Suche senden
Hochladen
MLOpsの概要と初学者が気をつけたほうが良いこと
•
0 gefällt mir
•
1,031 views
Sho Tanaka
Folgen
2021/7/31 機械学習の社会実装勉強会にて発表した内容です。 タイトル:MLOpsの概要と初学者が気をつけたほうが良いこと
Weniger lesen
Mehr lesen
Ingenieurwesen
Melden
Teilen
Melden
Teilen
1 von 16
Jetzt herunterladen
Downloaden Sie, um offline zu lesen
Empfohlen
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ン 発表資料) 2021年12月16日 NTTデータ 山口 永
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
社内勉強会
MLOps入門
MLOps入門
Hiro Mura
MLOpsという言葉からは運用という印象を受けますが、MLOps製品の機能やMLOpsカンファレンスの発表内容をみると、印象とは異なります。本スライドではなぜMLOpsがバズワードなのか紹介します
MLOpsはバズワード
MLOpsはバズワード
Tetsutaro Watanabe
MLflow概説
MLflowで学ぶMLOpsことはじめ
MLflowで学ぶMLOpsことはじめ
Kenichi Sonoda
「MLOpsとはなにか?」という質問に対し、「データサイエンティストが、システム開発において、やらないことすべて」と定義した上で、MLOpsの説明、海外事例、「JapanTaxi」アプリでの事例を説明します
先駆者に学ぶ MLOpsの実際
先駆者に学ぶ MLOpsの実際
Tetsutaro Watanabe
第15回 MLOps 勉強会(Online)で使用したスライドです。MLOpsに便利なAWSサービスの紹介と事例をご紹介しています。
AWSではじめるMLOps
AWSではじめるMLOps
MariOhbuchi
機械学習モデルのサービングについて
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
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) 2020年1月31日 株式会社NTTデータ / NTT DATA Yuki Nishizawa
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
Empfohlen
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ン 発表資料) 2021年12月16日 NTTデータ 山口 永
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
社内勉強会
MLOps入門
MLOps入門
Hiro Mura
MLOpsという言葉からは運用という印象を受けますが、MLOps製品の機能やMLOpsカンファレンスの発表内容をみると、印象とは異なります。本スライドではなぜMLOpsがバズワードなのか紹介します
MLOpsはバズワード
MLOpsはバズワード
Tetsutaro Watanabe
MLflow概説
MLflowで学ぶMLOpsことはじめ
MLflowで学ぶMLOpsことはじめ
Kenichi Sonoda
「MLOpsとはなにか?」という質問に対し、「データサイエンティストが、システム開発において、やらないことすべて」と定義した上で、MLOpsの説明、海外事例、「JapanTaxi」アプリでの事例を説明します
先駆者に学ぶ MLOpsの実際
先駆者に学ぶ MLOpsの実際
Tetsutaro Watanabe
第15回 MLOps 勉強会(Online)で使用したスライドです。MLOpsに便利なAWSサービスの紹介と事例をご紹介しています。
AWSではじめるMLOps
AWSではじめるMLOps
MariOhbuchi
機械学習モデルのサービングについて
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
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) 2020年1月31日 株式会社NTTデータ / NTT DATA Yuki Nishizawa
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
2020/03/03 に富士通本社で行われた、富士通TechLiveに発表資料です。 コロナウィルスの影響で、リモート発表になりましたが、当日は800人以上の方に同時視聴していただきました
DXとかDevOpsとかのなんかいい感じのやつ 富士通TechLive
DXとかDevOpsとかのなんかいい感じのやつ 富士通TechLive
Tokoroten Nakayama
2021/7/6に実施されたTier4 MoT Meetupの登壇資料です
GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介
Takashi Suzuki
https://www.youtube.com/watch?v=krnaOxKRhoQ&feature=youtu.be Machine learning system in Python. https://github.com/mercari/ml-system-design-pattern
Ml system in_python
Ml system in_python
yusuke shibui
機械学習モデルを作成する際のコード設計についての解説
機械学習で泣かないためのコード設計 2018
機械学習で泣かないためのコード設計 2018
Takahiro Kubo
ML15講演資料
ChatGPTは思ったほど賢くない
ChatGPTは思ったほど賢くない
Carnot Inc.
【資料公開】チケット駆動開発の解説~タスク管理からプロセス改善へ #redmine: プログラマの思索 https://forza.cocolog-nifty.com/blog/2022/01/post-d7c59a.html
チケット駆動開発の解説~タスク管理からプロセス改善へ
チケット駆動開発の解説~タスク管理からプロセス改善へ
akipii Oga
人工知能学会 SWO研究会ワークショップ 「ナレッジグラフ推論チャレンジ2019技術勉強会」 https://kgrc2019ws.peatix.com/
ナレッジグラフ入門
ナレッジグラフ入門
KnowledgeGraph
2022-03-05 YAPC::Japan::Online 2022
エンジニアの個人ブランディングと技術組織
エンジニアの個人ブランディングと技術組織
Takafumi ONAKA
2019年6月15日日本人工知能学会登壇資料
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.
This is a slide for Spark Meetup Tokyo #1 (Spark+AI Summit 2019)
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
Data Platform Confference Tokyo 2017 で話した「リクルートを支える横断データ基盤と機械学習の適用事例」です
リクルートを支える横断データ基盤と機械学習の適用事例
リクルートを支える横断データ基盤と機械学習の適用事例
Tetsutaro Watanabe
第20回ステアラボ人工知能セミナー https://stair.connpass.com/event/109983/ 【講演動画】 https://youtu.be/Fgza_C6KphU 【講演タイトル】 機械学習モデルの判断根拠の説明 【講演概要】 本講演では、機械学習モデルの判断根拠を提示するための説明法について紹介する。高精度な認識・識別が可能な機械学習モデルは一般に非常に複雑な構造をしており、どのような基準で判断が下されているかを人間が窺い知ることは困難である。このようなモデルのブラックボックス性を解消するために、近年様々なモデルの説明法が研究・提案されてきている。本講演の前半ではまず近年の代表的な研究について紹介する。後半では、発表者の最近の研究として「ランダムフォレストの簡略化」と「モデル列挙」について紹介する。
機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明
Satoshi Hara
データマイニングや機械学習をやるときによく問題となる「リーケージ」を防ぐ方法について論じた論文「Leakage in Data Mining: Formulation, Detecting, and Avoidance」(Kaufman, Shachar, et al., ACM Transactions on Knowledge Discovery from Data (TKDD) 6.4 (2012): 1-21.)を解説します。 主な内容は以下のとおりです。 ・過去に起きたリーケージの事例の紹介 ・リーケージを防ぐための2つの考え方 ・リーケージの発見 ・リーケージの修正
学習時に使ってはいないデータの混入「リーケージを避ける」
学習時に使ってはいないデータの混入「リーケージを避ける」
西岡 賢一郎
レコメンドアルゴリズムの基本と周辺知識と実装方法 ・Pythonを使った機械学習の紹介 ・レコメンドアルゴリズムの基礎 ・レコメンドの周辺知識と実装方法
レコメンドアルゴリズムの基本と周辺知識と実装方法
レコメンドアルゴリズムの基本と周辺知識と実装方法
Takeshi Mikami
https://event.cloudnativedays.jp/cicd2021/talks/1154
Machine learning CI/CD with OSS
Machine learning CI/CD with OSS
yusuke shibui
機械学習の社会実装勉強会第14回(https://machine-learning-workshop.connpass.com/event/257236/)で発表した資料です。
Amazon SageMakerでカスタムコンテナを使った学習
Amazon SageMakerでカスタムコンテナを使った学習
西岡 賢一郎
Product Requirements Documentの解説です。 プロダクトの強い軸を作るプロダクトマネジメントフレームワーク (https://www.slideshare.net/kumikokoshiro/ss-192896028 ) と合わせてお読み下さい。
はじめてのPRD
はじめてのPRD
Takuya Oikawa
2021/02/19 Deep Learning JP: http://deeplearning.jp/seminar-2/
【DL輪読会】Scaling Laws for Neural Language Models
【DL輪読会】Scaling Laws for Neural Language Models
Deep Learning JP
DMやPrivate Channelを使うな、といっても意味がないから、 なんでDMを使ってしまうのかをまず考える、 そこからPublic channelの使い方を考えましょう みたいな話 https://eof-github.github.io/eof2019/
チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019
チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019
Tokoroten Nakayama
Data Drift feature in Azure Machine Learning
DataDrift in Azure Machine Learning
DataDrift in Azure Machine Learning
Keita Onabuta
2021/8/28 機械学習の社会実装勉強会 で発表した内容です。
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
https://mlops.connpass.com/event/192140/
異音検知プラットフォーム開発におけるMLOpsの実際と考察 - MLOps コミュニティ #3
異音検知プラットフォーム開発におけるMLOpsの実際と考察 - MLOps コミュニティ #3
Shota Saitoh
Weitere ähnliche Inhalte
Was ist angesagt?
2020/03/03 に富士通本社で行われた、富士通TechLiveに発表資料です。 コロナウィルスの影響で、リモート発表になりましたが、当日は800人以上の方に同時視聴していただきました
DXとかDevOpsとかのなんかいい感じのやつ 富士通TechLive
DXとかDevOpsとかのなんかいい感じのやつ 富士通TechLive
Tokoroten Nakayama
2021/7/6に実施されたTier4 MoT Meetupの登壇資料です
GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介
Takashi Suzuki
https://www.youtube.com/watch?v=krnaOxKRhoQ&feature=youtu.be Machine learning system in Python. https://github.com/mercari/ml-system-design-pattern
Ml system in_python
Ml system in_python
yusuke shibui
機械学習モデルを作成する際のコード設計についての解説
機械学習で泣かないためのコード設計 2018
機械学習で泣かないためのコード設計 2018
Takahiro Kubo
ML15講演資料
ChatGPTは思ったほど賢くない
ChatGPTは思ったほど賢くない
Carnot Inc.
【資料公開】チケット駆動開発の解説~タスク管理からプロセス改善へ #redmine: プログラマの思索 https://forza.cocolog-nifty.com/blog/2022/01/post-d7c59a.html
チケット駆動開発の解説~タスク管理からプロセス改善へ
チケット駆動開発の解説~タスク管理からプロセス改善へ
akipii Oga
人工知能学会 SWO研究会ワークショップ 「ナレッジグラフ推論チャレンジ2019技術勉強会」 https://kgrc2019ws.peatix.com/
ナレッジグラフ入門
ナレッジグラフ入門
KnowledgeGraph
2022-03-05 YAPC::Japan::Online 2022
エンジニアの個人ブランディングと技術組織
エンジニアの個人ブランディングと技術組織
Takafumi ONAKA
2019年6月15日日本人工知能学会登壇資料
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.
This is a slide for Spark Meetup Tokyo #1 (Spark+AI Summit 2019)
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
Data Platform Confference Tokyo 2017 で話した「リクルートを支える横断データ基盤と機械学習の適用事例」です
リクルートを支える横断データ基盤と機械学習の適用事例
リクルートを支える横断データ基盤と機械学習の適用事例
Tetsutaro Watanabe
第20回ステアラボ人工知能セミナー https://stair.connpass.com/event/109983/ 【講演動画】 https://youtu.be/Fgza_C6KphU 【講演タイトル】 機械学習モデルの判断根拠の説明 【講演概要】 本講演では、機械学習モデルの判断根拠を提示するための説明法について紹介する。高精度な認識・識別が可能な機械学習モデルは一般に非常に複雑な構造をしており、どのような基準で判断が下されているかを人間が窺い知ることは困難である。このようなモデルのブラックボックス性を解消するために、近年様々なモデルの説明法が研究・提案されてきている。本講演の前半ではまず近年の代表的な研究について紹介する。後半では、発表者の最近の研究として「ランダムフォレストの簡略化」と「モデル列挙」について紹介する。
機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明
Satoshi Hara
データマイニングや機械学習をやるときによく問題となる「リーケージ」を防ぐ方法について論じた論文「Leakage in Data Mining: Formulation, Detecting, and Avoidance」(Kaufman, Shachar, et al., ACM Transactions on Knowledge Discovery from Data (TKDD) 6.4 (2012): 1-21.)を解説します。 主な内容は以下のとおりです。 ・過去に起きたリーケージの事例の紹介 ・リーケージを防ぐための2つの考え方 ・リーケージの発見 ・リーケージの修正
学習時に使ってはいないデータの混入「リーケージを避ける」
学習時に使ってはいないデータの混入「リーケージを避ける」
西岡 賢一郎
レコメンドアルゴリズムの基本と周辺知識と実装方法 ・Pythonを使った機械学習の紹介 ・レコメンドアルゴリズムの基礎 ・レコメンドの周辺知識と実装方法
レコメンドアルゴリズムの基本と周辺知識と実装方法
レコメンドアルゴリズムの基本と周辺知識と実装方法
Takeshi Mikami
https://event.cloudnativedays.jp/cicd2021/talks/1154
Machine learning CI/CD with OSS
Machine learning CI/CD with OSS
yusuke shibui
機械学習の社会実装勉強会第14回(https://machine-learning-workshop.connpass.com/event/257236/)で発表した資料です。
Amazon SageMakerでカスタムコンテナを使った学習
Amazon SageMakerでカスタムコンテナを使った学習
西岡 賢一郎
Product Requirements Documentの解説です。 プロダクトの強い軸を作るプロダクトマネジメントフレームワーク (https://www.slideshare.net/kumikokoshiro/ss-192896028 ) と合わせてお読み下さい。
はじめてのPRD
はじめてのPRD
Takuya Oikawa
2021/02/19 Deep Learning JP: http://deeplearning.jp/seminar-2/
【DL輪読会】Scaling Laws for Neural Language Models
【DL輪読会】Scaling Laws for Neural Language Models
Deep Learning JP
DMやPrivate Channelを使うな、といっても意味がないから、 なんでDMを使ってしまうのかをまず考える、 そこからPublic channelの使い方を考えましょう みたいな話 https://eof-github.github.io/eof2019/
チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019
チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019
Tokoroten Nakayama
Data Drift feature in Azure Machine Learning
DataDrift in Azure Machine Learning
DataDrift in Azure Machine Learning
Keita Onabuta
Was ist angesagt?
(20)
DXとかDevOpsとかのなんかいい感じのやつ 富士通TechLive
DXとかDevOpsとかのなんかいい感じのやつ 富士通TechLive
GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介
Ml system in_python
Ml system in_python
機械学習で泣かないためのコード設計 2018
機械学習で泣かないためのコード設計 2018
ChatGPTは思ったほど賢くない
ChatGPTは思ったほど賢くない
チケット駆動開発の解説~タスク管理からプロセス改善へ
チケット駆動開発の解説~タスク管理からプロセス改善へ
ナレッジグラフ入門
ナレッジグラフ入門
エンジニアの個人ブランディングと技術組織
エンジニアの個人ブランディングと技術組織
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
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
リクルートを支える横断データ基盤と機械学習の適用事例
リクルートを支える横断データ基盤と機械学習の適用事例
機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明
学習時に使ってはいないデータの混入「リーケージを避ける」
学習時に使ってはいないデータの混入「リーケージを避ける」
レコメンドアルゴリズムの基本と周辺知識と実装方法
レコメンドアルゴリズムの基本と周辺知識と実装方法
Machine learning CI/CD with OSS
Machine learning CI/CD with OSS
Amazon SageMakerでカスタムコンテナを使った学習
Amazon SageMakerでカスタムコンテナを使った学習
はじめてのPRD
はじめてのPRD
【DL輪読会】Scaling Laws for Neural Language Models
【DL輪読会】Scaling Laws for Neural Language Models
チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019
チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019
DataDrift in Azure Machine Learning
DataDrift in Azure Machine Learning
Ähnlich wie MLOpsの概要と初学者が気をつけたほうが良いこと
2021/8/28 機械学習の社会実装勉強会 で発表した内容です。
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
https://mlops.connpass.com/event/192140/
異音検知プラットフォーム開発におけるMLOpsの実際と考察 - MLOps コミュニティ #3
異音検知プラットフォーム開発におけるMLOpsの実際と考察 - MLOps コミュニティ #3
Shota Saitoh
Developers Summit 2022 Summer(デブサミ2022夏)の登壇資料です。
DevSummit_2022_summer_MLOps.pdf
DevSummit_2022_summer_MLOps.pdf
yusuke shibui
Machine Learning Design Patterns の 25: Workflow Pipeline パターンについて、以下の勉強会で発表した資料です https://grass-roots-ml.connpass.com/event/213063/
Workflow pipeline pattern
Workflow pipeline pattern
yohei okawa
Elasticsearchのビギナーです。Elasticsearchを使ったTwitter監視アプリを作成してみました。
Elasticsearchを使ったTwitter監視アプリ
Elasticsearchを使ったTwitter監視アプリ
YuichiArisaka
2020/6/11 ACEでの登壇資料になります。
無料学習 & Communityのすゝめ
無料学習 & Communityのすゝめ
Shohei Oda
ML Ops Study # 1 https://ml-ops.connpass.com/event/73814/ での発表資料です。メルカリで機械学習をどんな風に改善していったかなどの内容となっています
機械学習のマイクロサービスでの運用の実験について #mlops
機械学習のマイクロサービスでの運用の実験について #mlops
Hiroaki Kudo
Cogbot勉強会 #19 (2019年1月22日 https://cogbot.connpass.com/event/115061/ ) LT資料 Azure Machine Learning 入門として、特にコンピューティング先について説明
Machine Learning Serviceを使ってみよう
Machine Learning Serviceを使ってみよう
Yoshitaka Seo
【2021年3月3日開催】 メルペイ x ティアフォー 機械学習のためのシステム開発の話
メルペイの与信モデリングで安全・安心のために実践していること
メルペイの与信モデリングで安全・安心のために実践していること
Yuhi Kawakami
Web開発技術の基本と社会的課題解決サービスの現状
基礎演習V_20141021
基礎演習V_20141021
義広 河野
Developer Summit Summer 2013 C1 Session CA Technologies -Hirofumi Nishino-
Developer Summit Summer 2013 C1セッション CA Technologies
Developer Summit Summer 2013 C1セッション CA Technologies
SA CA
DevOpsが引き金となるインフラエンジニアの進撃
DevOpsが引き金となるインフラエンジニアの進撃
Teruo Adachi
【17-E-4】 未来はどこにいても誰にでも平等にある。 未来を創るのは自分自身だ。 ~SIerの中で生きるということ~
【17-E-4】 未来はどこにいても誰にでも平等にある。 未来を創るのは自分自身だ。 ~SIerの中で生きるということ~
Yoshitaka Kawashima
データマイニングCROSS 2012 パネルディスカッション第2部-機械学習・大規模分散処理 実ビジネス・サービス活用のノウハウと展望
データマイニングCROSS 第2部-機械学習・大規模分散処理
データマイニングCROSS 第2部-機械学習・大規模分散処理
Koichi Hamada
鷲崎弘宜, 機械学習デザインパターンの必要性と機械学習ライフサイクル, 出版記念セミナー: AI活用成熟度と機械学習デザインパターン詳説, スマートエスイー, 2021
機械学習デザインパターンの必要性と機械学習ライフサイクル
機械学習デザインパターンの必要性と機械学習ライフサイクル
Hironori Washizaki
「働き方改革」を本当の意味で実現するには、機能の導入だけではなく先々の利活用や運用を考えたアーキテクチャを包括的に提案する必要があります。 ソフトバンク・テクノロジーでは ”NoOps”=”運用のうれしくない事を無くす” ということを目指し、Microsoft Cloud の提案やサービスの開発を行っています。 本セッションでは Microsoft Cloud を多数導入してきた当社のソリューション担当が自社導入の例を元に提案のポイントと、パートナー様向けに新ブランドのソリューションをご紹介します。
JPC2018[E3]NoOps で進める! Microsoft 365 提案のポイント
JPC2018[E3]NoOps で進める! Microsoft 365 提案のポイント
MPN Japan
デブサミ関西2014 C5 セッション資料です
モバイルがモーションセンサーに出会ったら
モバイルがモーションセンサーに出会ったら
Akira Hatsune
Tech-Circle 機械学習を利用したアプリケーション開発をはじめよう(ハンズオン)の解説資料
Machine Learning Bootstrap
Machine Learning Bootstrap
Takahiro Kubo
Software Foundation:形式的証明と非形式的証明
Software Foundation:形式的証明と非形式的証明
T T
2020年1月 トレノケート主催のセミナー「Microsoft Teams 管理のススメ」資料
Microsoft Teams 管理のススメ
Microsoft Teams 管理のススメ
Trainocate Japan, Ltd.
Ähnlich wie MLOpsの概要と初学者が気をつけたほうが良いこと
(20)
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
異音検知プラットフォーム開発におけるMLOpsの実際と考察 - MLOps コミュニティ #3
異音検知プラットフォーム開発におけるMLOpsの実際と考察 - MLOps コミュニティ #3
DevSummit_2022_summer_MLOps.pdf
DevSummit_2022_summer_MLOps.pdf
Workflow pipeline pattern
Workflow pipeline pattern
Elasticsearchを使ったTwitter監視アプリ
Elasticsearchを使ったTwitter監視アプリ
無料学習 & Communityのすゝめ
無料学習 & Communityのすゝめ
機械学習のマイクロサービスでの運用の実験について #mlops
機械学習のマイクロサービスでの運用の実験について #mlops
Machine Learning Serviceを使ってみよう
Machine Learning Serviceを使ってみよう
メルペイの与信モデリングで安全・安心のために実践していること
メルペイの与信モデリングで安全・安心のために実践していること
基礎演習V_20141021
基礎演習V_20141021
Developer Summit Summer 2013 C1セッション CA Technologies
Developer Summit Summer 2013 C1セッション CA Technologies
DevOpsが引き金となるインフラエンジニアの進撃
DevOpsが引き金となるインフラエンジニアの進撃
【17-E-4】 未来はどこにいても誰にでも平等にある。 未来を創るのは自分自身だ。 ~SIerの中で生きるということ~
【17-E-4】 未来はどこにいても誰にでも平等にある。 未来を創るのは自分自身だ。 ~SIerの中で生きるということ~
データマイニングCROSS 第2部-機械学習・大規模分散処理
データマイニングCROSS 第2部-機械学習・大規模分散処理
機械学習デザインパターンの必要性と機械学習ライフサイクル
機械学習デザインパターンの必要性と機械学習ライフサイクル
JPC2018[E3]NoOps で進める! Microsoft 365 提案のポイント
JPC2018[E3]NoOps で進める! Microsoft 365 提案のポイント
モバイルがモーションセンサーに出会ったら
モバイルがモーションセンサーに出会ったら
Machine Learning Bootstrap
Machine Learning Bootstrap
Software Foundation:形式的証明と非形式的証明
Software Foundation:形式的証明と非形式的証明
Microsoft Teams 管理のススメ
Microsoft Teams 管理のススメ
MLOpsの概要と初学者が気をつけたほうが良いこと
1.
MLOpsの概要と 初学者が気をつけたほうが良いこと 2021/7/31 機械学習の社会実装勉強会
2.
自己紹介 名前:田中 翔 (tsho) twitter: tshowis 大手販促メディア/人材メディアにてデータ分析者
/データエンジニア としてレコメンドエンジン等の開発 /実装/運用を担当。 データに関わらずウェブアプリケーションの開発からサーバーサイ ド、インフラ構築ど幅広く従事。 - MLOps勉強会事務局 本発表は所属する組織とは関係なく、 個人の見解と調べたこと発表いたします。
3.
質問です!MLOpsと聞くと何を思い浮かびますか?
4.
質問です!MLOpsと聞くと何を思い浮かびますか? など?
5.
MLOps MLOps = Machine Learning
Operations = 機械学習の運用 〜機械学習モデルを運用する際の効率化?( DevOpsの意味を汲んで) そもそも機械学習モデルの運用とはなに?
6.
例:よく見られるMLOpsの範囲 NIPS, 2015, Hidden
Technical Debt in Machine Learning Systems
7.
例:MLOpsツールのカバー範囲の一例 - Data Versioning -
Feature Store - Experiment Tracking - Training Orchestration - Explainability - Model Serving - Model Monitoring データ準備/ 探索的データ解析 モデル解釈 モデル実装 モデル運用 MLOps Toys | A Curated List of Machine Learning Projects より
8.
MLOpsのカバー範囲は広い 実際にMLOpsに関する発表などを聞いていると すべて発表している場合もあるし、部分的に発表している場合もある。 MLOpsは機会学習モデルの運用において、 データの準備から運用監視まで幅広い概念と考えることができる。 大事なことは、MLOpsの話をしている場合、 どこのプロセスを話しているのか確認することが大事です。
9.
MLOpsを導入するには? いろいろなアプローチがあるので銀の弾丸は無い 1. あたりをつけて進める方法 - 実現可能性
x ROI(投資対効果)を考えて、どのプロセスから自動化 /効率化する良いか検討して進める 2. 好きな技術から進める方法 - 自分が導入したい技術を導入していく。モチベーションが続きやすい
10.
方法1:あたりをつけて進める方法 データ準備 モデリング デプロイ
監視/管理 実現可能性 ROI ? 注意:上記は簡易的なサンプルですので他にも評価方法はあります。
11.
実現可能性 スキルセットや社内インフラなどさまざまな要因でできると思っていたことも、実はできないこともあるのでこの確 認は重要です。考えたり/調査しすぎても時間がもったいないので PoCをミニマムでやってみて検討するのも良い と思います。 - 内的要因:チームや本人のスキルセットとしてできるか?など - 外的要因:社内システムの制限などがあるのか?など
12.
ROI(投資対効果) 自動化などを導入するにあたり業務効率化やインパクトはどれくらいあるのか? 例えば、1モデルができてリリースするまでにかかる時間として - これまでのやり方:18h/月 - リリースするための計画書準備:
2h - リリースする人とダブルチェックする人の工数を抑えて作業時間: 1h x 2人 = 2h - 動作確認:0.5h - 上記を毎週行う場合: (2h + 2h + 0.5h) x 4 weeks = 18時間 / 月 - CDを導入する場合:4h / 月 - 計画書は不要: 0h - リリースはボタン一つか自動化されるので: 0.5h(多くて) - 動作確認:0.5h(念の為するという意味で。 CIを導入や本番環境での自動での動確があれば不要) 上記の場合、(18h - 4h) x 12ヶ月 = 168h / 年 上記以外にも定量的に測ることは難しいが精神的負荷も減って、 他の作業に注力できることもメリットとしてある。
13.
たとえば データ準備 モデリング デプロイ
監視/管理 上記の場合は、デプロイから自動化を適用していくのが組織として話が進めやすいことが多 い。CI/CDなどのツールを導入するを検討するのが良いパターン。 実現可能性 △ ✕ ○ ✕ ROI △ ○ ○ ✕
14.
方法2:好きな技術から進める方法 上司など決定権が他にある場合、理解ある人でないと難しいがモチベーションベースで進められるので、進め方 などは正直こちらのほうがうまく進むことが多い
15.
サマリー MLOpsはまだまだ発展途上であり、且つ意味が広いです。 MLOpsと聞いたらどこの部分?と聞きましょう。 まずはどこの作業に時間がかかっているか計測し、ROIと実現可能性を考え 総合的に検討しもっとも効果的なプロセスから考えるとよいかもしれないです。 もちろん行いたい技術ベースで進めるのも効果があると思いますのでケースバイケースで進めるのが良いと思います
16.
おわり / 参考 Hidden
Technical Debt in Machine Learning System https://papers.nips.cc/paper/2015/file/86df7dcfd896fcaf2674f757a2463eba-Paper.pdf MLOps toys https://mlops.toys/ MLOpsはバズワード https://www.slideshare.net/tetsutarowatanabe/mlops-249382186 MLOps: 機械学習における継続的デリバリーと自動化のパイプライン https://cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning
Jetzt herunterladen