MLOpsとは｜円滑な機械学習を実現する基盤づくり

1 DevOps（デブオプス）のML（機械学習）版

DevOps（デブオプス）のML（機械学習）版

本日は、MLOpsという言葉について解説します。

MLOpsチームを立ち上げた、MLOpsチームで積極採用中である、というお話が、各方面で上がっていますので、「MLOps（エムエルオプス）」という言葉を、聞いたことがある人も多いのではないでしょうか。

昨今、盛り上がっている言葉ですので、明確な定義は、現時点では存在しないとも言えますが、
・DevOpsに近い概念である
・ML（マシンラーニング＝機械学習）の実行サイクルを円滑化してくれる「基盤」である
という2点を理解しておけば、大枠においては間違いありません。

DevOpsとは？

では、近い概念だ、と言っている「DevOps」とは何でしょう。こちらに関しては、Google先生にお問い合わせいただければ、詳細に語ってくれているサイトがたくさんありますので、細かなところはそちらにお任せしたいと思いますが、ざっくり言いますと・・・

プログラムの設計・実装を担う開発（Dev＝Development）チームと、当該プログラムの実行環境を監視・維持メンテナンスする運用（Ops＝Operations）の二つは、本来的には不可分であるが、分かれていることが多い
特に、ウォーターフォール型開発ではなく、アジャイル型開発を志向する場合は、日々、仕様変更や機能追加がDev側で行われ、それをOps側で運用していくことが求められますので、DevとOpsのシームレスな連動が一層求められます
その協調的な活動を実現するにあたり、Dev+Opsのチームの協働体制および、それによって得られる「機能改善と安定稼働の両立」をDevOpsと呼称する

という風にご理解いただけばよいでしょう。

この「Dev（開発）」の部分を「ML（機械学習）」に置き換えたものが、MLOpsということになります。

MLOpsで円滑化されるのは？

機械学習の円滑な運用、安定稼働と言われても、少しピンとこないのではないでしょうか。これは、「機械学習プロセス／サイクルの円滑な運用」と捉えると良いでしょう。すなわち、

スキーマや元データの変更に伴うデータセットのバージョン管理
モデルの微調整作業、修正作業
モデルの再トレーニング

というようなことを円滑に行うことが求められます。当然ながら、機械学習はインプットデータが変更された場合には「以前のモデルをそのまま用いる」ということができないことも多く、モデルの微調整（場合によっては大きな調整）が必要なケースもでてきます。そういう一連の機械学習にまつわる運用作業を「円滑に回す」ということが、MLOpsの狙いです。