機械学習デザインパターン Machine Learning Design Patterns
•
2 likes•2,323 views
鷲崎弘宜, チュートリアル: 機械学習デザインパターン Machine Learning Design Patterns, MLSE夏合宿2021, 2021年7月2日
Recommended
More Related Content
What's hot
What's hot (20)
Similar to 機械学習デザインパターン Machine Learning Design Patterns
Similar to 機械学習デザインパターン Machine Learning Design Patterns (20)
More from Hironori Washizaki
More from Hironori Washizaki (20)
機械学習デザインパターン Machine Learning Design Patterns
- 1. 機械学習デザインパターン Machine Learning Design Patterns 鷲崎 弘宜 早稲田大学 / 国立情報学研究所 / システム情報 / エクスモーション 2021年 7月2日 washizaki@waseda.jp http://www.washi.cs.waseda.ac.jp/ 1 MLSE夏合宿2021チュートリアル
- 2. 目次 • 機械学習デザインパターン • 各デザインパターン紹介 • デザインパターンの整理と認知 2
- 3. 機械学習工学とパターン（ランゲージ） • 特定文脈での問題と解決をまとめたもの（のまと まり） • 抽象と具象をつなぐ道具: 問題・解決再利用、アーキテ クチャ一貫 • 様々な関係者間の共通言語 • 設計や要求・プロセスのパターン整理とフレーム ワークへの統合へ • 『Machine Learning Design Patterns』(MLDP), V. LakshmananらGoogleプラットフォームチームによる30 のパターン, et al., O’Reilly 2020（eAIチームにより10月訳 書出版予定） • 『Software Engineering Patterns for ML Applications』 (SEP4MLA), eAIチームによる系統的文献調査に基づく15 のパターン, https://github.com/eai-transfer/ml-design- pattern • 『AIエンジニアのための機械学習システムデザインパ ターン』澁井雄介（翔泳社, 2021）,機械学習のモデルや ワークフローを本番システムで稼働させる作法, https://github.com/mercari/ml-system-design-pattern 3
- 5. 目次 • 機械学習デザインパターン • 各デザインパターン紹介 • デザインパターンの整理と認知 5
- 6. データ表現パターン 6 • 様々なデータから機械学習モデルが扱いやすいフィーチャへの表現 パターン 問題 解決 ハッシュ化 フィーチャ Hashed Feature カテゴリ変数についてとりうる 種類を特定困難。One-hot encodingではCold-Start問題。 ユニークな文字列としたうえで ハッシュ値に変換。 埋め込み Embeddings One-hot encodingではデータの近 さを扱えない 意味的な近さを表すように特徴 の埋め込み。 フィーチャ交差 Feature Cross もともとの変数群そのままでは 関係に基づく分類や予測が困難 複数のカテゴリ変数の組み合わ せで関係を容易に表現 マルチモーダル 入力 Multimodal Input 異なる種別の入力を扱いにくい 分散表現の結合 x × y ラベル AC ＋ BC － AD － BD ＋ A B C D フィーチャ交差 マルチ モーダル 入力 x y
- 7. ハッシュ化フィーチャ Hashed Feature • 問題: カテゴリ変数についてとりうる種類を特定困難。One-hot encodingで はout-of-vocabulary問題・Cold-Start問題。 • 解決: • 1. ユニークな文字列へ変換 • 2. 決定的な方法でハッシュ値に変換 • 3. ハッシュ値の設定バケット数（カテゴリ数）の剰余の採用 • 考慮: バケット衝突、他の集約フィーチャ併用、バケット数チューニング 7 One-hot encoding tf.feature_column.categorical_column_with_hash_bucket( airport, num_buckets, dtype=tf.dtypes.string ) Hashed Feature TensorFlowに おける実装
- 8. 埋め込み Embeddings • 問題: カテゴリ数が膨大な場合の難しさ（疎行列化）。One-hot encoding ではデータの近さを扱えない。 • 解決: 訓練可能な特徴埋め込みレイヤで意味的な近さを表すように小次 元のベクトル化、および、重みの訓練 • 考慮 • 経験則: 次元数 = 元のカテゴリ数の4乗根 • テキスト: 語単位の小次元ベクトル表現、平均をとるなどの集約。Word2Vecや BERTなどのさらなる意味・文脈考慮。 • 画像: 畳み込みCNN、オートエンコーダなど 8 訓練後のベクトル表現 オートエンコーダ
- 9. 問題表現パターン 9 パターン 問題 解決 問題再設定 Reframing 当初の目的変数や出力で限界 回帰から分類へ変更（逆も） マルチラベル Multilabel 出力層の活性化がsoftmaxでは マルチラベルの扱い困難 出力層の活性化にsigmoidを用いる アンサンブル学 習Ensembles バイアス（偏り）とバリアン ス（分散）のトレードオフ アンサンブル学習: 学習不足時はブースティ ング、過学習時はバギングほか カスケード Cascade 通常と特殊を同一モデルで扱 い困難 通常と特殊に分類のうえそれぞれに訓練・予 測し集約 中立クラス Neutral Class データに主観評価を含むなど により任意・ランダム性 Yes, NoにMaybeを加えた分類とする Rebalancing リバランシング データセットが不均衡 Accuracy以外評価、ダウンサンプリング、 アップサンプリング、Reframing ブースティング バギング マルチラベル アンサンブル学習
- 10. 問題再設定 Reframing • 問題: 確率的であるため、特に精緻な実数の予測に固執すると 当初の目的変数や出力形式では限界を生じる場合が有る（特 に分布上のピークが複数の場合）。 • 解決: 問題を捉えなおす。特に回帰から分類へ変更する。 • 考慮: • 数値が重要な場合は逆に回帰へ（例: 都市そのものより緯度・経度） • 分類への移行方法: 回帰結果による分類、マルチタスク学習 • 真に目的にかなうものか注意（例:おすすめ映画の種類からユーザのク リック数へと予測問題を変更すると、過剰にクリック数の増大方向） 10 分類が正確な場合 回帰が正確な場合
- 11. カスケード Cascade • 問題: 通常と特殊を同一モデルで扱い困難 • 解決: 通常と特殊に分類のうえ、それぞれに訓練したモデ ルで予測し、最後に集約 • 考慮 • 分類が決定的であれば、本来は入力を加えて単一モデル化すべき • Rebalancingできるのであればそうすべき 11 分類 通常時 の予測 特殊時 の予測 最終 評価
- 12. モデル訓練パターン • 訓練の繰り返し（ループ）の仕方 12 パターン 問題 解決 価値ある過学習Useful Overfitting 物理シミュレーションのように 全入力を扱える 過学習で良い。実際にはモンテカルロ 法でサンプリングなど チェックポイント Checkpoints 複雑なモデルは訓練に時間を要 する 訓練モデル外の情報も含めて全ての状 態をエポック単位で保存・再開 転移学習 Transfer Learning 非構造データ訓練に巨大データ 転移学習、ファインチューニング 分散戦略 Distribution Strategy 深層学習モデルの訓練に長時間 並列化による分散学習 ハイパーパラメータ チューニング Hyperparameter Tuning ハイパーパラメータ人手チュー ニングは長時間・不正確。グ リッドサーチでは非効率。 外側の最適化ループとしてのハイパー パラメータチューニング。ベイズ最適 化による効率的探索。 価値ある 過学習 ハイパーパ ラメータ チューニン グ
- 13. 転移学習 Transfer Learning • 問題: 非構造データ訓練に巨大データ必要。特にテキスト や画像では汎用のモデルで個別の問題を十分に扱えない。 • 解決: 同種データで訓練済みのモデルによる転移学習 • 考慮: 重みの変更是非 • フィーチャエクストラクション: 重みFix • ファインチューニング: 重みの更新 13 基準 データ セット タスク の同一 性 許容時 間・コ スト フィー チャエク ストラク ション 小 異なる タスク 少 ファイン チューニ ング 大 同一・ 類似タ スク 多 訓練済みモデル
- 14. 分散戦略 Distribution Strategy • 問題: 深層学習モデルの訓練に長時間 • 解決: 訓練データの分割によるデータ並列化・分散学習 • 考慮 • 同期: ミニバッチとしての単位ごとに全ワーカで共有集約 • 非同期（Parameter-Server-Architecture）: 各ワーカは他による更 新を待つことなく学習、遅い計算機がある場合や通信が遅い場 合に有効 • モデル並列化: モデル全体がメモリに乗りきらない場合にモデル の分割 14 同期 非同期 モデル並列化
- 15. レジリエントサービングパターン MLDP • 訓練モデルをデプロイし人の関与なく弾力的に予測稼働・運用 15 パターン 問題 解決 ステートレスサービング 関数Stateless Serving Function モデルの巨大化。訓練時と 稼働時の環境相違 モデルの中核のみエキスポート、ステー トレスREST APIとしてデプロイ バッチサービングBatch Serving 非同期の予測を数多く実施 困難 バッチ処理、分散処理環境下で大量デー タによる非同期予測 継続的モデル評価 Continued Model Evaluation コンセプトドリフト、デー タドリフト 継続的なモデル評価・モニタリングと再 訓練 2段階予測 Two-Phase Predictions エッジデバイス上の縮退さ れた訓練モデルの性能低下 単純なタスク用のモデルをエッジ、複雑 なものをクラウド上で稼働 キー付き予測 Keyed Predictions 多数の入力データをスケー ラブルに扱えない 入力へキー付加、キー付きで出力するこ とで分散環境下で容易な扱い キー付き予測
- 16. 継続的モデル評価 Continued Model Evaluation • 問題: モデルはデプロイした瞬間から劣化していく。背景にある 前提の変化に伴う入力と目標の関係の変化（コンセプトドリフ ト）、入力データからの予測時データの変化（データドリフト）。 • 解決: 継続的なモデル評価・モニタリングと再訓練 • 考慮 • 閾値による性能と訓練コストのトレードオフ • オフラインでの古いデータによる学習モデルの新データへの適用評価 16 閾値によ る変化 古い データ 最新 データ 学習モ デル 学習モ デル 流用 古いデー タによる 評価 最新デー タによる 評価 評価メトリクス比較
- 17. 2段階予測 Two-Phase Predictions • 問題: エッジデバイスへデプロイする縮退訓練モデルの性能低下 • 解決: 単純なタスク用のモデルをエッジ（例: 「OK, Google」の識別 分類）、複雑なものをクラウド上で稼働（例: 音声指示の認識） • 考慮 • 通信が貧弱な場合に備えてエッジデバイスで完結するオフラインモデル • センサデータを、エッジで異常判定時のみクラウドへ送信 • エッジデバイス側のモデルの定期的な更新 17
- 18. 再現性パターン • 決定的な出力を得やすく、訓練・開発効率 18 パターン 問題 解決 変換Transform 入力とフィーチャの異なり 変換・前処理の仕方を保存再利用、訓練・ 予測時で一貫 繰り返し可能な分割 Repeatable Splitting ランダムな訓練、検証、テスト 用分割では再現困難 関係を用いたい変数をハッシュ化し剰余に よりデータ分割 ブリッジ化スキーマ Bridged Schema 入力データのスキーマが訓練後 に幾らか変更 古いデータを確率的な方法で新データス キーマへ変換 ウィンドウ化推論 Windowed Inference 訓練・運用間の歪みを避けられ るよう一定の時間枠ごと集約 モデルの状態を外部記録、時間依存の方法 で集約計算された特徴量の一貫利用 ワークフローパイプラ イン Workflow Pipeline 単一ファイルではスケールせず 各ステップを分けてサービス化 フィーチャストア Feature Store アドホックなフィーチャエンジ ニアリング プロジェクトやチームを超えたフィーチャ 共有 モデルバージョニング Model Versioning モデル更新時の後方互換性困難 モデルバージョンを異なるエンドポイント 提供、比較 (cash, card) (cash, gift card, debit card, credit card) 変換 ブリッジ化スキーマ
- 19. 繰り返し可能な分割 Repeatable Splitting • 問題: ランダムな訓練、検証、テスト用分割では再現困難かつ関係なし • 解決: 関係を用いたい変数をハッシュ化し剰余により、その関係持った 形での訓練、検証、テスト用それぞれのデータ分割 • 考慮 • 時系列上の同様の分割（時間的連続性） • 非構造化データの場合: メタデータの利用、一律エンコードしてハッシュ化など 19 airline delay date airport AAA 1000 2020/6/14 NRT BBB 1100 2020/6/14 HND CCC 1200 2020/6/14 HND CCC 30 2020/6/15 NRT DDD 10 2020/6/16 LAX 単純な分割 dateに着目した分割
- 20. 責任のあるAIパターン • 様々な利害関係者へ のモデルの影響 20 パターン 問題 解決 経験的ベ ンチマー クHeuristic Benchmark 結果の良し悪 しの程度を意 思決定者へ説 明困難 過去との比較や 経験則に基づく 判断 説明可能 な予測 Explainable Predictions 予測の説明困 難 シンプルなモデ ル採用、予測結 果における説明 など 公平性レ ンズ Fairness Lens 不均衡データ に基づく異な る人々のグ ループに対す る問題のある バイアス （What-If toolや Fairness Indicatorsなどに よる）訓練前後 のデータセット の分析、結果比 較、均衡化など (Short) using 19990914 build on win98 using the new account wizard if I add multiple accounts with the same server… (Long) this mean the problem was with their web page and its cool now or we still need to figure out what the actual bug was and fix that… Y. Noyori, H. Washizaki, et al., “Extracting features related to bug fixing time of bug reports by deep learning and gradient- based visualization,” 2021 IEEE International Conference on Artificial Intelligence and Computer Applications
- 21. 経験的ベンチマーク Heuristic Benchmark • 問題: 結果の良し悪しの程度を意思決定者へ説明困難 • 解決: 過去との比較や経験則に基づく判断 • 考慮 • （機械学習に限らず）業界標準やプラクティスがあればそれに従う • ときとしてエキスパートの知見 • モデルの改善の影響を利用価値（採用判断上の指標、例えば金銭的 価値、良い検索結果など）に翻訳して説明できることが望ましい 21 シナリオ例 経験上のベンチマーク例 タスク例 時系列の将来値 を予測する回帰 問題 • 永続的か、線形トレンドか。 • 季節性の考慮 • 年間データの場合、前年の同じ日/ 週/四半期と比較 週間の販売量 を予測 現在、人間の専 門家が解決して いる分類問題 人間の専門家のパフォーマンス 網膜スキャン から目の病気 を検出 ・・・ ・・・ ・・・
- 22. 目次 • 機械学習デザインパターン • 各デザインパターン紹介 • デザインパターンの整理と認知 22
- 23. MLDP および SEP4MLA の整理 Topology Programming Model operations レジリエ ント サービ ング 再現性 責任・説 明性 モデル 訓練 問題 表現 データ 表現 Hashed Feature Embeddings Feature Cross Multimodal Input Reframing Multilabel Ensembles Cascade Neutral Class Rebalancing Useful Overfitting Checkpoints Transfer Learning Distribution Strategy Stateless Serving Function Hyperparameter Tuning Batch Serving Continued Model Evaluation Keyed Predictions Windowed Inference Repeatable Splitting Transform Bridged Schema Two-Phase Predictions Feature Store Model Versioning Heuristic Benchmark Workflow Pipeline Fairness Lens Explainable Predictions Different Workloads in Different Computing Environments Distinguish Business Logic from ML Models ML Gateway Routing Architecture Microservice Architecture for ML Lambda Architecture Kappa Architecture Data Lake for ML Parameter- Server Abstraction Data flows up, Model flow down Secure Aggregation Separation of Concerns and Modularization of ML Components Discard PoC Code ML Versioning Encapsulate ML models within Rule-base Safeguards Deployable Canary Model 今後の拡充検討エリア
- 24. 機械学習デザインパターンの認知と組織的取り組み • 2021年3月セミナー参加者アンケート調査、118名回答 • 高活用: Ensembles, Rebalancing, ML Versioning, Microservice Architecture for ML • 低活用: Feature Store, Federated Learning, Deployable Canary Model • SEP4MLA（再現性、運用中心）よりMLDP（データ、問題表現、 訓練ほか広範）活用多い • チームや組織としての設計課題への取り組みがより組織 化されるにつれて、パターンの利用割合が増加 ⇒ フレームワークへの組み入れを通じた組織的再利用の取り組み 促進へ 24 取り組み方針 回答者数 #MLDP MLDP割合 #SEP4MLA SEP4MLA割合 チーム・組織内で の知識化 37 202 18.2% 64 11.5% 外部のパターン参 照あり 31 168 18.1% 50 10.8% 共有や再利用の取 り組み無し 37 152 13.7% 35 6.3% その他（機械学習 検討中など） 13 20 5.1% 3 1.5%
- 25. 25
- 26. まとめ • 『Machine Learning Design Patterns』(MLDP), V. Lakshmananら Googleプラットフォームチームによる30のパターン, et al., O’Reilly 2020（eAIチームにより10月訳書出版予定） • 機械学習モデルおよびシステムの設計のコツをまとめたデザインパ ターン • 網羅的: データ表現、問題表現、モデル訓練、レジリエントサービ ング、再現性、責任のあるAI • 実践的: 特にGoogleプラットフォーム上で有用、コード例あり • 発展的: 個々に代替やトレーオフの考慮解説あり、パターン間の関 連あり • 展望: 実践整理、パターン間関連ほか 26 問題表現 データ表現 モデル訓練 問題表現 データ表現 モデル訓練 モデル訓練 サービング 再現性 再現性 責任AI 責任AI 再現性 責任AI サービング サービング 問題表現 データ表現 PoC 開発 運用(MLOps)