ソフトウェアの開発と運用の両部門が連携し、完成までを円滑に進める「DevOps」の考え方を機械学習に当てはめたもの。予測モデルの開発と、本番環境移行後の運用・保守を一貫したプロセスとすることで、予測精度を改善するサイクルを円滑にする方法論を指す。ビジネスへの機械学習導入が進む中、重要視されている。

　予測モデルの構築には、学習に使用するデータの管理が必要になることから、エンジニアや運用担当者だけではなく、データサイエンティストも含めてコミュニケーションを一元化させることがDevOpsとの違いの一つだ。

　MLOpsが必要とされるのは、時間経過に伴う社会状況の変化などで予測モデルの品質が低下するためである。例えば、マスクの需要を予測する場合、新型コロナウイルス感染拡大前のデータを使うと、正しい予測が成り立たなくなる。そのため、予測精度を保つために運用開始後も開発の際に使用したデータの一部を修正したり、新たなデータを追加したりすることで、継続的に再学習させる必要がある。

　物流業界において運用から再学習までのサイクルを月次で回せるプラットフォームを活用し、効率的な経営資源の分配につなげている事例もある。MLOpsプラットフォーム上で、データ抽出から前処理、学習、予測、評価などの一連のサイクルを自動化することで、予測モデルの構築から改善までのプロセスを短縮している。
（大畑直悠）