MLOpsは、「機械学習」と「運用」を組み合わせた造語であり、本番環境における機械学習モデルの信頼性が高く効率的なデプロイと保守に焦点を当てたパラダイムである。これは、通常は隔離された実験システムで行われるMLアルゴリズムの開発と、これらのモデルが実行される運用環境との間のギャップを埋めるものである。この実践は、機械学習、DevOps原則を重視したソフトウェア工学、およびデータ工学という3つの関連分野から派生している。その目標は、モデルが堅牢で、スケーラブルで、ビジネス目標に沿ったものであることを保証するとともに、ガバナンスと規制要件に対処することである。
この用語は、「機械学習」とDevOpsの継続的デリバリー実践、特にそのCI/CD（継続的インテグレーションと継続的デリバリー）コンポーネントを組み合わせたことに由来する。MLOpsは、ベストプラクティスの集合から、MLライフサイクル管理への独立したアプローチへと徐々に進化している。その原則には、CI/CD自動化、ワークフローオーケストレーション、再現性、データ・モデル・コードのバージョニング、コラボレーション、継続的トレーニングと評価、メタデータ追跡、モニタリング、フィードバックループが含まれる。
定義と範囲
MLOpsは、機械学習、ソフトウェア工学（特にDevOps）、データ工学という3つの分野を活用する工学実践である。これは、開発（Dev）と運用（Ops）を橋渡しすることで、機械学習製品の作成を容易にすることを目的としている。その範囲は、MLシステムのライフサイクル全体をカバーする。モデル生成との統合（ソフトウェア開発ライフサイクルとCI/CDを含む）から、オーケストレーション、デプロイ、そしてヘルスモニタリング、診断、ガバナンス、ビジネスメトリクスに至るまでである。MLOpsシステムは、ワークフローを自動化し、摩擦を減らし、品質を向上させるように設計されている。これらは、MLを実用化し、実験から持続的な運用へと移行するために不可欠である。この分野は、あらゆるタイプのAIモデルの運用化をカバーするModelOpsや、IT運用にAIを使用するAIOpsとは区別される。
歴史
機械学習の運用化への関心は、MLプロジェクトが実験から本番へと移行し始めた2010年代半ばに高まった。2015年の論文は、そのようなシステムを維持することの課題を強調した。2017年から2018年、そして再び2018年から2020年にかけて、MLパイロットと実装の数は2倍になると推定され、採用の増加を反映していた。しかし、企業のMLイニシアチブの大半（最大88パーセント）はテスト段階を超えて進むのに苦労し、MLを首尾よくデプロイした組織は3〜15パーセントの利益率の増加を見た。MLOps市場規模は2024年に2,191.8百万米ドルに成長し、2030年までに16,613.4百万米ドルに達すると予測されており、Amazon Web Services、Azure、Google Cloud、Oracle Cloudなどのプロバイダーからの重要な産業投資を示している。
アーキテクチャ
機械学習システムは、データ収集、データ処理、特徴量エンジニアリング、データラベリング、モデル設計、モデルトレーニングと最適化、エンドポイントデプロイ、エンドポイントモニタリングの8つのカテゴリに分けることができる。各ステップは独自のシステムで構築されるが、相互接続が必要である。典型的なMLOpsアーキテクチャには、モデルが構築されるデータサイエンスプラットフォームと、計算が実行される分析エンジンが含まれ、MLOpsツールがモデル、データ、および結果の移動をそれらの間で調整する。これらの最小コンポーネントは、企業が組織内でMLをスケールするために不可欠であると考えられている。
目標と実践
MLOpsは、MLライフサイクル全体にわたっていくつかの目標を達成することを目指している。これらには、モデルが確実にリリースされるようにするデプロイと自動化、実験を繰り返せるようにするモデルと予測の再現性、問題を特定するための診断、ガバナンスと規制コンプライアンス、成長するデータとモデルを処理するためのスケーラビリティが含まれる。この分野はまた、チーム間のコラボレーション、ビジネスニーズへのMLの適用、およびデプロイされたモデルの継続的なモニタリングと管理に焦点を当てている。標準的なMLOps実践は、ワークフローを最適化し、実装の問題を回避するために、これらすべての領域を考慮に入れる。
商業的採用
ベンダーは、大規模言語モデルをデプロイする組織向けの強化学習運用（RLOps）などの専門的な提供を含む、商業用MLOpsインフラストラクチャを提供するために登場している。MLOpsの進化は、深層学習フレームワークとプラットフォームの成長と並行しているが、より広範なMLモデルセットに適用される。この分野は、AIモデルがより複雑になり、本番環境の需要が増加するにつれて進化し続けている。
参考文献
ウィキペディア（CC BY-SA）および業界レポートからのソース資料。