Catalyst QuickML

はじめに

QuickMLは、Catalyst開発プラットフォーム上で機械学習パイプラインをエンドツーエンドで構築できる、完全ノーコードのMLパイプラインビルダーサービスです。データ処理から機械学習のサブタスクまで、幅広いステージのシーケンスを実行でき、さまざまなビジネス要件に対応する効果的なMLモデルの構築、テスト、デプロイ、モニタリングを効率的に行えます。

Catalyst全体として、Webアプリケーション、モバイルアプリケーション、マイクロサービスの構築、コーディング、テスト、デプロイ、モニタリングに必要なサービス、コンポーネント、ツールを提供する、包括的なエンドツーエンドの開発プラットフォームです。Catalystは、バックエンドサービス、FaaSコンポーネント、DevOpsツール、強力なAI・MLマイクロサービスなど、多彩なサービスを提供しています。これらのアプリケーションが利用する基盤となるサーバーリソースのセットアップと管理はすべてCatalystが担うため、インフラの保守やそれに伴うコストが完全に不要になります。Catalystの各サービスは、独立して利用することも、相互に統合して高機能で堅牢なアプリケーションやマイクロサービスを構築することも可能です。

QuickMLには、高度に統合されたCatalystコンソールからアクセスできます。コンソールからプロジェクトを作成して開始できます。Catalystプロジェクトのセットアップを行い、要件に合わせてカスタマイズすることも、コンソールからCatalystの他のサービスやコンポーネントにアクセスすることも可能です。

機械学習パイプラインとは？

機械学習パイプラインとは、一連のシーケンシャルなステップで構成された命令の集合です。各ステップは、機械学習モデルの開発、デプロイ、モニタリングを行うために必要なコンポーネントを配置して実現される個別のプロセスです。これらのシーケンシャルなステップには、データ収集、データバリデーション、前処理、モデルトレーニング、分析、デプロイなどのエンドツーエンドのプロセスが含まれます。

機械学習において、高精度で効果的なモデルを構築・達成するための鍵となるのがイテレーションです。複雑なソリューションを小さなコンポーネントに分割することが重要であり、コンポーネントが小さいほどイテレーションが容易かつ迅速になります。個々の役割に特化した小さなコンポーネントを持つことで、必要に応じた差し替えも容易になります。

モノリシックなアプローチは、長期的には実用的にスケールしません。特定の領域やコンテキストを調整する際に、セグメンテーションがないためフロー全体を再処理する必要があるからです。機械学習パイプラインの各ステップを手動で行うのは、コストがかかり、時間を要し、エラーも発生しやすくなります。

自動化された機械学習パイプラインにより、データサイエンティストはデータの前処理やデプロイスクリプトの実行といった既存モデルの手動メンテナンスから解放され、新しいモデルの開発に集中できるようになります。

初期の頃は、機械学習モデルそのものが市場における主要なプロダクトでした。しかし現在では、機械学習をサービスとして捉えるようになり、求められているのは、コンポーネントを接続して目的の機械学習ソリューションを実現するワークフロー、すなわち機械学習パイプラインそのものです。