ML Ops (Machine Learning Operations)

データサイエンスチームとIT運用チームが連携して機械学習モデルを本番環境でデプロイ、監視および管理する上で必要な機能を提供します。

90 models

大企業では、構築されても本稼働に至らない AI モデルの割合が 90% 以上に達すると推定されています。データサイエンスチーム、プラットフォーム、インフラに巨額の投資がなされ、AI プロジェクトの数は劇的に増加しています。しかし、日の目を見ないプロジェクトの数も同様に増加しているのです。残念なことに、ほとんどのプロジェクトはビジネスリーダーが期待する価値を示すことなく、管理を必要とする新たなリスクを招くだけの存在になっています。

AI の成功を阻む障壁

デプロイの困難さ – データサイエンスチームはさまざまな ML プラットフォーム、言語、フレームワークを利用してモデルを構築しますが、そのようなモデルが本番環境のアプリケーションの要件に適合しているとは限りません。IT チームは理解できないコードをデプロイすることができません。
これまでと違う管理基準 – 予測モデルでは、メモリの使用状況や応答時間など従来のソフトウェアのパフォーマンス指標に変化がなくても、予測精度が低下することがあります。この場合、アプリケーションのパフォーマンスを監視する従来のツールは役に立ちません。
管理の複雑さ – AI ベースのアプリケーションはライフサイクルが複雑で、モデルが頻繁に更新されたり、パフォーマンスに優れた新しい競合モデルが登場したりします。こうした状況によって管理が大幅に複雑化します。
リスクと規制の管理ー AI アプリケーションには、リスクを最小化し、規制への遵守を確保するために強力なガバナンス施策およびツールが必要ですが、多くの企業はこれらを導入していません。

ソリューション

DataRobot の ML Ops の機能を利用すれば、データサイエンスチームと IT 運用チームが連携して機械学習モデルを本番環境でデプロイ、監視および管理したり、モデルの使用を制御したりすることができます。DataRobot の ML Ops の具体的な機能は、以下のとおりです。

任意のクラウドまたはオンプレミスの Kubernetes といった最新の本番環境インフラに、ML プラットフォームの機械学習プロジェクトを簡単にデプロイできます。
データドリフト分析、モデル固有の指標、アラートなどの ML 重視の機能を使用して、ML ベースのアプリケーションのパフォーマンスを監視します。リソースを無駄にせず、アプリケーションのパフォーマンスを継続的に維持するためのプロアクティブな管理とタイムリーなアップデートを提供します。
モデルを頻繁に更新して新しいモデルをテストし、アプリケーションをその場ですぐに変更できる機能によって、ビジネスアプリケーションの稼働を止めることなく、機械学習アプリケーションが持つ動的な特性を管理できます。
ML のデプロイに関連するガバナンスポリシーを適用し、モデルの公開元、変更理由、モデルの運用履歴など、強力なガバナンス施策の導入に必要なデータを取得します。