【要約】「ノートブックでは動く」を卒業する ― 半導体不良予測モデルをAPI化・コンテナ化するまで [Zenn_Python] | Summary by TechDistill
> Source: Zenn_Python
Execute Primary Source
// Problem
データサイエンティストが分析結果を運用へ移行する際、環境差や実装不備でモデルが動かない問題に直面する。ノートブックでの成功が、実システムでの成功を保証しないからだ。
- ・
joblibで保存した自作クラスが、別プロセスで読み込めない。 - ・学習時と推論時で前処理の統計量が異なり、データリークが発生する。
- ・ライブラリのバージョン差異により、モデルの復元に失敗する。
- ・テスト環境と本番環境の依存関係が整理されず、動作が不安定になる。
// Approach
分析コードをモジュール化し、環境に依存しない再現可能なパイプラインを構築する手法を採用した。これにより、分析から運用へのギャップを埋める。
- ・前処理クラスを独立した
.pyファイルに切り出し、パス問題を解決。 - ・
scikit-learnの作法に従い、学習時の統計量を保持したまま推論を行う。 - ・FastAPIを用いて、バリデーション機能を備えたAPIを実装。
- ・Dockerとバージョン固定により、実行環境を完全に制御。
- ・GitHub Actionsで学習とテストを自動化。
- ・モデルのメタデータを保存し、API経由で提供する仕組みを構築。
// Result
「ノートブックで動く」状態から、誰の環境でも一発で起動可能な「運用可能なモデル」へと昇華させた。
- ・
docker compose upのみで、推論APIが即座に立ち上がる環境を実現。 - ・モデルのバージョンや精度（AUC 0.6074）をAPI経由で取得可能に。
- ・CIにより、コード変更時もモデルの再現性と動作が維持される仕組みを構築。
- ・「精度が低いモデル」でも、現場での議論に乗せられる土台を構築。
Senior Engineer Insight
> 精度が低いモデルでも、運用への作法を徹底すれば、ビジネス上の議論が可能になる。特に、自作クラスのモジュール化や依存関係の厳格な固定は、MLOpsの初歩にして最重要事項だ。低レイテンシ等の議論の前に、再現性の確保という土台が不可欠である。これが欠ければ、システムとしての信頼性は皆無となる。