MLOps

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 モデル

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。
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 MLOps and Governance 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 MLOps and Governance 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 や Spark 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、インフラの監視・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。
モデルを頻繁に更新して新しい競合モデルをテストし、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。