16

10:45 - 12:10

静的なオフラインモデルからオンラインのドリフト補正へ

この章では、オフラインで一度調整したモデルを、本番環境でどう保ち、改善し続けるかを説明します。発表の中心的な主張は、静的なモデルは現実の変化によって少しずつ失敗するため、本番データを定期的に評価し、その結果を次の調整へ戻す必要がある、ということです。

静的なモデルは本番で古くなります

ここでいうドリフト(drift)とは、データの条件やモデルの振る舞いが変わり、以前は十分だった設定が本番で合わなくなることです。たとえば、料理の種類、地域、写真の撮り方が変わると、過去のデータで調整したルーターが、改善すべき画像を見逃したり、改善の必要がない画像を選んだりする可能性があります。これは、モデルを一度学習・調整すれば終わり、という問題ではありません。

例:昨日まで正しかったルーター

これは理解のための作成例です。ある地域で新しい料理の写真が増えた結果、ルーターがその写真のぼやけや構図を正しく評価できなくなったとします。モデルを固定したままなら、失敗は本番に残り続けます。新しい本番例を調べれば、変化した条件と、調整が必要な場所を見つける手がかりになります。

本番データで回す閉ループ

発表で示された流れでは、本番の処理を記録するだけでは足りません。実際に使われたデータを定期的に取り出し、人の評価とエージェントの出力を比べます。差が見つかったら原因を診断し、設定を自動で調整します。その後、変更したものを安全性の基準で再確認します。

  1. 本番データからサンプルを定期的に選びます。
  2. そのサンプルを、オフライン評価と同じガイドラインで人がラベル付けします。
  3. 同じデータに対するエージェントの出力と、人のラベルを比較します。
  4. 不一致があれば、どの部分で問題が起きたかを大きく分類して診断します。
  5. 診断結果を使って、プロンプト、エージェント、またはシステム設定を自動調整します。
  6. 調整後のエージェントをゴールデンデータでベンチマークします。
  7. ガードレールを満たせば出荷し、満たさなければさらに調整します。

この順序が閉ループになるのは、最後の「出荷」または「再調整」の結果が、次の本番データの評価につながるからです。単なる一方向のパイプラインでは、本番で見つかった失敗が最初のルーティングや設定に戻りません。閉ループでは、運用中の証拠が次の改善の入力になります。

診断とチューニングを分けます

診断(diagnosis)は、問題がシステムのどこにあるかを特定する作業です。たとえば、ルーターの判定なのか、編集エージェントの変更なのか、QAの見逃しなのかを切り分けます。チューニング(tuning)は、その診断を受けて、プロンプト、エージェント、または設定を変える作業です。原因を特定せずに全体を変更すると、必要のない部分まで変わり、別の失敗を生む可能性があります。

補足・診断の例

たとえば、特定の料理の画像だけで「改善する」と「そのまま使う」の判定を間違えるなら、まずルーターの条件を疑います。一方、ルーターは正しいのに編集後の色だけが不自然なら、編集側の設定を調べます。このように、不一致を単に「モデルが悪い」とまとめず、修正すべき場所へ結び付けることが診断の役目です。

自動チューニングでも人のラベルは必要です

発表では、このチューニングループに人が毎回手動で変更を承認するわけではない、と説明されています。しかし、それは人が不要という意味ではありません。本番から選んだサンプルは人のラベラーに送られ、オフラインと同じ客観的なガイドラインで評価されます。その人のラベルが、エージェントの出力と比較する基準になります。

ゴールデンデータは別の安全網です

ゴールデンデータ(golden data)は、人がラベルを付けた代表的なデータセットです。本番の新しいサンプルはドリフトを見つけるために役立ち、ゴールデンデータは調整後の性能が以前の基準から崩れていないかを確認するために役立ちます。したがって、オンラインの確認はオフラインのゴールデンデータやガードレールの代わりではありません。両方を使うことで、変化への対応と、既存の品質・安全性の維持を同時に確認できます。

出荷前にベンチマークとガードレールを通します

調整した設定をそのまま本番へ出すのではなく、まずゴールデンデータでベンチマークします。必要なガードレールを満たした場合だけ、その設定を出荷します。基準を満たさない場合は、変更を止めて診断と調整を繰り返します。この仕組みにより、オンラインの自動化が品質や安全性を無制限に下げることを防ぎます。

図:本番トラフィックから検証、診断と調整、ベンチマーク、出荷へ進み、新しい本番トラフィックに戻る閉ループを示すスライドです。

この図は、発表で説明された流れを直接示しています。本番トラフィックをルーティングし、同じゴールデン手順で検証します。不一致があれば診断と調整を行い、ベンチマークで確認してから出荷します。下の点線は、新しい本番トラフィックでこの流れを再び始めることを表しています。図には「静的なオフラインモデル」や、ラベラーという言葉は明示されていません。該当箇所は、YouTubeの11分37秒付近です。

ループを生かすための運用上の条件

この仕組みを継続して動かすには、設定を中心にした自動化、各処理を追える可観測性(observability)、そして失敗を検出して止められるガードレールが必要です。発表では、これらを使ってシステムを「生かし続ける」ことが、閉ループの工学的な帰結として示されています。サンプリングの間隔、診断の分類、調整方法、ガードレールのしきい値は、発表では具体的に示されていません。

重要なのは、オンライン評価を追加することだけではありません。本番で新しく現れた失敗を、人の基準と照らし合わせ、原因の場所を特定し、設定を変え、ゴールデンデータで安全性を確認してから戻すことです。この流れがあると、モデルを固定したまま失敗を蓄積するのではなく、変化するデータに合わせて改善を続けられます。

100% スペースキーとドラッグで移動 | Ctrl/Cmdとホイールで拡大縮小