# MLOpsに関するFAQ

> MLOpsに関するFAQ - MLOpsのデプロイと監視に関するよくある質問のリストと簡単な回答を提供します。回答は詳細なドキュメントにリンクしています。

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 `2026-07-15T05:55:44.936076+00:00` (UTC).

## Primary page

- [MLOpsに関するFAQ](https://docs.datarobot.com/ja/docs/classic-ui/mlops/mlops-faq.html.md): Full documentation for this topic (Markdown sidecar).

## Documentation content

**Q: デプロイでサポートされているモデルタイプは何ですか？**

DataRobot MLOpsでは3つのタイプのデプロイモデルをサポートしています。

- AutoMLで構築され、インベントリに直接デプロイされた DataRobotのモデル
- カスタムモデルワークショップで構築された カスタム推論モデル
- モデルパッケージとして登録 され、 MLOpsエージェント により監視される外部モデル。

**Q: デプロイしたモデルで予測を行うにはどうすればよいですか？**

デプロイで予測を行うには、 予測 タブに移動します。 そこから、 [予測インターフェイス](https://docs.datarobot.com/ja/docs/classic-ui/predictions/batch/batch-dep/batch-pred.html.md) を使って予測データをドラッグ＆ドロップし、予測結果を返すことができます。 サポートされているモデルは、デプロイから [スコアリングコードをダウンロードして設定する](https://docs.datarobot.com/ja/docs/classic-ui/predictions/port-pred/scoring-code/sc-download-deployment.html.md) ことができます。 外部モデルは、 [ポータブル予測サーバーを使用](https://docs.datarobot.com/ja/docs/classic-ui/predictions/port-pred/pps/portable-batch-predictions.html.md) することで、リモート環境でデータセットをバッチでスコアリングできます。 コード中心のエクスペリエンスを実現するには、提供されている [Pythonスコアリングコード](https://docs.datarobot.com/ja/docs/classic-ui/predictions/realtime/code-py.html.md) を使用します。このコードには、 [予測API](https://docs.datarobot.com/ja/docs/api/reference/predapi/legacy-predapi/dr-predapi.html.md) でのスコアリングを目的としてCSVまたはJSONファイルを送信する際に必要なコマンドと識別子が含まれています。

**Q: 予測環境とは何ですか？**

（DataRobot外の）独自のインフラストラクチャで実行されるモデルは、異なる環境で実行される可能性があり、デプロイ権限と承認プロセスが異なる場合があります。 たとえば、テスト環境にモデルをデプロイする権限はどのユーザーにもありますが、本番環境へのデプロイには厳格な承認ワークフローが必要となり、承認された人にしか許可されない場合があります。 [予測環境](https://docs.datarobot.com/ja/docs/classic-ui/mlops/deployment/prediction-env/index.html.md) は、デプロイ環境をグループ化し、グループ化されたデプロイ権限と承認ワークフローをサポートすることで、デプロイガバナンスをサポートします。 予測環境は、外部インフラストラクチャで使用されているプラットフォーム（AWS、Azure、Snowflakeなど）と、そのプラットフォームがサポートするモデル形式を指します。

**Q: 精度監視を有効にするにはどうすればよいですか？**

デプロイの [精度](https://docs.datarobot.com/ja/docs/classic-ui/mlops/monitor/deploy-accuracy.html.md) タブをアクティブ化するには、最初に関連付けIDを選択する必要があります。これは、予測を将来の結果（実測値や結果データと呼ばれます）にリンクする [外部キー](https://www.tutorialspoint.com/Foreign-Key-in-RDBMS) です。 デプロイの 設定 > データ タブの 推論 セクションには、関連付けIDを含む列名を入力するフィールドがあります。 ここに列名を入力します。予測を行った後、デプロイに [実測値を追加](https://docs.datarobot.com/ja/docs/classic-ui/mlops/deployment-settings/accuracy-settings.html.md#add-actuals) して精度統計を生成します。

**Q: データドリフトとは何ですか？ モデルドリフトとどう違うのですか？**

データドリフトとは、予測データとトレーニングデータの分布の変化のことです。 データドリフトのアラートは、予測に用いているデータが、モデルのトレーニングに使用したデータと異なって見えることを示します。 DataRobotは、PSIつまり ["Population Stability Index"](https://www.listendata.com/2015/05/population-stability-index.html) を使ってこれを測定します。 モデルそのものがドリフトすることはありません。つまり一度学習されれば、モデルは固定されます。 予測値の変動に対して「モデルドリフト」という用語が使われることがありますが、これは単に平均予測値が時間の経過とともに変化していることを示します。

**Q: （デプロイタブの）デプロイインベントリでの緑、黄、赤のステータスアイコンの意味は何ですか？**

デプロイインベントリの [サービスの正常性](https://docs.datarobot.com/ja/docs/classic-ui/mlops/monitor/service-health.html.md) 、 [データドリフト](https://docs.datarobot.com/ja/docs/classic-ui/mlops/monitor/data-drift.html.md) 、 [精度](https://docs.datarobot.com/ja/docs/classic-ui/mlops/monitor/deploy-accuracy.html.md) の各サマリーから、デプロイされたすべてのモデルの正常性と精度を一目で把握できます。 個々のモデルの詳細な情報を表示するには、インベントリリスト内のモデルをクリックします。 カラーインジケーターの解釈の詳細については、 [ドキュメントを参照](https://docs.datarobot.com/ja/docs/classic-ui/mlops/manage-mlops/deploy-inventory.html.md) してください。

**Q: 予測APIでスコアリングに対応しているデータ形式は何ですか？**

予測データはCSVまたはJSONファイルで提供する必要があります。 詳細については、 [DataRobotの予測API](https://docs.datarobot.com/ja/docs/api/reference/predapi/legacy-predapi/dr-predapi.html.md) のドキュメントを参照してください。

**Q: デプロイで別のモデルを使用するにはどうすればよいですか？**

モデルを置き換えるには、デプロイの アクション メニューにある [モデルの置換](https://docs.datarobot.com/ja/docs/classic-ui/mlops/manage-mlops/deploy-replace.html.md) 機能を使用します。 なお、置換後のモデルが次のいずれかの点で現在のモデルと異なる場合、DataRobotは警告を発します。

- 特徴量名が一致しない。
- 置換後のモデルでは、特徴量名が一致しても、データ型が異なる。

**Q: 信頼性の監視とは何ですか？**

信頼性の監視は、デプロイの [信頼性タブ](https://docs.datarobot.com/ja/docs/classic-ui/mlops/governance/humble.html.md) からできます。モデルが不確実な予測を行ったり、以前に見たことのないデータを受け取ったりしたときに、リアルタイムで認識できるようにする [ルールの設定](https://docs.datarobot.com/ja/docs/classic-ui/mlops/deployment-settings/humility-settings.html.md) を行うことができます。 データドリフトとは異なり、モデルの信頼性は時間の経過に伴う幅広い統計プロパティを処理しません。代わりに、個々の予測に対してトリガーされ、さまざまなトリガーに依存するルールを使用して目的の動作を設定できます。 信頼性ルールは、監視中にデータの整合性の問題を特定して処理し、不安定な予測の根本原因をより適切に特定するのに役立ちます。

**Q: チャレンジャータブがグレーアウトしています。チャレンジャーを追加できないのはなぜですか？**

デプロイされたモデルと比較するためにチャレンジャーモデルを追加するには、MLOpsユーザーであることと、 チャレンジャー タブを有効化することが必要です。 これを行うには、デプロイで 設定 > データ を選択します。 右ペインの データドリフト の下で、 予測行ごとの履歴保存を有効化 に切り替え、 変更を保存 をクリックします。 チャレンジャーモデルとチャンピオンモデルを比較するには、この設定が必要です。 デプロイを選択すれば、 チャレンジャー タブを選択できるようになります。

**Q: ポータブル予測サーバーとは何ですか？ 使用方法を教えてください。**

[ポータブル予測サーバー（PPS）](https://docs.datarobot.com/ja/docs/classic-ui/predictions/port-pred/pps/portable-pps.html.md) は、自己完結型のDockerイメージとして配布されるDataRobotモデルパッケージ（ `.mlpkg` ファイル）用のDataRobot実行環境です。 PPSは、メインのインストール環境から切り離して実行できます。 開始すると、イメージは `:8080` ポートを介してHTTP APIを提供します。 これを使うには、外部デプロイを作成し、インフラストラクチャに [外部予測環境を作成](https://docs.datarobot.com/ja/docs/classic-ui/mlops/deployment/ext-model-prep/ext-pred-env.html.md) して、 [PPS Dockerイメージ](https://docs.datarobot.com/ja/docs/classic-ui/predictions/port-pred/pps/portable-pps.html.md#obtain-the-pps-docker-image) と [モデルパッケージ](https://docs.datarobot.com/ja/docs/classic-ui/predictions/port-pred/pps/portable-pps.html.md#download-the-model-package) をダウンロードします。 この設定により、DataRobotの外部でPPSを実行できますが、アプリケーションでは引き続きデプロイからインサイトや統計にアクセスすることができます。

**Q: ポータブル予測サーバー（PPS）とスコアリングコードの違いは何ですか？**

この2つは目的が異なり、どちらもDataRobotからモデルを取り出すことができますが、モデルとのインターフェイスの取り方やサポートするモデルの数が異なります。

- ポータブル予測サーバー：1つまたは複数のDataRobotモデルパッケージ（MLPKGファイル）用のリモートのDataRobot実行環境をホストする自己完結型のDockerイメージをエクスポートすることにより、ほぼすべてのリーダーボードモデルをサポートします。 PPSは、リアルタイム予測、バッチ予測、予測の説明用のREST APIを公開しています。したがって、ユースケースでそのAPIの呼び出しがサポートされていることを確認する必要があります。
- スコアリングコード：Javaアーカイブ（JAR）ファイルの形式でエクスポートすることで、対象となるリーダーボードモデルをサポートし、推論モデルをJava（およびPython）アプリケーションに直接統合できます。 スコアリングコードは、スタンドアロンの方法でCLIから呼び出すこともできます。 スコアリングコードのエクスポートをサポートしないモデルの詳細は、機能に関する注意事項を参照してください。