特許ウォッチ

公開番号2025167662
公報種別公開特許公報(A)
公開日2025-11-07
出願番号2024072498
出願日2024-04-26
発明の名称開発システムおよび学習管理システム
出願人コニカミノルタ株式会社
代理人弁理士法人磯野国際特許商標事務所
主分類G06N 20/00 20190101AFI20251030BHJP(計算;計数)
要約【課題】所定のプラットフォームを組み合わせてMLOpsシステムを構築することができ、各プラットフォームの特性を活かした効率的なMLOpsシステムを実現すること。
【解決手段】開発システム100は、学習データを外部学習システム400の学習用に処理し、処理した学習データを用いて外部学習システム400で機械学習モデル401を学習させる第1パイプライン120と、学習データを学習した機械学習モデル401を運用システム200にデプロイする第2パイプライン130と、を有する。
【選択図】図1
特許請求の範囲【請求項１】
学習データを外部の学習システムの学習用に処理し、処理した前記学習データを用いて前記外部の学習システムで機械学習モデルを学習させる第１パイプラインと、
前記学習データを学習した機械学習モデルを運用システムにデプロイする第２パイプラインと、
を有する開発システム。
続きを表示（約 1,000 文字）【請求項２】
前記第１パイプラインは、
外部の学習システムに処理した学習データを含む情報を送信する送信部を有し、
前記第２パイプラインは、
前記外部の学習システムが学習させた機械学習モデルを受信する受信部と、
前記機械学習モデルを運用システムにデプロイするモデルデプロイ部と、
を有する請求項１に記載の開発システム。
【請求項３】
前記送信部は、
前記第２パイプラインを実行する際に必要な情報を含んで送信する、
請求項２に記載の開発システム。
【請求項４】
前記第２パイプラインを実行する際に必要な情報には、前記第２パイプラインの処理を開始するための処理命令トリガーのコードを含む、
請求項３に記載の開発システム。
【請求項５】
前記第１パイプラインは、
前記外部の学習システムの機械学習モデルに適したデータ形式に変換し、当該変換したデータ形式の学習データを、前記送信部により前記外部の学習システムに向けて送信する、
請求項２に記載の開発システム。
【請求項６】
前記外部の学習システムの機械学習モデルに適したデータ形式に変換する変換用スクリプトを更に有する、
請求項５に記載の開発システム。
【請求項７】
前記第２パイプラインは、
前記外部の学習システムにより学習された機械学習モデルを受信するとともに、受信した前記機械学習モデルを、前記運用システムで利用可能な形式に変換する、
請求項２に記載の開発システム。
【請求項８】
前記モデルデプロイ部は、
前記運用システムに向けて、前記機械学習モデルを送信する、
請求項２に記載の開発システム。
【請求項９】
前記受信部は、
所定の機械学習フレームワークの受取型式の指定を受け付けて、受信した前記機械学習モデルを、前記指定された受取型式の所定の機械学習フレームワークに変換する、
請求項７に記載の開発システム。
【請求項１０】
前記第１パイプラインは、
前記送信部に送出するためのデータを用意し、当該データを転送するデータセット部を、さらに備える、
請求項２に記載の開発システム。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本発明は、開発システムおよび学習管理システムに関する。
続きを表示（約 3,300 文字）【背景技術】
【０００２】
近年、機械学習の分野において、機械学習（ＭＬ：Machine Learning）と運用（Operations）を組み合わせた造語のＭＬＯｐｓシステムが普及している。ＭＬＯｐｓシステムは、機械学習を円滑に進めるフローであり、例えば、開発工程と運用工程をパイプライン化することで、データ処理やコミュニケーションの円滑化を図っている。また、ＭＬＯｐｓは、バージョン管理やデプロイなどの自動化を図ることで、生産性の向上も図ることができる（非特許文献１および２参照）。
【０００３】
非特許文献１の要約書の参考訳によれば、「すべての産業用機械学習(ML)プロジェクトの最終目標は、ML 製品を開発し、迅速に実稼働環境に導入することである。ただし、ML製品を自動化して運用することは、非常に困難であるため、多くのMLの取り組みは、期待を達成できない。Machine Learning Operations (MLOps)のパラダイムは、この問題に対処する。MLOpsには、ベストプラクティス、一連の概念、開発文化などのいくつかの側面が含まれている。ただし、MLOpsはまだ曖昧な用語であり、研究者や専門家にとっての影響は曖昧である。このギャップに対処するために、私たちは文献レビュー、ツールレビュー、専門家インタビューなどの混合方法調査を実施する。これらの調査の結果、必要な原則、コンポーネント、役割、および関連するアーキテクチャとワークフローの集約された概要を提供することで、一連の知識に貢献する。さらに、MLOps の包括的な定義を提供し、この分野での未解決の課題に焦点を当てる。最後に、この作業は、指定された一連のテクノロジーを使用してML製品を自動化および運用したいと考えているML研究者および実践者にガイダンスを提供する。」という旨が記載されている。
【０００４】
また、非特許文献２のＭＬＯｐｓレベル１：ＭＬパイプラインの自動化には、「レベル1の目標は、MLパイプラインを自動化することにより、モデルの継続的トレーニングを実行することです。これにより、モデル予測サービスの継続的デリバリーを実現できます。新しいデータを使用して本番環境においてモデルを再トレーニングするプロセスを自動化するには、自動化されたデータとモデル検証の手順、およびパイプライントリガーとメタデータ管理をパイプラインに導入する必要があります。」という旨が記載されている。
【０００５】
さらに、非特許文献２の図３の特徴として、以下の旨が記載されている。
「・迅速なテスト: ML テストの手順は統合されています。手順間の移動が自動化されることで、テストのイテレーションが迅速になり、パイプライン全体を本番環境に移行する準備が改善されます。
・本番環境でのモデルのCT:次のセクションで説明するライブパイプライントリガーに基づいて、新しいデータを使用して本番環境でモデルが自動的にトレーニングされます。
・テストと運用の対称性:開発環境またはテスト環境で使用されるパイプライン実装は、本番前環境と本番環境で使用されます。これは、DevOpsを統合するMLOps手法の重要な側面です。
・コンポーネントとパイプライン用のモジュール化されたコード:MLパイプラインを構築するには、コンポーネントを再利用可能、構成可能で、場合によってはMLパイプライン間で共有できる必要があります。したがって、EDAコードはノートブック内に存在できますが、コンポーネントのソースコードはモジュール化する必要があります。また、コンポーネントは次の操作のためにコンテナ化するのが理想的です。
・実行環境とカスタムコードランタイムを分離する。
・開発環境と本番環境の間でコードを再現可能にする。
・パイプライン内で各コンポーネントを分離する。各コンポーネントは、独自のバージョンのランタイム環境、異なる言語とライブラリを持つことができます。
・モデルの継続的デリバリー: 本番環境のMLパイプラインは、新しいデータでトレーニングされた新しいモデルに予測サービスを継続的に提供します。オンライン予測用の予測サービスとしてトレーニング済みで検証済みのモデルを提供するモデルのデプロイ手順が自動化されます。
・パイプラインのデプロイ:レベル0では、トレーニング済みモデルを予測サービスとして本番環境にデプロイします。レベル1の場合、トレーニング済みのモデルを予測サービスとして提供するために自動的に繰り返し実行されるトレーニングパイプライン全体をデプロイします。」
【先行技術文献】
【特許文献】
【０００６】
Dominik Kreuzberger, Niklas Kuhl, and Sebastian Hirschl. ” Machine Learning Operations (MLOps): Overview, Definition, and Architecture”, IEEE Access, 27 March 2023, p.31866- p31879, ［online］, ［令和6年4月2日検索］，インターネット＜https://ieeexplore.ieee.org/document/10081336＞
Cloud アーキテクチャセンター, ［online］, ［令和6年4月2日検索］，インターネット＜https://cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning?hl=jahttps%3A%2F%2Fieeexplore.ieee.org%2Fdocument%2F10081336＞
【発明の概要】
【発明が解決しようとする課題】
【０００７】
ここで、ＭＬＯｐｓは、ＡＩプロダクトの円滑な運用管理を行うことを目的としている。そのため、ＭＬＯｐｓのフローにおいて、すべてのステップで使用するデータ、ソースコード、デバイスなどは、集約しやすい同一のプラットフォーム（ＰＦ：PlatForm）上に存在する必要がある。しかしながら、機械学習において最も重要な学習環境を考慮してプラットフォームを選んでしまうと、データベース、モデル管理、ＵＩ（User Interface）に特化したプラットフォームを選定できないこともある。
【０００８】
したがって、ＭＬＯｐｓのフローにおいて各ステップの用途に合ったプラットフォームを組み合わせることができない場合、ＭＬＯｐｓシステムを用いたＡＩプロダクトの開発の作業効率を下げてしまうことが想定される。
【０００９】
非特許文献１は、ＭＬＯｐｓの基本的な仕組みである連続した機械学習フローにより、学習済みモデルの修正に対して迅速な対応を実現している。しかしながら、非特許文献１のＭＬＯｐｓのフローでは、修正しきれない学習済みモデルの大幅な精度劣化時には対応することが困難である。この場合、非特許文献１では、機械学習に特化したフローにより、別途、精度を上げる処理を集中的に行う必要がある。
【００１０】
一方、非特許文献２は、ＭＬＯｐｓを２つのパートに拡張している。具体的には、開発パートと運用パートとに切り分けている。開発パートでは、アルゴリズムの精度を上げる処理を集中的に行っている。これに対し、運用パートでは、現場の微細な精度劣化に迅速に対応している。これにより、非特許文献２では、機械学習モデルの精度を上げるためのアップデートを円滑に行うことができる。よって、非特許文献２は、非特許文献１の精度劣化時に対応することができる。
（【００１１】以降は省略されています）

関連特許