ソートリーダー
企業のAI投資を最大化するためのMLOps – Thought Leaders
Unite.AI を Google の優先ソースに追加
Victor Thu氏、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記事。
2020年後半にGartnerが実施した調査によると、75%の回答者は来年以降にAIの新規または継続的な取り組みを計画していることがわかった。一方で、Gartnerの分析家は、AIの取り組みを本格的に導入する上での最大の課題は、投資したAIがビジネス価値に結びつくことが難しいことであると指摘している。
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。これは、上層部からの投資に対する理解を得ることをさらに困難にする。ここで、MLOps（Machine Learning Operations）が重要な役割を果たす。
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、その可能性に到達するまでの道のり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最大の障害は、モデルの品質ではなく、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根本的に異なる。過去20年間で、人々は、伝統的なソフトウェアが開発から本格的な導入までのプロセスを理解することができた。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、さまざまな要素が、アプリケーションが適切に動作することを保証するために必要であることがわかっている。
しかし、多くの場合、従来の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を伴う。インフラストラクチャの割り当ては独自のものである。使用す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作成できるが、それを本格的に導入するプロセスは、サイロ化されたプロセス、チーム間の断絶、MLモデルを既存のアプリケーションに手動で翻訳およびスクリプト化する必要性により、6〜9か月かかることがある。
また、モデルが本格的に導入された後、それを監視して管理することも難しい。実験室で作成されたMLモデルが本格的な導入環境で予想どおりに動作することが保証されるわけではない。さらに、さまざまな要因が予想外の動作の原因となる可能性がある。
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には、多くのことがうまくいかない可能性がある。IT/DevOpsチームがMLモデルを本格的に導入しようとする際には、さまざまなプロセスを手動でスクリプト化および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、各更新ごとに全プロセスが繰り返される。
モデルやそのバージョンが増えるにつれて、それらを追跡することが大きな課題となる。一つの大きな問題は、使用するツールがコードベースやフレームワークの断絶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、さまざまな問題が生じる。現在の多くのチームは、モデルを更新する際のトラッキングやバージョニングにも苦労している。
MLOpsは、データサイエンスとオペレーションの垣根を越えて、MLのライフサイクルを管理するのに役立つ。DevOpsの原則をMLのデリバリーに適用することで、MLベースのソリューションの市場投入が早まる、実験の速度が上がる、品質と信頼性が保証される。
伝統的なSDLCモデルを使用すると、1〜2つのMLモデルを1年で完成させることができるかもしれないが、非常に大きな労力と非効率性が必要になる。しかしながら、MLOpsを使用すると、スケールを拡大でき、複数の問題に対処できる。顧客のターゲットをより適切に絞り込んだり、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できる。改善をより迅速に展開でき、最終的に生産性と利益が向上する。
MLOpsの成功要素
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が必要である。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。第一に、さまざまな役割を理解することである。適切なスキルと従業員を確保する必要がある。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一視しないことである。両者は必要だが、バランスのとれたチームが必要である。
第二に、すべてを自社で行おうとしないことである。MLOpsも労力密度が高い。多くのMLエンジニアを必要とする。必要なツールを検討し、取り組みを簡素化し、必要な専任人員の数を最適化することが重要である。
自信を持って前進する
業界の分析家によると、企業のAIプロジェクトの約半数が失敗する可能性がある。失敗の理由は組織の文化など多岐にわたるが、主な理由は、プロジェクトを支援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、競争上のビジネスアドバンテージを得るための非常に有用なツールである。
