MLOpsとは
MLOps（Machine Learning Operations）は、機械学習モデルを開発環境から本番環境へデプロイし、継続的に監視・改善するためのエンジニアリング実践です。DevOpsとデータサイエンスを融合した分野です。
機械学習のライフサイクル
データ収集→特徴エンジニアリング→モデル学習→評価→デプロイ→監視→再学習→...
MLOpsはこのサイクル全体を自動化・再現可能にすることを目指します。
MLOpsの主要コンポーネント
| コンポーネント | ツール | 目的 |
|---|---|---|
| 実験管理 | MLflow・W&B | パラメータ・メトリクスの記録 |
| モデルレジストリ | MLflow・SageMaker | モデルバージョン管理 |
| 特徴量ストア | Feast・Tecton | 特徴量の一元管理・再利用 |
| モデルサービング | BentoML・Seldon | APIとしてモデルを公開 |
| モデル監視 | Evidently・Arize | データドリフト・性能劣化の検出 |
| パイプライン | Kubeflow・ZenML | ML処理の自動化 |
モデルデプロイの3つのパターン
バッチ推論：定期的に大量データを処理するバッチジョブとして実行。リアルタイム性は不要だが処理量が大きい場合に有効。
オンライン推論（REST API）：リクエストごとにリアルタイムで推論を返すAPI形式。FastAPI + Docker + Kubernetes が一般的な構成。
エッジ推論：TensorFlow Lite・ONNXで量子化したモデルをデバイス上で動かす。スマートフォン・IoTデバイスへのデプロイ。
データドリフトとモデル劣化への対処
本番環境では時間の経過とともに入力データの分布が変化し（データドリフト）、モデルの精度が劣化します。定期的な再学習と監視ダッシュボードで早期発見・対処する仕組みが必須です。
