MLOps

機械学習（ML）モデルの開発・運用・管理を効率的に行うための手法や仕組み。DevOpsの考え方を機械学習に適用し、モデルの学習・評価・デプロイ・監視のライフサイクルを自動化・体系化する。

機械学習モデルの開発・デプロイ・運用を効率化するためのプラクティスやツール群。DevOpsの考え方を機械学習に適用し、モデルの学習・評価・デプロイのパイプラインを自動化する。

機械学習モデルの開発から運用、監視、再学習までを継続的に回す仕組み。データとモデルの版数管理、性能劣化の検知を含む。

機械学習（ML）モデルの開発・運用・管理を効率的に行うための手法や仕組み。DevOpsの考え方を機械学習に適用し、モデルの学習・評価・デプロイ・監視のライフサイクルを自動化・体系化する。

機械学習や生成AIを、サイバー攻撃の検知や対応に活用する技術。通信やログの異常検知、未知のマルウェアの判定、フィッシングメールの識別、SOCでのアラートの優先順位付けやインシデント分析の支援などに使われる。AIシステム自体を攻撃から守る「Security for AI」と対になる考え方。

サーバ、ネットワーク、ストレージなどのインフラの構成を、手作業ではなくコード（設定ファイル）として記述し、ツールで自動的に構築・変更する手法。版管理やレビュー、テストができ、同じ環境を何度でも再現できる。TerraformやAnsibleなどのツールが使われる。

機械学習モデルの学習データに攻撃者が細工したデータを混入させ、モデルに誤った判断をさせたり、特定の入力のときだけ攻撃者の意図した出力をするバックドアを仕込んだりする攻撃。学習データの出所の管理や品質の検証で対策する。

人間には見分けがつかない程度の微小なノイズを入力データに加え、機械学習モデルに誤った分類や判断をさせるように細工したデータ。画像認識で道路標識を別の標識と誤認させる例が知られ、こうした入力でモデルを欺く攻撃は回避攻撃とも呼ばれる。

機械学習モデルに入力を与えて得られる出力（予測結果や確信度）を繰り返し分析し、学習に使われたデータの特徴、例えば顔認識モデルの学習に使われた人物の顔画像などを推定・復元する攻撃。学習データに含まれる個人情報のプライバシーを侵害するおそれがある。

テストを通過した変更を、人の承認を挟まずに自動的に本番環境へリリースする手法。継続的デリバリーをさらに進めたもので、自動テストの十分な網羅と、問題が起きたときに素早く戻せる仕組みが前提になる。