🎓 第6章：監視と継続的学習
第6章 監視と継続的学習
第1章で描いた MLライフサイクルのループ（MLOpsとMLライフサイクル）を、ここで閉じます。本番モデルは放っておけば必ず劣化します——入力分布はずれ（ドリフト）、関係も変わる（コンセプトドリフト）。この章は、劣化を検知し（監視・ドリフト検知）、対応する（再学習・CT）、そしてそれらを自動化する（オーケストレーションとCI/CD/CT）仕組みを扱います。分布シフトの理論は機械学習分野へ、汎用の可観測性基盤はクラウド分野へ wikilink します。
トピック一覧
- 本番モデルの監視 — 標準
- データドリフトとコンセプトドリフトの検知 — 発展
- 再学習と継続的トレーニング（CT） — 標準
- MLパイプラインのオーケストレーションとCI/CD/CT — 標準
この章の要点
- 本番監視：性能（精度・遅延）だけでなく、予測分布・入力分布も監視する。正解ラベルが遅れて来る問題に備える。
- ドリフト検知：データドリフト（入力分布の変化）とコンセプトドリフト（入力と出力の関係の変化）を統計的に検知する（PSI・KS検定等）。
- 再学習とCT：いつ・何をトリガーに再学習するか。スケジュール型と性能/ドリフトトリガー型。
- オーケストレーションとCI/CD/CT：パイプライン自体を自動ビルド・テスト・デプロイし、ML特化のテスト（データ検証・モデル検証）で品質を守る。
関連章
- 第1章 MLOpsの全体像 — MLOpsとMLライフサイクル（閉じるべきループ）／MLOps成熟度モデルと自動化レベル
- 第2章 データと特徴量の基盤 — ドリフトはデータ側の変化
- 機械学習：分布シフトと頑健性（分布シフトの理論）
- クラウド：クラウド・インフラ／SRE・DevOps 全体目次（汎用の可観測性・CI/CD基盤）