エンタープライズAIで最大の効果を得るためにMLOpsを活用する – Thought Leaders

Victor Thu、Datatronのカスタマーサクセスおよびオペレーションの副社長による。

2020年後半にGartnerが実施した調査によると、75%の回答者は、来年以内にAIイニシアチブを継続または新しく開始する予定であることがわかった。同時に、Gartnerのアナリストは、AIイニシアチブを本格的に導入する上で最も大きな困難は、企業が投資を事業価値に結び付けることができないことであることも発見した。

さらに、AI/MLプロジェクトの多くが失敗する可能性が高いと推定されている。こうした事実は、上層部からの投資に対する理解を得ることをより困難にしている。これが、MLOps – Machine Learning Operations – が重要な役割を果たすところである。

現在のMLの状況

マシンラーニングは組織にとって多大な可能性を提供するが、実際にそれらの可能性に到達することは高額で時間がかかる。したがって、MLの導入に対する関心は高まっているものの、実際の本格的な導入はまだ低い水準にある。ソリューションを本格的に導入する上での主な障害は、モデルそのものの品質ではなく、企業がそれを実現するためのインフラストラクチャが整備されていないことである。

マシンラーニングの開発ライフサイクルは、従来のソフトウェア開発ライフサイクルとは根本的に異なる。過去20年間で、開発から本格的な導入までに必要な要素、コンピューティング、ミドルウェア、ネットワーキング、ストレージなどを、ほとんどの人が理解している。ただし、多くの場合、同じソフトウェア開発ライフサイクル（SDLC）をマシンラーニング開発ライフサイクル（MLLC）に適用しようとしている。しかしながら、MLは大きなパラダイムシフトである。インフラストラクチャの割り当てはユニークである。言語やフレームワークも異なる。

マシンラーニングモデルは数週間で比較的簡単に作成できるが、これらのモデルを本格的に導入するプロセスは、プロセスが分断されており、チーム間の連携が取れていないこと、またMLモデルを既存のアプリケーションに手動で翻訳し、スクリプト化する必要があるため、6か月から9か月かかることがある。

さらに、モデルを本格的に導入した後、それを監視して管理することも困難である。実験室で作成されたMLモデルが本格的な導入環境で期待どおりに動作するという保証はない。こうした問題の原因となる要因は複数ある。

MLOpsの利点

マシンラーニングモデルを本格的に導入する際、多くの問題が発生する可能性がある。IT/DevOpsチームがマシンラーニングモデルを本格的に導入しようとする際、これらのチームは、さまざまなプロセスを手動でスクリプト化し、自動化する必要がある。これらのモデルは頻繁に更新され、モデルが更新されるたびに、全プロセスが繰り返される。

モデルが増え、モデルが更新されるたびに、それらを追跡することは大きな問題となる。問題の1つは、使用しているツールが、コードベースやフレームワークが分断されている問題に対処できないことである。これにより、時間やリソースの浪費など、さまざまな問題が発生する。現在、多くのチームは、モデルを更新する際の追跡やバージョニングに苦労している。

MLOpsは、データサイエンスとオペレーションのギャップを埋め、プロダクションMLライフサイクルを管理するのに役立つ。基本的に、MLのデリバリーにDevOpsの原則を適用することである。これにより、MLベースのソリューションの市場投入が早まる、実験の速度が上がり、品質と信頼性が保証される。

従来のSDLCモデルを使用すると、1年間に1つか2つのMLモデルを、非常に大きな労力と非効率的に実現できるかもしれない。ただし、MLOpsを使用すると、スケールアップして複数の問題に対処できる。顧客をより的確にターゲットにしたり、関連性の高い顧客を見つけたり、非効率性を発見して改善したりするのに、これらのモデルを活用できる。改善をより迅速にロールアウトでき、最終的に生産性と利益が向上する。

MLOpsの成功要因

MLOpsは、万能の解決策ではない。適切な基盤とベストプラクティスを理解する必要がある。MLOpsで成功するには、2つの主要な任務に焦点を当てる必要がある。1つ目は、さまざまな役割を理解することである。データサイエントリストとマシンラーニングエンジニアを同じものとして扱うのではなく、適切なスキルと雇用者を配置する必要がある。両方が必要であるが、バランスが必要である。

2つ目は、すべてを自分で実現しようとしているのではなく、利用可能なツールを活用することである。MLOpsも、多くのMLエンジニアを必要とする労力密度の高いものである。必要なものを考慮し、専任の人数を必要とするプロセスを簡素化するのに役立つツールを検討することが重要である。

自信を持って前進する

業界のアナリストは、企業のAIプロジェクトのほぼ半分が失敗する可能性があると推定している。失敗する理由は、組織の文化など、複数ある。ただし、主な理由は、プロジェクトをサポートするための適切なテクノロジーが整備されていないことである。MLOpsは、企業がAI/MLプロジェクトで成功を収めるのに役立つ、非常に有用なツールであり、競争上の優位性につながる。