事例でわかるMLOps　機械学習の成果をスケールする処方箋

第1部　MLOpsの背景と全体像
　1章　MLOpsとは
　　1.1　MLOpsの背景
　　　1.1.1　機械学習の広がりと現状の課題
　　　1.1.2　本書の読み方
　　1.2　本書でのMLOpsの全体像
　　　1.2.1　全体像
　　　1.2.2　フェーズ
　　　1.2.3　カテゴリ
　2章　MLOpsを実現する技術
　　2.1　機械学習パイプライン
　　　2.1.1　訓練と推論の要件の違い
　　　2.1.2　機械学習パイプライン
　　　2.1.3　まとめ
　　2.2　推論システム
　　　2.2.1　推論システムに求められる要件
　　　2.2.2　推論システムの代表的なパターン
　　　2.2.3　まとめ
　　2.3　技術選定
　　　2.3.1　機械学習パイプラインの技術選定
　　　2.3.2　技術選定において留意すべき観点
　　　2.3.3　まとめ
　　2.4　機械学習の実行環境とアクセラレーター
　　　2.4.1　アクセラレーターの種類
　　　2.4.2　アクセラレーターの選択
　　　2.4.3　まとめ
　　2.5　機械学習システムのモニタリング
　　　2.5.1　機械学習のモニタリングに特有な難しさ
　　　2.5.2　モニタリングの方針の検討
　　　2.5.3　本番環境でのテスト
　　　2.5.4　まとめ
　　2.6　データの品質管理
　　　2.6.1　データの収集
　　　2.6.2　データのラベリング
　　　2.6.3　データの準備
　　　2.6.4　データの削減
　　　2.6.5　データオーグメンテーション
　　　2.6.6　まとめ
　　2.7　コードの品質管理
　　　2.7.1　前提条件
　　　2.7.2　組織内の要因による課題と対策
　　　2.7.3　組織外の要因による課題と対策
　　　2.7.4　文化的な差異による課題
　　　2.7.5　まとめ
　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
　　　3.1.1　機械学習システム特有の不確実性
　　　3.1.2　機械学習システムの開発フロー
　　　3.1.3　PoCと本番運用の違いと注意点
　　　3.1.4　まとめ
　　3.2　素早い実験を繰り返す
　　　3.2.1　素早い実験の必要性
　　　3.2.2　実験をデザインする
　　　3.2.3　実験しやすい環境をつくる
　　　3.2.4　まとめ
　　3.3　多様な利害関係者との協業
　　　3.3.1　利害関係者とはだれか
　　　3.3.2　どのように協業するか
　　　3.3.3　どのようなところで課題を抱えやすいか
　　　3.3.4　まとめ
　　3.4　ビジネスの意思決定に役立つモニタリング
　　　3.4.1　なぜモニタリングしなければならないのか
　　　3.4.2　モニタリングで何を計測するのか
　　　3.4.3　どのようにモニタリングするのか
　　　3.4.4　どのようなところで課題を抱えやすいか
　　　3.4.5　まとめ
　　3.5　MLOps のプロセスを支える文化
　　　3.5.1　機械学習を活用していく上で根付かせる文化
　　　3.5.2　まとめ

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）
　　4.1　はじめに
　　4.2　DeNAという会社の事情
　　4.3　順調に進んだケース：フォローレコメンドの事例
　　4.4　難航したケース：アイテムレコメンドの事例
　　4.5　まとめ
　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）
　　5.1　はじめに
　　5.2　コンテンツレコメンドのためのMLOpsシステム
　　5.3　取り組みの結果
　　5.4　謝辞
　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）
　　6.1　機械学習システムの在り方を考える
　　6.2　機械学習モデルの共通化と個別化
　　6.3　機械学習モデルを個別に出しわける機械学習システムを作って運用する
　　6.4　まとめ
　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）
　　7.1　はじめに
　　7.2　プロジェクト概要
　　7.3　方針の検討
　　7.4　取り組み内容
　　7.5　取り組みの結果
　　7.6　今後の展望
　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）
　　8.1　はじめに
　　8.2　企業概要：GO株式会社について
　　8.3　交通事故削減のための機械学習技術の要件定義
　　8.4　AIドラレコサービスで使われる機械学習技術とその特徴
　　8.5　まとめ
　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）
　　9.1　はじめに
　　9.2　7割以上が効果を実感できないデータサイエンス
　　9.3　機械学習をプロダクトの成長につなげる4つのポイント
　　9.4　ML Enablement Workshopの成果と発展
　　9.5　おわりに
　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）
　　10.1　はじめに
　　10.2　会社紹介
　　10.3　ML Test Scoreとは？
　　10.4　なぜML Test Scoreによる定量評価を行ったのか
　　10.5　どのようにしてスコアリングを進めたか
　　10.6　1回目のスコアリングを行った結果
　　10.7　スコアリングを行って見えてきた課題と改善したこと
　　10.8　半年後に再度2回目のスコアリングを行った結果
　　10.9　ML Test Scoreによるスコアリングを行う上での注意点
　　10.10　まとめ
　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）
　　11.1　はじめに
　　11.2　大規模言語モデルの応用事例
　　11.3　実運用に向けた課題の整理
　　11.4　おわりに
　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）
　　12.1　サントリーの企業紹介
　　12.2　生成AIについての取り組み
　　12.3　従来型の機械学習モデルに関する取り組み
　　12.4　おわりに