機械学習エンジニアリング

機械学習システム構築のためのベストプラクティス＆デザインパターン

機械学習は人工知能の同義語となり多くの人に広く知れ渡っていますが、その可能性を十分に活かしている企業は世界でも一握りにすぎません。最新のオープンソースライブラリ、パッケージが提供され、コミュニティは充実していますが、実用的なビジネス上の課題解決に機械学習をどう適用させるかで、多くの企業が四苦八苦しています。
人材不足もその要因の一つではありますが、優秀な機械学習エンジニアやデータアナリストを確保したとしても、1つのモデルを導入するまでにそれなりの期間が必要になってしまうことも起きています。

機械学習モデルのバージョン管理、再現性、スケーリングなど、企業が機械学習の機能を開発する際に直面する主な課題は、サイエンス的な面よりもむしろエンジニアリング的なものですが、一般的なデータサイエンス系の教科書では、機械学習プロジェクトを実施する際のエンジニアリング的な面についてあまり触れていません。

本書はデータの収集、保存、前処理、特徴量エンジニアリング、モデルのテストとデバッグ、本番環境へのデプロイと撤退、ランタイムと本番環境へのデプロイ後のメンテナンスなどに光をあて、解説していきます。
機械学習の応用、ビジネス上の課題を機械学習を使用して解決したい場合に適切なアドバイスを得ることができます。


対象読者として、機械学習の基本を理解し自身でモデルを構築することができるレベルを想定しています。
・機械学習エンジニアリングの仕事に取り組むデータアナリスト
・仕事をもっと構造化したいと考えている機械学習エンジニア
・機械学習エンジニアが提供するモデルを扱うことになるソフトウェアアーキテクト


第1章 はじめに
第2章 プロジェクトを始める前に
第3章 データの収集と準備
第4章 特徴量エンジニアリング
第5章 教師ありモデルの訓練 (第1部)
第6章 教師ありモデルの訓練（第2部)
第7章 モデルの評価
第8章 モデルの導入
第9章 モデルの推論、監視、メンテナンス
第10章 まとめ