か?
時系列予測にTransformerを使うのは有効か?
Fumihiko Takahashi
機械学習モデルのサービングとは?
機械学習モデルのサービングとは?
Sho Tanaka
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
Satoshi Hara
Triplet Loss 徹底解説
Triplet Loss 徹底解説
tancoro
深層学習の非常に簡単な説明
深層学習の非常に簡単な説明
Seiichi Uchida
BlackBox モデルの説明性・解釈性技術の実装
BlackBox モデルの説明性・解釈性技術の実装
Deep Learning Lab(ディープラーニング・ラボ)
深層生成モデルと世界モデル
深層生成モデルと世界モデル
Masahiro Suzuki
機械学習応用のためのソフトウェアエンジニアリングパターン
機械学習応用のためのソフトウェアエンジニアリングパターン
HironoriTAKEUCHI1
Getting started with MLOps
Getting started with MLOps
yusuke shibui
機械学習デザインパターン Machine Learning Design Patterns
機械学習デザインパターン Machine Learning Design Patterns
Hironori Washizaki
情報抽出入門 〜非構造化データを構造化させる技術〜
情報抽出入門 〜非構造化データを構造化させる技術〜
Yuya Unno
Teslaにおけるコンピュータビジョン技術の調査
Teslaにおけるコンピュータビジョン技術の調査
Kazuyuki Miyazawa
What's hot
(20)
MLflowによる機械学習モデルのライフサイクルの管理
MLflowによる機械学習モデルのライフサイクルの管理
機械学習で泣かないためのコード設計
機械学習で泣かないためのコード設計
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)
2014 3 13(テンソル分解の基礎)
2014 3 13(テンソル分解の基礎)
“機械学習の説明”の信頼性
“機械学習の説明”の信頼性
入門 Kubeflow ~Kubernetesで機械学習をはじめるために~ (NTT Tech Conference #4 講演資料)
入門 Kubeflow ~Kubernetesで機械学習をはじめるために~ (NTT Tech Conference #4 講演資料)
プレゼン・ポスターで自分の研究を「伝える」 (How to do technical oral/poster presentation)
プレゼン・ポスターで自分の研究を「伝える」 (How to do technical oral/poster presentation)
失敗から学ぶ機械学習応用
失敗から学ぶ機械学習応用
時系列予測にTransformerを使うのは有効か?
時系列予測にTransformerを使うのは有効か?
機械学習モデルのサービングとは?
機械学習モデルのサービングとは?
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
Triplet Loss 徹底解説
Triplet Loss 徹底解説
深層学習の非常に簡単な説明
深層学習の非常に簡単な説明
BlackBox モデルの説明性・解釈性技術の実装
BlackBox モデルの説明性・解釈性技術の実装
深層生成モデルと世界モデル
深層生成モデルと世界モデル
機械学習応用のためのソフトウェアエンジニアリングパターン
機械学習応用のためのソフトウェアエンジニアリングパターン
Getting started with MLOps
Getting started with MLOps
機械学習デザインパターン Machine Learning Design Patterns
機械学習デザインパターン Machine Learning Design Patterns
情報抽出入門 〜非構造化データを構造化させる技術〜
情報抽出入門 〜非構造化データを構造化させる技術〜
Teslaにおけるコンピュータビジョン技術の調査
Teslaにおけるコンピュータビジョン技術の調査
Similar to ML Ops 実装の現場から
みんなのPython勉強会#21 澪標アナリティクス 井原様
みんなのPython勉強会#21 澪標アナリティクス 井原様
Takeshi Akutsu
BtoBマーケティングにおけるML/NLPの活用
BtoBマーケティングにおけるML/NLPの活用
Akira Kitauchi
Business utilization of real estate image classification system using deep le...
Business utilization of real estate image classification system using deep le...
BrainPad Inc.
20141018 osc tokyo2014講演(配布用)
20141018 osc tokyo2014講演(配布用)
マジセミ by (株)オープンソース活用研究所
夏まつり2016 Session4(事例ローテーション:インフォテック 謝花様)
夏まつり2016 Session4(事例ローテーション:インフォテック 謝花様)
takumibp
2020/05/18 Alibaba cloud AIソリューションセミナー
2020/05/18 Alibaba cloud AIソリューションセミナー
寛之 松浦
私のお薦めするG検定勉強法
私のお薦めするG検定勉強法
Kenichi Hayashi
Social GAME における AI 活用事例 [第 4 回 Google Cloud INSIDE Games & Apps]
Social GAME における AI 活用事例 [第 4 回 Google Cloud INSIDE Games & Apps]
Google Cloud Platform - Japan
Data-Centric AI開発における データ生成の取り組み
Data-Centric AI開発における データ生成の取り組み
Takeshi Suzuki
FastAPIを使って 機械学習モデルをapi化してみた
FastAPIを使って 機械学習モデルをapi化してみた
Sho Tanaka
技術とサービスをつなぎ価値ある製品をつくるための組込みアジャイル
技術とサービスをつなぎ価値ある製品をつくるための組込みアジャイル
Naoya Maekawa
MLOps Yearning ~ 実運用システムを構築する前にデータサイエンティストが考えておきたいこと
MLOps Yearning ~ 実運用システムを構築する前にデータサイエンティストが考えておきたいこと
Rakuten Group, Inc.
Data × AI でどんな業務が改善できる? 製造業様向け Data × AI 活用ユースケース & 製造MVPソリューションのご紹介
Data × AI でどんな業務が改善できる? 製造業様向け Data × AI 活用ユースケース & 製造MVPソリューションのご紹介
IoTビジネス共創ラボ
データサイエンティストってどこへ行ったのか???
データサイエンティストってどこへ行ったのか???
Izumi Akiyama
【オペレーションカンファレンス 2015 Spring】 LT 僕が考えるSIerにとってのMSP
【オペレーションカンファレンス 2015 Spring】 LT 僕が考えるSIerにとってのMSP
cloudconductor
誰もが AI を使う時代、作る時代
誰もが AI を使う時代、作る時代
Yoshitaka Seo
【Pm zen】pmはいつ学び始めるべきか? 20160311
【Pm zen】pmはいつ学び始めるべきか? 20160311
Manabu saito /SKYLIGHT CONSULTING Inc.
カタログデータ
カタログデータ
adwinshogatsutani
kintone Cafe Japan 2016: kintone x 機械学習で実現する簡単名刺管理
kintone Cafe Japan 2016: kintone x 機械学習で実現する簡単名刺管理
Takahiro Kubo
Elasticsearchを使ったTwitter監視アプリ
Elasticsearchを使ったTwitter監視アプリ
YuichiArisaka
Similar to ML Ops 実装の現場から
(20)
みんなのPython勉強会#21 澪標アナリティクス 井原様
みんなのPython勉強会#21 澪標アナリティクス 井原様
BtoBマーケティングにおけるML/NLPの活用
BtoBマーケティングにおけるML/NLPの活用
Business utilization of real estate image classification system using deep le...
Business utilization of real estate image classification system using deep le...
20141018 osc tokyo2014講演(配布用)
20141018 osc tokyo2014講演(配布用)
夏まつり2016 Session4(事例ローテーション:インフォテック 謝花様)
夏まつり2016 Session4(事例ローテーション:インフォテック 謝花様)
2020/05/18 Alibaba cloud AIソリューションセミナー
2020/05/18 Alibaba cloud AIソリューションセミナー
私のお薦めするG検定勉強法
私のお薦めするG検定勉強法
Social GAME における AI 活用事例 [第 4 回 Google Cloud INSIDE Games & Apps]
Social GAME における AI 活用事例 [第 4 回 Google Cloud INSIDE Games & Apps]
Data-Centric AI開発における データ生成の取り組み
Data-Centric AI開発における データ生成の取り組み
FastAPIを使って 機械学習モデルをapi化してみた
FastAPIを使って 機械学習モデルをapi化してみた
技術とサービスをつなぎ価値ある製品をつくるための組込みアジャイル
技術とサービスをつなぎ価値ある製品をつくるための組込みアジャイル
MLOps Yearning ~ 実運用システムを構築する前にデータサイエンティストが考えておきたいこと
MLOps Yearning ~ 実運用システムを構築する前にデータサイエンティストが考えておきたいこと
Data × AI でどんな業務が改善できる? 製造業様向け Data × AI 活用ユースケース & 製造MVPソリューションのご紹介
Data × AI でどんな業務が改善できる? 製造業様向け Data × AI 活用ユースケース & 製造MVPソリューションのご紹介
データサイエンティストってどこへ行ったのか???
データサイエンティストってどこへ行ったのか???
【オペレーションカンファレンス 2015 Spring】 LT 僕が考えるSIerにとってのMSP
【オペレーションカンファレンス 2015 Spring】 LT 僕が考えるSIerにとってのMSP
誰もが AI を使う時代、作る時代
誰もが AI を使う時代、作る時代
【Pm zen】pmはいつ学び始めるべきか? 20160311
【Pm zen】pmはいつ学び始めるべきか? 20160311
カタログデータ
カタログデータ
kintone Cafe Japan 2016: kintone x 機械学習で実現する簡単名刺管理
kintone Cafe Japan 2016: kintone x 機械学習で実現する簡単名刺管理
Elasticsearchを使ったTwitter監視アプリ
Elasticsearchを使ったTwitter監視アプリ
Recently uploaded
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
atsushi061452
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
Toru Tamaki
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
sn679259
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
WSO2
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NTT DATA Technology & Innovation
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
CRI Japan, Inc.
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
CRI Japan, Inc.
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Hiroshi Tomioka
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
Toru Tamaki
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
Recently uploaded
(12)
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
ML Ops 実装の現場から
1.
第1回 ML Ops勉強会 ML
Ops - 実装の現場から スマート・アナリティクス株式会社 1
2.
自己紹介 畠 慎一郎(はた しんいちろう) スマート・アナリティクス株式会社
代表取締役 1978年10月15日生まれ 福島県会津若松市出身 家族構成:妻1名、子供3名 •2001-2009 •2010-2015 •2015-2017 •2019- Smart Analytics, Inc. All Right Reserved. 2020年1月刊行
3.
ワークショップやジャンプスタート、 受託分析までご要望に応じた分析 サービスを提供・スコアリングサー ビスの実装など 製品操作を学ぶコースから理論を学 ぶコース、e-ラーニングまでお客様 のニーズに合わせたトレーニング コースを提供 IBM SPSS製品をはじめ、分析に関 連するソフトウェアを提供 分析サービス 教育・トレーニング スマート・アナリティクス株式会社は、あらゆる方にデータ活用のパワーを提供します。 AI/人工知能時代のデータ活用をワンストップで提供 分析ソフトウェア ©2020
Smart Analytics, Inc. All Rights Reserved.
4.
ML Ops –
実装の現場から 4 Smart Analytics, Inc. All Right Reserved.
5.
DevOps / ML
Ops そしてCRISP-DMと Smart Analytics, Inc. All Right Reserved. CRISP-DM Cross Industry Standard Process for Data Mining
6.
DevOps / ML
Ops そしてCRISP-DMと Smart Analytics, Inc. All Right Reserved. 大きな枠組みで分析を捉える。 とても重要でかつ必要な「考え方」 「考え方」を否定する余地はまったくない でも、なぜ実際には難しいのか?
7.
DevOps / ML
Ops そしてCRISP-DMと Smart Analytics, Inc. All Right Reserved. うまくいくケースも数多く存在 うまくいかないケースは?
8.
うまくいかないケース Smart Analytics, Inc.
All Right Reserved. • 理想のデータがそもそも取得できない (システム的・組織的・スキル的) • そもそもインプットデータがダメ。。 なのに結果がでないのは分析者のせい? • 精度99%!?のぬか喜び。 • モデル展開後にフィードバックがなかなか得られない (業務プロセス上の課題) • とても良いモデル・知見が得られていても 社内・社外でしがらみが多い。しがらんでいる • そもそも分析必要ない。。 分析で解決できない課題にチャレンジ!? (組織論的、人的課題)
9.
「うまくいくケース」と「うまくいかないケース」の違いは? Smart Analytics, Inc.
All Right Reserved. 大前提: データ内にどれくらい求めたい事象の 答えが入っているのか? 説明できるか? →精度が高い分析(Accuracy/Precision) 変数選択は合っている+展開のプロセスも期待ができる それにMLOpsとして加えて以下の課題も - 分析対象の課題 - システム課題 - 業務プロセスの課題 - 人的要因の課題
10.
分析対象とML Ops 「ヒトの分析」 「モノの分析」
「カネの分析」 EC・アプリ以外は 分断されているデータ 分断されているけど比較的きれい つなごうと思えばつなげるけど すべてを捉えきれないデータ 対象データは事実を捉えきれる? 国税なら全データをゲットも アートとサイエンスが混在 展開はシステム的 オンプレ障害あるものの
11.
システム面でのML Opsのハードルと注意点 多くの場合には、業務アプリケーション・システムから抽出される情報 様々なデータ データ ・購入者データ ・出荷データ
・在庫データ ・アンケートのデータ ・Webサイトのデータ ・SNSデータ 業務システムの 履歴としてのデータは 多数存在 一方で、分析に適した データかは別の話 多くの場合には データ加工が必要 そこには、結果を 見据えた加工が必要 データ加工
12.
データ分析は調理と似ている よい食材選び よい調理器具 調理しやすい 形に加工 調理 よい調理器具 おいしい料理の 完成 よい料理人 アイディア 経験 レシピ 目利き 技 技 盛り付け 調理しやすい 形に加工
13.
データ分析は調理と似ている 調理しやすい 形に加工 調理 よい分析者 アイディア 経験 ノウハウ? レシピ? 目利き 技 技 盛り付け よいデータ選び よい分析ツール 知見・発見 よい分析ツール分析しやすい 形に加工
14.
データ加工って簡単にいうけど・・ 「データ加工」には、 当然、最終系のイメージがないとできません。 つまりデータ加工をするために「レシピ」が必要。 しかし、はじめは「レシピ」を持っていない しかもこの「レシピ」は、 「分析」だけに限らず、「業務」のレシピも必要 実はモデルのモニター、評価あたりも「レシピ」が必要 ML Opsのレシピも必要!? キッチンでレシピをみる女性
15.
ツール面の課題:インプット面と分析面は充実していますが。 分析ツールは世の中にいっぱいある - コネクター:腐るほどある。 入力データはたくさん欲しいよね! でも、分析結果(展開)のコネクターは? なかなか数が限られる。 - 20年以上変わらない。知見の内在化問題 -
本当はデプロイも試行錯誤であるべき。 まさにMLOps的なものがツール面でも必要
16.
業務プロセスとシステムの課題:ループするのは実は難しい システムのサイロ化+オンプレシステム、日本的な業務プロセスとシステム開発 「弊社は他社と違い特別な業務プロセスがありまして・・」的な神話による弊害 (標準化されないインプットデータ) 業務プロセス内に混在する「手作業」と「判断」 業務プロセスと業務システムが一致していないマニュアル文化 それに加えて - システム的にも細分化 - APIとかでつながると良いのですが。 -
オンプレ+クラウド=ハイブリット? オンプレとクラウド=2つの系統 例:フィードバックがループしない。。。 フィードバックが面倒だと、使われない
17.
人的要因面とML Ops 今の時代に求められているのは・・ML Ops+Biz -
ビジネスのわかるデータ分析者 - ビジネスのわかるシステム開発者 - IT/データのわかるクリエイター - IT/データのかわる営業/マーケター - 分析のわかるシステム開発者 - 分析のわかる営業/マーケター - 諸々わかってるマネージメント陣 - それを信じて応援だけしてくれる経営層 - 実は旧来の総合職的な人が重要!? - MLに限らない分析者組織、縦横問題
18.
チーム制なのはわかるけど、誰が重要?? 諸々考えるとやっぱり一気通貫して把握・管理できる人・組織が重要!? ML(データ分析)を軸として、システム、業務プロセス、IT そして当然分析を知っている人や組織を作る必要がある。 ケースによって違うが、分析の文化を作る必要がある
19.
ML Opsを活用するための組織内文化醸成のために まだまだ課題はあるものの・・ 1. まずは
ML Opsという考え方は全員持っておくべき 2. 「分析って使えるようね」テーマの選定(現場で使える感を醸成) 3. 「分析できる人」が出世するようサポート 4. プラットフォームでカバーできるものはプラットフォームで 5. 今後のコミュニティに期待! 簡易MLOpsからはじめて、真のMLOps へ
20.
Thanks! お問い合わせ先 スマート・アナリティクス株式会社 〒150-0043 東京都渋谷区道玄坂1-9-4 ODAビルディング
3F TEL : 03-5784-4580 / FAX 03-5784-4577 E-mail : info@smart-analytics.jp URL : https://smart-analytics.jp/ Smart Analytics, Inc. 20
Download now