Machine Learning Operations (MLOps)
本番環境の AI 向けのセンターオブエクセレンス
変化の激しい環境で稼働する機械学習モデルは、資産から負債へとすぐに転じる可能性があります。例えば、トレーニングデータに含まれていない状況が発生すれば、モデルが作成する予測の正確性と信頼性が損なわれ、その結果消費者からの信頼を失い、ビジネス上のリスクを招くことになります。また、機械学習の導入には、手作業による複雑なプロセスが伴ううえ、データサイエンス、ビジネス、および IT の各組織が関わるため、モデルのパフォーマンスに関する問題を迅速に検出して修復する事が難しい事がよくあります。各組織が現在の AI の導入環境や規模を維持しながら新しい機会を活用するには、実稼働しているモデルすべてにおけるライフサイクルを企業全体で包括的かつ適切に管理する必要があります。
DataRobot MLOps は、本番環境の AI 向けのセンターオブエクセレンス（CoE）を提供します。CoE があれば 1 つの場所から、本番稼働しているモデルすべてを一元的に運用、監視、管理できます。その際にモデルがどのように作成され、いつどこにデプロイしたかを考慮する必要はありません。MLOps は、高度な Automated Machine Learning（AutoML）ヘルスモニタリングを使用してモデルの全体的な品質を改善し、モデル比較（「実稼働モデル/代替モデル – チャレンジャー」メカニズムとも呼ばれます）を継続的かつ自動的に行い日々変化する状況に対応します。また、企業全体を対象とした堅牢なガバナンスフレームワークで、本番環境の機械学習プロセスがすべて一元的に実行されるため、実稼働モデルを管理するチームの負担を軽減できます。
場所に縛られずにモデルを構築して実行
MLOps を使用すると、任意のモデルを必要な本番環境にデプロイすることができます。これは、クラウドプラットフォーム、オンプレミスデータセンター、またはハイブリッド環境のいずれでも可能です。MLOps 監視エージェントを利用することで、すでにデプロイされている既存の本番環境モデルに監視機能を追加することができます。これにより、一元化された機械学習運用システムから、挙動とパフォーマンスのリアルタイム監視が可能となります。MLOps は、任意のオープンソースの言語またはライブラリで書かれたモデルを簡単にデプロイし、本番品質の REST API を公開してリアルタイムまたはバッチ予測をサポートします。MLOps はまた、Snowflake や Tableau などのシステムへの組み込みのライトバック統合も提供しています。
モデルのヘルスモニタリングとライフサイクル管理の自動化
MLOps では、常にモニタリングを行い本番環境の状態を把握できるため、既存モデルのパフォーマンスを強化できます。また、ベストプラクティスが自動的に適用されるので、サービスの正常性、精度、データドリフトを追跡し、モデルの品質が低下した理由も把握できます。独自の代替モデルを構築することも、DataRobot の業界トップクラスの AutoML 製品を使用して代替モデルを構築し、現在の本稼働モデルと比較してテストすることも可能です。このプロセスではモデルの学習と評価を継続的に行うため、今日のような変化の激しい非常に不安定な状況下でよく見られる突発的なモデルパフォーマンスの変化を回避きます。
ガバナンスを確保し謙虚さと公平性を持つ
MLOps を利用すると、組織全体で AI プロジェクトのルールと管理を維持できるフレームワークを確立できます。MLOps の Humble AI（予測の信頼性）機能を使用して、リアルタイムのガードレールとなるルールを定義し、すべての予測が合理的かつ通常の期待値の範囲内に収まるようにすることができます。また MLOps では、予測活動とモデル更新の履歴を完全に保持することで規制コンプライアンスを確保し、カスタマイズ可能なガバナンスポリシーとレビューおよび承認プロセスを通じてリスクを低減します。そのため、モデルがどのように作成/使用され、いつ更新されたかを常に把握できます。
MLOps の詳細については、こちらへお問い合わせください。
