IoT Edge に MLOps を使用すべき場合
ここでは、IoT Edge 向け MLOps が機械学習アプリケーションに適した選択かどうかを判断する方法について説明します。 次の条件に基づいて適合性を分析します。
共同作業に関する考慮事項
MLOps を使用すると、データ サイエンティストと開発者は、同じ DevOps プロセスを使用して共同作業を行うことができます。 そのため、ほとんどのチームにとっては、共同作業を行って、モデルの開発と展開のペースを上げるために MLOps が必要です。 チームの規模が小さい場合でも (たとえば 5 人の開発者で構成される場合)、MLOps は、適切なエンジニアリング プラクティスと将来の市場性を促進するのに役立ちます。
モデル更新の頻度
運用環境では、どのくらいの頻度でモデルを更新する必要がありますか。 データの変化が速く、モデルを頻繁に更新する必要がある場合は、MLOps を検討する必要があります。MLOps を使用するとモデルの再トレーニング プロセスを自動化できるためです。
IoT に関する考慮事項
複数の IoT デバイスで IoT Edge を使用していて、Edge デバイスに機械学習モデルを展開して更新する必要がありますか。 IoT Edge 向け MLOps は、このようなソリューションに適しています。
スケーラビリティに関する考慮事項
Azure DevOps のビルド パイプラインは、あらゆる規模のアプリケーションに合わせてスケーリングできます。 このため、MLOps は将来的に拡張が必要になるソリューションに適しています。
コストに関する考慮事項
Azure DevOps は、オープンソース プロジェクトおよび最大 5 ユーザーの小規模なプロジェクトについては無料ですが、大規模なチームの場合は、ユーザー数に応じた購入プランが必要です。 ユース ケースによっては、Compute がこのアーキテクチャでの最も大きなコスト要因になります。 ユース ケースに応じたコストに関する考慮事項を調べる必要があります。
ガバナンス データの要件
MLOps では、エンド ツー エンドのモデルの構築と展開に関するガバナンス データがキャプチャされます。 このデータは、解釈能力、コンプライアンス、監査に役立ちます。
ML のライフサイクルに必要な自動化の程度
MLOps のさまざまなコンポーネントによって、自動化が可能になります (CI/CD など)。 全体として、MLOps を使うとエンド ツー エンドのプロセスを自動化できます。