MLOps

(えむえるおぷす/Machine Learning Operations)

起点・背景(海外)
2015年
更新
2026-10-30

一言でいうと

機械学習モデルの開発から本番への配備、監視、再学習までを、継続して回せるようにする実践です。

機械学習の運用経験を扱う面接では、本番への配備後に何を監視し、どのような判断で再学習を実施したかを質問します。

提唱者と登場年

ここで挙げる2015年は、語の初出の年ではなく、この語が扱う課題を指摘した研究論文の年です。D. Sculleyらは同年の機械学習の国際学会で「Hidden Technical Debt in Machine Learning Systems」を発表しました。論文は、本番の機械学習システムには長期の保守の負担が蓄積しやすいと論じ、データの依存関係などを具体的な問題として挙げています。

Google CloudはMLOpsを、機械学習システムの開発(Dev)と運用(Ops)の統合を目指す文化と実践と定義しています。同社の文書は成熟度を3段階で示しています。レベル0は手作業、レベル1は学習の流れの自動化、レベル2はCI/CDまで含めた自動化です。

何を解決するか

機械学習のモデルは、作った時点では精度が出ていても、本番のデータの傾向が変わると精度が下がります。通常のソフトウェアはコードを変えなければ動きが変わりませんが、機械学習のシステムでは、コードが同じでも入力データの傾向が変われば予測の結果が変化します。そのため、精度を監視し、新しいデータで再学習し、検証してから配備し直す流れを、繰り返し実行できる形で用意する必要があります。

もう一つの課題は、データサイエンティストが実験の環境で作ったモデルを、本番で動くシステムへ移す作業です。この移行を人手に頼ると、担当者ごとに手順が異なり、同じモデルを再現できなくなります。

実際の進み方

データの取得と前処理、学習、評価、配備の各工程をパイプラインとして定義し、コードとして管理します。学習に使ったデータ、コード、パラメータ、できたモデルを記録し、どのモデルがどの条件で作られたかをたどれるようにします。

本番では、予測の精度と入力データの分布を監視します。一定の条件を満たしたら再学習のパイプラインを起動し、評価の基準を満たしたモデルだけを本番へ配備します。

導入でよくある失敗

  • モデルの精度を上げる実験にだけ力を入れ、本番での監視と再学習の仕組みを後回しにする
  • ツールを先に導入し、チームの誰が本番のモデルに責任を負うかを決めない
  • 学習時と本番時で前処理の実装が異なり、同じ入力でも結果がずれる

求人票にこの語がある場合に読み取れること

MLOpsと書かれた求人は、機械学習のモデルを本番で運用している、あるいは運用を予定している組織である可能性があります。検証の段階にとどまる組織が語を挙げている場合もあるため、対象のモデル、現在の運用の段階、運用開始の時期を確認します。

モデル開発の担当とは別に、パイプラインと基盤を担う役割として募集される場合と、機械学習エンジニアの業務に含まれる場合があります。データサイエンティスト、データ基盤、インフラの担当とどう分担するかを求人票に明記します。担当の例は、学習と配備のパイプラインの構築、データとモデルの版の管理、本番での精度の監視です。

候補者には「本番の精度が下がったと気づいたきっかけと、その後に再学習や前のモデルへの切り戻しをどう判断したか」を確認してください。担当したパイプラインの範囲も、任せられる範囲を判断する材料になります。

隣接手法との違い

用語指すものMLOpsとの違い
DevOps開発と運用の断絶を解消する取り組みMLOpsは、データの傾向の変化への対応と再学習を加えて扱う
LLMOps大規模言語モデルを使うシステムの運用配備・監視・評価はMLOpsと共通。プロンプトの管理などが加わる
データエンジニアリングデータの収集・加工の基盤づくりMLOpsは、モデルを本番に置いた後の監視と更新まで扱う

出典