エンタープライズが少数の機械学習 (ML) のユースケースから大規模なMLの導入に移行するには、MLに対する標準化されたアプローチが必要です。

ほとんどのエンタープライズでは、データサイエンスチームが、特定のビジネス上の課題に対応する正確なモデルを構築するために多くの時間を費やしています。しかし、これらのモデルは、そのモデルを使用して望ましい成果を達成する別のソフトウェアアプリケーションに導入されるまでは、いかなるビジネス価値も生み出しません。そのため、プロセスは停滞してしまいます。エンタープライズに必要なのは、モデルを本番環境にシームレスに移行するためのツールとプロセスです。

機械学習のモデル開発における状況は、以前のDevOpsソフトウェアライフサイクルで見られたものと似ています。DevOpsのツールとプロセスによって、ソフトウェア開発のライフサイクルにおけるこれらの問題の多くが解決されました。しかし、機械学習モデル開発の反復的および実験的な性質のため、DevOpsのツールをMLに適用してもうまくいきません。

ほとんどのクラウドベンダーが、機械学習モデルの運用の解決策を持っていると主張していますが、それとはほど遠いのが現実です。クラウドベンダーが提供するまとまりのないサービスは、エンドツーエンドのソリューションのためにつなぎ合わせる必要があります。また、すべてのワークロードがクラウドに移行できるわけではありません。データには重力があり、データの近くに機械学習モデルを展開することが最も効率的です。エンタープライズには、オンプレミスであれ、クラウドであれ、エッジであれ、データが存在する場所にワークロードを展開する柔軟性が必要です。