Suche senden
Hochladen
機械学習モデルのサービングとは?
•
1 gefällt mir
•
1,185 views
Sho Tanaka
Folgen
機械学習モデルのサービングについて
Weniger lesen
Mehr lesen
Software
Melden
Teilen
Melden
Teilen
1 von 13
Jetzt herunterladen
Downloaden Sie, um offline zu lesen
Empfohlen
MLflowで学ぶMLOpsことはじめ
MLflowで学ぶMLOpsことはじめ
Kenichi Sonoda
(修正)機械学習デザインパターン(ML Design Patterns)の解説
(修正)機械学習デザインパターン(ML Design Patterns)の解説
Hironori Washizaki
MLOpsはバズワード
MLOpsはバズワード
Tetsutaro Watanabe
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
Data-Centric AIの紹介
Data-Centric AIの紹介
Kazuyuki Miyazawa
AWSではじめるMLOps
AWSではじめるMLOps
MariOhbuchi
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜
Preferred Networks
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
MLflowで学ぶMLOpsことはじめ
MLflowで学ぶMLOpsことはじめ
Kenichi Sonoda
(修正)機械学習デザインパターン(ML Design Patterns)の解説
(修正)機械学習デザインパターン(ML Design Patterns)の解説
Hironori Washizaki
MLOpsはバズワード
MLOpsはバズワード
Tetsutaro Watanabe
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
Data-Centric AIの紹介
Data-Centric AIの紹介
Kazuyuki Miyazawa
AWSではじめるMLOps
AWSではじめるMLOps
MariOhbuchi
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜
Preferred Networks
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
深層学習による自然言語処理入門: word2vecからBERT, GPT-3まで
深層学習による自然言語処理入門: word2vecからBERT, GPT-3まで
Yahoo!デベロッパーネットワーク
先駆者に学ぶ MLOpsの実際
先駆者に学ぶ MLOpsの実際
Tetsutaro Watanabe
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
研究分野をサーベイする
研究分野をサーベイする
Takayuki Itoh
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 2018
機械学習で泣かないためのコード設計 2018
Takahiro Kubo
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models
cvpaper. challenge
分散深層学習 @ NIPS'17
分散深層学習 @ NIPS'17
Takuya Akiba
ICML2021の連合学習の論文
ICML2021の連合学習の論文
Katsuya Ito
機械学習デザインパターンおよび機械学習システムの品質保証の取り組み
機械学習デザインパターンおよび機械学習システムの品質保証の取り組み
Hironori Washizaki
【DL輪読会】Toolformer: Language Models Can Teach Themselves to Use Tools
【DL輪読会】Toolformer: Language Models Can Teach Themselves to Use Tools
Deep Learning JP
機械学習システムのアーキテクチャアラカルト
機械学習システムのアーキテクチャアラカルト
BrainPad Inc.
【メタサーベイ】Transformerから基盤モデルまでの流れ / From Transformer to Foundation Models
【メタサーベイ】Transformerから基盤モデルまでの流れ / From Transformer to Foundation Models
cvpaper. challenge
【DL輪読会】High-Resolution Image Synthesis with Latent Diffusion Models
【DL輪読会】High-Resolution Image Synthesis with Latent Diffusion Models
Deep Learning JP
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII
【DL輪読会】Llama 2: Open Foundation and Fine-Tuned Chat Models
【DL輪読会】Llama 2: Open Foundation and Fine-Tuned Chat Models
Deep Learning JP
cvpaper.challenge 研究効率化 Tips
cvpaper.challenge 研究効率化 Tips
cvpaper. challenge
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
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
Data-centricなML開発
Data-centricなML開発
Takeshi 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
Agile and Modeling in embedded systems safety and security
Agile and Modeling in embedded systems safety and security
Kenji Hiranabe
Weitere ähnliche Inhalte
Was ist angesagt?
深層学習による自然言語処理入門: word2vecからBERT, GPT-3まで
深層学習による自然言語処理入門: word2vecからBERT, GPT-3まで
Yahoo!デベロッパーネットワーク
先駆者に学ぶ MLOpsの実際
先駆者に学ぶ MLOpsの実際
Tetsutaro Watanabe
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
研究分野をサーベイする
研究分野をサーベイする
Takayuki Itoh
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 2018
機械学習で泣かないためのコード設計 2018
Takahiro Kubo
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models
cvpaper. challenge
分散深層学習 @ NIPS'17
分散深層学習 @ NIPS'17
Takuya Akiba
ICML2021の連合学習の論文
ICML2021の連合学習の論文
Katsuya Ito
機械学習デザインパターンおよび機械学習システムの品質保証の取り組み
機械学習デザインパターンおよび機械学習システムの品質保証の取り組み
Hironori Washizaki
【DL輪読会】Toolformer: Language Models Can Teach Themselves to Use Tools
【DL輪読会】Toolformer: Language Models Can Teach Themselves to Use Tools
Deep Learning JP
機械学習システムのアーキテクチャアラカルト
機械学習システムのアーキテクチャアラカルト
BrainPad Inc.
【メタサーベイ】Transformerから基盤モデルまでの流れ / From Transformer to Foundation Models
【メタサーベイ】Transformerから基盤モデルまでの流れ / From Transformer to Foundation Models
cvpaper. challenge
【DL輪読会】High-Resolution Image Synthesis with Latent Diffusion Models
【DL輪読会】High-Resolution Image Synthesis with Latent Diffusion Models
Deep Learning JP
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII
【DL輪読会】Llama 2: Open Foundation and Fine-Tuned Chat Models
【DL輪読会】Llama 2: Open Foundation and Fine-Tuned Chat Models
Deep Learning JP
cvpaper.challenge 研究効率化 Tips
cvpaper.challenge 研究効率化 Tips
cvpaper. challenge
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
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
Data-centricなML開発
Data-centricなML開発
Takeshi Suzuki
Was ist angesagt?
(20)
深層学習による自然言語処理入門: word2vecからBERT, GPT-3まで
深層学習による自然言語処理入門: word2vecからBERT, GPT-3まで
先駆者に学ぶ MLOpsの実際
先駆者に学ぶ MLOpsの実際
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...
研究分野をサーベイする
研究分野をサーベイする
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 2018
機械学習で泣かないためのコード設計 2018
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models
分散深層学習 @ NIPS'17
分散深層学習 @ NIPS'17
ICML2021の連合学習の論文
ICML2021の連合学習の論文
機械学習デザインパターンおよび機械学習システムの品質保証の取り組み
機械学習デザインパターンおよび機械学習システムの品質保証の取り組み
【DL輪読会】Toolformer: Language Models Can Teach Themselves to Use Tools
【DL輪読会】Toolformer: Language Models Can Teach Themselves to Use Tools
機械学習システムのアーキテクチャアラカルト
機械学習システムのアーキテクチャアラカルト
【メタサーベイ】Transformerから基盤モデルまでの流れ / From Transformer to Foundation Models
【メタサーベイ】Transformerから基盤モデルまでの流れ / From Transformer to Foundation Models
【DL輪読会】High-Resolution Image Synthesis with Latent Diffusion Models
【DL輪読会】High-Resolution Image Synthesis with Latent Diffusion Models
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
【DL輪読会】Llama 2: Open Foundation and Fine-Tuned Chat Models
【DL輪読会】Llama 2: Open Foundation and Fine-Tuned Chat Models
cvpaper.challenge 研究効率化 Tips
cvpaper.challenge 研究効率化 Tips
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)
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
Data-centricなML開発
Data-centricなML開発
Ähnlich wie 機械学習モデルのサービングとは?
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
Agile and Modeling in embedded systems safety and security
Agile and Modeling in embedded systems safety and security
Kenji Hiranabe
機械学習の力を引き出すための依存性管理
機械学習の力を引き出すための依存性管理
Takahiro Kubo
エンタープライズと機械学習技術
エンタープライズと機械学習技術
maruyama097
Machine Learning Serviceを使ってみよう
Machine Learning Serviceを使ってみよう
Yoshitaka Seo
機械学習応用システムのアーキテクチャ・デザイパターン(2020-07 ドラフトバージョン))
機械学習応用システムのアーキテクチャ・デザイパターン(2020-07 ドラフトバージョン))
HironoriTAKEUCHI1
新しいソフトウェアエンジニアリングのためのパターンランゲージに向けて
新しいソフトウェアエンジニアリングのためのパターンランゲージに向けて
Hironori Washizaki
基礎演習V_20141021
基礎演習V_20141021
義広 河野
機械学習応用アーキテクチャ・デザインパターン概観
機械学習応用アーキテクチャ・デザインパターン概観
Hironori Washizaki
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
基礎演習V_20151006
基礎演習V_20151006
義広 河野
Workflow pipeline pattern
Workflow pipeline pattern
yohei okawa
2021-03-05.osc online-spring(connect-cms)
2021-03-05.osc online-spring(connect-cms)
株式会社 オープンソース・ワークショップ
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
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
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
Preferred Networks
20190807_Aidemy Azure AI ご紹介
20190807_Aidemy Azure AI ご紹介
Deep Learning Lab(ディープラーニング・ラボ)
機械学習工学と機械学習応用システムの開発@SmartSEセミナー(2021/3/30)
機械学習工学と機械学習応用システムの開発@SmartSEセミナー(2021/3/30)
Nobukazu Yoshioka
クラウド・コンピューティングの普及に伴うMSPの現状と課題
クラウド・コンピューティングの普及に伴うMSPの現状と課題
Masahito Zembutsu
Webシステムプログラミング概要20150630
Webシステムプログラミング概要20150630
義広 河野
Ähnlich wie 機械学習モデルのサービングとは?
(20)
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
Agile and Modeling in embedded systems safety and security
Agile and Modeling in embedded systems safety and security
機械学習の力を引き出すための依存性管理
機械学習の力を引き出すための依存性管理
エンタープライズと機械学習技術
エンタープライズと機械学習技術
Machine Learning Serviceを使ってみよう
Machine Learning Serviceを使ってみよう
機械学習応用システムのアーキテクチャ・デザイパターン(2020-07 ドラフトバージョン))
機械学習応用システムのアーキテクチャ・デザイパターン(2020-07 ドラフトバージョン))
新しいソフトウェアエンジニアリングのためのパターンランゲージに向けて
新しいソフトウェアエンジニアリングのためのパターンランゲージに向けて
基礎演習V_20141021
基礎演習V_20141021
機械学習応用アーキテクチャ・デザインパターン概観
機械学習応用アーキテクチャ・デザインパターン概観
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_20151006
基礎演習V_20151006
Workflow pipeline pattern
Workflow pipeline pattern
2021-03-05.osc online-spring(connect-cms)
2021-03-05.osc online-spring(connect-cms)
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
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
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
20190807_Aidemy Azure AI ご紹介
20190807_Aidemy Azure AI ご紹介
機械学習工学と機械学習応用システムの開発@SmartSEセミナー(2021/3/30)
機械学習工学と機械学習応用システムの開発@SmartSEセミナー(2021/3/30)
クラウド・コンピューティングの普及に伴うMSPの現状と課題
クラウド・コンピューティングの普及に伴うMSPの現状と課題
Webシステムプログラミング概要20150630
Webシステムプログラミング概要20150630
機械学習モデルのサービングとは?
1.
機械学習モデルのサービングとは? 2021/9/25 機械学習の社会実装勉強会
2.
自己紹介 名前:tsho 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。 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を発表いたします。
3.
本発表のターゲット - エンジニア中級者などは退屈かもしれません。 初心者 中級者
上級者 データサイエンティスト ◯ ◯ △ ビジネスユーザー ◯ ◯ ◯ エンジニア ◯ △ ✕
4.
@mshr-itoさんの内容を参考にしています。 @mshr-itoさん ありがとうございます。 参考:MLOpsの概要と機械学習モデルのサービングシステム
5.
サービングとは? - 機械学習モデルの文脈だと作成したモデルを活用するために ”提供”すること - 例:APIで利用できる状態にする、アプリケーションとして提供できる状態にする、
etc. - 厳密な期限は終えませんでしたが見たところ 2017 Oreillyや 2018 Google i/oでの表記は確認 - 上記より古いのはまだ確認できずご存知な方いたら教えてもらえると助かります。
6.
機械学習パイプラインの大まかな構成 MLOps レベル0: 手動プロセス 参考: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
7.
モデルのサービングに必要な要素 - 事前に学習した機械学習モデル - 学習済み機械学習モデルを利用するための入力データの特徴量の前処理 -
外部から機械学習モデルを利用するためのインタフェース 入力データ 処理 ※ Model I/F
8.
モデルのサービングが無い場合 サービングの機能がなく、 APIを実装しないといけない 場合は、モデル作成以外にコーディングが必要 参考:FastAPIを使って 機械学習モデルをapi化してみた
9.
サービングを提供しているフレームワーク例 機械学習ライブラリでサービングを提供している例 - TensorFlow - PyTorch
etc. 様々なライブラリのモデルを対応しているサービングフレームワーク例 - BentoML - NVIDIA Triton Inference Server etc. 参考:MLOpsの概要と機械学習モデルのサービングシステム
10.
PyTorchを使った例 参考:pytorch/serve: Model Serving
on PyTorch
11.
詳細は公式Doc 参考:serve/README.md at master
· pytorch/serve · GitHub
12.
おわり サービングは、APIなどコーディングして実装しなくても機械学習モデルを システムに簡単に組み込むことができます。 さまざまな機械学習モデルのライブラリでサービングの機能を提供しているので、 チームで利用しているライブラリなど最適なものを選択して実装することが可能です。
13.
参考 https://qiita.com/mshr-ito/items/f456f60fc5c557a19cf5 https://ubuntu.com/blog/guide-to-ml-model-serving https://www.oreilly.com/library/view/serving-machine-learning/9781492024095/ https://twitter.com/TensorFlow/status/994356340716920832 https://qiita.com/mshr-ito/items/f456f60fc5c557a19cf5 https://cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning?hl=ja https://github.com/pytorch/serve/
Jetzt herunterladen