まとめ
このモジュールでは、遠隔地にあるポンプ (石油ガス業界) に予測メンテナンス アルゴリズムを展開するシナリオについて検討しました。 その企業は、現場にあるセンサーからデータを既にキャプチャしていましたが、エッジ デバイスに予測メンテナンス アルゴリズムを展開する必要がありました。 データ ドリフトを克服するため、企業はアルゴリズムを自動的に再トレーニングすることを望んでいました。
MLOps を使用すると、モデルの開発と展開のプロセスをエンド ツー エンドで管理できます。 機械学習モデルを、最小限の操作で構築、監視、検証することができます。 モデルをエッジ デバイス (ポンプ) に展開でき、必要に応じてオフラインで実行できます。 モデルを頻繁かつ自動的に再トレーニングすることで、モデルの最新バージョンをデバイスで確実に実行できます。
MLOps 戦略を導入しないと、展開されたモデルによって返される結果は、データの現在の状態を反映していない可能性があります。 そのような結果は、誤解を招くものであったり、誤っていさえする可能性があります。
MLOps を展開すると、モデルの価値を実現し、再トレーニングによってモデルを最新の状態に保つことで、その価値を長く保持することができます。 この会社は、これらの目標により、メンテナンス コストと運用コストを大幅に節約し、作業場所の安全性と環境への影響を高めることができます。