デプロイ

デプロイとは

機械学習モデルのすべての開発作業が終わったとします。これで、自社の現実のデータにモデルを適用し、予測分析を使用して実際の問題を解決する準備ができました。でも、待ってください。モデルを実際に組織のシステムに統合し、これまでの努力の目的だった予測を開始するには、何をすればよいでしょうか。答えはデプロイ、つまりモデルを本稼動に統合するためのプロセスです。デプロイは、トレーニング済みのモデルによって現実世界の本稼動環境での予測を実行できるようにする行為です。これは機械学習のライフサイクルの最終段階の 1 つであり、非常に煩雑になる場合があります。モデルを効果的に実装するには、条件をそろえる必要があります。組織の IT システムに、モデルの構築に使用される従来の言語との互換性がまったくなく、データサイエンティストが貴重な時間と頭脳をコードの書き換えに費やさざるを得ない場合がよくあります。

デプロイが重要である理由

シンプルに、この機械学習モデルを構築した理由は何かと自問してください。答えはほぼ決まって「予測のため」です。おそらく、収益に大きな影響を与える高パフォーマンスのモデルをデプロイしたいとお考えでしょう – それも、早いに越したことはありません。信頼できる実践的な予測をモデルから得られなければ、モデルの影響はごく限られたものに(というより、ないに等しく)なります。従来のデータサイエンスのワークフローでは、多くの場合、機械学習モデルが記述されたプログラミング言語と本稼動システムで認識できる言語が異なります。本稼動システムで読み取れるようにモデルを再コーディングするには数週間または数カ月かかることがあり、その場合はプロジェクトのタイムラインが長くなって、ようやくモデルを使用できるようになったときにはモデルの有用性が低下してしまいます。ほとんどの組織では、企業向け機械学習のイニシアチブでどのくらいすばやくインサイトを得られるかが、競争力を維持できるか、廃業に追い込まれるかの違いをもたらします。したがって、アナリストの承認段階から本稼動システムで確実に機能する段階へとモデルをすばやく移行させることが最優先事項です。

デプロイ + DataRobot

モデルのデプロイにはたいてい非常に苦労させられることは間違いありません – 少なくとも、データサイエンスを古いやり方で実践している場合はそうです。DataRobot は、お客様に高く評価されている API など、DataRobot プラットフォームで構築されたモデルを本稼動システムにデプロイするためのさまざまな方法を開発しました。これによってデプロイの所要時間を従来より大幅に短縮できます。 モデルのデプロイ用の API DataRobot の自動機械学習プラットフォームでは、デプロイにかかっていた数週間または数カ月が、わずか数時間になります。すばやくデプロイできるように、予測を取得するプラグアンドプレイの REST API を公開するスタンドアロンの予測サーバーが提供されます。DataRobot では実質的に、本稼動アプリケーションに組み込むことができる一連のコードがモデルごとに提供されます。これによって直ちに予測を開始できます。意思決定のために高速のデータ処理が必要な場合は、複数の方法で予測コードをダウンロードできるため、それを本稼動システムに統合できます。モデルを手動で再コーディングする必要はありません。重要なのは、DataRobot を利用すればデプロイがとても骨の折れる作業から自動化された作業に変わるということです。