RabbitMQ MLOpsエージェントチャネルは、クライアントとサーバーの両方向でトラフィックをセキュアにするため、相互トランスポート層セキュリティ（mTLS）認証をサポートしています。mTLSでは、メッセージを送信するサーバーと受信するサーバーが相互に信頼された認証局（CA）からの証明書を交換します。スプーラーの設定の詳細については、RabbitMQ設定ドキュメントを参照してください。

MLOpsエージェントのPythonライブラリを公開¶

PythonパッケージインデックスサイトからMLOpsエージェントPythonライブラリをダウンロードできるようになりました。DataRobot MLOps指標レポートライブラリとDataRobot MLOps Connected Clientをダウンロードしてインストールします。これらのページには、ライブラリをインストールするための指示が含まれています。

ポータブルバッチ予測でのスコアリング対応¶

ポータブルバッチ予測（PBP）は時系列およびVisual Artificial Intelligence (AI)モデルでのスコアリングをサポートしています。PBP の時系列スコアリングに必要なジョブ定義フィールドを示す例については、Azure Blobを介した時系列スコアリングを参照してください。PBPのVisual Artificial Intelligence (AI)スコアリングには新しいフィールドは必要ありません。

MLOpsエージェントチャネルでのデキュー¶

処理が完了するまで待機してからメッセージをキューから削除するようにMLOpsエージェントを設定できるようになりました。デキューの動作は、各チャネルで以下のようになります。

SQS：メッセージを削除します。
RabbitMQとPubSub：メッセージが完了したことを確認します。
KafkaとFilesystem：オフセットを移動します。

この機能は、接続の問題がある場合にメッセージが削除されないようにします。そうすることで、接続エラーがある場合でもメッセージを再送信できます。この機能を設定するには、MLOPS_SPOOLER_DEQUEUE_ACK_RECORDS環境変数をtrueに設定します。この機能を有効にすることをお勧めします。

デキュー機能を有効にする方法

新しい予測機能¶

リリースv7.3では、以下の新しい予測機能が導入されます。

スコアリングコードの「予測の説明」への対応¶

予測の説明は、予測に影響する変数の定量的な指標を提供します。DataRobot、ポータブル予測サーバー、そして今回のJava スコアリングコード（またはSnowflakeで実行された場合）など、モデルをデプロイしたあらゆる場所で予測の説明を受け取ることができるようになりました。スコアリングコードを介したモデルのダウンロード時にポータブル予測タブで予測の説明を有効にします。

バッチ予測用のBigQueryアダプター¶

現在、DataRobotは、バッチ予測でのスコアリング中のデータの取込みとエクスポート用のBigQueryをサポートします。BigQuery REST APIを使用して、非同期ジョブとしてテーブルからGoogle Cloud Storage（GCS）にデータをエクスポートしたり、GCSアダプターでデータをスコアリングしたり、バッチローディングジョブでBigQueryテーブルを一括更新したりすることができます。

BigQuery バッチ予測の例

バッチ予測でのOracleのライトバック¶

バッチ予測でのOracleのライトバックのサポートが追加されました。バッチ予測でサポートされているデータソースの完全なリストを参照してください。入力および出力アダプタードキュメントも参照してください。

予測ジョブの強化¶

バッチ予測ジョブが以下のように強化されました。

予測ジョブを作成するときに、デプロイページでBigQueryを予測ソースと予測先を選択できるようになりました。AIカタログを予測ソースとして選択することもできるようになりました。サポートされている予測ソースタイプと宛先タイプは以下の通りです。

予測ソースタイプ：

予測宛先タイプ：
JDBC接続を予測ソースと予測先として設定する場合、最初から設定するのではなく、既存の接続を編集できます。
ジョブ定義タブで見つけて実行するのではなく、ジョブの説明を作成するときに、すぐにジョブ定義を保存して実行できるようになりました。

モデルレジストリの新機能¶

リリースv7.3では、以下の新しいモデルレジストリ機能が導入されます。

モデルレジストリからのコンプライアンスドキュメントの作成¶

モデルレジストリからモデルのコンプライアンスドキュメントを自動生成できるようになり、組織において必要なデプロイ前のレビューや承認が迅速に行えるようになりました。

DataRobotは、モデル開発に関連する多くの重要なコンプライアンスタスクを自動化することによって、規制の厳しい業界でデプロイまでの時間を短縮できます。各モデルについて、効果的なモデルリスク管理の構成について包括的なガイダンスを提供するために個別のドキュメントを生成します。レポートは、編集可能なMicrosoft Wordドキュメント（DOCX）としてダウンロードできます。生成されたレポートには、規制への準拠要求に応じた適切なレベルの情報および透明性が含まれます。

モデルレジストリからコンプライアンスドキュメントを生成する方法を参照してください。

GitLabでカスタムモデルにファイルを追加¶

カスタムモデルをカスタムモデルワークショップに追加した場合、Gitlab CloudとGitlab Enterpriseリポジトリを使用してアーティファクトを引き、カスタムモデルの構築に使用できるようになりました。カスタムモデルにファイルを追加するリポジトリを登録して承認します。

新しいガバナンス機能¶

リリースv7.3では以下の機能が導入されます。

デプロイに関する公平性の監視とアラート¶

MLOpsでは、データセット内の保護された機能が事前に定義された公平性の条件を満たさないことをモデルがリアルタイムで認識できるテストを設定し、検出されしだいすぐにバイアスを調査できるようにアラートをトリガーすることで、展開済みの本番モデルの公平性を監視できるようになりました。

個々のモデルの公平性タブには、「クラスごとのバイアス」と「時間経過に伴う公平性」の2つのインタラクティブチャートとエクスポートチャートが表示され、デプロイが公平性テストに失敗する理由や、事前定義済み公平性のしきい値を下回っている機能を理解するのに役立ちます。

クラスごとのバイアスでは、各クラスの公平性しきい値と公平性スコアを使用して、モデルの予測動作時に特定のクラスでバイアスが発生しているかどうかが判断されます。時間経過に伴う公平性は、保護された特徴量の公平性スコアの分布が時間の経過に伴ってどのように変化したかを示しています。

パブリックプレビュー機能¶

チャンピオンとチャレンジャーの比較¶

パブリックプレビュー機能として利用できるようになったチャンピオン/チャレンジャー比較により、強力な可視化を使用してモデルの構成、信頼性、および動作を比較できるようになりました。現在デプロイされているチャンピオンモデルが自分の目的に最適のモデルであることを確認できるように、直接比較する2つのモデルを選択してください。