Submit Search
Getting started with MLOps
2 likes
2,291 views
Y
yusuke shibui
Getting started with MLOps
Software
Read more
1 of 26
Download now
Downloaded 33 times
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
More Related Content
PPTX
MLOpsはバズワード
Tetsutaro Watanabe
PPTX
MLflowで学ぶMLOpsことはじめ
Kenichi Sonoda
PDF
入門 Kubeflow ~Kubernetesで機械学習をはじめるために~ (NTT Tech Conference #4 講演資料)
NTT DATA Technology & Innovation
PDF
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
NTT DATA Technology & Innovation
PDF
運用してわかったLookerの本質的メリット : Data Engineering Study #8
Masatoshi Abe
PDF
ML Ops 実装の現場から
慎一郎 畠
PPTX
MLOps入門
Hiro Mura
PDF
PFNのML/DL基盤を支えるKubernetesにおける自動化 / DevOpsDays Tokyo 2021
Preferred Networks
MLOpsはバズワード
Tetsutaro Watanabe
MLflowで学ぶMLOpsことはじめ
Kenichi Sonoda
入門 Kubeflow ~Kubernetesで機械学習をはじめるために~ (NTT Tech Conference #4 講演資料)
NTT DATA Technology & Innovation
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
NTT DATA Technology & Innovation
運用してわかったLookerの本質的メリット : Data Engineering Study #8
Masatoshi Abe
ML Ops 実装の現場から
慎一郎 畠
MLOps入門
Hiro Mura
PFNのML/DL基盤を支えるKubernetesにおける自動化 / DevOpsDays Tokyo 2021
Preferred Networks
What's hot
(20)
PDF
Rosbag search system
yusuke shibui
PPTX
え、まって。その並列分散処理、Kafkaのしくみでもできるの? Apache Kafkaの機能を利用した大規模ストリームデータの並列分散処理
NTT DATA Technology & Innovation
PDF
Statistical Semantic入門 ~分布仮説からword2vecまで~
Yuya Unno
PPTX
AutoGluonではじめるAutoML
西岡 賢一郎
PDF
続・PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜 #2
Preferred Networks
PDF
MLOpsの概要と初学者が気をつけたほうが良いこと
Sho Tanaka
PPTX
ビッグデータ処理データベースの全体像と使い分け 2018年version
Tetsutaro Watanabe
PPTX
backbone としての timm 入門
Takuji Tahara
PDF
ビッグデータ処理データベースの全体像と使い分け
Recruit Technologies
PPTX
【DL輪読会】大量API・ツールの扱いに特化したLLM
Deep Learning JP
PDF
AWSではじめるMLOps
MariOhbuchi
PDF
PlaySQLAlchemy: SQLAlchemy入門
泰 増田
PDF
トップエンジニアが実践する思考整理法~テクニカルライティングを用いた課題解決の基本
Hajime Fujita
PPTX
先駆者に学ぶ MLOpsの実際
Tetsutaro Watanabe
PDF
Kubernetesによる機械学習基盤への挑戦
Preferred Networks
PDF
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜
Preferred Networks
PPTX
学習時に使ってはいないデータの混入「リーケージを避ける」
西岡 賢一郎
PDF
機械学習で泣かないためのコード設計
Takahiro Kubo
PDF
Data-centricなML開発
Takeshi Suzuki
PPTX
Power BI をアプリに埋め込みたい? ならば Power BI Embedded だ!
Teruchika Yamada
Rosbag search system
yusuke shibui
え、まって。その並列分散処理、Kafkaのしくみでもできるの? Apache Kafkaの機能を利用した大規模ストリームデータの並列分散処理
NTT DATA Technology & Innovation
Statistical Semantic入門 ~分布仮説からword2vecまで~
Yuya Unno
AutoGluonではじめるAutoML
西岡 賢一郎
続・PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜 #2
Preferred Networks
MLOpsの概要と初学者が気をつけたほうが良いこと
Sho Tanaka
ビッグデータ処理データベースの全体像と使い分け 2018年version
Tetsutaro Watanabe
backbone としての timm 入門
Takuji Tahara
ビッグデータ処理データベースの全体像と使い分け
Recruit Technologies
【DL輪読会】大量API・ツールの扱いに特化したLLM
Deep Learning JP
AWSではじめるMLOps
MariOhbuchi
PlaySQLAlchemy: SQLAlchemy入門
泰 増田
トップエンジニアが実践する思考整理法~テクニカルライティングを用いた課題解決の基本
Hajime Fujita
先駆者に学ぶ MLOpsの実際
Tetsutaro Watanabe
Kubernetesによる機械学習基盤への挑戦
Preferred Networks
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜
Preferred Networks
学習時に使ってはいないデータの混入「リーケージを避ける」
西岡 賢一郎
機械学習で泣かないためのコード設計
Takahiro Kubo
Data-centricなML開発
Takeshi Suzuki
Power BI をアプリに埋め込みたい? ならば Power BI Embedded だ!
Teruchika Yamada
Ad
Similar to Getting started with MLOps
(16)
PDF
How to start MLOps
yusuke shibui
PDF
Lets start mlops
yusuke shibui
PDF
Devsumi 2021 MLOps for Self-driving car
yusuke shibui
PDF
Quality of ml_system
yusuke shibui
PDF
Launchable and efficient test execution
yusuke shibui
PDF
machine_learning_failure_apocalypse.pdf
yusuke shibui
PDF
Ml system in_python
yusuke shibui
PDF
Testing machine learning development
yusuke shibui
PDF
Traffic light detection for self driving car
yusuke shibui
PDF
Generative AIと検索を組み合わせた新たな体験の模索
yusuke shibui
PDF
機械学習システム構築実践ガイド
yusuke shibui
PDF
MLOps failure(1_108)
yusuke shibui
PDF
Creative as Software Engineering for GenAI LT
yusuke shibui
PPTX
STM32H745を四足歩行させる話
MinoruInoue2
PDF
Reviewing_machine_learning_program.pdf
yusuke shibui
PDF
機械学習でテスト実行を効率化するLaunchable.pdf
yusuke shibui
How to start MLOps
yusuke shibui
Lets start mlops
yusuke shibui
Devsumi 2021 MLOps for Self-driving car
yusuke shibui
Quality of ml_system
yusuke shibui
Launchable and efficient test execution
yusuke shibui
machine_learning_failure_apocalypse.pdf
yusuke shibui
Ml system in_python
yusuke shibui
Testing machine learning development
yusuke shibui
Traffic light detection for self driving car
yusuke shibui
Generative AIと検索を組み合わせた新たな体験の模索
yusuke shibui
機械学習システム構築実践ガイド
yusuke shibui
MLOps failure(1_108)
yusuke shibui
Creative as Software Engineering for GenAI LT
yusuke shibui
STM32H745を四足歩行させる話
MinoruInoue2
Reviewing_machine_learning_program.pdf
yusuke shibui
機械学習でテスト実行を効率化するLaunchable.pdf
yusuke shibui
Ad
More from yusuke shibui
(10)
PDF
DevSummit_2022_summer_MLOps.pdf
yusuke shibui
PDF
Machine learning CI/CD with OSS
yusuke shibui
PDF
Twillio deadshot made me happy
yusuke shibui
PDF
ML system design_pattern
yusuke shibui
PDF
Machine learning quality for production
yusuke shibui
PDF
TFLite_and_PyTorch_Mobile
yusuke shibui
PDF
Mercari Image search 1st Anniversary
yusuke shibui
PDF
Machine learning and_system_design
yusuke shibui
PDF
Machine learning microservice_management
yusuke shibui
PDF
Mercari ML Meetup
yusuke shibui
DevSummit_2022_summer_MLOps.pdf
yusuke shibui
Machine learning CI/CD with OSS
yusuke shibui
Twillio deadshot made me happy
yusuke shibui
ML system design_pattern
yusuke shibui
Machine learning quality for production
yusuke shibui
TFLite_and_PyTorch_Mobile
yusuke shibui
Mercari Image search 1st Anniversary
yusuke shibui
Machine learning and_system_design
yusuke shibui
Machine learning microservice_management
yusuke shibui
Mercari ML Meetup
yusuke shibui
Getting started with MLOps
1.
MLOpsのはじめ方 2021/04/21 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 ●
よろず屋 ● MLOpsコミュニティのオーガナイザー ● 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.
今日話すこと MLOps勉強会でMLOpsをどう取り入れていくのかって話をしてなくない?
4.
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 4 Ops
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.
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
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 検索タグ どう学習する? →定期的 →不定期 →評価が悪くなったとき いつ推論する? →検索時 →データ登録時 →1時間ごとにまとめて どう評価する? →Accuracy, Confusion
Matrix →検索数、CTR、いいね数
9.
MLOpsのはじめ方
10.
Good ● プロダクトの課題からはじめる ● リリースからはじめる ●
プロダクトの価値からはじめる 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
11.
プロダクトを設計する ● 課題: 画像データの検索に時間がかかっている ● 状況: 大量の画像データが保存されており、 有効活用したいが必要な画像を 検索することができない ●
成功の定義: 利用者が画像を選択するまでの時間を **分以内に短縮する
12.
検索を容易にするために画像にタグをつける ネコ 月 ネコ ネコ ネコ ネコ 宗谷岬 空 山 木 コアラ フライパン カーテン 夜 上海 デザート フルーツ イヌ
13.
使い方を考える ネコ ネコ イヌ ・・・ ネコ 個数 位置 明るさ 場所 容易さ
便利さ 画像をアップロード 用途次第 カテゴリを選択 画像分類 フリーテキスト入力 画像分類+自然言語処理 フリーテキストと属性 画像分類+物体検知+ 自然言語処理 画像から類似画像を検索 特徴量抽出+ANN 3 暗 外 上
14.
評価方法を考える ● 目的を手段で要素分解する仮説を立てる ● はやめに仮説検証できる技術を選択する 目的のコンテンツを 収集するまでの時間 日時検索
画像認識 目的のコンテンツを 収集するまでの時間 適切にタグ付けされた コンテンツ数と正解率 目的のコンテンツを 収集するまでの時間 画像分類の Accuracy 物体検知の Ave. Precision
15.
機械学習の目的と価値と可否を定義する ● この写真にどうタグをつける? カテゴリ数 画像分類 物体検知 セグメンテーション データを作る所要時間 検索カテゴリ ランキング 最低限使える だいぶ便利 いらない
16.
学習の頻度と推論のタイミングを決める データ収集時 定期バッチ 検索時 不定期 定期的 学習 推論 推論器が常時稼働し ている必要あり 類似画像検索 バッチジョブが 必要 アノテーションと バッチジョブが必要 ときどきサーバを 起動して実行 データ収集 検索
使う
17.
学習を管理する 実験フェーズ 個人の効率性>共有の価値 チーム開発フェーズ 共有の価値>個人の効率性 学習経過を記録 学習結果を記録 データを記録 コードを管理 実行環境を管理 可視化
18.
(参考)機械学習の管理系ライブラリ ● モデルの管理 ○ modeldb:
https://github.com/VertaAI/modeldb ○ keepsake: https://keepsake.ai/ ● データも管理 ○ DVC: https://dvc.org/ ● 学習の経過も記録 ○ TensorBoard: https://www.tensorflow.org/tensorboard ● 学習パイプラインと経過とモデルを記録 ○ mlflow: https://mlflow.org/ ● 学習パイプラインと基盤 ○ Metaflow: https://metaflow.org/ ○ KubeFlow: https://www.kubeflow.org/ ● 学習済みモデルを解析 ○ Tensorflow Model Analysis: https://www.tensorflow.org/tfx/guide/tfma ○ Netron: https://github.com/lutzroeder/netron
19.
推論システムを作る モデルファイル 推論コード or データベース ストレージ キュー ワーカー 推論 推論ビルド キャッシュ 検索UI 検索システム
20.
(参考)機械学習の推論ライブラリ ● TensorFlow, Keras ○
サーバサイド:TensorFlow Serving https://www.tensorflow.org/tfx/guide/serving ○ スマホ:TensorFlow Lite https://www.tensorflow.org/lite?hl=ja ● PyTorch ○ サーバサイド:ONNX Runtime https://github.com/microsoft/onnxruntime ○ サーバサイド:Torch Serve https://pytorch.org/serve/ ○ スマホ:PyTorch Mobile https://pytorch.org/mobile/home/ ● scikit-learn ○ サーバサイド:ONNX Runtime https://github.com/microsoft/onnxruntime
21.
間違いを修正する ネコ イヌ 検知方法 通報 他モデルの 推論と比較 閲覧率 見つける 対策 再学習 特定カテゴリ 新モデル 完全 新モデル 違う アルゴリズム
22.
リリース基準を作る 機械学習の基準 システムの基準 セキュリティの基準 Precision RMSE データと推論の偏り Accuracy F-score 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
23.
● 手法1 推論するデータを分ける O コスト O 全ユーザから新モデルの評価を得る X 同じデータの比較ができない ● 手法2 アクセスするユーザを分ける O 同じデータで比較できる O 新モデルへの移行が比較的簡単 X コスト A/Bテストを作る 新モデル 現モデル 新モデル 現モデル
24.
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 部分的に物体検知を活用 動物の検索に有効 同じUI/UXで 効果ある?
25.
まとめ
26.
本を出版します! ● 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/
Download