MLOps
AWS, Google, Microsoftの３大ベンダが考えるMLOpsとその比較
新規のFaireness課題
既知は人種差別など
モデル開発者が利益を得て、データ作成者に還元されない構造
アノテータが評価されない点も
新規のSecurity課題
学術的興味のハックから現実的な攻撃に変化
データ品質と透明性
再現性の危機
データの収集方法だけでは不十分、クラウドソーシングではラベル品質の担保が困難
アノテーションのベンダ登場および内製化が進んでいる
ラベル誤りを検出するアルゴリズムが必要（Confident Learning）
Data Perf
train dataとtest dataを固定し、モデル改善するのが現状
「モデルとtest dataを固定し、train dataを改善する」・「モデルとtrain dataを固定し、test dataを改善する」が検討
これら３つを同時に解決することを模索している
digdag
GUIから理解するDigdagチュートリアル
https://dev.classmethod.jp/articles/digdag-tutorial-gui
k8s
k8s
https://qiita.com/Kta-M/items/ce475c0063d3d3f36d5d
Last updated