MLパイプライン実践書4冊を紹介

この文章はシラバスではなく、特定の失敗を軸に構成されている。筆者のモデルは検証とレビューを通過した後、上流のテーブル定義変更をきっかけに3か月間ドリフトし続けた。さらに再学習の手順は筆者の頭の中にしかなく、口頭での引き継ぎは失敗した。

この経験が、筆者が今こだわる読書順の理由だ。『Machine Learning 100+ Pages Essence』は辞書ではなく地図として位置づけられている。実装を深く掘り下げる本ではないが、これがないと運用本の警告が重みを失う。同じ著者による『Machine Learning Engineering』はアルゴリズムをほとんど論じない。見積もりやラベリングから特徴量設計、デプロイ、提供後の監視までのライフサイクルをたどり、データリークと分布シフトの章は筆者自身の失敗と重なったという。

最後の2冊は判断から実行へと移る。『Deep Learning Practical Guide』はMicrosoft、NVIDIA、SquareでAI機能を出荷した実務家が執筆しており、量子化、バッチサイズ、入力パイプラインのボトルネックといった推論チューニングの内容は、レイテンシに敏感な仕事ですぐ効果が出たと筆者は語る。『Building Machine Learning Pipelines』はデータ検証と自動オーケストレーションで締めくくり、この仕組みが整ってから原因不明の精度低下はほぼなくなった。