第1回MLOpsコミュニティイベントでの講演資料です。

1. 第1回 ML Ops勉強会
ML Ops - 実装の現場から
スマート・アナリティクス株式会社
1

2. 自己紹介
畠 慎一郎（はた しんいちろう）
スマート・アナリティクス株式会社 代表取締役
1978年10月15日生まれ 福島県会津若松市出身
家族構成：妻1名、子供3名
•2001-2009
•2010-2015
•2015-2017
•2019-
Smart Analytics, Inc. All Right Reserved.
2020年1月刊行

3. ワークショップやジャンプスタート、
受託分析までご要望に応じた分析
サービスを提供・スコアリングサー
ビスの実装など
製品操作を学ぶコースから理論を学
ぶコース、e-ラーニングまでお客様
のニーズに合わせたトレーニング
コースを提供
IBM SPSS製品をはじめ、分析に関
連するソフトウェアを提供
分析サービス 教育・トレーニング
スマート・アナリティクス株式会社は、あらゆる方にデータ活用のパワーを提供します。
AI/人工知能時代のデータ活用をワンストップで提供
分析ソフトウェア
©2020 Smart Analytics, Inc. All Rights Reserved.

4. ML Ops – 実装の現場から
4
Smart Analytics, Inc. All Right Reserved.

5. DevOps / ML Ops そしてCRISP-DMと
Smart Analytics, Inc. All Right Reserved.
CRISP-DM
Cross Industry Standard Process for Data Mining

6. DevOps / ML Ops そしてCRISP-DMと
Smart Analytics, Inc. All Right Reserved.
大きな枠組みで分析を捉える。
とても重要でかつ必要な「考え方」
「考え方」を否定する余地はまったくない
でも、なぜ実際には難しいのか？

7. DevOps / ML Ops そしてCRISP-DMと
Smart Analytics, Inc. All Right Reserved.
うまくいくケースも数多く存在
うまくいかないケースは？

8. うまくいかないケース
Smart Analytics, Inc. All Right Reserved.
• 理想のデータがそもそも取得できない
（システム的・組織的・スキル的）
• そもそもインプットデータがダメ。。
なのに結果がでないのは分析者のせい？
• 精度99％！？のぬか喜び。
• モデル展開後にフィードバックがなかなか得られない
（業務プロセス上の課題）
• とても良いモデル・知見が得られていても
社内・社外でしがらみが多い。しがらんでいる
• そもそも分析必要ない。。
分析で解決できない課題にチャレンジ！？
（組織論的、人的課題）

9. 「うまくいくケース」と「うまくいかないケース」の違いは？
Smart Analytics, Inc. All Right Reserved.
大前提：
データ内にどれくらい求めたい事象の
答えが入っているのか？ 説明できるか？
→精度が高い分析（Accuracy/Precision）
変数選択は合っている＋展開のプロセスも期待ができる
それにMLOpsとして加えて以下の課題も
- 分析対象の課題
- システム課題
- 業務プロセスの課題
- 人的要因の課題

10. 分析対象とML Ops
「ヒトの分析」 「モノの分析」 「カネの分析」
EC・アプリ以外は
分断されているデータ
分断されているけど比較的きれい つなごうと思えばつなげるけど
すべてを捉えきれないデータ 対象データは事実を捉えきれる？ 国税なら全データをゲットも
アートとサイエンスが混在 展開はシステム的 オンプレ障害あるものの

11. システム面でのML Opsのハードルと注意点
多くの場合には、業務アプリケーション・システムから抽出される情報
様々なデータ
データ
・購入者データ ・出荷データ ・在庫データ
・アンケートのデータ ・Webサイトのデータ ・SNSデータ
業務システムの
履歴としてのデータは
多数存在
一方で、分析に適した
データかは別の話
多くの場合には
データ加工が必要
そこには、結果を
見据えた加工が必要
データ加工

12. データ分析は調理と似ている
よい食材選び
よい調理器具
調理しやすい
形に加工
調理
よい調理器具
おいしい料理の
完成
よい料理人
アイディア
経験
レシピ
目利き
技
技 盛り付け
調理しやすい
形に加工

13. データ分析は調理と似ている
調理しやすい
形に加工
調理
よい分析者
アイディア
経験
ノウハウ？
レシピ？
目利き
技
技 盛り付け
よいデータ選び
よい分析ツール
知見・発見
よい分析ツール分析しやすい
形に加工

14. データ加工って簡単にいうけど・・
「データ加工」には、
当然、最終系のイメージがないとできません。
つまりデータ加工をするために「レシピ」が必要。
しかし、はじめは「レシピ」を持っていない
しかもこの「レシピ」は、
「分析」だけに限らず、「業務」のレシピも必要
実はモデルのモニター、評価あたりも「レシピ」が必要
ML Opsのレシピも必要！？
キッチンでレシピをみる女性

15. ツール面の課題：インプット面と分析面は充実していますが。
分析ツールは世の中にいっぱいある
- コネクター：腐るほどある。
入力データはたくさん欲しいよね！
でも、分析結果（展開）のコネクターは？
なかなか数が限られる。
- 20年以上変わらない。知見の内在化問題
- 本当はデプロイも試行錯誤であるべき。
まさにMLOps的なものがツール面でも必要

16. 業務プロセスとシステムの課題：ループするのは実は難しい
システムのサイロ化＋オンプレシステム、日本的な業務プロセスとシステム開発
「弊社は他社と違い特別な業務プロセスがありまして・・」的な神話による弊害
（標準化されないインプットデータ）
業務プロセス内に混在する「手作業」と「判断」
業務プロセスと業務システムが一致していないマニュアル文化
それに加えて
- システム的にも細分化
- APIとかでつながると良いのですが。
- オンプレ＋クラウド＝ハイブリット？
オンプレとクラウド＝2つの系統
例：フィードバックがループしない。。。
フィードバックが面倒だと、使われない

17. 人的要因面とML Ops
今の時代に求められているのは・・ML Ops+Biz
- ビジネスのわかるデータ分析者
- ビジネスのわかるシステム開発者
- IT／データのわかるクリエイター
- IT／データのかわる営業／マーケター
- 分析のわかるシステム開発者
- 分析のわかる営業／マーケター
- 諸々わかってるマネージメント陣
- それを信じて応援だけしてくれる経営層
- 実は旧来の総合職的な人が重要！？
- MLに限らない分析者組織、縦横問題

18. チーム制なのはわかるけど、誰が重要？？
諸々考えるとやっぱり一気通貫して把握・管理できる人・組織が重要！？
ML（データ分析）を軸として、システム、業務プロセス、IT
そして当然分析を知っている人や組織を作る必要がある。
ケースによって違うが、分析の文化を作る必要がある

19. ML Opsを活用するための組織内文化醸成のために
まだまだ課題はあるものの・・
1. まずは ML Opsという考え方は全員持っておくべき
2. 「分析って使えるようね」テーマの選定（現場で使える感を醸成）
3. 「分析できる人」が出世するようサポート
4. プラットフォームでカバーできるものはプラットフォームで
5. 今後のコミュニティに期待！
簡易MLOpsからはじめて、真のMLOps へ

20. Thanks!
お問い合わせ先
スマート・アナリティクス株式会社
〒150-0043 東京都渋谷区道玄坂1-9-4 ODAビルディング 3F
TEL : 03-5784-4580 / FAX 03-5784-4577
E-mail : info@smart-analytics.jp
URL : https://smart-analytics.jp/
Smart Analytics, Inc. 20