AI・機械学習の実践

MLOps えむえるおぷす

MLOps機械学習パイプラインモデル監視データドリフト再学習CI/CD
MLOpsってDevOpsと何が違うの?

簡単に言うとこんな感じ!

AIのモデルを「作って終わり」にせず、本番で動かしながら見張って、精度が落ちたら学び直させる仕組みづくりだよ。お店の売れ筋予測も、季節や流行が変われば外れ始めるよね。その「鮮度管理」を自動化するのがMLOpsなんだ。


MLOpsとは

MLOps(Machine Learning Operations) とは、機械学習のモデルを開発してから本番で使い続けるまでの流れ全体を、仕組みとして回し続けるための考え方と実践です。ソフトウェア開発と運用を一体で回す DevOps の考え方を、機械学習に当てはめたものです。

普通のシステムは、プログラムを変えなければ動きは変わりません。ところが機械学習のモデルは、プログラムが同じでも、世の中のデータが変われば精度が落ちていきます。需要予測なら物価の変化、不正検知なら新しい手口で前提が崩れるのです。これをドリフトと呼びます。

そのため MLOps では、データとモデルもバージョン管理し、本番の精度を見張り、必要なら再学習して入れ替える流れを自動化します。

辞書や言葉をイメージしたイラスト

MLOps のサイクル

データ 学習 評価・登録 デプロイ 監視 精度が落ちたら、新しいデータで再学習してやり直す
段階やること
データ・実験管理どのデータ・条件で学習したかを残し、再現できるようにする(MLflow など)
モデル登録合格したモデルを版付きで保管する
デプロイCI/CDパイプラインで本番へ安全に入れ替える
監視精度や入力データの変化を見張る

まとめて提供するクラウドサービスに、Amazon SageMakerや Vertex AI などがあります。

うちはAIの需要予測を1本入れるだけなんだけど、MLOpsまで必要?

いきなり立派な基盤はいらないよ!でも最低限の3点は押さえよう。①どのデータで学習したかの記録、②毎月の予測と実績のズレのチェック、③「ズレたら誰が学び直すか」の決めごと。これがないと、1年後に外れ始めても直せなくなっちゃうんだ。


歴史と背景

  • 2015年:Google の研究者らが論文で、ML システムでは学習コードはごく一部で、周りの仕組みの負債が大きいと指摘
  • 2018年前後:MLflow や Kubeflow などのオープンソースが登場し、「MLOps」という言葉が広まる
  • 2020年前後:大手クラウドが MLOps 向けのガイドや機能を拡充
  • 2023年以降:生成AIの普及で、プロンプトや LLM の評価・監視を扱う「LLMOps」も語られるようになる

DevOps との比較

観点DevOpsMLOps
管理するものプログラムプログラム+データ+モデル
テスト決まった入力で決まった結果かそれに加え、精度が基準を満たすか
劣化の原因主にプログラムの変更変更がなくてもデータの変化で劣化
運用のきっかけ機能追加・不具合修正加えて、精度低下による再学習
AIの開発を外注するとき、MLOpsのことは何を聞けばいい?

「納品後に精度が落ちたらどうなりますか?」がいちばん効く質問だよ!監視の方法、再学習を誰がいくらでやるのかをはっきりさせよう。

モデルだけ納品されて学習手順やデータが残らないと、他社に頼み直せなくなるから要注意だね。


実務のポイント

  • 本番の精度を測る指標と、再学習を判断する基準(しきい値)を決めたか
  • 学習データ・学習手順・モデルの版を、自社で引き継げる形で受け取る契約か
  • 再学習の頻度と費用(保守契約に含むか)を決めたか
  • 新モデルへの切り替え前に、旧モデルとの比較(A/Bテストなど)を行うか
  • 学習データの扱いをデータガバナンスのルールに沿わせたか

関連する規格・RFC

規格・文書内容
ISO/IEC 5338AI システムのライフサイクルプロセス
NIST AI RMFAI のリスク管理の枠組み。運用中の監視も含む

参考文献・外部リンク


関連用語

シス担のミカタ メールマガジン

セキュリティの速報とシステムの最新情報をメールで受け取る

登録すると、次の配信からお届けします。配信はメールの下のリンクから、いつでも解除できます。個人情報の取り扱い