MLOps
用語名をコピー
技術用語約1分で読めます
機械学習モデルのライフサイクルを自動化・管理する体系であり、ソフトウェア工学のCI/CDに「継続的学習（CT）」を組み合わせることで、本番環境におけるモデルのパフォーマンスと安定性を維持するDevOpsの拡張版です。
別名
Machine Learning Operationsエムエルオプス
詳しい説明
MLOpsは、機械学習（ML）モデルの開発（Dev）と運用（Ops）を統合し、実験の再現性、デプロイの迅速性、運用の信頼性を確保するための方法論および文化です。データの収集から前処理、モデルの学習、検証、デプロイ、監視に至る全プロセスをパイプラインで自動化します。特に、時間の経過に伴ってモデルの性能が低下する「モデルドリフト（Model Drift）」を検知し、自動的に再学習を促す継続的学習（Continuous Training、CT）が核心となります。最近では、大規模言語モデルの管理に特化したLLMOpsへと拡張されており、企業のAI資産をビジネス価値に直結させる役割を果たしています。
ツールの選定において重要な理由
機械学習モデルは固定されたコードではなく、絶えず変化する「データ」に依存するため、時間の経過とともにパフォーマンスが必ず低下します。MLOpsツールは、このような「技術的負債」を防ぎ、実験室だけで動作するモデルではなく、実際のサービス環境で数万人のユーザーに対して安定してサービングできるインフラを提供するため不可欠です。
チェックポイント
- 継続的学習（CT）パイプラインの自動化レベル（手動 vs 自動再学習）
- データとモデル의バージョン管理（リネージ）による実験の再現性保証の有無
- モデルドリフトやデータの偏りをリアルタイムで検知する監視機能
- 既存のクラウドインフラ（AWS、GCP、Azure）およびKubernetesとの互換性
例
金融業界の不正取引検知（FDS）システムにMLOpsを導入すると、新たな詐欺手法の登場によって既存モデルの精度が低下した瞬間にシステムがそれを検知します。その後、自動的に最新データを収集してモデルを再学習し、検証を通過すれば即座に本番環境へデプロイして事故を防ぎます。
混同しやすい用語
DevOps
コードのバージョン管理とサービスの安定性に集中します（コード中心）。
LLMOps
MLOpsのサブ概念であり、プロンプトエンジニアリングやベクトルDB、LLMの微調整（ファインチューニング）に特化しています。