ベンダー
English

MLOpsパート1: 機械学習のイノベーションの本番環境への移行

Create a vendor selection project
Click to express your interest in this report
Indication of coverage against your requirements
A subscription is required to activate this feature. Contact us for more info.
Celent have reviewed this profile and believe it to be accurate.
We are waiting for the vendor to publish their solution profile. Contact us or request the RFX.
Projects allow you to export Registered Vendor details and survey responses for analysis outside of Marsh CND. Please refer to the Marsh CND User Guide for detailed instructions.
Download Registered Vendor Survey responses as PDF
Contact vendor directly with specific questions (ie. pricing, capacity, etc)
2020/06/27

Abstract

保険業界は、小規模な概念実証プロジェクトを経て機械学習(ML)の大規模な導入に向けて進んでおり、プロセスとツールのさらなる工業化が必要となっている。データアナリティクスとMLの開発・採用が進んでいることから、セレントはデータ駆動型プロジェクトを成功させるために必要なユースケースと手順を検証していく。

今日の人工知能(AI)とMLを管理するためには、技術評価とチーム管理を組み合わせた別のアプローチが必要になる。このアプローチでは、通常規模を縮小して行われる実験と、拡張性に焦点を当てた本番環境との違いを管理する必要がある。AIやMLのプロジェクトにあたっては、開発・運用(DevOps)やデータオペレーション(DataOps)に注目する必要がある。具体的には、ソフトウェア開発ライフサイクル(SDLC) やアジャイルといったソフトウェアプロジェクト管理のベストプラクティスを用いた、DevOpsによるソフトウェアエンジニアリング管理、DataOpsによるデータアナリティクスプロジェクト管理などである。これはDataOpsに対する理解と、今日の機械学習オペレーション(MLOps)の進化につながる。

本レポートはMLOpsについてのレポートシリーズ (全2回)の第1弾である。このパート1では、本番環境のAI/ MLの機能を理解するために、Alibaba、Amazon、Google、Microsoftといった大手テクノロジー企業の視点から現在のAI/ MLのサービスと生産パイプラインについて考察する。ビジネスプロセスの面では、データ駆動型の改善サイクルのDMAIC、すなわちdefine (定義)、measure (測定)、analyse (分析)、improve (改善)、control (定着)を含めたアジャイル手法の反復アプローチに言及する。これは、データプロジェクトのライフサイクルのDMAM、すなわちdefine (定義)、measure (測定)、action (アクション)、maintain (メンテナンス)の推奨と、MLプロジェクトの実施への合理的な理解につながる。

こうした理解から、セレントは事業目標とMLOpsの技術プロセスを組み合わせたビジネスモデルを提案する。その上で、企業のAIガバナンスを認識し、分析的開発カルチャーを育みつつ、イノベーションを本番環境へ移行することを推奨する。

(詳しい情報は、セレント北川俊来TKitagawa@celent.comまでお問合せください)