前の動画では、メタデータの定義、すなわち ML パイプラインの各コンポーネントの実行に関する情報を学びました。
この演習では、メタデータの例を含む選択肢を選びます。
この演習はコースの一部です
理論を実践に変える、インタラクティブな演習のひとつをお試しください
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。
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。
現在の演習
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。
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。
