MLOps¶
DataRobot MLOpsは、どのように作成されたか、いつ、どこでデプロイされたかに関係なく、本番環境のすべてのモデルをデプロイ、監視、管理、およびガバナンスするための中心的なハブを提供します。 MLOpsは、継続的な自動化されたモデル競争(チャレンジャーモデル)を通じて変化する条件に対応するヘルスモニタリングを使用して、モデルの品質を改善および維持するのに役立ちます。 また、集中型の本番機械学習のすべてのプロセスは、組織全体の堅牢なガバナンスフレームワークの下で機能し、本番モデル管理の負担を活用して共有できるようにします。
MLOpsを使用すると、選択した本番環境に任意のモデルをデプロイできます。 MLOpsエージェントに監視・管理機能を組み込むことで、デプロイ済みの既存の運用モデルを単一の集中型機械学習運用システムから監視して、動作とパフォーマンスに関する更新をリアルタイムで行うことができます。 MLOpsを使用すると、オープンソースの言語またはライブラリで記述されたモデルを簡単にデプロイし、リアルタイムまたはバッチ予測をサポートする本番品質のREST APIを公開できます。 MLOpsは、SnowflakeやSynapseなどのシステムへの組み込みのライトバックインテグレーションも提供します。
MLOpsは、継続的な監視と本番環境の診断を提供して、既存のモデルのパフォーマンスを向上させます。 自動化されたベストプラクティスにより、サービスの状況、精度、データドリフトを追跡して、モデルが劣化している理由を説明します。 独自のチャレンジャーモデルを構築するか、Automated Machine Learningを使用してモデルを構築し、現在のチャンピオンモデルに対してテストを行うことができます。 この継続的な学習と評価のプロセスにより、モデルのパフォーマンスの予期しない変化を回避できます。
すべてのデプロイのツールと機能は、使用可能なデータによって決まります:トレーニングデータ、予測データ、結果データ(実測値とも呼ぶ)。
トピック | 説明 |
---|---|
デプロイ | あらゆる種類のスタート時のアーティファクトのために用意されたワークフローに従って、モデルを本番環境に移行する方法。 |
デプロイ設定 | 個々のMLOps機能の設定タブを使用して、デプロイ機能を追加または更新する方法。 |
ライフサイクル管理 | モデルの正常性を維持して、運用しているモデルの不正確なデータ、パフォーマンスの低下、予期せぬ結果を最小限に抑えます。 |
パフォーマンス監視 | モデルのパフォーマンスを追跡して、サービスエラーやモデルの精度低下などの潜在的な問題を早期に発見します。 |
ガバナンス | ワークフロー要件を設定して、品質を確保し、規制上の義務を遵守します。 |
MLOpsに関するFAQ | よくあるMLOpsの質問のリストと、関連ドキュメントにリンクする簡単な回答。 |