最終更新日：2026年9月4日
gk mlops cheatsheet
まず結論
機械学習プロジェクトは、課題を決める → データを整える → モデルを作る → 現場へ出す → 監視する → 改善するという流れで考えます。
G検定では、モデル構築だけで終わらないことを押さえるのが重要です。
このページは、特定の標準手法を覚えるためではなく、機械学習プロジェクト全体の地図をつかむための記事です。
直感的な説明
機械学習モデルは、完成品を一度納品して終わるものとは限りません。
本番環境では、
- 入ってくるデータが変わる
- 業務条件や目的が変わる
- モデルやシステムを更新する必要が出る
ことがあります。
そのため、運用後も性能や業務上の成果を確認し、必要なら改善するという循環で考えます。
定義・仕組み
代表的には次のような流れで整理できます。
- 課題・目的の定義：何を解決するか、KPIは何かを決める
- データ収集・準備：必要なデータを集め、前処理や特徴量設計を行う
- モデル構築・評価：学習し、目的に合った指標で評価する
- デプロイ：モデルを実際のシステムへ組み込む
- 運用・監視：システム状態、入力データ、モデル性能などを確認する
- 改善：必要に応じてデータ・モデル・システム・業務要件を見直す
この順序は固定された唯一の標準ではなく、実際には行き来しながら進めます。
CRISP-DM・CRISP-ML(Q)との関係
ここで示した流れは、機械学習プロジェクトの一般的な全体像です。
一方で、CRISP-DM や CRISP-ML(Q) は、プロジェクトの進め方をより具体的に整理したプロセスモデルです。
- このページ：MLプロジェクト全体の地図
- CRISP-DM：データ分析プロジェクトを6フェーズで整理するプロセスモデル
- CRISP-ML(Q)：MLアプリケーション向けに、監視・保守や品質保証まで明示したプロセスモデル
つまり、「全体像」と「具体的な方法論」を混同しないことがポイントです。
いつ使う？（得意・不得意）
全体像として役立つ場面
- AI導入プロジェクトの流れを整理したい
- CRISP-DMやCRISP-ML(Q)、MLOpsの位置づけを理解したい
- 「開発」と「運用」を別物として考えすぎないようにしたい
注意点
単発の分析やPoCでは、本番運用・継続監視まで行わない場合もあります。
また、運用すれば必ず性能が落ちるわけではありません。重要なのは、変化や劣化が起きていないか確認できる状態にしておくことです。
G検定ひっかけポイント
モデル構築がゴール？
❌ 高精度なモデルを作ればプロジェクトは完了
⭕ 本番利用では、デプロイ・監視・改善まで考える
CRISP-ML(Q)との違い
❌ この一般的なライフサイクル＝CRISP-ML(Q)
⭕ ライフサイクルは全体像、CRISP-ML(Q)は具体的なプロセスモデル
MLOpsとの違い
❌ 機械学習プロジェクトの全工程そのものがMLOps
⭕ MLOpsは、このライフサイクルを再現可能・継続的に開発運用するための実践や仕組み
誰が担当する？
❌ 各工程は1職種だけが担当する
⭕ 実際はビジネス・データ・開発・運用の担当者が連携する
まとめ（試験直前用）
- 機械学習プロジェクトは課題定義から運用・改善まで見る
- このページは特定の標準ではなく、全体像をつかむための整理
- CRISP-DM・CRISP-ML(Q)は、進め方を具体化したプロセスモデル
- 監視対象はモデル精度だけでなく、データやシステム、業務KPIもある
- 性能劣化は「必ず起きる」のではなく、起きていないか監視する
- MLOpsは継続的な開発・運用を支える実践や仕組み