本番ML量産化の型｜BBVAが4部門で実装

AI TREND

BBVA：MLOps基盤を標準化

スペインの大手銀行BBVAが、AWSのSageMaker AIを使った機械学習の本番運用基盤（MLOps）を整備し、審査・価格最適化・レコメンド・財務予測の4事業部門で既存案件を並行して近代化した設計パターンを公開した。

3 の要点を3分で

スペインの大手銀行BBVAが、AWSのSageMaker AIを使った機械学習の本番運用基盤（MLOps）を整備した設計パターンをAWS Industries Blogで公開した（2026年7月9日）。審査モデル・価格最適化・個人向けレコメンド・財務予測という4事業部門で既存案件を並行して近代化し、共通するパターンを抽出して再利用可能なSageMakerパイプラインにテンプレート化した。

実務で効くのは統制とコストの2点だ。性能基準を満たしたモデルだけをモデル登録簿（Model Registry）へ自動登録する条件付きの仕組みで、基準未達のモデルが本番へ流れない統制を自動化した。また、変更のない工程をスキップする段階キャッシュと、GPUが必要な工程だけGPUを使うCPU優先戦略で費用と実行時間を削る。実験追跡ツール（MLflow）が学習の設定値・指標・成果物を集中管理し、各実行をモデル版と対応付ける。

近代化前は隔離テスト環境がなく、パイプライン変更の検証には共有ブランチへの統合が必要でフィードバックが遅かった。規制と統制が厳しい金融で「実験」から「本番量産」へ移す具体的な設計として、MLOpsを社内横断で拡大したい大企業の参照点になる。

本番ML量産化の型｜BBVAが4部門で実装の本文内説明図 — 図解: MLOps基盤を標準化 - スペインの大手銀行BBVAがAWSのSageMakerAIを使った機械学習の本番運用基盤

押さえるポイント

この変化で何が要点か。図解と出典つきで一目で。

審査・価格・レコメンド・財務予測の4部門で並行して案件を近代化
学習・推論・監視を含む再利用可能なパイプラインをテンプレート化
性能基準を満たしたモデルだけを自動でモデル登録簿へ登録

5W1Hでサクッと理解

構造化された事実を最初に。誰が何をいつどこでなぜどのように。

誰が: BBVA
何を: MLOps基盤を標準化
いつ: 2026年7月9日公開
どこで: スペイン
なぜ: 本番量産と統制両立
どのように: SageMakerテンプレ化

背景

BBVAは連載記事の第1部で、使い捨て可能な開発環境とモデル統制を含むMLOps基盤の全体設計を説明していた。全体設計を進めるのと並行して、審査モデル（リスク評価）、価格最適化、個人向けレコメンド、財務予測という異なる領域の4事業部門で既存の機械学習案件を近代化した。各部門はコード管理や実験記録、モデル管理の仕組みを既に持っていたが、実装のやり方が部門ごとに独立して発展していたため、再利用が進まず新規案件の立ち上げに手間がかかっていた。テスト用に隔離された環境がなく、パイプライン変更の検証には共有ブランチへの統合が必要で、フィードバックが遅かった。

なぜ今注目なのか

金融のように規制と統制が厳しい業界で、機械学習を「実験」から「本番量産」へ移すための具体的な設計パターンが示されている点が実務的に重要である。人・プロセス・統制・技術の4軸で標準化し、性能基準を満たしたモデルだけを自動で登録する仕組みや、GPUが必要な工程だけGPUを使う費用削減の考え方は、他の大企業がMLOpsを拡大する際の参考になる。

4部門を並行近代化して抽出した「再利用できる型」

スペインの大手銀行BBVAは、審査モデル（リスク評価）・価格最適化・個人向けレコメンド・財務予測という4つの事業部門で、既存の機械学習案件を並行して近代化した。各部門はコード管理や実験記録、モデル管理の仕組みを既に持っていたが、実装のやり方が部門ごとに独立して発展していたため再利用が進まず、新規案件の立ち上げに手間がかかっていた。

BBVAはこの並行案件（パイロット）から共通するパターンを抽出し、学習・推論・データとモデルの監視までを含む再利用可能なSageMakerパイプラインとしてテンプレート化した。

This post describes how BBVA used pilots to identify reusable ML patterns, standardize operational workflows, and design extensible MLOps templates that accelerate ML delivery while maintaining governance and flexibility across teams and business domains.
出典: AWS Industries Blog

引用は「並行案件から再利用可能なパターンを見つけ、運用手順を標準化し、統制と柔軟性を保ったまま機械学習の提供を速める拡張可能なテンプレートを設計した」という内容だ。単発の成功事例ではなく、他部門へ広げられる型として設計した点がこの記事の核になる。

統制を保つ自動登録と、GPUを絞るコスト設計

BBVAの設計で実務に効くのは、統制とコストの2点を仕組みで解いたところだ。

条件付きの自動登録: 性能基準を満たしたモデルだけを、モデル登録簿（学習済みモデルとその版を一元管理する台帳、Model Registry）へ自動で登録する。基準未達のモデルが本番へ流れない統制を人手のレビュー待ちにせず自動化した。
段階キャッシュ: 変更のない工程は再実行をスキップする。パイプラインを回すたびに全工程を計算し直す無駄を減らす。
CPU優先戦略: GPUが必要な工程だけGPUを使い、それ以外はCPUで処理する。GPUの利用時間を絞って費用と実行時間を削る。

さらに、実験追跡ツール（学習の設定値・指標・成果物を記録するMLflow）で各実行を集中管理し、どのモデル版がどの学習から生まれたかを対応付ける。規制業界では「なぜこのモデルを本番に出したか」を後から追える再現性が問われるため、この対応付けが統制の土台になる。