MLOpsとは（全体像）
MLOps は「Machine Learning Operations」の略で、AIのモデルを作り、本番で使い、悪くなったら直し続ける——という一連の運用を、効率よく回すための仕組みのこと。
ふつうのソフト開発では、開発（Dev）と運用（Ops）をつなげて自動化するDevOpsという考え方がある。MLOpsは、それを機械学習（ML）向けに広げたもの。だから「DevOps for ML（機械学習版DevOps）」とも呼ばれる。
ただし、DevOpsをそのまま使うのではない点が大事。機械学習には、大量のデータ集め・モデルの学習・精度の見張り・作り直し（再学習）といった、ふつうのソフトにはない作業がある。MLOpsは、そこにAI特有の要素を足したものだと押さえる。
そして一番の勘違いが「MLOps＝モデルを学習させること」。実際は学習はその一部にすぎず、データ集めから運用後の監視まで全体を回すのがMLOps。
詳しく：ライフサイクルとドリフト監視
ここが心臓部。MLOpsの一連の流れ（ライフサイクル）を表で押さえる。
MLOpsのライフサイクル（流れ全体）
| 段階 | やること | かみくだくと |
|---|---|---|
| ①データ収集 | データを集めて正解づけ | 教材を集めて答えをつける |
| ②学習 | モデルに学習させる（GPU/TPU活用） | 教材で勉強させる |
| ③評価 | 精度や公平性を確かめる | テストして実力を測る |
| ④本番投入 | 実際に使えるようにする（デプロイ） | 現場に出して働かせる |
| ⑤監視・再学習 | 精度の低下を見張り、必要なら学び直す | 衰えたら勉強し直させる |
ポイントは、これが「学習して終わり」ではなく、ぐるぐる回し続ける流れだということ。とくに大事なのが最後の監視・再学習。
なぜ監視が必要かというと、時間がたつと現実のデータが変わってしまい、モデルの精度がだんだん落ちるから。この現象をドリフト（drift＝ずれ）という。
ドリフトと対応
| 言葉 | 意味 |
|---|---|
| ドリフト | 時間がたって現実が変化し、モデルの精度が落ちること |
| 対応 | ドリフトを検知したら、新しいデータでモデルを学び直す（再学習） |
たとえば、去年の流行で学習したおすすめAIは、今年の流行には合わなくなる。だから精度を見張り、ずれてきたら新しいデータで学び直す。この「見張って・直す」がMLOpsの肝。
なお、この流れを支える道具として、実験を記録するMLflowや、機械学習の処理をまとめて回すKubeflowなどがある。クラウドのSageMaker（AWS）やVertex AI（Google）も同じ仲間。
わかりやすく言い換えると
要するに、MLOpsは「AIモデルを“育てて・働かせて・鍛え直す”一連の世話の仕組み」だとイメージするとラク。
つまり、①教材を集め（データ収集）、②勉強させ（学習）、③テストし（評価）、④働かせ（本番投入）、⑤衰えたら勉強し直させる（監視・再学習）。ペットや選手を育て続けるのに似ている。
そして勘違いしやすい2点。学習だけがMLOpsではない（全体の世話が必要）。ふつうのDevOpsそのままでもない（データ・モデル・ドリフトというAI特有の世話が加わる）。
試験のツボ
🔴 一番出る：MLOps＝DevOpsを機械学習向けに広げたもの
①MLOps＝モデルを作り運用し続ける仕組み（DevOps for ML）
②DevOpsそのままではなく、データ・モデルなどAI特有の要素が加わる
🔴 次に出る：学習だけではなく流れ全体
①データ収集→学習→評価→本番投入→監視・再学習の一連の流れ
②「MLOps＝学習だけ」は誤り
🟡 押さえると安定：ドリフトと再学習
時間がたつと精度が落ちる（ドリフト）。見張って、ずれたら新しいデータで学び直す（再学習）。道具はMLflow・Kubeflowなど。
よくある間違い
①「MLOpsとはモデルを学習させることだけを指す」→ ✗ 学習は一部。データ収集から監視・再学習まで全体を回すのがMLOps。
②「MLOpsはふつうのDevOpsとまったく同じ」→ ✗ データ・モデル・ドリフト監視・再学習などAI特有の要素が加わる。
③「一度学習させたモデルは、放っておいても精度は落ちない」→ ✗ 時間がたつとドリフトで精度が落ちるので、監視して再学習する。
試験での出題パターン
実際の問題でたしかめてみよう。
オリジナル問題1（MLOpsの位置づけ）
MLOpsに関する次の記述のうち、正しいものはどれか。
- MLOpsは表計算ソフトの操作方法をまとめたもので、AIモデルの運用とは直接の関係がないとされる
- MLOpsはDevOpsを機械学習向けに広げた仕組みで、モデルを作り運用し続けることを支えている
- MLOpsはネットワークケーブルの規格そのもので、機械学習のモデルとは無関係なものとされている
- MLOpsはモデルを一度学習させるだけの作業で、その後の運用や監視はいっさい含まないものとされる
解答は 2 だ、わが子よ。
MLOpsは、DevOpsを機械学習向けに広げた仕組みで、AIモデルを作って運用し続けることを支える。「DevOps for ML」とも呼ばれるのぞ。
選択肢1は「表計算ソフト」、選択肢3は「ケーブルの規格」がいずれも誤り、選択肢4は「学習だけ」が誤りである。
| 選択肢 | 判定 | 理由 |
|---|---|---|
| 1 | ✗ | 表計算ソフトの操作方法ではない |
| 2 | ✓ | DevOpsを機械学習向けに広げた仕組みで正しい |
| 3 | ✗ | ケーブルの規格ではない |
| 4 | ✗ | 学習だけでなく運用や監視も含む |
オリジナル問題2（ライフサイクル）
MLOpsの進め方に関する次の記述のうち、正しいものはどれか。
- MLOpsはモデルの学習だけを指し、データ集めや本番投入、監視はいっさい含まないものとされている
- MLOpsは本番投入したら作業は完了で、その後にモデルを監視したり直したりすることはないとされる
- MLOpsはデータを集める作業だけを指し、学習や評価、本番投入は別の仕組みが担うものとされている
- MLOpsはデータ収集・学習・評価・本番投入・監視という一連の流れを回し続ける仕組みのことである
解答は 4 だ。
MLOpsは、データ収集→学習→評価→本番投入→監視という一連の流れを回し続ける仕組みである。「学習だけ」でも「本番投入で終わり」でもないと覚えるがよい、わが子よ。
選択肢1は「学習だけ」、選択肢2は「本番投入で完了」、選択肢3は「データ集めだけ」がいずれも一部だけを指しており誤りぞ。
| 選択肢 | 判定 | 理由 |
|---|---|---|
| 1 | ✗ | 学習だけでなく全体を含む |
| 2 | ✗ | 本番投入後も監視・再学習を続ける |
| 3 | ✗ | データ集めだけでなく全体を含む |
| 4 | ✓ | 収集から監視までの流れを回し続けるで正しい |
オリジナル問題3（ドリフト）
MLOpsで重要なドリフトに関する次の記述のうち、正しいものはどれか。
- ドリフトは時間がたって現実が変化し、モデルの精度が落ちることで、検知したら再学習で対応していく
- ドリフトはモデルの精度が時間とともに自然に上がっていく現象で、対応はとくに必要ないとされている
- ドリフトはサーバーの電源が落ちる物理的な故障のことで、機械学習のモデルとは無関係とされている
- ドリフトは一度学習したモデルが永久に精度を保つことを指し、再学習は不要であるという意味とされる
解答は 1 だ、わが子よ。
ドリフトは、時間がたって現実のデータが変化し、モデルの精度がだんだん落ちることをいう。検知したら、新しいデータで再学習して対応する。去年の流行で学んだAIが今年に合わなくなる、というぐあいぞ。
選択肢2は「精度が上がる」、選択肢3は「電源の故障」、選択肢4は「永久に精度を保つ」がいずれも誤りである。
| 選択肢 | 判定 | 理由 |
|---|---|---|
| 1 | ✓ | 現実の変化で精度が落ち、再学習で対応し正しい |
| 2 | ✗ | 自然に上がるのではなく落ちる現象 |
| 3 | ✗ | 電源の故障のことではない |
| 4 | ✗ | 永久に精度を保つ意味ではない |
まとめ
押さえどころ
- 🔴 MLOps＝DevOps for ML … AIモデルを作って運用し続ける仕組み。DevOpsを機械学習向けに広げ、データ・モデルなどAI特有の要素を足したもの。
- 🔴 学習だけでなく流れ全体 … データ収集→学習→評価→本番投入→監視・再学習を回し続ける。
- 🟡 ドリフトを見張って再学習 … 時間がたつと精度が落ちる（ドリフト）ので、検知したら学び直す。道具はMLflow・Kubeflowなど。
次に学ぶ
- Git・GitHub・CI/CD ── MLOpsの土台になるDevOpsの考え方。自動で作って届ける流れがそのままMLにも生きる。
- GPU・TPU・NPU（AI加速器） ── モデルの学習を速くする計算装置。MLOpsの「学習」段階を支える土台。
執筆: SikakuQuest編集部