現在のモデルの性能が大きく劣化していると分かったため、新しい学習データを追加収集し、新しいモデルを学習しました。
モデルのパイプライン自体は一切変更していません。新しいデータで再学習しただけです。そのため、この新しい高性能モデルをすぐに全ユーザーへ提供しても安全だと確信しています。
この場合、最も理にかなったデプロイ戦略はどれですか？
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
この章では、デプロイとライフサイクルに重要なMLOpsの原則とフレームワーク要素を高い視点から概説します。
この章では、運用段階でスムーズに進められるよう、開発段階から考慮すべきポイントを取り上げます。 最終目標は、MLOpsのベストプラクティスに沿ってモデルを学習し、デプロイの容易さ、再現性、デプロイ後の監視を可能にするモデルパッケージを作る方法を説明することです。
この章では、重要なモデル運用の疑問に取り組みます。例えば： - モデルを提供する方法にはどんな種類がありますか？ - APIとは何で、その主要な機能は何ですか？ - エンドユーザーに公開する前に、サービスをどのように徹底的にテストしますか？ - 本番環境でサービスを止めずにモデルをどのように更新しますか？ バッチ予測、リアルタイム予測、入出力データのバリデーション、ユニットテスト、結合テスト、カナリアデプロイなど、さまざまなテーマを学びます。
現在の演習
最終章では、デプロイ後のMLサービスの監視と保守、そしてモデルガバナンスに焦点を当てます。 検証レイテンシ、共変量シフト、コンセプトドリフト、人間参加型（human-in-the-loop）システムなど、重要な概念を取り上げます。
