How to start MLOps for DevOpsDays Tokyo 2021. https://www.devopsdaystokyo.org/

1. MLOpsのはじめ方
2021/04/15
shibui yusuke

2. 自己紹介
shibui yusuke
● 自動運転スタートアップのティアフォー所属
● MLOpsエンジニア &
インフラエンジニア &
データエンジニア
● もともとクラウド基盤の開発、運用。
● ここ5年くらいMLOpsで仕事。
● Github: @shibuiwilliam
● Qiita: @cvusk
● FB: yusuke.shibui
● 最近やってること: FlutterとIstio
cat : 0.55
dog: 0.45
human : 0.70
gorilla : 0.30
物体検知

3. CatOps!
放置しているとネコに
椅子を奪われる。
ネコ障害対応（餌、遊ぶ）。
「遊ぶ」を自動化する。
椅子に座っていても
ハンズフリーで遊べる。
day
奪
わ
れ
回
数
ハンズフリー導入
飽き始める
Dev
Data-driven
3
Ops

4. 今日話すこと
1. これまでの機械学習プロジェクトの経験（
5年くらい）から、発生する課題と打開策を説明
2. 機械学習にDevOpsの方法論を応用してプロダクトにインパクトを与える方針を解説
今日話さないこと
1. 機械学習のアルゴリズム、開発方法、基盤の作り方、ライブラリの使い方

5. なぜ機械学習にDevOpsが必要か

6. ● 機械学習の有用性を試す
PoCから次の段階に行くためには機械学習の
DevOpsが必要
● 機械学習を含むプロダクトの価値を継続的に引き出すのが
MLOps
0->1の次を目指す
PoCの数々
ようやく成功した
プロダクト
成長するには
なにが足りない？
→ビジネス指標から機械学習を評価する
→機械学習だけにフォーカスしない

7. 最近の機械学習界隈の状況
● モデル開発から利用へ
データ収集 学習 デプロイ 利用

8. 機械学習を使ったプロダクト例
画像処理
写真を撮る
タイトル入力
説明入力
登録する
自然言語処理
違反検知
登録情報から違反を
フィルタリング
入力情報から
入力補助
超解像による
画質改善
ねこ
検索 協調フィルタリングや
ランク学習による
並べ替え
あるコンテンツ登録アプリ
画像分類と
検索

9. 機械学習を使ったプロダクトの評価例
画像処理
写真を撮る
タイトル入力
説明入力
登録する
自然言語処理
違反検知
登録情報から違反を
フィルタリング
入力情報から
入力補助
超解像による
画質改善
ねこ
検索 協調フィルタリングや
ランク学習による
並べ替え
あるコンテンツ登録アプリ
画像分類と
検索
Accuracy, Precision,
Recall
→間違って表示される
違反コンテンツと、
非表示にされる
正常コンテンツの比率
Precision, Recall, nDCG
→検索数、CTR、
コンバージョン率、
レスポンスタイム、 etc
MSE, MAE
→コンテンツの滞在時間、
CTR、いいね数、 etc

10. 機械学習と仕組みと事業のライフサイクル
コンバージョン
コンバージョン率
クリック数
クリック率
表示回数
検索数
レイテンシー
協調フィルタリング
ランク学習等
リアルタイム
初期：数ヶ月
更新：数日〜
初期：数ヶ月
更新：数週間〜
データ 実行
システム

11. 課題

12. 機械学習で解決する課題と発生する課題
● 解決する課題：データに基いた自動化により、人間の一部の作業を代替する
○ 適切な検索結果や商品を上方に表示する、違反行為を検知する、等々
● 発生する課題：機械学習でプロダクトにインパクトを与えるためのワークフローとシステム
○ 機械学習のためのCI/CD、A/Bテスト、フィードバックループ
データ収集 前処理 評価
利用
学習
ビルド
フィードバック
デプロイ
A/Bテスト
ロギング

13. プロダクトを改善できない
● 推論システムをリリースしても推論結果を評価してモデルを改善していないケースは多い
データ収集 学習 デプロイ 利用

14. ワークフローを作れない
● タスク間を繋げる仕組みや文化を作ることができず、個々のプログラムが非連続に存在する
データ収集 前処理 評価
利用
学習
ビルド
フィードバック
デプロイ
A/Bテスト
ロギング

15. 組織的な壁
● 機械学習は機械学習だけではない
→ 関係チームも多い
https://papers.nips.cc/paper/2015/file/86df7dcfd896fcaf2674f757a2463eba-Paper.pdf

16. 組織的な壁（諸説あり）
infrastructure
engineer, SRE
PM
???
ML engineer,
data scientist
backend
engineer
data engineer
test engineer,
QA engineer

17. MLOpsのはじめ方

18. Good
● プロダクトの課題からはじめる
● 評価からはじめる
● リリースからはじめる
Bad
● 機械学習からはじめる
● 汎用基盤からはじめる
● 技術的な課題からはじめる
Issueからはじめる

19. モデルをリリースして効果を記録する
協調フィルタリング
ランク学習等
time
metrics
導入
コンバージョン
コンバージョン率
クリック数
クリック率
表示回数
検索数
レイテンシー

20. アンチパターン：アサインはリリースまで
データ収集 前処理 評価
利用
学習
ビルド
フィードバック
デプロイ
A/Bテスト
ロギング
PM
ML engineer
Backend engineer
? engineer リリース！

21. 機械学習の価値を評価する
time
metrics 導入
上がっている場合：
1. 維持、改善
2. 新たな施策の導入
下がっている場合：
1. 別モデルの開発
2. 停止判断
コンバージョン
検索数
before
ML
latency
after
ML
before
ML
CTR
after
ML
新
モデル改善
リソース
増強

22. 複数のモデルをリリースする
time
metrics 導入
導入
現
新
コンバージョン
検索数
before
ML
latency
after
ML
before
ML
CTR
after
ML
latencyを
改善する
モデル

23. アンチパターン：リリース基準がない
新
機械学習の基準
システムの基準
セキュリティの基準
Precision
MAE
nDCG
Accuracy
F-score
RMSE
ログ
監視
テスト網羅率
負荷
遅延
コストの基準
・・・
切り戻す基準

24. 複数のモデルを比較する
time
metrics 導入
導入
- このリスクを回避したい
- 長期的に比較したい
現
コンバージョン
検索数
新

25. カナリアリリースとA/Bテストを実施する
現
現：90%アクセス
新：10%アクセス
90%
10%
group
A
CTR
新
group
B

26. 素早くモデルを増やす
現
現：50%アクセス
新：45%アクセス
v2：5%アクセス
50%
45%
v1
v2
v3
モデル開発の
技術的負債を
解消する
新
5%

27. アンチパターン：機械学習だけ更新する
ねこ
v1
v2
v3
・・・
汎用的に使えるモデル
動物の検索に有効
20代ユーザに有効
同じUI/UX
効果ある？

28. スケールさせるために基盤と自動化する

29. まとめ

30. まとめ
● 機械学習の価値を測るためには貢献しようとしているビジネス価値の数値化が必要。
● プロダクトの評価から機械学習を改善する。その逆ではない。
● 機械学習が価値を出しているからこそ研究開発や基盤が必要。その逆ではない。

31. 出版します！
● 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
● 2021年5月17日出版
● https://www.amazon.co.jp/dp/4798169447/