内容紹介：ＭＬモデルを構築する際に気を付けるべき事柄がわかる！本書は、信頼性が高く、効果的で、責任のあるＭＬを組織内で実行し確立する方法を紹介します。本番環境でのモデルモニタリングの方法から、製品開発組織で調整されたモデル開発チームを運営する方法まで学習できます。また、正しく責任を持ってデータを扱う、信頼できるモデルを構築する、更新時の安全性、コスト、パフォーマンス、ビジネス目標、組織構造に関する懸念など、あまり扱われてこなかったＭＬのライフサイクル全体に焦点を当てています。
本書では、ソフトウェアシステムの信頼性と安定性を保つことに優れたアプローチであるＳＲＥ（サイトリライアビリティエンジニアリング）の原則を適用し、信頼性が高く、効果的で、責任のある機械学習システムを構築し運用するための方法を紹介します。毛糸を販売している仮想のオンラインストア「ｙａｒｎｉｔ．ａｉ」を例に用いつつ、本番環境でのモデルモニタリングの方法から、製品開発組織で調整されたモデル開発チームを運営する方法まで解説します。最後の１５章では、ＭＬＯｐｓから見た特定の問題や課題を６つのケーススタディとともに紹介しています。また、データを正しく責任を持って扱うこと、信頼できるモデルを構築すること、運用環境へのスムーズな（そして可逆的な）道筋を確保すること、更新の安全性、コスト、パフォーマンス、ビジネス目標、組織構造に関する懸念など、あまり論じられてこなかった機械学習のライフサイクル全体における諸側面に焦点を当てています。ＳＲＥの視点から信頼性の高い機械学習システム運用を学ぶ１冊です。
もくじ情報：はじめに；データマネジメント；ＭＬモデルの基礎；特徴量と訓練データ；モデルの確実性と品質の評価；公正さ、プライバシー、倫理的なＭＬシステム；ＭＬモデル訓練システム；サービス運用；モデルの監視と可観測性；継続的なＭＬ；障害対応；製品とＭＬの関わり方；ＭＬの組織への統合；実践的なＭＬ組織の事例；ケーススタディ：ＭＬＯｐｓの実践