最終更新日：2026年9月4日
gk mlops lifecycle
まず結論
MLOpsでは、データ準備 → 学習 → 評価 → デプロイ → 監視 → 改善を、必要に応じて繰り返せるようにします。
ただし、MLOpsに唯一の固定手順があるわけではありません。
G検定では、段階数を暗記するより、開発と運用を分断せず、継続的に回せるようにすると理解するのが重要です。
MLOpsそのものの定義やDevOpsとの違いは、MLOpsとは？で整理しています。
直感的な説明
MLOpsは、モデルを一度作って配置して終わりではありません。
本番運用後も、
監視する → 問題や変化を見つける → 必要ならデータやモデルを見直す → 再評価して再デプロイする
という循環を回せる状態を作ります。
つまり、この記事では「MLOpsとは何か」よりも、MLOpsをどう回すかに注目します。
定義・仕組み
代表的な流れは次のように整理できます。
- データ準備：学習・評価に使うデータを整える
- 学習：モデルを訓練する
- 評価・検証：モデル性能や要件を確認する
- デプロイ：本番環境へ提供する
- 監視：システム・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やモデルを更新する
この循環を支える代表的な仕組みとして、
- バージョン管理
- パイプラインによる処理の再現
- CI/CD
- Continuous Training（継続学習）
- モデル監視
などがあります。
「監視 → 必ず再学習」ではない
監視で変化を検知しても、すぐに再学習するとは限りません。
原因を確認し、業務要件やリスクを踏まえて、
- そのまま運用する
- データを修正する
- モデルを再学習する
- モデルやシステム自体を変更する
などを判断します。
いつ使う？（得意・不得意）
特に重要になる場面
- 本番モデルを長期運用する
- 定期的・必要時に再学習する
- 複数のモデルや実験を管理する
- データやモデルの変更履歴を追跡する
- 手作業による更新のばらつきを減らしたい
注意点
この6段階は、MLOpsの唯一の正式な工程ではありません。
MLOpsは固定されたプロセスモデルではなく、組織やシステムに応じて実装方法が変わります。
プロジェクトの標準的な進め方そのものを整理したい場合は、CRISP-ML(Q)と切り分けます。
G検定ひっかけポイント
工程数
❌ MLOpsには必ず同じ工程数・順序がある
⭕ 固定された唯一の工程表ではない
再学習
❌ 監視で変化を検知したら必ず再学習する
⭕ 原因や要件を確認して、必要なら再学習・再デプロイする
継続学習
❌ MLOpsはモデルを一度デプロイするだけ
⭕ データや環境の変化に応じて、継続的に学習・評価・更新できる仕組みが重要
CRISP-ML(Q)との違い
❌ この流れ＝CRISP-ML(Q)の正式なフェーズ
⭕ MLOpsは運用を継続的に回す実践。CRISP-ML(Q)はプロセスと品質保証を整理するモデル
まとめ（試験直前用）
- MLOpsは開発 → デプロイ → 監視 → 改善を継続的に回す
- 固定された唯一の工程表ではない
- CI/CD・継続学習（CT）・監視が循環を支える
- 監視したら必ず再学習、ではない
- CRISP-ML(Q)とは役割が違う