次の状況を想像してください。ラベル付きの1年分のデータでモデルを学習し、本番環境にデプロイしました。
デプロイの翌日、データ監視ダッシュボードを確認すると、次の図が表示されました。青が学習時の入力、オレンジが本番の入力を表しています。
この状況で、確実に言える結論はどれでしょうか。
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。
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。
現在の演習
