# GKEでのMLOpsエージェントのデプロイ > GKEでのMLOpsエージェントのデプロイ - DataRobotのモデルを監視するために、GKEにMLOpsエージェントをデプロイします。 This Markdown file sits beside the HTML page at the same path (with a `.md` suffix). It summarizes the topic and lists links for tools and LLM context. Companion generated at `2026-07-15T05:55:44.914663+00:00` (UTC). ## Primary page - [GKEでのMLOpsエージェントのデプロイ](https://docs.datarobot.com/ja/docs/classic-ui/integrations/google/mlops-agent-with-gke.html.md): Full documentation for this topic (Markdown sidecar). ## Sections on this page - [概要](https://docs.datarobot.com/ja/docs/classic-ui/integrations/google/mlops-agent-with-gke.html.md#overview): In-page section heading. - [前提条件](https://docs.datarobot.com/ja/docs/classic-ui/integrations/google/mlops-agent-with-gke.html.md#prerequisites): In-page section heading. - [手順](https://docs.datarobot.com/ja/docs/classic-ui/integrations/google/mlops-agent-with-gke.html.md#procedure): In-page section heading. - [外部デプロイの作成](https://docs.datarobot.com/ja/docs/classic-ui/integrations/google/mlops-agent-with-gke.html.md#create-an-external-deployment): In-page section heading. - [Pub/Subトピックとサブスクリプションの作成](https://docs.datarobot.com/ja/docs/classic-ui/integrations/google/mlops-agent-with-gke.html.md#create-a-pub-sub-topic-and-subscription): In-page section heading. - [MLOpsエージェントをDockerに埋め込む](https://docs.datarobot.com/ja/docs/classic-ui/integrations/google/mlops-agent-with-gke.html.md#embed-mlops-agent-in-docker): In-page section heading. - [Dockerをローカルで実行する](https://docs.datarobot.com/ja/docs/classic-ui/integrations/google/mlops-agent-with-gke.html.md#run-docker-locally): In-page section heading. - [DockerイメージをContainer Registryにプッシュする](https://docs.datarobot.com/ja/docs/classic-ui/integrations/google/mlops-agent-with-gke.html.md#push-docker-image-to-the-container-registry): In-page section heading. - [GKEクラスターの作成](https://docs.datarobot.com/ja/docs/classic-ui/integrations/google/mlops-agent-with-gke.html.md#create-the-GKE-cluster): In-page section heading. - [クラウドルーターの作成](https://docs.datarobot.com/ja/docs/classic-ui/integrations/google/mlops-agent-with-gke.html.md#create-a-cloud-router): In-page section heading. - [K8s ConfigMapの作成](https://docs.datarobot.com/ja/docs/classic-ui/integrations/google/mlops-agent-with-gke.html.md#create-k8s-configmaps): In-page section heading. - [K8sデプロイの作成](https://docs.datarobot.com/ja/docs/classic-ui/integrations/google/mlops-agent-with-gke.html.md#create-the-k8s-deployment): In-page section heading. - [モデルのスコアリング](https://docs.datarobot.com/ja/docs/classic-ui/integrations/google/mlops-agent-with-gke.html.md#score-the-model): In-page section heading. - [削除](https://docs.datarobot.com/ja/docs/classic-ui/integrations/google/mlops-agent-with-gke.html.md#clean-up): In-page section heading. ## Documentation content 次の手順では、スプーラーとしてPub/Subを使用してMLOpsエージェントを、Google Kubernetes Engine（GKE）にデプロイする方法について説明します。 これにより、DataRobotの外部で開発されたカスタムPythonモデルを監視できます。 カスタムモデルはローカルマシンでスコアリングされ、Google Cloud Platform（GCP）に統計が送信されます。 [Pub/Sub](https://cloud.google.com/pubsub#section-5) 。 最後に、（GKEにデプロイされた）エージェントがこのデータを使用し、DataRobot MLOpsダッシュボードに送り返します。 ## 概要 [DataRobot MLOps](https://docs.datarobot.com/ja/docs/api/dev-learning/python/mlops/index.html.md) は、DataRobot [MLOpsエージェント](https://docs.datarobot.com/ja/docs/classic-ui/mlops/deployment/mlops-agent/index.html.md) を使用して一元化されたダッシュボードで、すべてのMLモデル（DataRobotまたは外部でトレーニングされたモデル）を監視する機能を提供します。 デプロイされたモデルと並行して実行されるJavaユーティリティであるエージェントは、Java、Python、Rプログラミング言語で開発されたモデルを監視できます。 MLOpsエージェントは、スプーラー（つまり、ファイルシステム、GCP Pub/Sub、AWS SQS、またはRabbitMQ）を介してモデルと通信し、MLOpsダッシュボードにモデル統計を送り返します。 これらには、スコアリングされたレコードの数、特徴量の数、スコアリング時間、データドリフトなどを含めることができます。 エージェントをDockerイメージに組み込み、それをKubernetesクラスターにデプロイして、スケーラビリティと堅牢性を確保できます。 ## 前提条件 メイン設定を作成する前に、次の手順を完了する必要があります。 1. お使いのオペレーティングシステムに固有のGoogle Cloud SDKをインストールします。 2. コマンドプロンプトで次のコマンドを実行します。 gcloud init 既存のプロジェクトを選択するか、新しいプロジェクトを作成し、コンピューティングゾーンも選択するよう求められます。 3. Kubernetesコマンドラインツールをインストールします。 gcloud components install kubectl 4. Google Cloudサービスアカウントの資格情報を取得して、Google Cloud APIを呼び出します。デフォルトのサービスアカウントをお持ちでない場合は、この手順に従って作成できます。 5. 資格情報が配置されたら、それらを含むJSONファイルをダウンロードします。 後で、Google Cloud APIを呼び出すアプリケーションに資格情報を渡すときは、次のいずれかの方法を使用できます。 ## 手順 次のセクションでは、プロセスの各手順で、Pub/Subを使用してMLOpsエージェントをGKEにデプロイする手順について説明します。 ### 外部デプロイの作成 まず、 [外部デプロイを作成](https://docs.datarobot.com/ja/docs/classic-ui/mlops/deployment/deploy-methods/deploy-external-model.html.md) します。 結果のモデルIDとデプロイIDを使用して、エージェントとの通信を設定します（ [Dockerをローカルで実行する](https://docs.datarobot.com/ja/docs/classic-ui/integrations/google/mlops-agent-with-gke.html.md#run-docker-locally) の手順で説明されています）。 ### Pub/Subトピックとサブスクリプションの作成 次に、Pub/Subトピックとサブスクリプションを作成します。 1. Google CloudコンソールのPub/Subサービスに移動し、トピック（パブリッシャーがメッセージを送信できる名前付きリソース）を作成します。 2. サブスクリプションを作成します。サブスクリプションは、1つの特定のトピックからのメッセージストリームを表す名前付きリソースで、サブスクライブしているアプリケーションに配信されます。 前の手順のPub/Subトピックを使用して、配信タイプをPullに設定します。 これにより、サブスクリプションIDが提供されます。 さらに、メッセージの保持期間やその他のパラメーターを設定できます。 ### MLOpsエージェントをDockerに埋め込む エージェントを埋め込むDockerイメージを作成するには： 1. マシン上に作業ディレクトリを作成し、必要なファイルを準備します。 2. confという名前のディレクトリを作成します。 3. MLOpsエージェントを含むtarballファイルをAPIのキーとツールからダウンロードし、解凍します。 4. mlops.log4j2.propertiesファイルを/confからにコピーします。 5. ファイルmlops.agent.conf.yamlを作業ディレクトリにコピーします。 次のパラメーターを指定します（この例では、他のすべてのパラメーターにデフォルトを使用しています）。 パラメーター定義mlopsUrlセルフマネージドAIプラットフォームのインストールURL。マネージドAIプラットフォームではapp.datarobot.comapiTokenDataRobot keyprojectIdGCP ProjectIdtopicNamePub/Subセクションで作成済み 例： mlopsUrl:"MLOPS-URL"apiToken:"YOUR-DR-API-TOKEN"channelConfigs:-type:"PUBSUB_SPOOL"details:{name:"pubsub",projectId:"YOUR-GOOGLE-PROJECT-ID",topicName:"YOUR-PUBSUB-TOPIC-ID-DEFINED-AT-STEP-2"} 6. /lib/mlops-agent-X.X.X.jarファイルを作業ディレクトリにコピーします。 7. 作業ディレクトリで、次の内容を使用してDockerfileを作成します。 FROMopenjdk:8ENVAGENT_BASE_LOC=/opt/datarobot/maENVAGENT_LOG_PROPERTIES=mlops.log4j2.propertiesENVAGENT_CONF_LOC=$AGENT_BASE_LOC/conf/mlops.agent.conf.yamlCOPYmlops-agent-*.jar${AGENT_BASE_LOC}/mlops-agent.jarCOPYconf$AGENT_BASE_LOC/confCOPYentrypoint.sh/RUNchmod+x/entrypoint.shENTRYPOINT["./entrypoint.sh"] 8. 次の内容でentrypoint.shを作成します。 #!/bin/shecho"######## STARTING MLOPS-AGENT ########"echoexecjava-Dlog.file=$AGENT_BASE_LOC/logs/mlops.agent.log-Dlog4j.configurationFile=file:$AGENT_BASE_LOC/conf/$AGENT_LOG_PROPERTIES-cp$AGENT_BASE_LOC/mlops-agent.jarcom.datarobot.mlops.agent.Agent--config$AGENT_CONF_LOC 9. Dockerビルドコマンドの最後に必ずピリオド（.）を含めて、Dockerイメージを作成します。 exportPROJECT_ID=ai-XXXXXXX-111111 dockerbuild-tgcr.io/${PROJECT_ID}/monitoring-agents:v1. 10. docker imagesコマンドを実行して、ビルドが成功したことを確認します。 ### Dockerをローカルで実行する > [!NOTE] 備考 > 厳密に言えばオプションの手順ですが、ベストプラクティスでは、時間とネットワーク帯域幅を節約するために、常にローカルでイメージをテストすることをお勧めします。 監視エージェントのtarballには、カスタムPythonモデルからMLOpsに統計情報を送信するために必要なライブラリ（JavaおよびRライブラリを含む）が含まれています。 ライブラリは `lib` ディレクトリにあります。 ローカルで実行するには： 1. Python用DataRobot_MLOpsライブラリをインストールします。 pip install datarobot_mlops_package-/lib/datarobot_mlops--py2.py3-none-any.whl 2. Dockerコンテナイメージを実行します。 備考前提条件（Google Cloudアカウントの資格情報のダウンロードについて説明する手順）でダウンロードした資格情報を含むJSONファイルが必要になります。 dockerrun-it--rm--namema-v/path-to-you-directory/mlops.agent.conf.yaml:/opt/datarobot/ma/conf/mlops.agent.conf.yaml-v/path-to-your-directory/your-google-application-credentials.json:/opt/datarobot/ma/conf/gac.json-eGOOGLE_APPLICATION_CREDENTIALS="/opt/datarobot/ma/conf/gac.json"gcr.io/${PROJECT_ID}/monitoring-agents:v1 以下は、モデルがスコアリングされるPythonコードの例です（この例ではすべてのパッケージのimport文が省略されています）。 fromdatarobot_mlops.mlopsimportMLOpsDEPLOYMENT_ID="EXTERNAL-DEPLOYMENT-ID-DEFINED-AT-STEP-1"MODEL_ID="EXTERNAL-MODEL-ID-DEFINED-AT-STEP-1"PROJECT_ID="YOUR-GOOGLE-PROJECT-ID"TOPIC_ID="YOUR-PUBSUB-TOPIC-ID-DEFINED-AT-STEP-2"# MLOPS: initialize the MLOps instancemlops=MLOps()\.set_deployment_id(DEPLOYMENT_ID)\.set_model_id(MODEL_ID)\.set_pubsub_spooler(PROJECT_ID,TOPIC_ID)\.init()# Read your custom model pickle file (model has been trained outside DataRobot)model=pd.read_pickle('custom_model.pickle')# Read scoring datafeatures_df_scoring=pd.read_csv('features.csv')# Get predictionsstart_time=time.time()predictions=model.predict_proba(features_df_scoring)predictions=predictions.tolist()num_predictions=len(predictions)end_time=time.time()# MLOPS: report the number of predictions in the request and the execution timemlops.report_deployment_stats(num_predictions,end_time-start_time)# MLOPS: report the features and predictionsmlops.report_predictions_data(features_df=features_df_scoring,predictions=predictions)# MLOPS: release MLOps resources when finishedmlops.shutdown() 3. GOOGLE_APPLICATION_CREDENTIALS環境変数を設定します。 export GOOGLE_APPLICATION_CREDENTIALS="" 4. モデルが期待どおりに機能するかどうかをテストするために、ローカルでデータをスコアリングします。 その後、監視エージェントログに新しいレコードが表示されます。 python score-your-model.py MLOpsダッシュボードの統計も更新されます。 ### DockerイメージをContainer Registryにプッシュする コンテナイメージをローカルでテストして検証したら、それをレジストリにアップロードして、Google Kubernetes Engine（GKE）クラスターをダウンロードして実行できるようにします。 1. Container Registryに対して認証するようにDockerコマンドラインツールを設定します。 gcloud auth configure-docker 2. ビルドしたDockerイメージをContainer Registryにプッシュします。 docker push gcr.io/${PROJECT_ID}/monitoring-agents:v1 ### GKEクラスターの作成 DockerイメージをContainer Registryに保存したら、次のようにGKEクラスターを作成します。 1. gcloudツールのプロジェクトIDとCompute Engineゾーンオプションを設定します。 gcloud config set project $PROJECT_ID gcloud config set compute/zone europe-west1-b 2. クラスターを作成します。 備考この例では、わかりやすくするために、パブリックエンドポイントへのアクセスが無制限のプライベートクラスターを作成します。 セキュリティ上、本番環境のコントロールプレーンへのアクセスを必ず制限してください。 さまざまなGKE限定公開クラスターの設定に関する詳細については、こちらをご覧ください。 gcloudcontainerclusterscreatemonitoring-agents-cluster\--networkdefault\--create-subnetworkname=my-subnet-0\--no-enable-master-authorized-networks\--enable-ip-alias\--enable-private-nodes\--master-ipv4-cidr172.16.0.32/28\--no-enable-basic-auth\--no-issue-client-certificate 各パラメーターについて説明します。 パラメーター結果--create-subnetwork name=my-subnet-0GKEは、my-subnet-0という名前のサブネットを自動的に作成します。--no-enable-master-authorized-networksクラスターの承認済みネットワークを無効にします。--enable-ip-aliasクラスターをVPCネイティブにします。--enable-private-nodesクラスターのノードに外部IPアドレスがないことを示します。--master-ipv4-cidr 172.16.0.32/28コントロールプレーンの内部アドレス範囲を指定します。 この設定は、このクラスターに対して永続的です。--no-enable-basic-authクラスターの基本認証を無効にします。--no-issue-client-certificateクライアント証明書の発行を無効にします。 3. 次のコマンドを実行してクラスターワーカーインスタンスを表示します。 gcloud compute instances list ### クラウドルーターの作成 GKEプライベートクラスターで実行されているMLOpsエージェントは、DataRobot MLOpsサービスにアクセスする必要があります。 これを行うには、プライベートノードにインターネットへのアウトバウンドアクセスを許可する必要があります。これは、NATクラウドルーターを使用して実現できます（ [Googleのドキュメントはこちら](https://cloud.google.com/nat/docs/gke-example#gcloud_4) ）。 1. クラウドルーターの作成： gcloudcomputerouterscreatenat-router\--networkdefault\--regioneurope-west1 2. ルーターに設定を追加します。 gcloudcomputeroutersnatscreatenat-config\--router-regioneurope-west1\--routernat-router\--nat-all-subnet-ip-ranges\--auto-allocate-nat-external-ips​ #### K8s ConfigMapの作成 クラウドルーターを設定したら、K8s ConfigMapを作成して、MLOpsエージェント設定とGoogle資格情報を含めることができます。 [前提条件](https://docs.datarobot.com/ja/docs/classic-ui/integrations/google/mlops-agent-with-gke.html.md#prerequisites) の段階で作成した、ダウンロード済みJSON資格情報ファイルが必要になります。 > [!NOTE] 備考 > K8s Secretsを使用して、本番環境で使用する設定ファイルを保存します。 次のコードを使用してConfigMapを作成します。 ``` kubectl create configmap ma-configmap --from-file=mlops.agent.conf.yaml=your-path/mlops.agent.conf.yaml kubectl create configmap gac-configmap --from-file=gac.json=your-google-application-credentials.json ``` #### K8sデプロイの作成 デプロイを作成するには、次の内容で `ma-deployment.yaml` ファイルを作成します。 > [!NOTE] 備考 > この例では、3つの常時実行レプリカを使用しています。自動スケーリングの場合、 `kubectl autoscale deployment` を使用します。 ``` apiVersion: apps/v1 kind: Deployment metadata: name: ma-deployment labels: app: ma spec: replicas: 3 selector: matchLabels: app: ma template: metadata: labels: app: ma spec: containers: - name: ma image: gcr.io/${PROJECT_ID}/monitoring-agents:v1 volumeMounts: - name: agent-conf-volume mountPath: /opt/datarobot/ma/conf/mlops.agent.conf.yaml subPath: mlops.agent.conf.yaml - name: gac-conf-volume mountPath: /opt/datarobot/ma/conf/gac.json subPath: gac.json env: - name: GOOGLE_APPLICATION_CREDENTIALS value: /opt/datarobot/ma/conf/gac.json ports: - containerPort: 80 volumes: - name: agent-conf-volume configMap: items: - key: mlops.agent.conf.yaml path: mlops.agent.conf.yaml name: ma-configmap - name: gac-conf-volume configMap: items: - key: gac.json path: gac.json name: gac-configmap ``` 次に、以下のコマンドでデプロイを作成します。 `kubectl apply -f ma-deployment.yaml` 最後に、実行中のポッドを確認します。 `kubectl get pods` ### モデルのスコアリング ローカルモデルをスコアリングし、出力を確認します。 1. ローカルモデルをスコアリングします。 python score-your-model.py 2. GKE Podのログを確認します。1つのレコードがDataRobotに送信されたことを示しています。 3. Pub/Subログを確認します。 4. DataRobot MLOpsダッシュボードを確認します。 ### 削除 1. ルーターのNATを削除します。 gcloud compute routers nats delete nat-config --router=nat-router --router-region=europe-west1 2. クラウドルーターを削除します。 gcloud compute routers delete nat-router --region=europe-west1 3. クラスターを削除します。 gcloud container clusters delete monitoring-agents-cluster