Mímisbrunnr知恵の泉

MLOps // 動かし続ける

MLOps

MLOps・AI基盤は、ひとことで言えば「モデルを本番で動かし続ける」技術です。モデルは作って終わりではなく、配信し・監視し・ドリフトに対応し・再学習し続けて初めて価値になります。データ/特徴量の基盤、実験管理、サービング、推論最適化、監視、そしてLLM運用までを体系化します。

なぜ学ぶのか

  • 本番で価値にできる。学習だけでなく、配信・監視・再学習までの一連を設計できます。
  • 技術的負債を避けられる。CACE・学習推論スキュー・ドリフトという落とし穴を押さえます。
  • LLM運用まで届く。RAG・エージェント・評価/ガードレールの運用観点を持てます。

こんな場面で役立つ

  • サービングバッチ/オンライン推論・カナリアリリース
  • 監視データ/コンセプトドリフト検知と再学習
  • 特徴量特徴量ストア・学習推論スキューの防止
  • LLMRAG・推論サービング・評価/ガードレール

ここでは、サービング・トラッキング・ドリフト検知の動く最小例を示し、MLパイプライン・デプロイ構成はMermaidで描く方針です。全体像からデータ/特徴量・実験管理・デプロイ・推論最適化・監視・LLM運用までを体系化しました。モデルの原理は機械学習、汎用基盤はクラウドへ相互リンク。LLM固有は要最新確認。

カリキュラム（全7章）

目次・インデックス

第1章 ── MLOpsの全体像

第2章 ── データと特徴量の基盤

第3章 ── 実験管理とモデル管理

第4章 ── デプロイとサービング

第5章 ── 推論の最適化

第6章 ── 監視と継続的学習

第7章 ── LLM・生成AIの運用基盤