機械学習のパイプライン

機械学習は、決まった順番で進めます。課題を決める、データを集める、データを整える、特徴量を作る、モデルを学習させる、評価する、本番に置く（デプロイ）、本番で見張る（モニタリング）です。本番のデータが学習のときと変わってくると、精度が落ちるので、学び直し（再学習）をします。

MLOps

この流れを、毎回手作業でなく、同じ手順でくり返せるようにする考え方が MLOps です。実験の記録、手順の自動化、モデルの見張りと再学習が柱です。

推論の種類

• リアルタイム推論 … 1件ずつ、すぐに答える
• バッチ推論 … ためたデータを、まとめて処理する
• 非同期推論 … 時間がかかる処理を受け付けて、あとで結果を返す
• サーバーレス推論 … 使ったときだけ動く。たまにしか使わないときに向く

評価の指標

1,000件の通話のうち、本当に苦情なのは100件。モデルが苦情と判定したのは90件で、そのうち72件が本当の苦情だったとします。
- 正解率 … 全体のうち当たった割合。（72 ＋ 882）÷ 1,000 ＝ 0.954
- 適合率 … 苦情と判定したうち、本当に苦情だった割合。72 ÷ 90 ＝ 0.8
- 再現率 … 本当の苦情のうち、見つけられた割合。72 ÷ 100 ＝ 0.72
- F1スコア … 適合率と再現率の調和平均。約0.76

苦情が少ないデータでは、正解率だけを見ると、見逃しの多さに気づけません。

• 機械学習のパイプラインと、再学習が必要になる理由
• MLOps の考え方
• リアルタイム・バッチ・非同期・サーバーレスの推論の違い
• 正解率・適合率・再現率・F1スコアの計算と使い分け