マシンラーニングモデルでの成功の4つの要素

Jason Revelle、DatatronのCTOによる

専門家、分析家、実装の第一人者は、マシンラーニング（ML）の賛美歌を歌い、多くの企業がさまざまな用途でMLを採用するようになっています。MLの有名なところは、人間の認知をコンピュータ化し、デジタル変革をさらに可能にするという考えにあります。しかし、MLは大きな約束をもたらしますが、ダウンサイドもあります。生産現場でMLを管理するチームにとって、仕事は難しいものになることがあります。

企業は、ヘルスリスクの分類、文書の処理、価格の予測、不正検出、予防的なメンテナンスなど、さまざまなタスクにMLを使用しています。チームは、歴史的なデータでモデルをトレーニングして評価し、パフォーマンスと精度の目標に適合するまで繰り返します。企業は、予測、分類、または将来の結果の提案を行い、それらの予測に基づいて行動することで、MLが約束する高価値の利益を得ようとします。

しかし、このようなビジネス価値は、高い運用コストで得られるものです。モデルが「準備できた」という段階で、信頼性の高い配信メカニズムを介した自動化により、運用上の複雑さとリスクが生じ、注意が必要になります。プロジェクトを効率的に有効にするには、配信と運用チームがMLライフサイクルを包括的に管理する必要があります。トレーニングに使用されたものと比較して、データは利用可能で、期待される品質である必要があります。

すぐに明らかになるのは、これが他のエンジニアリングの努力と異なっていることです。真にAIを活用した企業になるには、新しい方法で課題について考える必要があります。ここでは、ML、特にMLモデルでの成功のために考慮すべき4つの点を紹介します。

1. 背景で複数のバージョンを迅速に展開する方法

マシンラーニングモデルには、実際の生産データに依存する反復的なプロセスが必要です。ターゲットを展開して結果をログに記録できる投資を行う必要があります。顧客や生産システムが結果を見ないように、簡単に流暢に展開できる必要があります。長期的には、モデルを多く調整することや、新しい候補と現在のバージョンを比較する必要があることを前提としています。

2. チームが約束するものが、伝統的なアプリケーション中心の「承認されたソフトウェア」ポリシーに適合しないことを理解する

MLは急速に成長して多様化し、大手および中小のテクノロジー提供者が増えています。ITは、オペレーティング環境の適切なサポート、セキュリティスキャン、コントロールを維持する必要があります。しかし、警告します。MLプラクティスに、オペレーティングまたは製品ホスティングテクノロジーを管理するための同じコントロールとプロセスを適用すると、潜在的なリターンが大幅に低下する可能性があります。

また、データサイエンティストは高く求められます。彼らが、使用するテクノロジーを変更せずに、より良い結果を出さなければならないと感じている場合、別の仕事を見つけることは容易です。

3. MLモデルの開発ライフサイクルは、ソフトウェア開発ライフサイクルと同じではないことを理解する

ソフトウェア開発とMLモデルの作成は、非常に異なるプロセスです。後者を前者と同様に扱うと、災難につながります。モデル配信をただ別のソフトウェアリリースとして扱う企業は、モニタリングと分析などの横断的能力にギャップを生じ、作成者とオペレーター之间のナレッジ転送のための高いオーバーヘッドと、シーケンシャルなタイムラインが生じます。モデルとデータの動作を理解する必要があるのは、サービスリリABILITYとエラーコードのトラブルシューティングのみではなく、スペシャリストです。適切なタレント、データとオペレーションのスペシャリストからなるハイブリッドチーム、および適切なツールがあれば、ソフトウェアが実行されているかどうかだけでなく、応答の精度と説明可能性もテストして解釈できます。

また、成功に基づくアプローチを取り入れて、MLモデルの監査を行うことも重要です。MLモデルの予測を信頼できるようにするには、モデルの改良が可能なように監査プロセスを設計する必要があります。

4. スケールを計画する

KubernetesまたはDocker Swarmのような自動化された展開システムを備えたマシンインテリジェンスツールを展開する必要があります。これにより、複数の目的を達成できます。クラスター全体でタスクを自動的に監視し、AIアルゴリズムを使用して障害が発生する前にオペレーターに警告することができます。また、複数のソースからの分析レポートを1つの中央ダッシュボードに統合して、MLモデルが期待どおりに実行されていることを確認できます。

学習曲線をマスターする

MLプロジェクトを開始する前に、MLモデルは組織に大きな利点と効率性をもたらすことができるものの、適切に管理しないと、独自のライフサイクルを持ち始める可能性があることを理解することが重要です。上記の4つのポイントを念頭に置いて、リスクと運用上の複雑さを最初から認識する必要があります。堅固な基盤が整うと、ビジネス目標を達成するためにMLモデルを作成して変更することが容易になります。