Submit Search
Upload
対応性のある運用のパターン
•
1 like
•
1,180 views
Hironori Washizaki
Follow
名取 直毅, 対応性のある運用のパターン, 出版記念セミナー: AI活用成熟度と機械学習デザインパターン詳説, 2021
Read less
Read more
Software
Report
Share
Report
Share
1 of 8
Download now
Download to read offline
Recommended
モデル訓練のパターン
モデル訓練のパターン
Hironori Washizaki
機械学習デザインパターン: 再現性パターン
機械学習デザインパターン: 再現性パターン
Nobukazu Yoshioka
機械学習デザインパターンの必要性と機械学習ライフサイクル
機械学習デザインパターンの必要性と機械学習ライフサイクル
Hironori Washizaki
データ表現のパターン
データ表現のパターン
Hironori Washizaki
対応性のある運用のパターン
対応性のある運用のパターン
NaotakeNatori
パターンのつながりとAI活用成熟度
パターンのつながりとAI活用成熟度
Hironori Washizaki
機械学習デザインパターンおよび機械学習システムの品質保証の取り組み
機械学習デザインパターンおよび機械学習システムの品質保証の取り組み
Hironori Washizaki
(修正)機械学習デザインパターン(ML Design Patterns)の解説
(修正)機械学習デザインパターン(ML Design Patterns)の解説
Hironori Washizaki
Recommended
モデル訓練のパターン
モデル訓練のパターン
Hironori Washizaki
機械学習デザインパターン: 再現性パターン
機械学習デザインパターン: 再現性パターン
Nobukazu Yoshioka
機械学習デザインパターンの必要性と機械学習ライフサイクル
機械学習デザインパターンの必要性と機械学習ライフサイクル
Hironori Washizaki
データ表現のパターン
データ表現のパターン
Hironori Washizaki
対応性のある運用のパターン
対応性のある運用のパターン
NaotakeNatori
パターンのつながりとAI活用成熟度
パターンのつながりとAI活用成熟度
Hironori Washizaki
機械学習デザインパターンおよび機械学習システムの品質保証の取り組み
機械学習デザインパターンおよび機械学習システムの品質保証の取り組み
Hironori Washizaki
(修正)機械学習デザインパターン(ML Design Patterns)の解説
(修正)機械学習デザインパターン(ML Design Patterns)の解説
Hironori Washizaki
機械学習応用システムのアーキテクチャ・デザイパターン(2020-07 ドラフトバージョン))
機械学習応用システムのアーキテクチャ・デザイパターン(2020-07 ドラフトバージョン))
HironoriTAKEUCHI1
機械学習工学と機械学習応用システムの開発@SmartSEセミナー(2021/3/30)
機械学習工学と機械学習応用システムの開発@SmartSEセミナー(2021/3/30)
Nobukazu Yoshioka
Transform pattern
Transform pattern
yohei okawa
機械学習応用のためのソフトウェアエンジニアリングパターン
機械学習応用のためのソフトウェアエンジニアリングパターン
HironoriTAKEUCHI1
機械学習システムの33のアーキテクチャパターンおよびデザインパターン
機械学習システムの33のアーキテクチャパターンおよびデザインパターン
Hironori Washizaki
koredake modeling
koredake modeling
ChangeVision
分析・モニタリングのために作文活動を測定するシステムの設計
分析・モニタリングのために作文活動を測定するシステムの設計
yamahige
koredake modeling accelerates agile
koredake modeling accelerates agile
ChangeVision
スマートエスイーセミナー:機外学習応用システムパターンの例
スマートエスイーセミナー:機外学習応用システムパターンの例
HironoriTAKEUCHI1
AutoML & InterpretML (2019/11/27 Deep Learning Lab 講演資料)
AutoML & InterpretML (2019/11/27 Deep Learning Lab 講演資料)
Keita Onabuta
Ml desginpattern 12_checkpoints_21210427
Ml desginpattern 12_checkpoints_21210427
Masakazu Shinoda
Workflow pipeline pattern
Workflow pipeline pattern
yohei okawa
機械学習システムのアーキテクチャアラカルト
機械学習システムのアーキテクチャアラカルト
BrainPad Inc.
”試してみた”で終わらない サーバーレスアプリケーションの実践開発
”試してみた”で終わらない サーバーレスアプリケーションの実践開発
Yuta Matsumura
機械学習 - MNIST の次のステップ
機械学習 - MNIST の次のステップ
Daiyu Hatakeyama
ITエンジニアのためのAI基礎2020
ITエンジニアのためのAI基礎2020
Keisuke Tameyasu
AstroBlasterUI研修
AstroBlasterUI研修
Shinsuke Kubo
Exam prep microsoft_ai900_japanese_210428
Exam prep microsoft_ai900_japanese_210428
Yukio Saito
AI Utilization Seminar 20190709
AI Utilization Seminar 20190709
陽平 山口
開発ビギナーだけじゃない!インフラエンジニア & マネージャー にも知ってほしいテスト自動化と品質管理
開発ビギナーだけじゃない!インフラエンジニア & マネージャー にも知ってほしいテスト自動化と品質管理
慎一 古賀
データ仮想化を活用したデータ分析のフローと分析モデル作成の自動化のご紹介
データ仮想化を活用したデータ分析のフローと分析モデル作成の自動化のご紹介
Denodo
DSL駆動によるクラウド・アプリケーション開発
DSL駆動によるクラウド・アプリケーション開発
Tomoharu ASAMI
More Related Content
What's hot
機械学習応用システムのアーキテクチャ・デザイパターン(2020-07 ドラフトバージョン))
機械学習応用システムのアーキテクチャ・デザイパターン(2020-07 ドラフトバージョン))
HironoriTAKEUCHI1
機械学習工学と機械学習応用システムの開発@SmartSEセミナー(2021/3/30)
機械学習工学と機械学習応用システムの開発@SmartSEセミナー(2021/3/30)
Nobukazu Yoshioka
Transform pattern
Transform pattern
yohei okawa
機械学習応用のためのソフトウェアエンジニアリングパターン
機械学習応用のためのソフトウェアエンジニアリングパターン
HironoriTAKEUCHI1
機械学習システムの33のアーキテクチャパターンおよびデザインパターン
機械学習システムの33のアーキテクチャパターンおよびデザインパターン
Hironori Washizaki
koredake modeling
koredake modeling
ChangeVision
分析・モニタリングのために作文活動を測定するシステムの設計
分析・モニタリングのために作文活動を測定するシステムの設計
yamahige
koredake modeling accelerates agile
koredake modeling accelerates agile
ChangeVision
スマートエスイーセミナー:機外学習応用システムパターンの例
スマートエスイーセミナー:機外学習応用システムパターンの例
HironoriTAKEUCHI1
AutoML & InterpretML (2019/11/27 Deep Learning Lab 講演資料)
AutoML & InterpretML (2019/11/27 Deep Learning Lab 講演資料)
Keita Onabuta
Ml desginpattern 12_checkpoints_21210427
Ml desginpattern 12_checkpoints_21210427
Masakazu Shinoda
Workflow pipeline pattern
Workflow pipeline pattern
yohei okawa
機械学習システムのアーキテクチャアラカルト
機械学習システムのアーキテクチャアラカルト
BrainPad Inc.
What's hot
(13)
機械学習応用システムのアーキテクチャ・デザイパターン(2020-07 ドラフトバージョン))
機械学習応用システムのアーキテクチャ・デザイパターン(2020-07 ドラフトバージョン))
機械学習工学と機械学習応用システムの開発@SmartSEセミナー(2021/3/30)
機械学習工学と機械学習応用システムの開発@SmartSEセミナー(2021/3/30)
Transform pattern
Transform pattern
機械学習応用のためのソフトウェアエンジニアリングパターン
機械学習応用のためのソフトウェアエンジニアリングパターン
機械学習システムの33のアーキテクチャパターンおよびデザインパターン
機械学習システムの33のアーキテクチャパターンおよびデザインパターン
koredake modeling
koredake modeling
分析・モニタリングのために作文活動を測定するシステムの設計
分析・モニタリングのために作文活動を測定するシステムの設計
koredake modeling accelerates agile
koredake modeling accelerates agile
スマートエスイーセミナー:機外学習応用システムパターンの例
スマートエスイーセミナー:機外学習応用システムパターンの例
AutoML & InterpretML (2019/11/27 Deep Learning Lab 講演資料)
AutoML & InterpretML (2019/11/27 Deep Learning Lab 講演資料)
Ml desginpattern 12_checkpoints_21210427
Ml desginpattern 12_checkpoints_21210427
Workflow pipeline pattern
Workflow pipeline pattern
機械学習システムのアーキテクチャアラカルト
機械学習システムのアーキテクチャアラカルト
Similar to 対応性のある運用のパターン
”試してみた”で終わらない サーバーレスアプリケーションの実践開発
”試してみた”で終わらない サーバーレスアプリケーションの実践開発
Yuta Matsumura
機械学習 - MNIST の次のステップ
機械学習 - MNIST の次のステップ
Daiyu Hatakeyama
ITエンジニアのためのAI基礎2020
ITエンジニアのためのAI基礎2020
Keisuke Tameyasu
AstroBlasterUI研修
AstroBlasterUI研修
Shinsuke Kubo
Exam prep microsoft_ai900_japanese_210428
Exam prep microsoft_ai900_japanese_210428
Yukio Saito
AI Utilization Seminar 20190709
AI Utilization Seminar 20190709
陽平 山口
開発ビギナーだけじゃない!インフラエンジニア & マネージャー にも知ってほしいテスト自動化と品質管理
開発ビギナーだけじゃない!インフラエンジニア & マネージャー にも知ってほしいテスト自動化と品質管理
慎一 古賀
データ仮想化を活用したデータ分析のフローと分析モデル作成の自動化のご紹介
データ仮想化を活用したデータ分析のフローと分析モデル作成の自動化のご紹介
Denodo
DSL駆動によるクラウド・アプリケーション開発
DSL駆動によるクラウド・アプリケーション開発
Tomoharu ASAMI
お得に手軽に♪試してみよう!サーバーレスアーキテクチャ ~Azure Functions / Logic Apps~
お得に手軽に♪試してみよう!サーバーレスアーキテクチャ ~Azure Functions / Logic Apps~
典子 松本
SIビジネスのデジタル・トランスフォーメーション
SIビジネスのデジタル・トランスフォーメーション
Masanori Saito
2014-10-27 #ssmjp 腹を割って話そう (運用xセキュリティ)
2014-10-27 #ssmjp 腹を割って話そう (運用xセキュリティ)
Operation Lab, LLC.
新しいソフトウェアエンジニアリングのためのパターンランゲージに向けて
新しいソフトウェアエンジニアリングのためのパターンランゲージに向けて
Hironori Washizaki
運用レコメンドプラッフォーム OpsBear ~運用作業における調査/分析の機械化~ OSC Enterprise 2018
運用レコメンドプラッフォーム OpsBear ~運用作業における調査/分析の機械化~ OSC Enterprise 2018
光平 八代
2015-05-23 クラウドの運用になって インフラエンジニアは何が変わるのか?
2015-05-23 クラウドの運用になって インフラエンジニアは何が変わるのか?
Operation Lab, LLC.
KIXS Vol.000: Microsoft Cognitive Services 入門 & Azure サーバー管理ツール
KIXS Vol.000: Microsoft Cognitive Services 入門 & Azure サーバー管理ツール
Ayako Omori
要求 【クラウドアプリケーションのためのオブジェクト指向分析設計講座 第12回】
要求 【クラウドアプリケーションのためのオブジェクト指向分析設計講座 第12回】
Tomoharu ASAMI
PMAJ関西PMセミナー2021 成功するための価値共創開発ポイント
PMAJ関西PMセミナー2021 成功するための価値共創開発ポイント
Naoya Maekawa
AWSサムライハンズオン CDPから始めよう #jawsdays
AWSサムライハンズオン CDPから始めよう #jawsdays
真吾 吉田
Integral Technology 第2回ユーザカンファレンス 〜すべてをクラウドで解析するための方法〜
Integral Technology 第2回ユーザカンファレンス 〜すべてをクラウドで解析するための方法〜
Rescale Japan株式会社
Similar to 対応性のある運用のパターン
(20)
”試してみた”で終わらない サーバーレスアプリケーションの実践開発
”試してみた”で終わらない サーバーレスアプリケーションの実践開発
機械学習 - MNIST の次のステップ
機械学習 - MNIST の次のステップ
ITエンジニアのためのAI基礎2020
ITエンジニアのためのAI基礎2020
AstroBlasterUI研修
AstroBlasterUI研修
Exam prep microsoft_ai900_japanese_210428
Exam prep microsoft_ai900_japanese_210428
AI Utilization Seminar 20190709
AI Utilization Seminar 20190709
開発ビギナーだけじゃない!インフラエンジニア & マネージャー にも知ってほしいテスト自動化と品質管理
開発ビギナーだけじゃない!インフラエンジニア & マネージャー にも知ってほしいテスト自動化と品質管理
データ仮想化を活用したデータ分析のフローと分析モデル作成の自動化のご紹介
データ仮想化を活用したデータ分析のフローと分析モデル作成の自動化のご紹介
DSL駆動によるクラウド・アプリケーション開発
DSL駆動によるクラウド・アプリケーション開発
お得に手軽に♪試してみよう!サーバーレスアーキテクチャ ~Azure Functions / Logic Apps~
お得に手軽に♪試してみよう!サーバーレスアーキテクチャ ~Azure Functions / Logic Apps~
SIビジネスのデジタル・トランスフォーメーション
SIビジネスのデジタル・トランスフォーメーション
2014-10-27 #ssmjp 腹を割って話そう (運用xセキュリティ)
2014-10-27 #ssmjp 腹を割って話そう (運用xセキュリティ)
新しいソフトウェアエンジニアリングのためのパターンランゲージに向けて
新しいソフトウェアエンジニアリングのためのパターンランゲージに向けて
運用レコメンドプラッフォーム OpsBear ~運用作業における調査/分析の機械化~ OSC Enterprise 2018
運用レコメンドプラッフォーム OpsBear ~運用作業における調査/分析の機械化~ OSC Enterprise 2018
2015-05-23 クラウドの運用になって インフラエンジニアは何が変わるのか?
2015-05-23 クラウドの運用になって インフラエンジニアは何が変わるのか?
KIXS Vol.000: Microsoft Cognitive Services 入門 & Azure サーバー管理ツール
KIXS Vol.000: Microsoft Cognitive Services 入門 & Azure サーバー管理ツール
要求 【クラウドアプリケーションのためのオブジェクト指向分析設計講座 第12回】
要求 【クラウドアプリケーションのためのオブジェクト指向分析設計講座 第12回】
PMAJ関西PMセミナー2021 成功するための価値共創開発ポイント
PMAJ関西PMセミナー2021 成功するための価値共創開発ポイント
AWSサムライハンズオン CDPから始めよう #jawsdays
AWSサムライハンズオン CDPから始めよう #jawsdays
Integral Technology 第2回ユーザカンファレンス 〜すべてをクラウドで解析するための方法〜
Integral Technology 第2回ユーザカンファレンス 〜すべてをクラウドで解析するための方法〜
More from Hironori Washizaki
Machine Learning Software Engineering Patterns and Their Engineering
Machine Learning Software Engineering Patterns and Their Engineering
Hironori Washizaki
IEEE Computer Society 2024 Technology Predictions Update
IEEE Computer Society 2024 Technology Predictions Update
Hironori Washizaki
鷲崎弘宜, "国際規格ISO/IEC 24773とその意義", 情報処理学会 第86回全国大会
鷲崎弘宜, "国際規格ISO/IEC 24773とその意義", 情報処理学会 第86回全国大会
Hironori Washizaki
IEEE Computer Society’s Strategic Activities and Products including SWEBOK Guide
IEEE Computer Society’s Strategic Activities and Products including SWEBOK Guide
Hironori Washizaki
TISO/IEC JTC1におけるソフトウェア工学知識体系、技術者認証および品質の標準化と研究・教育他への活用
TISO/IEC JTC1におけるソフトウェア工学知識体系、技術者認証および品質の標準化と研究・教育他への活用
Hironori Washizaki
アジャイル品質のパターンとメトリクス Agile Quality Patterns and Metrics (QA2AQ) 20240225
アジャイル品質のパターンとメトリクス Agile Quality Patterns and Metrics (QA2AQ) 20240225
Hironori Washizaki
Joseph Yoder : Being Agile about Architecture
Joseph Yoder : Being Agile about Architecture
Hironori Washizaki
世界標準のソフトウェア工学知識体系SWEBOK Guide最新第4版を通じた開発アップデート
世界標準のソフトウェア工学知識体系SWEBOK Guide最新第4版を通じた開発アップデート
Hironori Washizaki
SWEBOK Guide Evolution and Its Emerging Areas including Machine Learning Patt...
SWEBOK Guide Evolution and Its Emerging Areas including Machine Learning Patt...
Hironori Washizaki
デジタルトランスフォーメーション(DX)におけるソフトウェアの側面とダイバーシティ・インクルーシブに関する研究実践動向
デジタルトランスフォーメーション(DX)におけるソフトウェアの側面とダイバーシティ・インクルーシブに関する研究実践動向
Hironori Washizaki
SQuBOKガイドV3概説 ~IoT・AI・DX時代のソフトウェア品質とシステム監査~
SQuBOKガイドV3概説 ~IoT・AI・DX時代のソフトウェア品質とシステム監査~
Hironori Washizaki
人生100年・60年カリキュラム時代のDX人材育成: スマートエスイー 2021年度成果および2022年度募集
人生100年・60年カリキュラム時代のDX人材育成: スマートエスイー 2021年度成果および2022年度募集
Hironori Washizaki
スマートエスイーコンソーシアムの概要と2021年度成果紹介
スマートエスイーコンソーシアムの概要と2021年度成果紹介
Hironori Washizaki
DXの推進において企業内に求められる人材やデジタル人材の育て方
DXの推進において企業内に求められる人材やデジタル人材の育て方
Hironori Washizaki
青山幹雄先生を偲んで(開拓、理論、実践、コミュニティ&国際)
青山幹雄先生を偲んで(開拓、理論、実践、コミュニティ&国際)
Hironori Washizaki
Software Engineering Patterns for Machine Learning Applications
Software Engineering Patterns for Machine Learning Applications
Hironori Washizaki
Rubric-based Assessment of Programming Thinking Skills and Comparative Evalua...
Rubric-based Assessment of Programming Thinking Skills and Comparative Evalua...
Hironori Washizaki
機械学習デザインパターン Machine Learning Design Patterns
機械学習デザインパターン Machine Learning Design Patterns
Hironori Washizaki
Smart SE: Recurrent Education Program of IoT and AI for Business
Smart SE: Recurrent Education Program of IoT and AI for Business
Hironori Washizaki
Analysis of IoT Pattern Descriptions (SERP4IoT 2021)
Analysis of IoT Pattern Descriptions (SERP4IoT 2021)
Hironori Washizaki
More from Hironori Washizaki
(20)
Machine Learning Software Engineering Patterns and Their Engineering
Machine Learning Software Engineering Patterns and Their Engineering
IEEE Computer Society 2024 Technology Predictions Update
IEEE Computer Society 2024 Technology Predictions Update
鷲崎弘宜, "国際規格ISO/IEC 24773とその意義", 情報処理学会 第86回全国大会
鷲崎弘宜, "国際規格ISO/IEC 24773とその意義", 情報処理学会 第86回全国大会
IEEE Computer Society’s Strategic Activities and Products including SWEBOK Guide
IEEE Computer Society’s Strategic Activities and Products including SWEBOK Guide
TISO/IEC JTC1におけるソフトウェア工学知識体系、技術者認証および品質の標準化と研究・教育他への活用
TISO/IEC JTC1におけるソフトウェア工学知識体系、技術者認証および品質の標準化と研究・教育他への活用
アジャイル品質のパターンとメトリクス Agile Quality Patterns and Metrics (QA2AQ) 20240225
アジャイル品質のパターンとメトリクス Agile Quality Patterns and Metrics (QA2AQ) 20240225
Joseph Yoder : Being Agile about Architecture
Joseph Yoder : Being Agile about Architecture
世界標準のソフトウェア工学知識体系SWEBOK Guide最新第4版を通じた開発アップデート
世界標準のソフトウェア工学知識体系SWEBOK Guide最新第4版を通じた開発アップデート
SWEBOK Guide Evolution and Its Emerging Areas including Machine Learning Patt...
SWEBOK Guide Evolution and Its Emerging Areas including Machine Learning Patt...
デジタルトランスフォーメーション(DX)におけるソフトウェアの側面とダイバーシティ・インクルーシブに関する研究実践動向
デジタルトランスフォーメーション(DX)におけるソフトウェアの側面とダイバーシティ・インクルーシブに関する研究実践動向
SQuBOKガイドV3概説 ~IoT・AI・DX時代のソフトウェア品質とシステム監査~
SQuBOKガイドV3概説 ~IoT・AI・DX時代のソフトウェア品質とシステム監査~
人生100年・60年カリキュラム時代のDX人材育成: スマートエスイー 2021年度成果および2022年度募集
人生100年・60年カリキュラム時代のDX人材育成: スマートエスイー 2021年度成果および2022年度募集
スマートエスイーコンソーシアムの概要と2021年度成果紹介
スマートエスイーコンソーシアムの概要と2021年度成果紹介
DXの推進において企業内に求められる人材やデジタル人材の育て方
DXの推進において企業内に求められる人材やデジタル人材の育て方
青山幹雄先生を偲んで(開拓、理論、実践、コミュニティ&国際)
青山幹雄先生を偲んで(開拓、理論、実践、コミュニティ&国際)
Software Engineering Patterns for Machine Learning Applications
Software Engineering Patterns for Machine Learning Applications
Rubric-based Assessment of Programming Thinking Skills and Comparative Evalua...
Rubric-based Assessment of Programming Thinking Skills and Comparative Evalua...
機械学習デザインパターン Machine Learning Design Patterns
機械学習デザインパターン Machine Learning Design Patterns
Smart SE: Recurrent Education Program of IoT and AI for Business
Smart SE: Recurrent Education Program of IoT and AI for Business
Analysis of IoT Pattern Descriptions (SERP4IoT 2021)
Analysis of IoT Pattern Descriptions (SERP4IoT 2021)
対応性のある運用のパターン
1.
出版記念セミナー: AI活用成熟度と機械学習デザインパターン詳説 新時代の新常識: AIエンジニアが知るべき30のベストプラクティス 20:05-20:20
対応性のある運用のパターン 名取 直毅(株式会社アイシン) ステートレスサービング関数、バッチサービング、継続的モデル評価、2段階予測、キー付き予測などのレジリエ ンス・対応性のあるサービング・運用に関わるデザインパターンを解説します。
2.
対応性のある運用のパターン• 訓練モデルをデプロイし人の関 与なく弾力的に予測稼働・運用 パターン 問題
解決 ステートレスサービング関数 Stateless Serving Function モデルの巨大化。訓練時と 稼働時の環境相違 モデルの中核のみエキスポート、ス テートレスREST APIとしてデプロイ バッチサービング Batch Serving 非同期の予測を数多く実施 困難 バッチ処理、分散処理環境下で大量 データによる非同期予測 継続的モデル評価 Continued Model Evaluation コンセプトドリフト、デー タドリフト 継続的なモデル評価・モニタリング と再訓練 2段階予測 Two-Phase Predictions エッジデバイス上の縮退さ れた訓練モデルの性能低下 単純なタスク用のモデルをエッジ、 複雑なものをクラウド上で稼働 キー付き予測 Keyed Predictions 多数の入力データをスケー ラブルに扱えない 入力へキー付加、キー付きで出力す ることで分散環境下で容易な扱い キー付き予測 『機械学習デザインパターン ―データ準備、モデル構築、MLOpsの実践上の問題と解決』Lakshmananら著, 鷲崎ら訳, オライリージャパン, 2021 2/9
3.
問題 デプロイ後にコンセプトドリフトやデータドリフトが発生し、モデルが劣化する。訓練 データセット更新やモデル再訓練のタイミングや頻度がわからない。 【コンセプトドリフトの例】クレジットカードのICカード化(Chip and Pin)によって不正 使用の手口がオンライン上へと移行し、不正検知モデルの予測精度が急激に低下。 【データドリフトの例】特徴量分布が変わる(スキーリゾートがオープン⇒病院で若年層の 患者が増加)、意味が変わる(ある体重を「肥満」とみなすかどうかは時代とともに変化)。 『機械学習デザインパターン
―データ準備、モデル構築、MLOpsの実践上の問題と解決』Lakshmananら著, 鷲崎ら訳, オライリージャパン, 2021 継続的モデル評価(Continued Model Evaluation) (入力と推論対象の関係) 3/9 機械学習モデルには「訓練/検証/テストの各データは同じ分布から」という暗黙の前提がある 本番環境では その前提が崩れる
4.
解決 モデルの予測性能を継続的に監視し、開発時と同じ指標でそれを評価する。そのためには 入力データ、モデル出力、正解(ground truth)が必要。例えば、Google Cloud
AI Platform は、入出力を定期的にサンプリングしBigQueryテーブルへ保存する機能を備える。一方、ほ とんどの場合、正解の取得には時間がかかる(対象となるイベントのサイクルにも依存)。 - まず、モデルをデプロイする - 次に、入出力の一部を定期的にサンプリングして保存する(サンプリング頻度は運用シス テムのスループットとのトレードオフ) - さらに、正解を取得する。人間によるラベリング(すべて、または信頼度が低いとモデル が判断したもの)。ユーザとの対話(暗黙のフィードバック) - 最後に、モデルを評価する。例えば多クラス分類モデルであれば、適合率(precision)、 再現率(recall)、F値(F1-score)、混同行列(confusion matrix)など 『機械学習デザインパターン ―データ準備、モデル構築、MLOpsの実践上の問題と解決』Lakshmananら著, 鷲崎ら訳, オライリージャパン, 2021 継続的モデル評価(Continued Model Evaluation) 4/9 混同行列にはモデル出力と正解のすべての組合せが表示され、クラス間の分類性能がわかる
5.
トレードオフと代替案 - 再訓練のトリガー:継続的な評価で性能低下を測定し、モデル再訓練のトリガーとする。 再訓練のコストに対してどの程度の性能低下を許容できるかというトレードオフ - スケジュールされた再訓練:継続的な評価を毎日行い、1週間や1ヶ月に1回程度、定期的 に再訓練。更新されたモデルが以前のモデルよりも優れている場合のみ置き換え -
TFXを用いたデータ検証:継続的な評価が事後的(post hoc)であるのに対し、TFXの TensorFlow Data Validationはデータドリフトの予兆も検出 - 再訓練間隔の推定:古いデータで訓練したモデルを最新データで評価、再訓練間隔を推定 『機械学習デザインパターン ―データ準備、モデル構築、MLOpsの実践上の問題と解決』Lakshmananら著, 鷲崎ら訳, オライリージャパン, 2021 継続的モデル評価(Continued Model Evaluation) 性能低下を再訓練のトリガーとする スケジュールされた再訓練 性能低下速度から再訓練間隔を推定 性能低下 ⊿t 5/9
6.
問題 常にインターネットに接続できるとは限らない状況では、モデルはエッジにデプロイされ る。デバイスの制約上、モデルを軽量化しなければならない。モデルのサイズ、精度、レイ テンシーなどのトレードオフをバランスよく調整する必要あり。 【状況の例】フィットネストラッキングデバイス。インターネット接続のない郊外でユーザ の活動量から推薦。 【軽量化の例】モデルを少ないバイト数で表現する量子化(quantization)。例えばTF Lite は、保存されたモデルをエッジに最適化された小さなフォーマットに変換する。サイズやレ イテンシーを大幅に削減する反面、精度が低下する恐れ。 『機械学習デザインパターン ―データ準備、モデル構築、MLOpsの実践上の問題と解決』Lakshmananら著,
鷲崎ら訳, オライリージャパン, 2021 2段階予測(Two-Phase Predictions) Cloud AutoML Visionのオプション画面―サイズ、精度、レイテンシーのトレードオフ 6/9
7.
解決 問題を2つに分けて考え、2つのモデルをデプロイする。 - デバイス上にデプロイ可能、小型で安価、単純なタスクを処理するモデル - クラウド上で必要なときにのみ起動するより複雑なモデル 【Google
Home(Nest)】スマートデバイス上にはウェイクワード「OK Google」だけを 聞き取るモデル。クラウド上には様々なユーザクエリを理解し応答するために音声認識と自 然言語処理を必要とするより複雑なモデル。 【工場機械の故障診断】まず通常音から「異常音」を検出するモデルをオフラインで構築。 次に機械の種類や故障の仕方などを割り出す複雑なモデルをクラウドに構築。 『機械学習デザインパターン ―データ準備、モデル構築、MLOpsの実践上の問題と解決』Lakshmananら著, 鷲崎ら訳, オライリージャパン, 2021 2段階予測(Two-Phase Predictions) 「サックス」のスペクトログラムの例 (音を視覚的に表現することで、画像用 の事前学習モデルから転移学習できる) Kaggleの汎用音声認識データセット 「チェロ」「ノック」「電話」「トランペット」など 合計41種、約9,000件の音のサンプル 2段階予測で全41種のデータから18種の楽器を識別する 7/9
8.
トレードオフと代替案 ※いずれもインターネットに接続できないなどでクラウドモデルの呼出しが難しい状況 - スタンドアロン単一段階モデル:クラウドモデルより精度は落ちるがオフラインで動作す る複雑なデバイスモデル。例えばGoogle翻訳 -
特定の使用場面でのオフラインサポート:アプリケーションの特定部分だけをオフライン で利用可能に。例えばオフライン時のGoogleマップ(○:運転用、×:徒歩・自転車) - 準リアルタイム多予測処理:膨大な数のデバイスからデータを入力するクラウドモデルと 同一タスクを持つ各デバイス内のモデル。例えばスマートホームで温度や気圧などのデー タを取得するセンサデバイス単体でも異常診断(クラウドではより大域的に診断) - オフラインモデル向けの継続的な評価:データドリフトを起こさないように、デバイス内 で継続的な評価を行い再訓練の必要性を判断 『機械学習デザインパターン ―データ準備、モデル構築、MLOpsの実践上の問題と解決』Lakshmananら著, 鷲崎ら訳, オライリージャパン, 2021 2段階予測(Two-Phase Predictions) デバイス上の 統計的機械翻訳 デバイス上の ニューラル機械翻訳 オンラインの ニューラル機械翻訳 8/9
Download now