- MLOps with Google's best practices and Vertex AI
- GoogleのベストプラクティスとVertex AIで導入するMLOps
45 min
Data analysts, data scientists and DevOps engineers. Intermediate level
The hardest part of ML adoption in enterprises is Productinization. As we see in recent discussions around MLOps, there is a big gap between Data Scientists' PoC code and production ML development and operation with the Ops team. Such as, preparing a manageable ML dev environment, building a scalable ML serving infrastructure, setting up a ML pipeline for continuous training, managing features in a scalable way, and monitoring the model performance in the production. In this session, we will learn how to leverage various Google's MLOps best practices and Vertex AI products to solve these problems.
企業における機械学習の導入でもっとも大きな課題は、企業のビジネスを支える実運用環境の構築です。ここ数年の「MLOps」の議論に見られるように、データサイエンティストが作成するPoC（試作品）レベルの成果と、Opsエンジニアが運用可能な本番環境の間には、大きなギャップがあります。プロジェクト全体で共有可能な管理性とガバナンスを考慮した開発環境や、スケーラブルで可用性の高いサービス提供インフラ、継続的なモデル学習のための機械学習パイプライン、実運用環境でのモデル性能の継続監視など、さまざまな課題があります。このセッションでは、Google CloudのVertex AIが提供するツール群を組み合わせ、Googleが長年培ってきたMLOpsのベストプラクティスを実際に導入する方法を解説します。
- ML Ops Best Practices on Google Cloud at Google Cloud Next SF 2019
- What is ML Ops at Google Cloud Next SF 2018