Machine Learning の開発とデプロイに関する作業はかなり複雑になることがあります。だからこそ、自動化とスケーラビリティを最大化するのに有用なコンポーネントを見極めることが重要です。
以下は Machine Learning のライフサイクルで取り上げた 4 つのコンポーネントです。この中で、自動化やスケーラビリティに貢献しないものはどれですか？
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
まず、MLOpsの中核となる特徴について学びます。機械学習のライフサイクル、その各フェーズ、そしてMLOpsのプロセスに関わるロールを見ていきます。
次に、機械学習ライフサイクルにおける設計と開発のフェーズを学びます。付加価値の見積もり、データ品質、Feature Store、実験トラッキングについて取り上げます。
この章では、ランタイム環境、コンテナ化、CI/CDパイプライン、デプロイ戦略など、本番環境への機械学習のデプロイに関する概念を深掘りします。
現在の演習
最後に、本番環境での機械学習の維持管理について学びます。統計的・計算的なモニタリング、再学習、MLOpsの成熟度レベル、そしてプロセスを簡素化するためにライフサイクルで活用できるツールを取り上げます。
