　再学習のプロセスでは、いかにモデルの学習を効率化するかが課題になる。そのため西澤氏は、学習用データの前処理からAIモデルの再学習、検証、テストといった一連の処理を自動的かつ継続的に実行できるよう構築した「MLパイプライン」の構築を推奨する。また前処理の前段階として、データ取得を効率化するための工夫も求められる。例えば外観検査であれば、製造現場で取得した画像を自動保存し、同時に担当者が良品か不良品かを判別するラベル付けを行っておき、再学習時に自動的にMLパイプラインにデータを渡せるような仕組みづくりが考えられる。

MLパイプラインの構築で再学習の処理を自動化［クリックして拡大］出所：東芝

　デプロイ時には、再学習モデルのリリース基準をあらかじめ明確にしておくことが重要になる。基準を満たせばリリースするが、そうでない場合は、再学習の設定変更を行い、再度モデルを作成する。それでも基準に満たなければ、AIモデルの開発者に報告して対応を依頼する必要がある。

再学習の手間を効率化［クリックして拡大］出所：東芝

　また、西澤氏はMLOpsの実施時に生じがちなトラブルとして、担当者間の連携不足によるものを挙げた。運用担当者がモデルの再学習が必要だと気付いた際に、再学習の履歴を管理していないと、前回の再学習時にどのMLパイプラインを使用していたかが分からなくなる。また、開発者から指定された再学習に必要なパッケージのセットアップに手間取る、といった事態も考えられる。

　こうした課題解決の手段としては、AIシステムの運用を定型化、自動化するために、運用に必要なツール、プログラム、モニタリング手法を連携した共通基盤の構築が挙げられる。基盤上ではAIシステム運用環境とモデル開発環境、データ管理環境、モデルデプロイ環境が互いに連携し、各作業の遂行を効率化する。

共通基盤の構築も手［クリックして拡大］出所：東芝

⇒その他の「人工知能ニュース」の記事はこちら

製造業のAI導入で最重要な「MLOps」、機械学習モデルができたら終わりじゃない
アマゾンウェブサービス（AWS）のオンラインユーザーイベント「AWS Summit Online」に、東大発のAI（人工知能）ベンチャー・アイデミー社長の石川聡彦氏が登壇。「製造業におけるIoT×AI/ML基盤の構築とその運用事例」をテーマに講演を行った。
学習済みAIを多様なエッジに展開する「スケーラブルAI」、東芝と理研が新技術
東芝と理化学研究所が学習済みのAIについて、演算量が異なるさまざまなシステムへの展開を可能にする「スケーラブルAI」の新技術を開発。従来技術と比べてAI性能の低下率を大幅に抑制し「世界トップレベル」を実現したという。
非物体抽出にも対応した東芝の質問応答AIが「世界最高精度」を達成
東芝は2021年9月13日、画像内の対象物に関する質問に答えるAI（人工知能）技術「Visual Question Answering（VQA）」について、画像内の物体だけでなく非物体に関する回答も可能にしたことを発表した。
なぜ製造現場のAI活用がうまくいかないのか
成果が出ないスマートファクトリーの課題を掘り下げ、より多くの製造業が成果を得られるようにするために、考え方を整理し分かりやすく紹介する本連載。前回から製造現場でつまずくポイントとその対策についてお伝えしていますが、第7回では、製造現場でのAI活用の課題と生かし方について解説します。
ラズパイとAI-OCRで生産日報を電子化する（前編）
小型ボードコンピュータ「Raspberry Pi（ラズパイ）」を使って、低コストかつ現場レベルでIoT（モノのインターネット）を活用する手法について解説する本連載。第4回と第5回では、AI技術の活用事例として注目を集めるAI-OCRとラズパイの組み合わせによる生産日報の電子化について前後編に分けて解説します。