事例でわかるMLOps―機械学習の成果をスケールさせる処方箋 [単行本]

事例でわかるMLOps―機械学習の成果をスケールさせる処方箋 の 商品概要

• 目次

  第1部　MLOps の背景と全体像
  　1章　MLOps とは
  　　1.1　MLOpsの背景
  　　1.2　本書でのMLOpsの全体像
  　2章　MLOps を実現する技術
  　　2.1　機械学習パイプライン
  　　2.2　推論システム
  　　2.3　技術選定
  　　2.4　機械学習の実行環境とアクセラレーター
  　　2.5　機械学習システムのモニタリング
  　　2.6　データの品質管理
  　　2.7コードの品質管理
  　3章　MLOps を支えるプロセス・文化
  　　3.1　機械学習システムの開発フローとPoC
  　　3.2　素早い実験を繰り返す
  　　3.3　多様な利害関係者との協業
  　　3.4　ビジネスの意思決定に役立つモニタリング
  　　3.5　MLOps のプロセスを支える文化
  
  第2部　MLOps の実践事例と処方箋
  　4章　DeNAにおける機械学習プロジェクトの進め方（株式会社ディー・エヌ・エー　玉木竜二　藤原秀平）
  　5章　少人数で迅速に実現する　コンテンツレコメンドにおけるMLOps（株式会社CAM　原和希）
  　6章　顧客ごとに複数機械学習モデルを出し分ける学習と推論のアーキテクチャ（澁井雄介）
  　7章　機械学習パイプライン構築事例から見る技術選定（安立健人）
  　8章　事故を減らすための機械学習モデル適用の工夫（株式会社ディー・エヌ・エー〈GO株式会社出向〉　松井健一）
  　9章　機械学習プロジェクトの失敗確率 80% を克服するプラクティス（アマゾン ウェブ サービス ジャパン合同会社　久保隆宏）
  　10章　ML Test Score を用いた機械学習システムの定量的なアセスメント（柏木正隆）
  　11章　大規模言語モデルの研究開発から実運用に向けて（株式会社日本経済新聞社　石原祥太郎）
  　12章　ユーザー企業における機械学習プロジェクトの推進事例（サントリーシステムテクノロジー株式会社　高木基成）

• 出版社からのコメント

  ＭＬＯｐｓの全体像から最新の実践事例まで！　機械学習システムを導入し、運用していく中での悩みによく効くノウハウが満載です。

• 内容紹介

  ★機械学習の実利用で、本当にビジネスの価値を生み出すには？★
  
  技術・プロセス・文化の3面から学ぶ、「MLOps」はじめての実践ガイドが登場！
  機械学習システムをビジネスに導入し、運用していく中での悩みによく効くノウハウが満載です。
  
  企業が事業で機械学習の成果をスケールさせるためのさまざまな取り組みをMLOpsといいます。
  本書はそのMLOpsを解説する書籍です。
  第1部ではMLOpsの全体像、そしてそれを実現する技術・プロセス・文化を紹介します。機械学習をビジネスに導入し、運用していくための基礎知識がわかりやすく学べます。
  第2部では、第1部に対応したプラクティスを9つの組織から提供してもらいました。
  
  【おもな内容】
  第1部　MLOpsの背景と全体像
  1章　MLOps とは
  1.1　MLOpsの背景
  1.2　本書でのMLOpsの全体像
  2章　MLOps を実現する技術
  2.1　機械学習パイプライン
  2.2　推論システム
  2.3　技術選定
  2.4　機械学習の実行環境とアクセラレーター
  2.5　機械学習システムのモニタリング
  2.6　データの品質管理
  2.7コードの品質管理
  3章　MLOps を支えるプロセス・文化
  3.1　機械学習システムの開発フローとPoC
  3.2　素早い実験を繰り返す
  3.3　多様な利害関係者との協業
  3.4　ビジネスの意思決定に役立つモニタリング
  3.5　MLOps のプロセスを支える文化
  第2部　MLOpsの実践事例と処方箋
  4章　DeNAにおける機械学習プロジェクトの進め方（株式会社ディー・エヌ・エー　玉木竜二　藤原秀平）
  5章　少人数で迅速に実現する　コンテンツレコメンドにおけるMLOps（株式会社CAM　原和希）
  6章　顧客ごとに複数機械学習モデルを出し分ける学習と推論のアーキテクチャ（澁井雄介）
  7章　機械学習パイプライン構築事例から見る技術選定（安立健人）
  8章　事故を減らすための機械学習モデル適用の工夫（株式会社ディー・エヌ・エー〈GO株式会社出向〉　松井健一）
  9章　機械学習プロジェクトの失敗確率 80% を克服するプラクティス（アマゾン ウェブ サービス ジャパン合同会社　久保隆宏）
  10章　ML Test Score を用いた機械学習システムの定量的なアセスメント（柏木正隆）
  11章　大規模言語モデルの研究開発から実運用に向けて（株式会社日本経済新聞社　石原祥太郎）
  12章　ユーザー企業における機械学習プロジェクトの推進事例（サントリーシステムテクノロジー株式会社　高木基成）

• 著者紹介（「BOOK著者紹介情報」より）（本データはこの書籍が刊行された当時に掲載されていたものです）

  杉山 阿聖(スギヤマ アセイ)
  株式会社Ｃｉｔａｄｅｌ　ＡＩ所属。これまでに機械学習パイプラインの構築など、機械学習の実用化に取り組む。Ｇｏｏｇｌｅ　Ｃｌｏｕｄ　Ｃｈａｍｐｉｏｎ　Ｉｎｎｏｖａｔｏｒ（Ｃｌｏｕｄ　ＡＩ／ＭＬ）
  
  太田 満久(オオタ ミツヒサ)
  医療系スタートアップのＵｂｉｅ株式会社の機械学習エンジニア。京都大学で博士（理学）を取得後、データ分析専業の大手であるブレインパットにエンジニアとして入社。最高データ技術責任者として、多くの機械学習プロジェクトをリードした後現職に至る。Ｇｏｏｇｌｅ　Ｄｅｖｅｌｏｐｅｒｓ　Ｅｘｐｅｒｔ（Ｍａｃｈｉｎｅ　Ｌｅａｒｎｉｎｇ）。Ｇｏｏｇｌｅ　Ｃｌｏｕｄ　Ｃｈａｍｐｉｏｎ　Ｉｎｎｏｖａｔｏｒ（Ｃｌｏｕｄ　ＡＩ／ＭＬ）
  
  久井 裕貴(ヒサイ ユウキ)
  株式会社マネーフォワード所属。前職では、金融機関においてデータサイエンティストとして、スコアリングモデル開発などのデータ活用および機械学習モデル開発に従事。２０１９年マネーフォワードに入社し、研究員としてＬａｂ本部に所属。ｔｏ　Ｂ、ｔｏ　Ｃ両面のサービスにおける機械学習モデル活用を推進している

• 著者について

  杉山 阿聖 (スギヤマ アセイ)
  杉山　阿聖
  株式会社Citadel AI 所属。これまでに機械学習パイプラインの構築など、機械学習の実用化に取り組む。Google Cloud Champion Innovator (Cloud AI/ML)。
  
  太田 満久 (オオタ ミツヒサ)
  太田　満久
  医療系スタートアップのUbie株式会社の機械学習エンジニア。京都大学で博士（理学）を取得後、 データ分析専業の大手であるブレインパットにエンジニアとして入社。最高データ技術責任者として、多くの機械学習プロジェクトをリードした後現職に至る。Google Developers Expert (Machine Learning)。Google Cloud Champion Innovator (Cloud AI/ML)。
  
  久井 裕貴 (ヒサイ ユウキ)
  久井　裕貴
  株式会社マネーフォワード所属。前職では、金融機関においてデータサイエンティストとして、スコアリングモデル開発などのデータ活用および機械学習モデル開発に従事。2019年マネーフォワードに入社し、研究員としてLab本部に所属。to B、to C両面のサービスにおける機械学習モデル活用を推進している。

事例でわかるMLOps―機械学習の成果をスケールさせる処方箋 の商品スペック