[B! MLOps] yubessyのブックマーク

ml-system-design-pattern

Skip to the content. English Korean 機械学習システムデザインパターン機械学習システムを本番稼働させるために必要な学習、推論、運用のアーキテクチャ・デザイン・パターン集です。目的このドキュメントの目的は機械学習システムを本番稼働させるためのシステム・デザイン・パターンを説明することです。このドキュメントは機械学習のモデル開発でパフォーマンスを向上させる方法（正解率やRMSE）を説明するものではありませんが、パターンによってはその手法に言及することもあります。前提このドキュメントで書かれる機械学習システムパターンのほとんどは、パブリック・クラウドおよびKubernetesを使って稼働させることを前提に記述されています。特定のプログラミング言語に依存しない内容にするよう努めますが、機械学習で使われる最もポピュラーな言語がPythonであるため、ほ

yubessy 2020/04/27

MLOps

リンク

機械学習チームにおけるソフトウェアエンジニア〜役割、キャリア /devsum-2018-summer

https://event.shoeisha.jp/devsumi/20180727

yubessy 2018/07/28

MLOps

リンク

機械学習システムの信頼性エンジニアリング - LIVESENSE Data Analytics Blog

こんにちは、データプラットフォームグループの田中 (@yubessy) です。機械学習基盤のプロダクトマネージャをしています。いきなりの質問で恐縮ですが、機械学習(ML)システムの開発プロジェクトでこんな経験をされた方はいらっしゃいますか？ MLエンジニア: Webエンジニアに「コードの品質が低くシステムを本番運用できない」と言われた Webエンジニア: MLエンジニアに「開発と本番でデータが違って精度検証ができない」と言われたどちらかに心当たりがあるなら、同じチームにもう一方に当てはまる人がいるかもしれません。 MLシステム開発には様々な経験をもつメンバーが関わるため、システムの信頼性について重視する観点が分かれることは珍しくありません。システム開発において信頼性は重要な要素です。特にMLシステムには高い不確実性がつきまとうため、通常にくらべて信頼性の実現がより困難になります。

yubessy 2018/06/19

書きました

リンク

[レポート] ML Ops on AWS #AWSSummit | DevelopersIO

本日 5/30 から 6/1 まで、東京・品川で開催されています AWS Summit Tokyo 2018。こちらで講演されたセッション「ML Ops on AWS」を聴講しましたのでレポートします。今回のAWS Summitでは全セッションで撮影が禁止されているため、文字だけでお届けします。概要機械学習を実システム上で運用してビジネス上の成果を出すためには、単に精度の良い機械学習モデルを学習させるよりもはるかに多くの点を考慮する必要があります。例えば、プロダクション環境にいれたモデルの精度評価を行い、継続的にモデル自体を改善していくことが求められたり、また複数のチームが協調して作業をする必要もあります。このセッションでは、AWS 上で機械学習システムを構築・運用する際のベストプラクティスについてご説明します。スピーカーアマゾンウェブサービスジャパン株式会社技術統括

yubessy 2018/06/18

リンク

機械学習プロジェクトを頑健にする施策 ML Ops Study #2

https://ml-ops.connpass.com/event/83919/

yubessy 2018/05/29

MLOps

リンク

Mercari ML Ops Night Vol.1 を開催しました

こんにちは、機械学習エンジニアの @hurutoriyaです。 2018/05/23 にMercari ML Ops Night Vol.1というイベントを開催しました。 Mercari ML Ops Night Vol.1 – connpass 機械学習アルゴリズムそのものではなく、システム構成や、モデルのデプロイ、データの収集など、機械学習をプロダクションで運用するにあたって直面する課題やその解決方法などを、ざっくばらんにお話できればと思います。当イベントページは公開1時間で100人の定員枠が埋まり、最終的に申込者が296人!! に到達し、プロダクション環境での機械学習の運用に対する注目の高まりを感じ取ることができました。プロダクション運用への壁最近では国内でもMLSEやML Ops Studyなど機械学習のモデリング以外の部分に注目したイベントが開催されています。 ML

yubessy 2018/05/29

リンク

マイクロサービスアプリケーションとしての機械学習

JAPAN CONTAINER DAYS V18.04 [Kyenote: Production User Stories] サービス規模の拡大に伴い、機能間の依存が自ずと増え、開発速度やサービスレベルへの影響も考えられる。機械学習に基づくアプリケーションによっては、GPUの利用など、計算リソースが一般的なウェブサービスとは異なり、その多様さがインフラエンジニアの運用コストを増大させる。株式会社メルカリではマイクロサービス化を推進しており、機械学習アプリケーションとして画像認識機能を事例に、その運用方法について紹介する。