ある企業がAzure Machine Learning パイプラインを本番運用している。毎週新しい顧客データが追加されるが、モデルの精度を維持するために継続的な再学習と評価・デプロイの自動化が必要だ。この要件に最も適したアプローチはどれか。
- A. データサイエンティストが毎週手動でAutoMLを実行し、良いモデルが得られたら手動でデプロイする
- B. Azure ML パイプラインをスケジュールトリガーで定期実行し、評価ステップで閾値を超えたモデルのみ自動的にエンドポイントへデプロイするMLOpsフローを構築する
- C. 顧客データが増えるたびにAzure Databricksでフルバッチ再学習を手動起動し、モデルをオンプレミスサーバーにデプロイする
- D. 訓練済みモデルを毎週コンピューティングインスタンスで再実行し、Azureストレージに結果を保存する
解答と解説を見る
正解: B
MLOps（機械学習のDevOps）の実践として、Azure ML パイプラインをスケジュールトリガーで自動実行し、評価ステップで性能基準を満たしたモデルのみを自動デプロイするフローが「継続的な再学習と評価・デプロイの自動化」の要件に最も合致する。Aの手動対応は自動化要件を満たさず、ヒューマンエラーのリスクも高い。Dのコンピューティングインスタンスへの手動実行とストレージ保存では自動デプロイが実現されない。CのオンプレミスサーバーへのデプロイはAzure MLのエコシステムを活用せず、「クラウドネイティブなMLOps」の観点から最適でない。継続的な自動化にはパイプラインのスケジュール実行とモデルレジストリの活用が鍵である。