【AIF-C01】機械学習の開発ライフサイクルとMLOpsとは？図解で解説

AWS認定AIプラクティショナー（AIF-C01）のドメイン1 Task1.3では、機械学習(ML)がどんな流れで開発・運用されるかと、MLOps・評価指標が問われます。各工程の役割とAWSサービスをセットで押さえましょう。AIの基礎は AI・機械学習・ディープラーニングの違い をどうぞ。

機械学習の開発ライフサイクル（全体像）

MLの開発は、データ収集から監視まで一連の流れで進み、監視の結果を改善に反映してサイクルを回すのが特徴です。

各ステップの解説

• ① データ収集：学習に使うデータを集める。質・量・代表性が性能を左右します。
• ② 前処理・特徴量エンジニアリング：欠損やノイズの除去（クレンジング）と、予測に効く特徴量づくり。AWSでは SageMaker Data Wrangler（データ準備）、SageMaker Feature Store（特徴量の管理・再利用）が使えます。
• ③ モデル学習：アルゴリズムでデータを学習。ハイパーパラメータのチューニングで精度を高めます。
• ④ 評価：指標（後述）で性能を検証。過学習（訓練データだけに過剰適合）に注意。
• ⑤ デプロイ：本番環境へ展開。マネージドAPIや自前ホスティングで提供します。
• ⑥ 監視：本番での性能を継続監視し、データドリフト（入力データの傾向変化）などを検知。AWSでは SageMaker Model Monitor。問題があれば①②③に戻って再学習します。

MLOpsとは

MLOpsは、MLの開発・運用を自動化・継続化する考え方（ML版のDevOps）です。狙いは、実験の再現性・スケーラビリティ・技術的負債の抑制・本番運用の安定。モデルを「作って終わり」ではなく、継続的に学習・デプロイ・監視して改善し続けるのがポイントです。

モデルの評価指標

評価では、技術指標とビジネス指標の両方を見ます。

• 正解率（accuracy）：全体のうち正しく予測できた割合
• AUC：ROC曲線下の面積。分類性能の総合的な指標（1に近いほど良い）
• F1スコア：適合率と再現率のバランスをとった指標。偏ったデータで有用
• ビジネス指標：ROI、ユーザーあたりコスト、フィードバックなど、事業成果の観点

確認クイズ

よくある質問（FAQ）

Q. MLOpsとは結局なに？

A. 機械学習の開発から運用までを自動化・継続化する仕組み・文化です。モデルを安定して学習・デプロイ・監視・改善し続けることを目指します。

Q. データドリフトとは？

A. 本番で入ってくるデータの傾向が学習時と変わってしまい、精度が落ちる現象です。監視（Model Monitor等）で検知し、再学習で対応します。

Q. 過学習（オーバーフィッティング）とは？

A. 訓練データに過剰に適合し、新しいデータでうまく予測できない状態です。評価で見抜き、データ追加や正則化などで対策します。

まとめ

• 流れ＝データ収集→前処理/特徴量→学習→評価→デプロイ→監視（→改善ループ）
• AWS：Data Wrangler／Feature Store／Model Monitor
• MLOps＝開発・運用の自動化/継続化、評価指標＝正解率/AUC/F1

※本記事はAWS公式試験ガイド(AIF-C01)に基づき、エンジニアKが作成しています。