機械学習（ML）には、従来のテクノロジー開発には必ずしもなかった新たな課題が伴います。
効果的な機械学習オペレーション（MLOps）には、ビジネス価値を実現するため、企業全体の従業員がMLの手法やプロセスに関与する必要があります。
自動化技術、ワークフロー、システムが整っていれば、MLOpsは企業の構築と変革に役立ちます。そうでなければ、不要なコストや損害、誤った方向への誘導、ひいては誤った意思決定につながるおそれがあります。
より多くの情報に基づく意思決定に役立つ、事業に関する継続的な洞察をどうすれば得られるでしょうか。データを丹念に調べる方法があります。あるいは、人工知能（AI）と機械学習（ML）に任せることもできます。
データの急増、クラウド上での保存や計算能力の利用の容易さ、MLの導入拡大、オートMLの台頭により、組織の意思決定においてMLモデルが広く求められるようになりました。しかし、丹念に作成したモデルを簡単に拡張できず、組織内のすべての部門のニーズに応えられない場合はどうなるでしょうか。あるいは、データパターンが絶えず変化するため、導入したモデルが時代遅れになったり、効果を失ったりした場合はどうでしょうか。
MLアルゴリズムは、真空中に存在するわけではありません。より具体的に言えば、コードを書く優秀な技術者集団が管理する、社内のサイロの中だけに存在するものではありません。少なくとも、そうあるべきではありません。MLモデルは、再現可能なプロセス、自動化技術、適切なチェック・アンド・バランスを備えた工場型のアプローチに基づくべきです。現実世界の課題を解決するビジネスにおいて、MLモデルを拡張し、その可能性を最大限に発揮させるには、この方法が必要です。
企業が現在この課題に苦慮している理由は次のとおりです。
データサイエンスの現場では、「データ待ち」という言葉がよく聞かれます。データの発見、調達、クリーニングに費やす時間と労力が、同じ組織内の複数のデータサイエンスチームで繰り返されています。その結果、何百時間もの重複作業が生じています。その時間をデータの新たな活用方法の検討に充てることもできたはずです。
特徴量エンジニアリングも、労力を要する反復的なプロセスです。通常、新しいプロジェクトごとにゼロから始めますが、類似するMLモデルは共通の特徴量を活用でき、時間と労力を節約できます。
モデルを開発した後は、学習、テスト、導入へと焦点が移ります。それぞれの段階に固有の課題があります。他の一部のテクノロジー導入とは異なり、MLモデルは「導入したら後は放置」というものではありません。データドリフトやモデルドリフトなどの問題により、モデルの出力の有効性が低下し、場合によっては時代遅れになることがあります。
航空券の購入が1年を通じてどう変化するかを考えてみてください。夏に機能するビジネスモデルが、冬にも機能するとは限りません。休暇シーズンには航空需要が急増する一方、学校のある時期には航空会社が同じ座席を埋めるのに苦労することもあります。モデルが長期的に収益に悪影響を与えていないか、注意深く見守る必要があります。
MLOps：新たな視点で捉える
こうした課題の多くは、実績ある開発モデルにいくつかの新たな要件を加えることで解決できます。MLOpsは、DevOpsの中核原則、すなわち自動化、一度限りではない導入、統合・テスト・リリースを含むプロセス、そしてインフラ運用を基盤としています。高度なモデル開発に注力するだけでは不十分です。信頼性と再現性のあるプロセスの基盤を築くことにも注力しなければなりません。MLOpsを適用すると、機械学習モデルはサイロから出て、最も有用となる組織全体へと広がります。価値を生み出すのであれば、開発そのものを目的にモデルを開発することはできません。事業部門が関与し、モデルを活用する必要があります。
多くのモデルを拡張し、維持するには、幅広い専門性を備えたチームが必要です。一方の端には、コンピューターサイエンス、モデリング、統計、分析、数学の専門知識を持つデータサイエンティストがいます。もう一方の端には、特定の業界、業務機能、エンドユーザーに詳しいドメイン専門家がいます。その間には、MLエンジニア、クラウドエンジニア、データエンジニア、可視化の専門家がいて、データを活用して企業を変革するという共通の目標に向けて協働します。
MLOpsの導入には、スキルとプロセスが交わるチームモデルが必要です。さまざまなスキルを持つメンバーを集め、自動化、ワークフロー、システムを活用して、継続的にインパクトを生み出します。作業そのものよりも、規律が重要です。最終的に、組織が何百ものモデルを抱えることもあり得ます。
MLOpsはイノベーションと変化を見据えて設計し、市場の状況に迅速に対応できるようにする必要もあります。パンデミックによって消費者行動が大きく変わり、組織がその影響に対応する必要に迫られたことを考えてみてください。2020年、ギリシャでは、国外から到着する旅行者を対象に、検査数が限られるSARS-CoV-2の検査を割り当てるよう訓練されたMLアルゴリズムが使われました。陽性となる可能性の高い旅行者を学習し、検査対象を決める仕組みです。このアルゴリズムは検査の効率を大幅に高めただけでなく、ギリシャが国境を開いたままにすることを安全に行ううえでも貢献しました。
継続的な更新の力
MLの最大のリスクは、継続的に更新、再学習、検証されないことです。そうでなければ、モデルの関連性が十分に保たれず、最終的に真のビジネス価値を生み出せなくなります。適切なMLモデルを作るには、対象となる問題の状況、製品に望まれるユースケース、モデルの意思決定プロセス、製品のビジョンを考慮したエンドツーエンドのプロセスが必要です。
重要なのは、人、プロセス、テクノロジー、運用モデルを組み合わせた成功するMLOpsが、次の可能性を体現することです。「共創の時代」では、次世代の資産やプラットフォームを通じた人間と機械の協働が、可能性を予測し、その洞察を成果へとつなげます。こうした取り組みは、重要な医薬品開発に取り組むライフサイエンス企業から、価格設定、収益性、顧客体験の変革を目指すレストランチェーン、さらにはパンデミックから人々を守ろうとする機関まで、幅広い分野に応用できます。
