W&B を使用して Canva で合理化されたモデル管理ワークフローを設計する
「W&B モデル レジストリは、さまざまな方法で私たちの生活を簡素化します。現在、私たちが目にするのは生産準備が整ったモデルだけなので、ユーザー エクスペリエンスのノイズが少なくなります。必要な生産レベルの情報がすべて保存されます。」
ティボー マン ド ボワシエール
ML プラットフォーム チーム リード
Canvaはエンタープライズソフトウェアの最も革新的な企業の1つであり、人気のデザインおよび出版ツールは月間アクティブユーザー数が1億5000万人を超えています。同社はAIにも多額の投資を行っており、Canvaデザインのテキストの自動翻訳、新しい画像機能の追加、不要な詳細の削除などを行う新しいAIツールスイートを導入しています。
AI への注力は舞台裏にも及び、Canva は機械学習の運用に対する革新的なアプローチを開拓し、さまざまな課題の解決に役立てています。生成モデルや推奨システムからパーソナライゼーション モデルや検索の改善まで、Canva はより快適なユーザー エクスペリエンスを生み出すために ML に深く投資しています。
この ML 主導の文化と投資の大きな部分を牽引しているのは、Canva の ML プラットフォーム チーム リーダーである Thibault Main de Boissiere です。Thibault は、Canva の 100 人を超える ML エンジニアのチームが再現可能な方法でモデルをトレーニングし、それらのモデルをスムーズに製品化できるようにし、チームのパイプラインとインフラストラクチャを維持するのを支援する責任を負っています。
Canva の世界クラスの ML チームは、実験の追跡に Weights & Biases (W&B) を活用しているほか、モデル レジストリを集中ハブおよび単一の管理画面として活用し、実験から展開までを容易にしています。
サンプルモデルレジストリ
モデルレジストリによるモデル管理と展開
Thibault 氏と彼のチームは、実験モデルと本番環境対応モデルを明確に分離したいと考えていました。W&B モデル レジストリを使用する前は、デプロイメント ワークフロー全体に多くのノイズがありました。本番環境のトレーニング実行と実験トレーニング実行を分離するのは困難で、デプロイメント ロジックは複雑なタグの組み合わせに依存していました。W&B モデル レジストリを使用すると、本番環境と実験環境が明確に分離され、エイリアスによって、どのモデルが本番環境にデプロイされるか、または A/B テストを実行するかがユーザーがはるかに明確になりました。
チームのメンバーの多くがすでに実験の追跡に Weights & Biases を使用していたため、モデル レジストリの統合はシームレスで大きな影響力を持つことが判明しました。
「W&B モデル レジストリは、さまざまな点で私たちの生活を簡素化します」と Thibault 氏は言います。「現在、私たちが目にするのは生産準備が整ったモデルだけなので、ユーザー エクスペリエンスのノイズが少なくなります。必要な生産レベルの情報がすべて保存されます。」
W&B モデル レジストリは現在、Canva の ML ワークフローと技術スタックの中間に位置しており、オンデマンド ノートブックと分散トレーニングをサポートするための Anyscale の活用、依存関係の管理のための Nix の使用、Amazon Elastic Container Service (ECS) にデプロイされたすべての本番ワークフローも含まれます。W&B は現在、Thibault と Canva ML チームが実験とデプロイメント プロセスの取り込みを容易にするために必要な単一の画面を提供しています。
そして、チームは、W&B を使用して ML ワークフローとパイプラインを簡素化する方法に関して、さらに大きな野心を抱いています。Thibault 氏が説明するように、「W&B モデル レジストリは、ML の展開方法を変える重要な方法になる可能性があります。」
「当社のすべての MLE と一部の製品マネージャーは Weights & Biases にアクセスできます」と Thibault 氏は言います。「W&B UI は気に入っています。すぐに使えるものすべてが非常に便利で、非常に役立つシステム メトリックも備わっています。また、管理者側でアクセスとセキュリティを簡単に管理できます。」