機械学習モデルのObservabilityに関する記事．この辺は知識がまだまだ足りないので継続的に情報をインプットして実践していきたい！

Continuous Delivery for Machine Learning (CD4ML)，機械学習アプリケーションを再現性高くリリースするためのソフトウェアエンジニアリングのアプローチ．CDといえでも機械学習の場合は，データとモデルという今までのソフトウェアにおけるCDには無い要素を考える必要が出てくるのは違いかな．

MLモデルのライフサイクルにおける6つのフェーズの紹介

この辺りは概ね上記パターンで機械学習アプリケーションが組み込まれていくパターンだと思う．これらをパイプラインで繋いで自動化したり，継続的なモデル改善に繋げる仕組みを作ることが大事．

それぞれのフェーズの説明とそこでの成果物を列挙しておく

1. Model Building:

• 問題設定の理解，データの準備，特徴量エンジニアリング
• 成果物: Jupyter Notebook

2. Model Evaluation and Experimentation:

• 特徴量の選択，アルゴリズムのハイパーパラメータチューニング，与えられた問題設定に対する異なるアルゴリズムの有効性の比較
• 成果物: 特徴量の重み，メトリクスなどを評価するためのグラフや統計量などを含んだノートブック

3. Productionize Model:

• “research”用のコードからデプロイできるものに準備する
• 成果物: プロダクションレベルのコード

4. Testing:

• プロダクションコードが期待通りに動作し，その結果がモデル評価・実験フェーズでのものと一致することを確認する
• 成果物: テストコード

5. Deployment:

• モデルを本番環境に導入し，予測機能を提供する