Recommended
More Related Content
What's hot
What's hot (20)
Similar to Testing machine learning development
Similar to Testing machine learning development (20)
Testing machine learning development
- 2. 自己紹介 shibui yusuke ● 自動運転スタートアップのティアフォー所属 ● MLOpsエンジニア & インフラエンジニア & データエンジニア ● もともとクラウド基盤の開発、運用。 ● ここ5年くらいMLOpsで仕事。 ● Github: @shibuiwilliam ● Qiita: @cvusk ● FB: yusuke.shibui ● 最近やってること: IstioとGoとデータ分析 cat : 0.55 dog: 0.45 human : 0.70 gorilla : 0.30 物体検知
- 3. 本を出版しました！ ● AIエンジニアのための 機械学習システムデザインパターン ● 2021年5月17日発売 ● https://www.amazon.co.jp/dp/4798169447/ ● 機械学習と銘打ってるのに KubernetesとIstioに 詳しくなれる一冊です！ ● Amazon.co.jp 情報学・情報科学部門 1位！ 人工知能部門 1位！ ● 増刷決定！ ● 韓国語版と中国語版（台湾）も出るらしい！
- 5. 機械学習のプログラミングの課題 ● 機械学習はプログラミングとデータによって開発する。 ● つまりプログラミングとデータが正しくないと機械学習のモデルも正しくなくなる。 ● しかし機械学習のモデルの正確さを開発中に評価することは難しい。 データ分析、取得 前処理 学習 評価 リリース 例：リリース後にデータが間違っていることが判明 データまで戻る
- 6. 「学習を自動化したい」は簡単ではない ● 研究、開発中のコード ＝毎日読んで書くコード。 ＝一箇所修正して依存箇所を直すことは容易。 ● 自動実行するコード ＝毎日実行するけど、毎日読まないし書かないコードになる。 ＝忘れてしまうコードになる。 ＝開発時に記録されていない情報は失われる。 ○ 失われるものの例：学習時に使ったデータ。特に中間データ
- 7. モデル開発のテスト ● ソフトウェア開発ではプログラムを通してロジックをテストする ● 機械学習ではコードを通してデータで確率をテストする YES or NO 0 ~ 1 ソフトウェア開発のテスト 機械学習のテスト 入力 正解 出力 assert 関数 指標 推論 evaluate モデル 関数 テスト通過率：95/100 Accuracy：99% Precision：95% Recall：60% 7 データ
- 8. モデル開発のテスト ● ソフトウェア開発ではプログラムを通してロジックをテストする ● 機械学習ではコードを通してデータで確率をテストする YES or NO 0 ~ 1 ソフトウェア開発のテスト 機械学習のテスト 入力 正解 出力 assert 関数 指標 推論 evaluate モデル 関数 テスト通過率：95/100 Accuracy：99% Precision：95% Recall：60% 8 データ
- 9. 「学習が正しく動いている」 取得したデータが正しい → ←この処理が正しい 動くモデルができてる → ←基準以上の評価 評価と実用が乖離しない → 止めずに安定して 動かせる データ分析、取得 前処理 学習 評価 リリース ←損失関数が下がる 動く→
- 10. 汎用的っぽい関数が汎用的とは限らない ● 前処理は扱うデータに応じて書く必要がある。 ○ 例：細長い画像が入る可能性のある データをどうリサイズ、クロップ する？ ■ パディングしてからリサイズ ■ 最初にリサイズ ■ クロップしたリサイズ ■ ある程度リサイズして パディングしてリサイズ ● Utilityとして作った前処理関数が汎用的に 使えるとは限らない。 ● Utilityの変更→他のモデル開発に影響。 データ取得 テンソル化 リサイズ クロップ 標準化 学習 このあたりを 汎用的に使う 共通の関数に することは多い
- 12. データに依存するならデータとともにテスト ● ユニットテスト： 個々のタスクをテストする ○ 対象：コード品質やロジック ● 接続テスト： 少量データを用いた短い Epochで 学習パイプラインをテストする ○ 対象：学習パイプラインとモデル開発 ● 機械学習としてのテスト： テストデータでモデルを評価する ○ 対象：モデルの品質 ● 受け入れテスト： 推論器の稼働をテストする ○ 対象：本番システム データ取得 前処理 学習 評価 リリース 少量データ
- 13. データに依存するならデータとともにテスト ● 接続テスト： 少量データを用いた短い Epochで 学習パイプラインをテストする ○ 対象：学習パイプラインとモデル開発 ○ サンプルデータでコードが動くことを E2E にテストする ○ 学習が進むこと（損失関数が下がる こと）を確認する ○ 学習済みモデルを読み込んで 評価コードが動くことをテストする ○ 大量のGPUを使う前にコードをテストし たい データ取得 前処理 学習 評価 リリース 少量データ
- 14. ユニットテストの例 def resize_image( img: np.ndarray, width: int, height: int, ) -> np.ndarray: resize_img = cv2.resize(img, (width, height)) return resize_img a = np.random.randint(0, 255, (2, 4, 3)) @pytest.mark.parametrize( ("img", "width", "height"), [(a, 20, 30)], ) def test_resize_image( img: np.ndarray, width: int, height: int, ): resize_img = resize_image(img, width, height) assert resize_img.shape = (width, height, 3) ● 普通のユニットテストを書く。
- 15. 接続テストの例 # 仮のコードです def make_dataloader(data_path: str) -> DataLoader: return dataloader(data_path) def train(model: nn.Module, epochs: int, trainloader: DataLoader) -> List[float]: losses = [] for epoch in range(epochs): average_loss = train_once(model, trainloader) losses.append(average_loss) model.save() return losses def evaluate(model_path: str, testloader: DataLoader) -> List[float]: predictor = Model(model_path) evaluations = predictor.evaluate(testloader) return evaluations ● 少量データで動かす。 @pytest.mark.parametrize( (“model”, "train_path", “test_path” “epochs”), [(model, “/tmp/small_train/”, “/tmp/small_test/”, 10)], ) def test_train( model: nn.Module, train_path: str, test_path: str, epochs: int, ): trainloader = make_dataloader(train_path) testloader = make_dataloader(test_path) init_accuracy = evaluate(model, testloader) losses = train(model, epochs, trainloader) assert losses[0] > losses[-1] trained_accuracy = evaluate(model, testdata) assert init_accuracy < trained_accuracy
- 16. データの正しさを残す ● 非構造化データの前処理や Augmentationが 想定通りのアウトプットを出していることを 網羅的にテストすることは難しいが、 想定外のデータが混入することは避けたい。 ● ランダムサンプリングになるが、 1st epochで 前処理された学習データだけ保存しておいて 学習が異常なときに確認できるようにしておく だけでもトラブルシューティングに役立つ。 前処理 学習 1st epochのみ保存
- 17. DVCとCML ● Data Version Control ● データ分析や機械学習で使ったデータを バージョン管理する ● Gitみたいに使う ● https://dvc.org/doc ● Continuous Machine Learning ● 機械学習のためのCI/CD ● GitHub ActionとDVCと組み合わせて データを管理したCI/CDが可能 ● https://github.com/iterative/cml
- 19. まとめ ● 機械学習はデータに依存するため、データとともにテストする ● 機械学習とプログラム両方のテストを書く ● データの正しさを残す
- 20. 宣伝 ● MLOpsコミュニティを運営してます。 ○ https://mlops.connpass.com/ ● 毎月勉強会開催中！ ○ 7/14はメルカリUSがKubeflow + Polyaxonによる 機械学習基盤を説明！ ○ https://mlops.connpass.com/event/215133/ ● MLOpsコミュニティ公式ツイッター ○ @MlopsJ ○ https://twitter.com/MlopsJ