自動化・監視・インシデント対応パターン

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

この演習はコースの一部です

完全自動化MLOps

SkillTag.level.intermediateSkillTag.label

4.8+

無料でコースを始める

第1章では、産業分野でのMLOps活用を動機づけます。ビジネスで価値創出を支えるうえでの重要性を学びます。あわせてMLの各ステージをおさらいし、MLOpsがそれらをどう強化するかに焦点を当てます。章の最後では、完全自動化されたMLOpsシステムのリファレンスアーキテクチャを確認します。続いて、このアーキテクチャを手がかりに、あらゆるMLOpsシステムで重要なコンポーネントを探り、本コース全体の出発点として位置づけます。

Exercise 1: 完全自動化MLOpsへのイントロダクション Exercise 2: 隠れたテクニカルデットは必ず清算しなければなりません Exercise 3: ML における隠れたテックデットは異なる Exercise 4: MLOps のライフサイクル段階 Exercise 5: 完全自動化されたMLOps Exercise 6: 自動化するか、しないか…Exercise 7: スケールに備えて構築する Exercise 8: リファレンスアーキテクチャ：完全自動化されたMLOps Exercise 9: IT と MLOps におけるリファレンスアーキテクチャ Exercise 10: MLOps のアーキテクチャ構成要素

この章では、完全自動化されたMLOpsシステムを構成する重要コンポーネントの学習を続けます。まず、MLOpsにおけるオーケストレーションの重要性と、それがMLパイプラインの効率とスケーラビリティをどのように確保するかを見ていきます。次に、MLOpsのさまざまなデプロイ戦略を比較し、システムに最適な戦略の選び方を学びます。最後に、CI/CD/CT/CMについて学び、オーケストレーションやベストプラクティスをどう補完して、MLOpsシステムの完全自動化を実現するかを理解します。これらを身につけることで、効率的・高精度・高信頼な完全自動化MLOpsシステムを構築できる力が養われます。

Exercise 1: 実験の自動トラッキング Exercise 2: 何を記録しておくべきでしょうか？Exercise 3: 実験トラッキング大論争：あなたはどちらの立場ですか？Exercise 4: ここでは何をトラッキングしますか？Exercise 5: モデルレジストリ Exercise 6: モデルを“隣の部署に丸投げ”しないでください！Exercise 7: ML モデルのライフサイクル Exercise 8: これはモデルレジストリの出番です！Exercise 9: 自動化されたMLOpsアーキテクチャにおけるFeature Store Exercise 10: Feature Store を使う利点 Exercise 11: フィーチャーストアの役割 Exercise 12: メタデータストア Exercise 13: MLOps におけるメタデータ Exercise 14: メタデータストアを用いたモデルの再学習 Exercise 15: MLOps の監視におけるメタデータストアの役割

この章では、自動化の世界に踏み込み、より堅牢で効率的なMLシステムを設計する方法を学びます。まず、MLOpsシステムにおける自動化の基本を理解し、続いてデザインパターンとフェイルセーフ機構の活用法を探ります。さらに、MLOpsシステムでの自動テストの実装方法や、ハイパーパラメータチューニングを用いてモデルとワークフローを最適化する方法も学びます。章の終わりには、効率性と信頼性を両立した完全自動化MLOpsシステムを構築・運用するための知識とスキルが身につきます。

Exercise 1: MLOps におけるフルオートメーションとベストプラクティスの紹介 Exercise 2: MLOps ワークフローにおける自動化 Exercise 3: MLOps における自動化の度合い Exercise 4: 自動化・監視・インシデント対応パターン

現在の演習

Exercise 5: これはデザインパターンですか？Exercise 6: Retrain, rollback or input?Exercise 7: MLOps における自動テスト Exercise 8: Garbage in - Garbage out… データテストを適用しましょう！Exercise 9: テスト：従来型 vs. MLOps Exercise 10: テスト：データ vs. モデル vs. パイプライン Exercise 11: ハイパーパラメータの自動チューニング Exercise 12: パラメータかハイパーパラメータか？Exercise 13: MLOps におけるハイパーパラメータチューニングの役割 Exercise 14: ハイパーパラメータチューニングの自動化

最終章では、自動化されたMLOpsアーキテクチャの重要コンポーネントを深く掘り下げます。自動化された実験トラッキングやモデルレジストリの理解から、Feature Storeの活用、Metadata Storeの役割まで、完全自動化MLOpsシステムの要点を体系的に身につけます。経験豊富なML実務者の方も、これから学ぶ方も、自動化されたMLOpsワークフローを設計するための知識とスキルを得られる内容です。

Exercise 1: MLOpsにおけるオーケストレーション Exercise 2: なぜモジュール化するのか？Exercise 3: オーケストレーション：開発 vs. 本番 Exercise 4: MLOps ワークフローにおける DAG Exercise 5: MLOps におけるオーケストレーションの側面 Exercise 6: MLOps のデプロイ戦略における自動化 Exercise 7: これはどのデプロイ方式ですか？Exercise 8: このデプロイ戦略は適切でしょうか？Exercise 9: blue/green デプロイでダウンタイムゼロを維持する Exercise 10: 完全自動化MLOpsにおけるCI/CD/CT/CM Exercise 11: CI/CD/CT/CM は MLOps にどのように貢献しますか？Exercise 12: Continuous monitoring と continuous training Exercise 13: MLOpsにおけるCI/CD/CT/CM Exercise 14: まとめ