7. 機械学習システムにおける隠れた技術的負債
14
実世界の機械学習システムでは、機械学習のコード部
分は全体のごく一部
Sculley, D., Holt, G., Golovin, D., Davydov, E., Phillips,T., Ebner, D., Chaudhary,V.,Young, M., Crespo, J. F., & Dennison,
D. (2015). Hidden technical debt in machine learning systems. Advances in Neural Information Processing Systems,
2015-January, 2503–2511.
35. Roles
42
ML Engineer/MLOps Engineer
ML インフラの構築と運用、パイプラインと本番環境へのモデルデプ
ロイの管理、モデルと インフラの監視。
Data Scientistや Backend Engineer、DevOps Engineerなど、様々な
分野のスキルが必要
MLOpsにおける役割と相互の関係
36. Architecture and Workflow
43
MLOpsの主要ワークフロー (関わる役割)
A) プロジェクトの立ち上げ
Business Stakeholder, Solution Architect, Data Scientist, Data
Engineer
B) 特徴量エンジニアリングパイプライン
Data Scientist, Data Engineer
C) 実験
Data Scientist, Data Engineer, Software Engineer, DevOps
Engineer, ML Engineer
D) 自動化されたパイプラインによるモデル提供
Software Engineer, DevOps Engineer, ML Engineer