AI/MLパイプラインとモデル提供

イントロ

データから評価、提供、監視までを一続きで見る

データ準備、学習またはモデル選択、評価、展開、推論、監視と改善を再現可能な流れとして結んだものです。

定義

とは、データ準備からモデル選択・学習・評価・展開・監視までを結ぶ工程です。
イメージすると: モデルは作って終わりではありません。入力データを選び品質を確かめ、既存のを選ぶか独自に学習し、評価後に利用者へ提供し、時と運用中の品質変化を監視します。はオープンな事前学習済みモデル、提供事業者の管理モデル、独自学習モデルなどから選べます。提供方法はとで責任範囲が変わります。

手順

要点

試験では、学習前のデータ準備と本番後の監視が抜けやすい点に注意します。管理APIは基盤運用の負担を減らしますが、データ利用条件やモデル更新の統制を確認します。自己ホストは制御を増やせる一方、容量、可用性、パッチ、監視の責任も増えます。

例

場面: 社内FAQモデルを事前学習済みFMから選び、管理APIで提供します。
順に考えると: まずFAQの正確さと根拠提示を評価し、管理APIへ安全に接続します。本番後は質問傾向、誤回答、遅延、利用量を監視します。自己ホストしないため基盤運用は軽くなりますが、アクセス制御、入力データ、アプリ側の検証は利用者の責任として残ります。
ここが結論: 『モデルを選ぶ』を全工程の一地点として位置付け、前後の責任を説明できます。

注意

確認

Q1

モデルを本番提供した直後に次に必要な活動として最も適切なのはどれですか。

まとめ

AWSのAIライフサイクル・MLOps・評価を、AIF-C01の公式objective 1.3.4・1.3.5・1.3.6に沿って、用語、判断順序、例、誤解修正で整理します。

新しいカテゴリが追加されました