Submit Search
Upload
ML Ops 実装の現場から
•
1 like
•
5,702 views
慎
慎一郎 畠
Follow
第1回MLOpsコミュニティイベントでの講演資料です。
Read less
Read more
Technology
Slideshow view
Report
Share
Slideshow view
Report
Share
1 of 20
Download now
Download to read offline
Recommended
先駆者に学ぶ MLOpsの実際
先駆者に学ぶ MLOpsの実際
Tetsutaro Watanabe
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
NTT DATA Technology & Innovation
異音検知プラットフォーム開発におけるMLOpsの実際と考察 - MLOps コミュニティ #3
異音検知プラットフォーム開発におけるMLOpsの実際と考察 - MLOps コミュニティ #3
Shota Saitoh
失敗から学ぶ機械学習応用
失敗から学ぶ機械学習応用
Hiroyuki Masuda
深層学習によるHuman Pose Estimationの基礎
深層学習によるHuman Pose Estimationの基礎
Takumi Ohkuma
[DL輪読会]data2vec: A General Framework for Self-supervised Learning in Speech,...
[DL輪読会]data2vec: A General Framework for Self-supervised Learning in Speech,...
Deep Learning JP
機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明
Satoshi Hara
BlackBox モデルの説明性・解釈性技術の実装
BlackBox モデルの説明性・解釈性技術の実装
Deep Learning Lab(ディープラーニング・ラボ)
Recommended
先駆者に学ぶ MLOpsの実際
先駆者に学ぶ MLOpsの実際
Tetsutaro Watanabe
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
NTT DATA Technology & Innovation
異音検知プラットフォーム開発におけるMLOpsの実際と考察 - MLOps コミュニティ #3
異音検知プラットフォーム開発におけるMLOpsの実際と考察 - MLOps コミュニティ #3
Shota Saitoh
失敗から学ぶ機械学習応用
失敗から学ぶ機械学習応用
Hiroyuki Masuda
深層学習によるHuman Pose Estimationの基礎
深層学習によるHuman Pose Estimationの基礎
Takumi Ohkuma
[DL輪読会]data2vec: A General Framework for Self-supervised Learning in Speech,...
[DL輪読会]data2vec: A General Framework for Self-supervised Learning in Speech,...
Deep Learning JP
機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明
Satoshi Hara
BlackBox モデルの説明性・解釈性技術の実装
BlackBox モデルの説明性・解釈性技術の実装
Deep Learning Lab(ディープラーニング・ラボ)
GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介
Takashi Suzuki
Data-Centric AIの紹介
Data-Centric AIの紹介
Kazuyuki Miyazawa
MLOpsはバズワード
MLOpsはバズワード
Tetsutaro Watanabe
【DL輪読会】How Much Can CLIP Benefit Vision-and-Language Tasks?
【DL輪読会】How Much Can CLIP Benefit Vision-and-Language Tasks?
Deep Learning JP
Ml system in_python
Ml system in_python
yusuke shibui
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models
cvpaper. challenge
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
Satoshi Hara
機械学習の未解決課題
機械学習の未解決課題
Hiroyuki Masuda
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
nlab_utokyo
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII
深層強化学習と実装例
深層強化学習と実装例
Deep Learning Lab(ディープラーニング・ラボ)
MLOps入門
MLOps入門
Hiro Mura
Data-centricなML開発
Data-centricなML開発
Takeshi Suzuki
MLOpsの概要と初学者が気をつけたほうが良いこと
MLOpsの概要と初学者が気をつけたほうが良いこと
Sho Tanaka
[DL輪読会]Control as Inferenceと発展
[DL輪読会]Control as Inferenceと発展
Deep Learning JP
H2O Waveを使ったAIアプリケーション作成入門
H2O Waveを使ったAIアプリケーション作成入門
西岡 賢一郎
【メタサーベイ】数式ドリブン教師あり学習
【メタサーベイ】数式ドリブン教師あり学習
cvpaper. challenge
AWSではじめるMLOps
AWSではじめるMLOps
MariOhbuchi
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集 〜 精度向上のための仕組み・倫理や社会性バイアス 〜
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集 〜 精度向上のための仕組み・倫理や社会性バイアス 〜
SSII
AHC-Lab M1勉強会 論文の読み方・書き方
AHC-Lab M1勉強会 論文の読み方・書き方
Shinagawa Seitaro
みんなのPython勉強会#21 澪標アナリティクス 井原様
みんなのPython勉強会#21 澪標アナリティクス 井原様
Takeshi Akutsu
BtoBマーケティングにおけるML/NLPの活用
BtoBマーケティングにおけるML/NLPの活用
Akira Kitauchi
More Related Content
What's hot
GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介
Takashi Suzuki
Data-Centric AIの紹介
Data-Centric AIの紹介
Kazuyuki Miyazawa
MLOpsはバズワード
MLOpsはバズワード
Tetsutaro Watanabe
【DL輪読会】How Much Can CLIP Benefit Vision-and-Language Tasks?
【DL輪読会】How Much Can CLIP Benefit Vision-and-Language Tasks?
Deep Learning JP
Ml system in_python
Ml system in_python
yusuke shibui
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models
cvpaper. challenge
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
Satoshi Hara
機械学習の未解決課題
機械学習の未解決課題
Hiroyuki Masuda
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
nlab_utokyo
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII
深層強化学習と実装例
深層強化学習と実装例
Deep Learning Lab(ディープラーニング・ラボ)
MLOps入門
MLOps入門
Hiro Mura
Data-centricなML開発
Data-centricなML開発
Takeshi Suzuki
MLOpsの概要と初学者が気をつけたほうが良いこと
MLOpsの概要と初学者が気をつけたほうが良いこと
Sho Tanaka
[DL輪読会]Control as Inferenceと発展
[DL輪読会]Control as Inferenceと発展
Deep Learning JP
H2O Waveを使ったAIアプリケーション作成入門
H2O Waveを使ったAIアプリケーション作成入門
西岡 賢一郎
【メタサーベイ】数式ドリブン教師あり学習
【メタサーベイ】数式ドリブン教師あり学習
cvpaper. challenge
AWSではじめるMLOps
AWSではじめるMLOps
MariOhbuchi
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集 〜 精度向上のための仕組み・倫理や社会性バイアス 〜
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集 〜 精度向上のための仕組み・倫理や社会性バイアス 〜
SSII
AHC-Lab M1勉強会 論文の読み方・書き方
AHC-Lab M1勉強会 論文の読み方・書き方
Shinagawa Seitaro
What's hot
(20)
GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介
Data-Centric AIの紹介
Data-Centric AIの紹介
MLOpsはバズワード
MLOpsはバズワード
【DL輪読会】How Much Can CLIP Benefit Vision-and-Language Tasks?
【DL輪読会】How Much Can CLIP Benefit Vision-and-Language Tasks?
Ml system in_python
Ml system in_python
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
機械学習の未解決課題
機械学習の未解決課題
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
深層強化学習と実装例
深層強化学習と実装例
MLOps入門
MLOps入門
Data-centricなML開発
Data-centricなML開発
MLOpsの概要と初学者が気をつけたほうが良いこと
MLOpsの概要と初学者が気をつけたほうが良いこと
[DL輪読会]Control as Inferenceと発展
[DL輪読会]Control as Inferenceと発展
H2O Waveを使ったAIアプリケーション作成入門
H2O Waveを使ったAIアプリケーション作成入門
【メタサーベイ】数式ドリブン教師あり学習
【メタサーベイ】数式ドリブン教師あり学習
AWSではじめるMLOps
AWSではじめるMLOps
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集 〜 精度向上のための仕組み・倫理や社会性バイアス 〜
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集 〜 精度向上のための仕組み・倫理や社会性バイアス 〜
AHC-Lab M1勉強会 論文の読み方・書き方
AHC-Lab M1勉強会 論文の読み方・書き方
Similar to ML Ops 実装の現場から
みんなのPython勉強会#21 澪標アナリティクス 井原様
みんなのPython勉強会#21 澪標アナリティクス 井原様
Takeshi Akutsu
BtoBマーケティングにおけるML/NLPの活用
BtoBマーケティングにおけるML/NLPの活用
Akira Kitauchi
Business utilization of real estate image classification system using deep le...
Business utilization of real estate image classification system using deep le...
BrainPad Inc.
20141018 osc tokyo2014講演(配布用)
20141018 osc tokyo2014講演(配布用)
マジセミ by (株)オープンソース活用研究所
夏まつり2016 Session4(事例ローテーション:インフォテック 謝花様)
夏まつり2016 Session4(事例ローテーション:インフォテック 謝花様)
takumibp
2020/05/18 Alibaba cloud AIソリューションセミナー
2020/05/18 Alibaba cloud AIソリューションセミナー
寛之 松浦
私のお薦めするG検定勉強法
私のお薦めするG検定勉強法
Kenichi Hayashi
Social GAME における AI 活用事例 [第 4 回 Google Cloud INSIDE Games & Apps]
Social GAME における AI 活用事例 [第 4 回 Google Cloud INSIDE Games & Apps]
Google Cloud Platform - Japan
Data-Centric AI開発における データ生成の取り組み
Data-Centric AI開発における データ生成の取り組み
Takeshi Suzuki
FastAPIを使って 機械学習モデルをapi化してみた
FastAPIを使って 機械学習モデルをapi化してみた
Sho Tanaka
技術とサービスをつなぎ価値ある製品をつくるための組込みアジャイル
技術とサービスをつなぎ価値ある製品をつくるための組込みアジャイル
Naoya Maekawa
MLOps Yearning ~ 実運用システムを構築する前にデータサイエンティストが考えておきたいこと
MLOps Yearning ~ 実運用システムを構築する前にデータサイエンティストが考えておきたいこと
Rakuten Group, Inc.
Data × AI でどんな業務が改善できる? 製造業様向け Data × AI 活用ユースケース & 製造MVPソリューションのご紹介
Data × AI でどんな業務が改善できる? 製造業様向け Data × AI 活用ユースケース & 製造MVPソリューションのご紹介
IoTビジネス共創ラボ
データサイエンティストってどこへ行ったのか???
データサイエンティストってどこへ行ったのか???
Izumi Akiyama
【オペレーションカンファレンス 2015 Spring】 LT 僕が考えるSIerにとってのMSP
【オペレーションカンファレンス 2015 Spring】 LT 僕が考えるSIerにとってのMSP
cloudconductor
誰もが AI を使う時代、作る時代
誰もが AI を使う時代、作る時代
Yoshitaka Seo
【Pm zen】pmはいつ学び始めるべきか? 20160311
【Pm zen】pmはいつ学び始めるべきか? 20160311
Manabu saito /SKYLIGHT CONSULTING Inc.
カタログデータ
カタログデータ
adwinshogatsutani
kintone Cafe Japan 2016: kintone x 機械学習で実現する簡単名刺管理
kintone Cafe Japan 2016: kintone x 機械学習で実現する簡単名刺管理
Takahiro Kubo
Elasticsearchを使ったTwitter監視アプリ
Elasticsearchを使ったTwitter監視アプリ
YuichiArisaka
Similar to ML Ops 実装の現場から
(20)
みんなのPython勉強会#21 澪標アナリティクス 井原様
みんなのPython勉強会#21 澪標アナリティクス 井原様
BtoBマーケティングにおけるML/NLPの活用
BtoBマーケティングにおけるML/NLPの活用
Business utilization of real estate image classification system using deep le...
Business utilization of real estate image classification system using deep le...
20141018 osc tokyo2014講演(配布用)
20141018 osc tokyo2014講演(配布用)
夏まつり2016 Session4(事例ローテーション:インフォテック 謝花様)
夏まつり2016 Session4(事例ローテーション:インフォテック 謝花様)
2020/05/18 Alibaba cloud AIソリューションセミナー
2020/05/18 Alibaba cloud AIソリューションセミナー
私のお薦めするG検定勉強法
私のお薦めするG検定勉強法
Social GAME における AI 活用事例 [第 4 回 Google Cloud INSIDE Games & Apps]
Social GAME における AI 活用事例 [第 4 回 Google Cloud INSIDE Games & Apps]
Data-Centric AI開発における データ生成の取り組み
Data-Centric AI開発における データ生成の取り組み
FastAPIを使って 機械学習モデルをapi化してみた
FastAPIを使って 機械学習モデルをapi化してみた
技術とサービスをつなぎ価値ある製品をつくるための組込みアジャイル
技術とサービスをつなぎ価値ある製品をつくるための組込みアジャイル
MLOps Yearning ~ 実運用システムを構築する前にデータサイエンティストが考えておきたいこと
MLOps Yearning ~ 実運用システムを構築する前にデータサイエンティストが考えておきたいこと
Data × AI でどんな業務が改善できる? 製造業様向け Data × AI 活用ユースケース & 製造MVPソリューションのご紹介
Data × AI でどんな業務が改善できる? 製造業様向け Data × AI 活用ユースケース & 製造MVPソリューションのご紹介
データサイエンティストってどこへ行ったのか???
データサイエンティストってどこへ行ったのか???
【オペレーションカンファレンス 2015 Spring】 LT 僕が考えるSIerにとってのMSP
【オペレーションカンファレンス 2015 Spring】 LT 僕が考えるSIerにとってのMSP
誰もが AI を使う時代、作る時代
誰もが AI を使う時代、作る時代
【Pm zen】pmはいつ学び始めるべきか? 20160311
【Pm zen】pmはいつ学び始めるべきか? 20160311
カタログデータ
カタログデータ
kintone Cafe Japan 2016: kintone x 機械学習で実現する簡単名刺管理
kintone Cafe Japan 2016: kintone x 機械学習で実現する簡単名刺管理
Elasticsearchを使ったTwitter監視アプリ
Elasticsearchを使ったTwitter監視アプリ
Recently uploaded
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
Hiroshi Tomioka
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NTT DATA Technology & Innovation
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
UEHARA, Tetsutaro
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
博三 太田
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
FumieNakayama
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
sugiuralab
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
FumieNakayama
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
Yuki Kikuchi
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
akihisamiyanaga1
Recently uploaded
(9)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
ML Ops 実装の現場から
1.
第1回 ML Ops勉強会 ML
Ops - 実装の現場から スマート・アナリティクス株式会社 1
2.
自己紹介 畠 慎一郎(はた しんいちろう) スマート・アナリティクス株式会社
代表取締役 1978年10月15日生まれ 福島県会津若松市出身 家族構成:妻1名、子供3名 •2001-2009 •2010-2015 •2015-2017 •2019- Smart Analytics, Inc. All Right Reserved. 2020年1月刊行
3.
ワークショップやジャンプスタート、 受託分析までご要望に応じた分析 サービスを提供・スコアリングサー ビスの実装など 製品操作を学ぶコースから理論を学 ぶコース、e-ラーニングまでお客様 のニーズに合わせたトレーニング コースを提供 IBM SPSS製品をはじめ、分析に関 連するソフトウェアを提供 分析サービス 教育・トレーニング スマート・アナリティクス株式会社は、あらゆる方にデータ活用のパワーを提供します。 AI/人工知能時代のデータ活用をワンストップで提供 分析ソフトウェア ©2020
Smart Analytics, Inc. All Rights Reserved.
4.
ML Ops –
実装の現場から 4 Smart Analytics, Inc. All Right Reserved.
5.
DevOps / ML
Ops そしてCRISP-DMと Smart Analytics, Inc. All Right Reserved. CRISP-DM Cross Industry Standard Process for Data Mining
6.
DevOps / ML
Ops そしてCRISP-DMと Smart Analytics, Inc. All Right Reserved. 大きな枠組みで分析を捉える。 とても重要でかつ必要な「考え方」 「考え方」を否定する余地はまったくない でも、なぜ実際には難しいのか?
7.
DevOps / ML
Ops そしてCRISP-DMと Smart Analytics, Inc. All Right Reserved. うまくいくケースも数多く存在 うまくいかないケースは?
8.
うまくいかないケース Smart Analytics, Inc.
All Right Reserved. • 理想のデータがそもそも取得できない (システム的・組織的・スキル的) • そもそもインプットデータがダメ。。 なのに結果がでないのは分析者のせい? • 精度99%!?のぬか喜び。 • モデル展開後にフィードバックがなかなか得られない (業務プロセス上の課題) • とても良いモデル・知見が得られていても 社内・社外でしがらみが多い。しがらんでいる • そもそも分析必要ない。。 分析で解決できない課題にチャレンジ!? (組織論的、人的課題)
9.
「うまくいくケース」と「うまくいかないケース」の違いは? Smart Analytics, Inc.
All Right Reserved. 大前提: データ内にどれくらい求めたい事象の 答えが入っているのか? 説明できるか? →精度が高い分析(Accuracy/Precision) 変数選択は合っている+展開のプロセスも期待ができる それにMLOpsとして加えて以下の課題も - 分析対象の課題 - システム課題 - 業務プロセスの課題 - 人的要因の課題
10.
分析対象とML Ops 「ヒトの分析」 「モノの分析」
「カネの分析」 EC・アプリ以外は 分断されているデータ 分断されているけど比較的きれい つなごうと思えばつなげるけど すべてを捉えきれないデータ 対象データは事実を捉えきれる? 国税なら全データをゲットも アートとサイエンスが混在 展開はシステム的 オンプレ障害あるものの
11.
システム面でのML Opsのハードルと注意点 多くの場合には、業務アプリケーション・システムから抽出される情報 様々なデータ データ ・購入者データ ・出荷データ
・在庫データ ・アンケートのデータ ・Webサイトのデータ ・SNSデータ 業務システムの 履歴としてのデータは 多数存在 一方で、分析に適した データかは別の話 多くの場合には データ加工が必要 そこには、結果を 見据えた加工が必要 データ加工
12.
データ分析は調理と似ている よい食材選び よい調理器具 調理しやすい 形に加工 調理 よい調理器具 おいしい料理の 完成 よい料理人 アイディア 経験 レシピ 目利き 技 技 盛り付け 調理しやすい 形に加工
13.
データ分析は調理と似ている 調理しやすい 形に加工 調理 よい分析者 アイディア 経験 ノウハウ? レシピ? 目利き 技 技 盛り付け よいデータ選び よい分析ツール 知見・発見 よい分析ツール分析しやすい 形に加工
14.
データ加工って簡単にいうけど・・ 「データ加工」には、 当然、最終系のイメージがないとできません。 つまりデータ加工をするために「レシピ」が必要。 しかし、はじめは「レシピ」を持っていない しかもこの「レシピ」は、 「分析」だけに限らず、「業務」のレシピも必要 実はモデルのモニター、評価あたりも「レシピ」が必要 ML Opsのレシピも必要!? キッチンでレシピをみる女性
15.
ツール面の課題:インプット面と分析面は充実していますが。 分析ツールは世の中にいっぱいある - コネクター:腐るほどある。 入力データはたくさん欲しいよね! でも、分析結果(展開)のコネクターは? なかなか数が限られる。 - 20年以上変わらない。知見の内在化問題 -
本当はデプロイも試行錯誤であるべき。 まさにMLOps的なものがツール面でも必要
16.
業務プロセスとシステムの課題:ループするのは実は難しい システムのサイロ化+オンプレシステム、日本的な業務プロセスとシステム開発 「弊社は他社と違い特別な業務プロセスがありまして・・」的な神話による弊害 (標準化されないインプットデータ) 業務プロセス内に混在する「手作業」と「判断」 業務プロセスと業務システムが一致していないマニュアル文化 それに加えて - システム的にも細分化 - APIとかでつながると良いのですが。 -
オンプレ+クラウド=ハイブリット? オンプレとクラウド=2つの系統 例:フィードバックがループしない。。。 フィードバックが面倒だと、使われない
17.
人的要因面とML Ops 今の時代に求められているのは・・ML Ops+Biz -
ビジネスのわかるデータ分析者 - ビジネスのわかるシステム開発者 - IT/データのわかるクリエイター - IT/データのかわる営業/マーケター - 分析のわかるシステム開発者 - 分析のわかる営業/マーケター - 諸々わかってるマネージメント陣 - それを信じて応援だけしてくれる経営層 - 実は旧来の総合職的な人が重要!? - MLに限らない分析者組織、縦横問題
18.
チーム制なのはわかるけど、誰が重要?? 諸々考えるとやっぱり一気通貫して把握・管理できる人・組織が重要!? ML(データ分析)を軸として、システム、業務プロセス、IT そして当然分析を知っている人や組織を作る必要がある。 ケースによって違うが、分析の文化を作る必要がある
19.
ML Opsを活用するための組織内文化醸成のために まだまだ課題はあるものの・・ 1. まずは
ML Opsという考え方は全員持っておくべき 2. 「分析って使えるようね」テーマの選定(現場で使える感を醸成) 3. 「分析できる人」が出世するようサポート 4. プラットフォームでカバーできるものはプラットフォームで 5. 今後のコミュニティに期待! 簡易MLOpsからはじめて、真のMLOps へ
20.
Thanks! お問い合わせ先 スマート・アナリティクス株式会社 〒150-0043 東京都渋谷区道玄坂1-9-4 ODAビルディング
3F TEL : 03-5784-4580 / FAX 03-5784-4577 E-mail : info@smart-analytics.jp URL : https://smart-analytics.jp/ Smart Analytics, Inc. 20
Download now