問題 No.1795
MLOpsの構築における構成要素のうち、モデルの性能維持やトレーサビリティ確保において、コードだけでなくデータやモデルアーティファクト、ハイパーパラメータなどを紐付けて管理する仕組みとして適切なものはどれか。
【正解の解説】
モデルレジストリや実験管理ツールを用いて、学習に使用したデータセットのバージョンやハイパーパラメータ、評価指標を統合的に記録・管理する。
これは料理の「完璧なレシピノート」に例えられます。AI開発では、美味しい料理（高精度なモデル）が作れたとしても、使った調味料の量や具材の種類を記録していなければ二度と同じ味を再現できません。コードだけでなく、データや設定値の組み合わせ全体をまるごと記録し、いつでも過去の状態にタイムトラベルできるようにする重要な仕組みです。
スポンサーリンク
【その他の選択肢の解説】
ソースコードのバージョン管理システムを活用して、コミット履歴とデプロイ環境の変更差分のみを継続的に追跡・管理する。
Gitなどのソースコード管理システムはプログラムの変更履歴を追うのが得意ですが、AI開発で厄介な「巨大なデータセット」や「何ギガバイトもあるモデルのファイル」そのものを管理するのには向いていません。コードが同じでも読み込ませるデータが変わればAIの挙動も変わるため、コード以外の要素もセットで紐付ける必要があります。
コンテナ仮想化技術を用いて、推論処理を実行するAPIサーバーのオートスケーリング構成とネットワーク負荷を統合的に管理する。
Kubernetesなどを用いたインフラのオートスケーリングは、Webサービスのアクセス急増に耐えるための仕組みであり、AIの性能維持や実験の再現性とは直接関係ありません。初学者が混同しやすい「システムの稼働を支えるインフラ管理」と「AIの実験結果やモデルのトレーサビリティ管理」をごちゃ混ぜにするための罠の選択肢です。
パフォーマンス監視ダッシュボードを用いて、本番環境におけるモデルの予測精度の低下やデータドリフトの発生をリアルタイムで検知・通知する。
データドリフトの検知は、モデルが実戦に投入された後の「健康診断」のような事後監視の役割を持ちます。本問題が求めているのは、学習段階における「どのデータとパラメータでそのモデルが生まれたか」という履歴の紐付け（トレーサビリティの確保）であるため、タイミングや目的が異なるこの選択肢は誤りとなります。