Machine Learning のライフサイクルは、MLOps における重要な概念です。ライフサイクルには、設計、開発、デプロイという3つの明確なフェーズがあります。これらに沿って進めることで、Machine Learning プロジェクトを効果的に構造化できます。
Machine Learning のライフサイクルについて正しいのはどれですか？
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。
現在の演習
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。
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。
