自動再トレーニングポリシーの設定¶

DataRobotは、大規模な手作業を行うことなくデプロイ後のモデルのパフォーマンスを維持するために、デプロイに対して自動再トレーニング機能を提供しています。 AIカタログに登録された再トレーニングデータセットを指定すると、1つのデプロイに対して最大5つの再トレーニングポリシーを定義できます。この再トレーニングポリシーでは、トリガー、モデリングの戦略、モデリングの設定、置換アクションの設定ができます。 トリガーされると、再トレーニングによりこれらの設定に基づいて新しいモデルが作成され、そのモデルのプロモーションを検討するように通知されます。

再トレーニングポリシーの作成¶

再トレーニングポリシーを作成・定義するには：

1. デプロイをクリックして、インベントリからデプロイを選択します。

2. 再トレーニング > サマリータブで、+ 再トレーニングポリシーの追加をクリックします。

   再トレーニングを設定していない場合は、再トレーニングの設定をクリックし、再トレーニングの設定を行います。

3. ポリシー名と、オプションでポリシーの説明を入力します。

   

4. 以下の再トレーニングポリシー設定を行います。

   • 再トレーニングのトリガー：DataRobotがいつ再トレーニングを実行するかを決定するために使用する時間またはデプロイステータスイベントを選択します。

   • モデルの選択：更新されたデータで新しいモデルを構築するために、DataRobotが使用すべき方法を設定します。

   • モデルアクション：再トレーニングポリシーの正常な実行時にトレーニングされたモデルに対して、DataRobotが使用すべき置換戦略を選択します。

   • モデリング戦略：DataRobotでの新しいオートパイロットプロジェクトのセットアップ方法を設定します。

5. ポリシーを保存するをクリックします。

再トレーニングのトリガー¶

再トレーニングポリシーを手動でまたは3種類の条件に応じてトリガーできます。

• 自動スケジュール：再トレーニングポリシーが自動的にトリガーされる時間を選択します。 3か月に1回から毎日までの範囲で選択することができます。 DataRobotはローカルタイムゾーンを使用します。

• ドリフトステータス：デプロイのデータドリフトステータスが選択したレベルまで低下すると、再トレーニングを開始します。

• 精度ステータス：デプロイの精度ステータスが良好な状態から選択したレベル（緑色から黄色、黄色から赤色など）に変化した場合にトリガーされます。

一度開始された再トレーニングポリシーは、完了するまで再トリガーできません。 たとえば、再トレーニングポリシーを1時間ごとに実行する設定で、完了に1時間以上かかる場合、次にスケジュールされているトリガーでやり直したり、キューに入れたりするのではなく、最初の実行を完了させます。 各再トレーニングポリシーで選択できるトリガー条件は1つだけです。

モデルの選択¶

再トレーニングポリシーのモデリング戦略を選択します。 DataRobotが更新されたデータで新しいモデルを構築する方法を制御します。

• 再トレーニング時にチャンピオンと同じブループリントを使用：新しいデータスナップショットでのトリガー時に、チャンピオンモデルと同じブループリントに適合します。 次のいずれかのオプションを選択：

  • 現在のハイパーパラメーターを使用：チャンピオンモデルと同じハイパーパラメーターとブループリントを使用します。 ブループリントの各タスクには、チャンピオンのハイパーパラメーター検索および戦略を使用します。 このオプションを選択すると、チャンピオンモデルの特徴量セットが再トレーニングに使用されることに注意してください。 有用な特徴量セットは使用できません。

  • ハイパーパラメーターを自動的に調整：同じブループリントを使用しますが、再トレーニング用にハイパーパラメーターを最適化します。

• 最適なオートパイロットモデルを使用（推奨）：新しいデータスナップショットでオートパイロットを実行し、結果として得られる推奨モデルを使用します。 Datarobotの3つのモデリングモードから選択：クイック、オートパイロット、および包括的。

選択すると、オートパイロットのその他のオプションを切り替えることもできます。

• スコアリングコードをサポートするブループリントのみを含める
• パフォーマンスが上位のモデルからアンサンブルを作成
• ターゲットリーケージを削除した特徴量セットに対してオートパイロットを実行する
• SHAP値をサポートするモデルのみ含める

モデルアクション¶

モデルアクションにより、再トレーニングポリシーの実行が成功したときに生成されるモデルの処理が決定されます。 すべてのシナリオで、デプロイオーナーに新しいモデルの作成について通知され、モデルレジストリにモデルパッケージとして新しいモデルが追加されます。 各ポリシーに対して次の3つのアクションのいずれかを適用します。

• チャレンジャーモデルとして新しいモデルを追加：デプロイの5つのチャレンジャーモデルスロットに空きがある場合、このアクション（デフォルト）は、新しいモデルをチャレンジャーモデルとして追加します。 このポリシーによって以前に追加されたモデルが置き換えられます。 スロットがなく、このポリシーによって以前にチャレンジャーが追加されていない場合、モデルはモデルレジストリにのみ保存されます。 さらに、モデルをチャレンジャーとして追加できないため、再トレーニングポリシーの実行が失敗します。

• 新しいモデルとの置換を開始：このオプションは高頻度（毎日など）の置換に適しており、新しいモデルが作成されるとすぐに、モデルの置換を自動的に要求します。 この置換は、オーナーと重要度に応じて、定義済みの承認ポリシー、および特定のデプロイへのそれらポリシーの適用に従います。 その承認ポリシーによっては、置換が行われる前に、レビュアーが手動で承認する必要があります。

• モデルを保存：この場合、モデルをモデルレジストリに追加する以外のアクションは実行されません。

モデリング戦略¶

再トレーニングのためのモデリング戦略では、DataRobotでの新しいオートパイロットプロジェクトの設定方法を定義します。 特徴量、最適化指標、パーティショニング戦略、サンプリング戦略、加重などの 詳細設定 を定義して、特定の問題に対するモデルの構築方法をDataRobotに指示します。

（トリガーが開始されたときに）チャンピオンモデルが使用するのと同じ特徴量を再利用することも、DataRobotが新しいデータから有益な特徴量を識別できるようにすることもできます。

デフォルトでは、DataRobotは、チャンピオンモデル（トリガー開始時）と同じ設定を再利用します。 また、プロジェクト開始画面で使用可能なオプションのサブセットから選択して、新しいパーティショニング設定を定義することもできます。

再トレーニングポリシーの管理¶

再トレーニングポリシーを作成したら、次の表で説明するように、手動で開始、キャンセル、または更新できます。

	要素	定義
	再トレーニングポリシーの行	再トレーニングポリシーの行をクリックして展開します。 展開したら、再トレーニング設定を表示または編集します。
	実行	実行ボタン（）をクリックしてポリシーを手動で開始します。 または、ポリシー行をクリックし、再トレーニングトリガーを使用して実行をスケジュールすることにより、ポリシーを編集します。
	削除	削除ボタン（）をクリックしてポリシーを削除します。 確認ウィンドウの削除をクリックします。
	キャンセル	キャンセルボタン（）をクリックして、進行中または実行がスケジュールされているポリシーをキャンセルします。 ポリシーが正常に終了した場合、「チャレンジャーの作成」または「モデルの交換」の手順に到達した場合、失敗した場合、またはすでにキャンセルされている場合は、ポリシーをキャンセルすることはできません。

再トレーニング履歴¶

成功または失敗にかかわらず、トレーニングポリシーの過去の実行をすべて表示できます。 各実行には開始時刻、終了時刻、期間、および（実行が成功した場合は）結果として得られたプロジェクトとモデルパッケージへのリンクが含まれます。 各プロジェクトのDataRobot推奨モデルのみが自動的にデプロイに追加されますが、プロジェクトのリーダーボードを探索して、代替モデルを見つけたり構築したりすることもできます。

再トレーニング戦略¶

[チャレンジャーと再トレーニング]タブでは、パフォーマンスを簡単に比較できるようにし、再トレーニング戦略を経験的に評価し、さまざまなユースケースに合わせてカスタマイズできます。 「同じブループリント」とオートパイロット戦略に対して、最初はさまざまな時間枠で実験を行うとよいでしょう。 たとえば、夜間と毎週の両方のパターンを使用して「同じブループリント」の再トレーニング戦略を実行し、結果を比較してみてください。

デプロイに自動再トレーニングポリシーを実装するための一般的な戦略は次のとおりです。

• 高頻度の自動スケジュール：現在デプロイされているブループリントを最新のデータで、頻繁に（毎日など）再トレーニングして、デプロイ済みのモデルの選択を安定させます。
• 低頻度の自動スケジュール：オートパイロットを定期的に（毎週や毎月など）実行して、代替のモデリング手法を試してみると、潜在的にパフォーマンスが最適化されます。 このプロセスをスコアリングコード対応モデルのみに限定してデプロイすることも可能です。 詳細については、スコアリングコード対応のブループリントのみを含める 高度なオプションを参照してください。
• ドリフトステータスの変化によるトリガー：データドリフトを監視し、オートパイロットをトリガーすると、状況の変化によりチャンピオンモデルがデータドリフトを示したときに代替モデルを準備します。
• 精度ステータスの変化によるトリガー：精度のドリフトを監視し、オートパイロットをトリガーして、チャンピオンモデルが精度の低下を示すと、よりパフォーマンスの高いモデルを検索します。 この戦略は、実測値にすばやくアクセスできるユースケースに最も効果的です。

可用性の再トレーニング¶

バイナリ、多クラス、および連続値のターゲットタイプのみが再トレーニングをサポートします。 デプロイのチャンピオンが多ラベルのターゲットタイプを持っている場合、チャレンジャーと再トレーニングタブは表示されません。

サポートされていないモデルとプロジェクト¶

次のDataRobotモデルおよびプロジェクトタイプでは、再トレーニングはサポートされていません。 そのような場合、デプロイのチャンピオンがリストされている機能のいずれかを使用している場合、チャレンジャーと再トレーニングタブは表示されません。

部分的にサポートされているモデル¶

次のモデルタイプは、再トレーニングを部分的にサポートしています。 部分的にサポートされているモデルごとに、サポートされている（✔）オプションのみが、チャレンジャーと再トレーニングタブの再トレーニングポリシーに使用できます。

時系列の再トレーニング¶

時系列のデプロイでは再トレーニングをサポートしていますが、時系列の特徴量派生プロセスにより、ポリシーを設定する際に制限があります。 このプロセスは、ラグや移動平均などの特徴量を生成し、新しいモデリングデータセットを作成します。

時系列モデルの選択¶

チャンピオンと同じブループリント：再トレーニングポリシーは、チャンピオンモデルのブループリントと同じエンジニアリング済みの特徴量を使用します。 新しく派生した特徴量の検索は、チャンピオンのブループリントでキャプチャされない特徴量を生成できる可能性があるため、発生しません。

オートパイロット：同じブループリントの代わりにオートパイロットを使用する場合、時系列特徴量派生プロセスが発生します。 ただし、包括的なオートパイロットモードはサポートされていません。 また、時系列のオートパイロットは、スコアリングコードやSHAP値をサポートするブループリントおよびモデルのみを含めるオプションには対応していません。

時系列のモデリング戦略¶

チャンピオンと同じブループリント：時系列デプロイの「同じブループリント」の再トレーニングポリシーを作成するときは、チャンピオンモデルの特徴量セットと高度なモデリングオプションを使用する必要があります。 オーバーライドできる唯一のオプションは使用済みカレンダーです。これは、たとえば、新しい祝日やイベントが更新されたカレンダーに含まれている場合、再トレーニング時に考慮する必要があるためです。

オートパイロット：時系列デプロイのオートパイロット再トレーニングポリシーを作成するときは、有益な特徴量モデリング戦略を使用する必要があります。 この戦略により、オートパイロットは、新しいデータまたは異なるデータにより生成された有益な特徴量に基づく、一連の新しい特徴量セットを派生できます。 時系列オートパイロットはデフォルトで特徴量抽出および削減プロセスを使用するため、モデルの元の特徴量セットを使用することはできません。 ただし、チャンピオンのプロジェクトから追加モデリングオプションをオーバーライドできます。

時間認識の再トレーニング¶

時間認識再トレーニングでは、チャンピオンモデルからオプションを再利用する場合や、チャンピオンモデルのプロジェクトオプションをオーバーライドする場合、以下を考慮してください。

• チャンピオンのプロジェクトがホールドアウト開始日と終了日を使用する場合、再トレーニングプロジェクトはこれらの設定を使用しませんが、ホールドアウト期間（これらの2つの日付の差異）を使用します。
• チャンピオンプロジェクトでホールドアウト期間をホールドアウト開始日または終了日のどちらかと共に使用した場合、ホールドアウト開始/終了日は削除され、ホールドアウト期間が再トレーニングプロジェクトで使用されます。 新しいホールドアウト開始日が計算されます（再トレーニングデータセットの終了日からホールドアウト期間を引く）。

バックテストのカスタマイズは保持されません。ただし、バックテストの数は保持されます。 再トレーニング時間では、トレーニング開始日および終了日は、チャンピオンの開始日および終了日と異なる可能性が高くなります。 再トレーニングに使用するデータがシフトしたため、チャンピオンモデルに対する特定のバックテストからのデータがすべて含まれなくなった可能性があります。