Mímisbrunnr知恵の泉

← MLOps 一覧

🎓 レベル：基礎　|　重要度：A（必須）

📎 前提：なし（第1章の入口）　|　関連：MLOpsと実験管理（機械学習）

要点（BLUF）

1. MLOps とは何か

MLOps（Machine Learning Operations）は、機械学習モデルを本番環境で確実に動かし続けるための、プロセス・ツール・文化の総称です。DevOps が「ソフトウェアを継続的にデリバリーする規律」だとすれば、MLOps は「MLシステムを継続的にデリバリーし、かつ運用中も性能を維持する規律」です。

研究や PoC では「精度 90% のモデルができた」で一区切りですが、本番ではそこがスタート地点です。ユーザーの行動は変わり、入力データの分布はずれ、依存ライブラリは更新され、モデルの精度は静かに落ちていきます。MLOps はこの「作った後の長い時間」をどう設計するかの学問です。

2. MLライフサイクル：閉じたループ

MLシステムは直線ではなくループで回ります。

flowchart LR
  A["問題定義"] --> B["データ収集と準備"]
  B --> C["特徴量エンジニアリング"]
  C --> D["モデル学習と評価"]
  D --> E["デプロイとサービング"]
  E --> F["本番監視"]
  F -->|"性能劣化やドリフトを検知"| G["再学習のトリガー"]
  G --> B

ポイントは末尾の戻り矢印です。監視で劣化を検知したら、データ収集からやり直す。このループを人手のヒロイズムでなく仕組みで回すのが MLOps の中核で、第6章（再学習と継続的トレーニング（CT））でループを閉じます。

3. DevOps との違い：3つの軸

観点DevOpsMLOps
バージョン管理の対象コードコード＋データ＋モデル
テスト単体・結合テスト＋データ検証・モデル検証（精度・公平性・スキュー）
デプロイ後の挙動コードが同じなら同じ入力分布が変われば劣化する
成果物決定的（ビルド）確率的・データ依存（学習の再実行で微妙に変わりうる）

最大の違いは「Change Anything Changes Everything（CACE）」——ML では一つのハイパーパラメータ・特徴量・データソースを変えると、システム全体の挙動が連動して変わります（MLシステムの技術的負債）。だからコードのユニットテストだけでは品質を保証できません。

4. 動く最小例：「コードが同じでもデータで結果が変わる」を体感する

MLOps の出発点となる直観——同じ学習コードでも入力データが変われば出力（モデル）が変わる——を最小コードで確認します。

import numpy as np
from sklearn.linear_model import LogisticRegression

def train_and_report(seed, drift=0.0):
    rng = np.random.default_rng(seed)
    n = 400
    # クラス1の平均をdriftだけずらす（データ分布の変化を模擬）
    X0 = rng.normal(0.0, 1.0, (n, 2))
    X1 = rng.normal(1.5 + drift, 1.0, (n, 2))
    X = np.vstack([X0, X1])
    y = np.array([0]*n + [1]*n)
    model = LogisticRegression().fit(X, y)
    return model.coef_[0]

base = train_and_report(seed=0, drift=0.0)
drifted = train_and_report(seed=0, drift=1.0)   # データだけ変えた
print(f"学習コードもseedも同一。データのみ変更")
print(f"係数（元データ）   = [{base[0]:.3f}, {base[1]:.3f}]")
print(f"係数（ドリフト後） = [{drifted[0]:.3f}, {drifted[1]:.3f}]")
print(f"係数ノルムの変化   = {np.linalg.norm(drifted - base):.3f}")

出力：

学習コードもseedも同一。データのみ変更
係数（元データ）   = [1.689, 1.628]
係数（ドリフト後） = [2.588, 2.590]
係数ノルムの変化   = 1.317

出力の意味：学習コードもシードも完全に同じなのに、入力データの分布をずらしただけで学習されたモデル（係数）が大きく変わりました。これが「コードだけ管理しても再現できない」というMLの本質で、データもバージョニングの対象になる理由です（再現性とバージョニング）。

5. 運用の勘所：プロジェクトでなくプロダクトとして設計する

なぜそうするのか

MLモデルの価値は「学習時の精度」ではなく「本番で出し続ける予測の質」で決まります。学習時にどれだけ高精度でも、本番で分布がずれて劣化すれば価値はゼロに近づきます。MLOps を「ループを回す規律」と定義するのは、価値の源泉が一回の学習ではなく運用の継続性にあるからです。

⚠️ よくある落とし穴

対応 lab

関連ノート