E.A.7 デプロイ統合プロジェクト

このプロジェクトの目的は、最大のモデルを学習することではありません。モデルを小さく、測定可能で、デプロイできるシステムに変えられることを示すことです。

まず、次のようなシンプルなプロジェクトストーリーを作ります。

軽量画像分類サービス：ローカル推論、バッチ処理、指標記録、エッジデバイスの準備チェックに対応する。

準備するもの

• Python 3.10+
• 外部パッケージ不要
• 実モデルでもシミュレーションでもよい、小さなモデル案
• ノートPC CPU、Raspberry Pi、Jetson、クラウド CPU インスタンスなどの対象デバイス

納品チェックリスト

最終プロジェクトでは、次を見せます。

1. 対象デバイスと推論エンジンの選択
2. 入力と出力の例
3. ベースラインと最適化後の指標
4. サービス化またはバッチ処理の流れ
5. 既知の失敗ケース
6. 再現コマンド

プロジェクト準備スコアを動かす

deployment_project_check.py を作成します。

project = {
    "name": "lightweight-image-classifier",
    "target_device": "edge-c",
    "engine": "ONNX Runtime",
    "baseline": {"latency_ms": 120, "memory_mb": 820, "accuracy": 0.904},
    "optimized": {"latency_ms": 68, "memory_mb": 430, "accuracy": 0.899},
    "evidence": ["README.md", "metrics.csv", "failure_cases.md"],
}

checks = {
    "latency_under_80": project["optimized"]["latency_ms"] < 80,
    "memory_under_512": project["optimized"]["memory_mb"] < 512,
    "accuracy_drop_ok": project["baseline"]["accuracy"] - project["optimized"]["accuracy"] <= 0.01,
    "has_failure_cases": "failure_cases.md" in project["evidence"],
}

for name, passed in checks.items():
    print(name, passed)

release_candidate = all(checks.values())
print("release_candidate:", release_candidate)
print("evidence_files:", project["evidence"])

実行します。

python deployment_project_check.py

期待される出力：

latency_under_80 True
memory_under_512 True
accuracy_drop_ok True
has_failure_cases True
release_candidate: True
evidence_files: ['README.md', 'metrics.csv', 'failure_cases.md']

これが見せられるデプロイプロジェクトの形です。コードだけでなく、証拠も必要です。

プロジェクトの説明順序

この順番で話すと伝わりやすくなります。

1. 問題：何を、どこで、なぜ動かすのか。
2. 制約：メモリ、レイテンシ、ハードウェア、オフライン要件。
3. 設計：モデル形式、推論エンジン、サービス経路。
4. 証拠：最適化前後の指標と失敗ケース。
5. トレードオフ：まだ最適化していない点と、その理由。

よくある間違い

• デモ画面だけを見せて、指標を見せない。
• レイテンシを改善した一方で、精度低下を隠す。
• メモリテストや長時間運転テストなしに、エッジ対応と言う。
• 範囲を広げすぎて、クラウド、モバイル、エッジを一度に扱おうとする。

練習

2つ目の対象デバイスを追加し、準備チェックをもう一度実行してください。その後、README に3行だけ、なぜそのデバイスと推論エンジンを選んだのかを書きます。