MLOps

MLOps

は、の開発から運用までを継続的に回すための考え方と仕組みです。 AIF-C01では、MLOpsが何を自動化し、通常のソフトウェア開発と何が違うかを問われます。

概要

は、DevOpsの考え方をへ広げたものです。コードだけでなく、データとモデルもバージョン管理と自動化の対象になる点が違いです。

Point

MLOps = Machine Learning + Operations を組み合わせた語です。
管理対象が コード + データ + モデル の3つになる点が、通常のDevOpsとの違いです。
和訳
- operations: 運用、業務
- Weblio英和辞書「operations」

主要技術

①MLOpsが解決する問題

問題	での解決
学習が手作業で再現できない	学習をパイプライン化し、入力と設定を記録します。
どのデータでどのモデルを作ったか分からない	データとモデルのバージョンを対応付けます。
デプロイが属人的	デプロイを自動化し、承認手順を明示します。
精度低下に気付けない	監視と警告を組み込みます。
が回らない	監視の結果から再学習を起動します。
技術的負債がたまる	手作業の前処理、使われなくなった、版の分からないモデルを放置せず、パイプラインと版管理に載せて整理します。
データや利用が増えると回らない	学習は必要なときだけ計算資源を確保する学習ジョブで実行し、はマネージドなで負荷に合わせて増減させます。

本番稼働の準備 (プロダクションレディネス) では、学習に使っていないデータで評価の基準を満たすことに加え、監視の仕組み、問題が起きたときに前の版へ戻す手順、承認の記録がそろっているかを確かめます。

②パイプラインと自動化

学習からデプロイまでの流れを定義し、繰り返し実行できるようにします。 AWSでは Pipelinesが担当します。

段階	自動化する内容
データ準備	取り込み、検証、前処理を実行します。
学習	学習ジョブとチューニングを実行します。
評価	基準を満たすかを判定します。
登録	合格したモデルをモデルレジストリへ登録します。
デプロイ	承認後にへ反映します。

③モデルの管理と追跡

仕組み	役割	AWSサービス
モデルレジストリ	モデルのバージョンと承認状態を管理します。	Model Registry
実験管理	学習の条件と結果を記録して比較します。	SageMaker Experiments
	用途、制約、評価結果、リスクを文書化します。	SageMaker Model Cards
一覧の可視化	稼働中モデルと監視状態をまとめて見ます。	SageMaker Model Dashboard

実験管理は、現在はSageMaker AIのマネージドなMLflowで行うことが推奨されています。学習の実行ごとにパラメーター、指標、成果物を記録し、実行どうしを並べて比べられます (SageMaker ExperimentsはStudio Classicでの旧来の機能です)。

④デプロイ戦略

モデルの差し替えは、影響を抑える方法を選びます。

戦略	内容	判断ポイント
ブルーグリーン	新旧を並行稼働させ、まとめて切り替えます。	切り戻しを素早く行いたい場合
カナリア	一部のトラフィックだけ新モデルへ流します。	影響範囲を限定して確かめたい場合
シャドウテスト	本番のリクエストを複製して新モデルへ流し、応答は返しません。	本番影響ゼロで性能を比べたい場合
A/Bテスト	複数モデルへ分けて業務指標を比べます。	どちらが成果を出すか比べたい場合

⚠️ 頻出: 「本番の応答に影響を与えずに新モデルの挙動を確認したい」ならシャドウテストです。

⑤監視と再学習の判断

検知するもの	意味	対応
	入力データの分布が変わりました。	新しいデータでします。
	予測性能が落ちました。	再学習またはモデル変更を行います。
ドリフト	属性間の偏りが拡大しました。	データとを見直します。
特徴量の寄与のずれ	予測根拠の構成が変わりました。	原因となる特徴量を調べます。

これらは継続的に測り、で警告を出します。測る仕組みとしては Model Monitorがありましたが、2026年7月30日に新規の利用者の受け付けを終えました。新しく作る場合は、AWSが案内する監視ソリューション (SageMaker AIのMLflowとEvidently AI) とCloudWatchを組み合わせます。

試験対策

①判断マトリクス

問題文のキーワード	選ぶ仕組み
学習からデプロイまでを繰り返し実行したい	Pipelines
モデルの版と承認を管理したい	SageMaker Model Registry
学習条件と結果を比較したい	SageMaker AIのMLflow (旧SageMaker Experiments)
モデルの用途と制約を文書化したい	SageMaker Model Cards
本番の応答へ影響させずに検証したい	シャドウテスト
一部の利用者にだけ新モデルを出したい	カナリアデプロイ
入力データの傾向変化を検知したい	監視ソリューション (MLflowとEvidently AI) と

②よくある誤答

をコードのだけと考えること。データとモデルの管理が中心にあります。
の判断を勘で行うこと。監視指標を根拠にします。
を監視ツールと考えること。モデルカードは文書化の仕組みです。

概要