Iterativeは、MLモデルの導入を簡素化するオープンソースツール「MLEM」をリリースしました。

ほぼ 1 年前に 2,000 万ドルのシリーズ A ラウンドを発表した MLOps プラットフォーム Iterative は本日、オープンソースの Git ベースの機械学習モデル管理およびデプロイメント ツールである MLEM をリリースしました。

同社によると、このアイデアの目的は、開発者が既に使い慣れているGitベースのアプローチを用いることで、MLエンジニアとDevOpsチーム間のギャップを埋めることです。MLEMを使用することで、開発者はMLモデルをライフサイクル全体にわたって保存・追跡できます。そのため、IterativeのオープンソースGTOアーティファクトレジストリと、同社のデータおよびモデル用バージョン管理システムであるDVCを補完することになります。

「機械学習モデルレジストリは、機械学習テクノロジースタックの不可欠な要素になりつつあります。現在のSaaSソリューションは、機械学習モデルとソフトウェアアプリケーションのライフサイクルに乖離をもたらす可能性があります」と、Iterativeの共同創業者兼CEOであるDmitry Petrov氏は述べています。「私たちの機械学習モデルレジストリへのアプローチは、組織が既存のMLOpsテクノロジースタックに容易に統合できるモジュール式のビルディングブロックを提供することです。MLEMは、機械学習モデルのメタ情報を抽出し、導入を簡素化するために使用されます。DVCは、クラウドまたはオンプレミスのストレージにある大規模な機械学習モデルファイルを管理します。GTOは、Gitでモデルをバージョン管理し、モデルの本番環境化のためにCI/CDシステムにシグナルを送信するためのGitOps機能を提供します。これらの独立したツールは、MLモデル管理とModelOpsにモジュール式のUnix哲学をもたらします。」

チームが指摘するように、このようなシステムにより、ビジネスユニットやチーム間でのモデルの共有が容易になり、MLチームとDevOpsチームの連携も容易になります。規制の厳しい業界では、このようなシステムは、特定のモデルの系統を把握するための唯一の信頼できる情報源としても機能します。

「モデルレジストリは、トレーニング済みのモデルを保存し、バージョン管理することで、MLライフサイクルを通じて移動するモデルの追跡を簡素化しますが、これらのレジストリを構築する組織は、機械学習モデルとソフトウェア開発の2つの異なる技術スタックを持つことになります」とペトロフ氏は述べています。「モデルレジストリの構成要素であるMLEMは、Gitと従来のCI/CDツールを使用することで、MLチームとソフトウェアチームを連携させ、モデルをより迅速に本番環境に導入できるようにします。」

もちろん、Iterative 自体は、ML モデルの共同作業や実験と視覚化の追跡を行う Iterarative Studio サービスと、ホストされたモデル レジストリを通じてこれらすべてのことを実行するホスト型プラットフォームを提供しています。

IterativeがMLOpsプラットフォーム向けに2,000万ドルを調達