DataRobot AIプラットフォームの概要¶
DataRobot AI Platformは、AIライフサイクルの段階ごとに構成されており、エンタープライズAIソリューションの開発、提供、管理のための統合されたエクスペリエンスを提供します。
マネージドSaaS、仮想プライベートクラウド、またはセルフマネージドインフラストラクチャで利用できます。
開発¶
優れたAIソリューション（生成モデルと予測モデルの両方と、エージェント型AIソリューション）を構築するには、多くのエクスペリメントが必要です。 ワークベンチでは、エクスペリメントをすばやく実行して、複数のエクスペリメントを簡単に比較し、エクスペリメントのすべてのアセットを直感的なユースケースコンテナで整理できます。
提供¶
レジストリでは、デプロイ可能なモデルパッケージを作成し、企業のガバナンスを目的としてコンプライアンスドキュメントを生成できます。
レジストリにより、すべてのAIアセットがドキュメント化され、バージョン管理下に置かれます。 テスト結果とメタデータが各AIアセットと一緒に保存されているため、DataRobotモデル、ユーザー定義モデル、外部モデルなど、モデルの出自に関係なく、自信を持ってモデルを本番環境にデプロイできます。
ガバナンス¶
コンソールを使うと、デプロイされた各モデルの動作ステータスを確認できます。
組織においてAIの活用が進むと、タスクに特化したモデルを何十、何百と持つことになるでしょう。 コンソールには、こうしたモデルのパフォーマンスを監視するための一元化されたハブが用意されており、さまざまな自動介入および通知オプションを設定することで、スムーズな処理を維持できます。
ワンクリックでデプロイ¶
しかし、デプロイは上図の構造のどこに当てはまるのでしょうか？ デプロイプロセスとは、モデルをレジストリからコンソールにシームレスに移行することです。 モデルがレジストリに登録されテストされると、ワンクリックでデプロイできるようになります。
クリックしてデプロイすると、DataRobotの自動化によって、選択した予測環境にモデルのAPIエンドポイントが作成され、すべての可観測性と監視が設定されます。
これら4つのデプロイオプションがすべてサポートされています。
- DataRobotモデルをDataRobotサーバーレスまたは専用予測サーバーにデプロイ。
- DataRobotモデルを外部の予測サーバーにデプロイ
- カスタムモデルをDataRobotサーバーレスまたは専用予測サーバーにデプロイ。
- カスタムモデルを外部の予測サーバーにデプロイ
生成AI¶
DataRobotの生成AI製品は、DataRobotの予測AIの経験を基に構築されており、お気に入りのライブラリの導入、LLMの選択、サードパーティツールの統合が可能です。 AIは、ビジネスに価値をもたらす場所ならどこでも埋め込みやデプロイを行い、パイプライン内の各アセットに組み込み型ガバナンスを活用できます。
DataRobotの内部では、生成AIと予測AIの区別はほとんどありません。 しかし、多くのチュートリアルやサンプルがこの線引きに従って構成されていることがわかります。
- _予測AI_には、時系列、分類、連続値、および異常検知やクラスタリングなどの教師なし機械学習が含まれます。
- _生成AI（GenAI）_には、基盤モデルを使ったテキストと画像の生成が含まれます。
アプリケーション¶
DataRobotには、カスタムアプリケーション、アプリケーションテンプレート、ノーコードアプリケーションなど、機械学習プロジェクトを共有できるアプリケーションを構築するためのさまざまなアプローチが用意されています。
- カスタムアプリケーションは、カスタムコードを構築して実行するための簡単な方法です。
- カスタマイズ可能なアプリケーションテンプレートは、ユースケースをサポートするDataRobotのリソースをプログラムで生成することで、ユーザーを支援します。
- ノーコードアプリケーションでは、モデルを構築して評価することなく、DataRobotのコアサービスを利用できます。
データと会話するエージェントのアプリケーションテンプレートを試す
どちらのエクスペリエンスを選ぶべきか？¶
DataRobotで作業する場合、インターフェイスには2つの選択肢があります。
- Webブラウザーを使用してプラットフォームにログインし、グラフィカルユーザーインターフェイス（UI）を操作します。
- REST APIまたはPythonクライアントパッケージを使用して、プログラムによってプラットフォームにアクセスします。
プログラムによってDataRobotを使用することに関心がある場合は、まずUIでワークフローを試してみることをお勧めします。 DataRobotは、どちらのインターフェイスでも完全なアクセシビリティをお約束します。そのため、1つの選択肢に縛られることはありません。 次のことが可能であることを覚えておくとよいでしょう。
- いつでもコードとUIを柔軟に切り替えることができます。
- 異なるオプションを使用している他のユーザーとシームレスにコラボレーションできます。
- コードを書くときは、好きな開発環境を使用できます。
NextGen¶
エクスペリメントベースの反復ワークフローを実現するワークベンチ、モデルの進化を追跡し、バージョン管理されたモデルを一元管理するためのレジストリ、デプロイされたモデルを監視・管理するコンソールで構成された、直感的なUIベースの製品です。 NextGenは、機械学習のエクスペリメントと運用のための幅広い相互運用性とエンドツーエンドの機能を備えた機械学習を活用し、完全なAIライフサイクルプラットフォームを提供します。 また、GenAIのエクスペリメント、ノートブック、アプリケーションを作成するためのゲートウェイでもあります。
コード¶
REST APIまたはPythonクライアントパッケージを使用してDataRobotにアクセスするための、プログラムによる代替手段です。
[APIクイックスタートガイドを参照 ]api-quickstart{ .md-button }
ヘルプを得るには¶
以下のどこからでもヘルプを得ることができます。
スタートガイドで提供されているオンボーディングリソースは、利用可能なコンテンツ全体のごく一部です。 一般的なリファレンスセクションに移る前に、このセクションの入門チュートリアルとラボをご覧ください。
DataRobotサポートにメールで質問したり、問題を報告したりできます。 既存のお客様はカスタマーサポートポータルもご利用いただけます。
担当のカスタマーサクセスマネージャーやアプライドAIエキスパートが、コンサルティングやベストプラクティスの共有を行い、DataRobotを活用してAIの価値を高めるお手伝いをいたします。
次のステップ¶
さて、次は何をしましょうか？ DataRobotを習得する最善の方法は実践です。 1時間ほど時間をとって、推奨する2つの演習を行うすることをお勧めします。
あるいは、もっと概要を知りたい方は、このクイックツアー動画をご覧ください。 この動画では、以下の内容を紹介しています。
- 5つの主要なデータ型：数値、カテゴリー、テキスト、地理空間、画像。
- 9つの主要な問題タイプ：分類、連続値、クラスタリング、多ラベル、異常検知、予測、時系列クラスタリング、時系列異常検知、生成AI。
- 各問題タイプに固有の40を超えるモデリング技術。
エクスペリメントについての簡単なデモは、それぞれDataRobotの自動化で構築され、完全にデプロイ可能な機械学習パイプラインとなっています。