MLOps

MLflow: 4. Model Registry を使った実験管理

MLflow Model Registryとは、MLflowモデルの全ライフサイクルをメンバー間で共同管理するための一元的なモデルストア、APIのセット 、および UI のこと。モデルレジストリはチームでMLモデルを共有し、実験からオンラインテスト、本番まで共同で作業し、承認…

MLflow: 3. Models を使った実験管理

MLflow Modelsとは、「フレーバー」という概念を用いてMLモデルをパッケージングするためのフォーマットである。MLflow Modelsの実態は、任意のファイルと、そのモデルが使用できるいくつかの「フレーバー」を記載したファイルを含むディレクトリとして保存…

MLflow: 2. Projects を使った実験管理

機械学習プロジェクトには様々なライブラリの依存関係があり、実行にはビルドされた環境が必要になる。MLflow Projectsを使うことで、他のデータサイエンティストとの共有や本番環境への移行のために、MLコードを再利用可能で再現性のある形でパッケージ化す…

MLflow: 1. Tracking を使った実験管理

多くの機械学習プロジェクトでは、精度の向上のためパラメータや特徴量を変えて試行錯誤しながら、何度も実験を繰り返す必要がある。そのため試行回数が増加するごとにモデルの管理が難しくなり、属人化するという課題がある。そこで今回はMLflow Trackingを…

ReposとGithub Actionsを使ったCI/CD - Databricks

機械学習モデルがビジネス価値としてスケールするには、システムに組み込み運用化していく必要があることはこ前回の記事でも紹介した。 そこで今回はDatabricksにおけるCI/CDをGithub Actionsによって実現する方法についてまとめる。

MLOps: CI/CD, CT, CMの役割について考える

機械学習モデル単体でユーザにビジネス価値を与えることは難しく、機械学習システム(プロダクト)に組み込み、運用することで初めてビジネス価値が生まれるケースが多い。そのため機械学習システムのライフサイクル全体を継続的な自動化と監視によって効率化…