AI資格ドリル
資格を選ぶ

G検定 用語解説

MLOpsとは

機械学習モデルの開発チームと運用チームが連携し、学習・検証・デプロイ・監視までを一連の継続的な仕組みとして回す考え方・体制。DevOpsの手法を機械学習プロジェクトに応用したもの。

この用語の分野から10問解く分野を選ぶ

MLOpsの意味と見分け方

MLOpsは、G検定の「大項目7 AIの社会実装に向けて」に出てくる用語です。見分けの要点は、MLOpsは開発したAIモデルそのものの性能維持・劣化検知・ソース共有を対象とし、AIOpsはITシステムの運用全般へAIを活用する取り組みを対象とします。対象がAIモデルかITシステム運用かで分けます。

情報源と編集区分

公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。

試験概要（公式）

比較記事でさらに確認する

CRISP-DMとCRISP-MLの違い（フェーズの統合と運用監視で見分ける）CRISP-DMとCRISP-ML(Q)の違いを、6つのフェーズの並び、ビジネスとデータ理解の統合、運用監視の追加、品質保証の組み込み、G検定での見分け方と確認問題まで、原論文に沿って解説します。

MLOpsの具体例と、問題文で見る箇所・隣接概念との境界

ITシステム運用全般ではなく、AIモデル自体のソース共有からモニタリングによる劣化検知までを含む運用の考え方として捉える

開発した分析プログラムのソースをGitなどのバージョン管理ソフトウェアでリポジトリに登録し、チームメンバーと共有する場面を考えます。ここで終わらず、本番稼働後もAIモデルの劣化状況や、想定と異なる予測対象データの不備、システムの異常をモニタリング項目に沿って検知し、性能の維持管理を進める作業までがMLOpsの範囲です。対象は常にAIモデルそのものです。

問題文で見る箇所
「Gitでのソース共有」「AIモデル性能の維持管理」「モニタリング項目による劣化検知」という記述があればMLOpsを候補にします。IT機器やネットワークなどシステム運用全般が対象になっている説明はAIOpsです。
隣接概念との境界
MLOpsは開発したAIモデルそのものの性能維持・劣化検知・ソース共有を対象とし、AIOpsはITシステムの運用全般へAIを活用する取り組みを対象とします。対象がAIモデルかITシステム運用かで分けます。

誤答しやすい選択肢

  • ITシステムの運用全般にAIを活用する取り組みをMLOpsと呼ぶ。これはAIOpsの説明です。
  • LLMを使ってコードを作成・修正することだけをMLOpsと呼ぶ。これはコーディング支援の説明で、MLOpsが指すAIモデルの性能維持・モニタリングとは対象が異なります。
  • モデル・データのバージョン管理ツールでのデプロイ自動化まで含めて見習いレベルの必須知識とする。Hugging Face HubやMLFlowを使った運用の効率化は★2つ星以上の項目であり、Gitでのソース共有・概要理解・モニタリングによる劣化検知が★1つ星の範囲です。

4段階の判断手順

  1. 01説明の対象がAIモデルの性能維持・共有なのか、ITシステム運用全般なのかを分ける。
  2. 02Gitなどのバージョン管理ソフトウェアでのソース共有が触れられているか確認する。
  3. 03AIモデルの劣化状況やデータ不備をモニタリングで検知する工程が含まれるか確認する。
  4. 04ITシステム全般を対象とするAIOpsと区別する。

到達条件: MLOpsをAIモデルのソース共有からモニタリングによる劣化検知までを含む運用の考え方として説明し、AIOpsと区別できる。

試験での問われ方

01

定義の言い換え

用語そのものではなく、説明文の一部を言い換えて出されることがあります。

02

似た概念との比較

同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。

03

具体例からの判断

問題文の事例が、定義のどの部分に対応しているかを先に確認します。

誤答しやすいポイント

「大項目7 AIの社会実装に向けて」の問題で、取り違えやすい組み合わせです。

  • CRISP-DM（進め方の枠組み）とPoC（概念実証）の役割の取り違え。
  • データリーケージ（学習・評価データに正解情報が混入する事故）の見落とし。
  • 説明可能AI（XAI）・公平性・透明性など、近い概念の取り違え。

関連する確認問題

大項目7 AIの社会実装に向けて / データの整備と運用

位置情報アプリで、開発開始時から必要最小限の収集と保存期間を設計する考え方はどれか。

正解は「プライバシー・バイ・デザイン」である。位置情報は個人の行動に結びつきやすいため、必要最小限の収集と保存期間を開発開始時に仕様として決めておくことが、事後的でなく予防的・事前的に保護を組み込む考え方の実例になる。アカウンタビリティ（説明責任）はAIの判断や結果について事後に説明する責任であり、収集量や保存期間を設計で決める話ではない。フィルターバブルは推薦アルゴリズムの優先表示により異なる視点に触れにくくなる状態で、データの保存期間とは別の話である。MLOpsはAI開発から本番運用、監視、再学習までを継続的に回すための考え方や実践で、開発開始時の保護の設計を表す語ではない。選ぶときは、「事後対応でなく設計段階からプライバシーを組み込むか」を軸に、収集量と保存期間が開発の最初に仕様へ入っているかを見るとよい。

大項目7 AIの社会実装に向けて / データの整備と運用

機械学習モデルの開発から本番環境へのデプロイ、運用、再学習までの一連の流れを、継続的かつ効率的に回し続けて安定稼働させるための仕組みや方法論を指す用語はどれか。

正解は「MLOps」である。機械学習モデルの開発・デプロイ・運用・再学習までを継続的かつ効率的に回し、本番環境で安定稼働させ続けるための仕組み・方法論がMLOpsである。CRISP-DMは業務理解からモデリング・評価・展開までを6段階で進める分析プロジェクトの工程モデルであり、本番運用後の継続的な再学習サイクルを主眼とする語ではない。概念ドリフトは運用中にデータの傾向が変化して精度が下がる現象そのものであり、それに対処する仕組みであるMLOpsとは同じ話題の中でも「問題」と「対処のための方法論」という異なる立場にある。BPRは業務プロセスそのものを抜本的に再設計する経営手法で、モデルの運用基盤とは対象が異なる。

大項目7 AIの社会実装に向けて / AIプロジェクトの進め方

データ分析プロジェクトを、ビジネス理解、データ理解、モデリング、評価、展開などの流れで進める標準的なプロセスはどれか。

正解は「CRISP-DM」である。この設問が問うているのは、データ分析プロジェクトを立ち上げてから展開に至るまでの標準的な工程がどう呼ばれるかという、プロジェクトマネジメントの枠組みそのものである。CRISP-DMは、ビジネス理解・データ理解・モデリング・評価・展開という流れを反復しながら進める代表的な工程モデルであり、AI導入プロジェクトの土台として位置づけられる。残る3つの選択肢は、いずれも「プロジェクトの進め方を定める工程モデル」という主題自体から外れ、それぞれ別の局面を指す語である点で一括りにできる。MLOpsはモデルを本番投入した後の運用・再学習の仕組み、FATは公平性・説明責任・透明性というAIに求められる性質、RLHFは人間のフィードバックを用いた強化学習の手法であり、いずれもプロジェクトの立ち上げから展開までの段階を規定する語ではない。

この分野を演習する章別解説と類題を見る

同じ章で確認したい用語

AIプロジェクトの進め方ステークホルダーのニーズCRISP-MLAIのビジネス活用DockerJupyter Notebook

他資格でも出題される用語

DS検定でのMLOps

到達チェック

  • MLOpsを一文で説明できる
  • 同じ章の似た用語と違いを説明できる
  • 問題文の具体例から、MLOpsに関係する論点を拾える
  • 関連問題を解き、誤答した選択肢の理由を確認できる
シェア:XでシェアLINEでシェア

執筆: AI資格ドリル編集部（運営者情報を見る）