12月と1月にリリースされたSaaS機能のお知らせ¶
2024年12月と2025年1月
このページでは、2024年12月と2025年1月に新たにリリースされ、DataRobotのSaaS型マルチテナントAIプラットフォームで利用できる機能についてのお知らせと、追加情報へのリンクを掲載しています。 リリースセンターからは、過去にリリースされた機能のお知らせや、セルフマネージドAIプラットフォームのリリースノートにもアクセスできます。
12月と1月にリリースされた機能¶
次の表は、新機能の一覧です。
目的別にグループ化された機能
名前 | NextGen | Classic |
---|---|---|
GenAI | ||
Azure OpenAI GPT-4o mini LLMのサポートを開始 | ✔ | |
モデリング | ||
大規模データセット向けに特徴量エンジニアリング機能を拡張 | ✔ | |
NextGenのモデルリーダーボードが再構成されたことで、インサイトのナビゲーションが容易に | ✔ | |
ワークベンチで多ラベルモデリングのサポートを開始 | ✔ | ✔ |
カスタムタスクのスコアリングでRAMの上限を引き上げ | ✔ | ✔ |
ClassicのComposable MLプロジェクトでクラスタリングのサポートを開始 | ✔ | ✔ |
予測とMLOps | ||
カスタム地理空間指標の作成と監視 | ✔ | |
テキスト生成プロジェクトでコンプライアンスドキュメントのテンプレートをサポート | ✔ | ✔ |
Notebooks | ||
DataRobot Notebooksとcodespaceでデバッグのサポートを開始 | ✔ | ✔ |
GenAI¶
Azure OpenAI GPT-4o mini LLMのサポートを開始¶
Azure OpenAIのGPT-4o miniが一般提供され、すべてのサブスクリプションエンタープライズユーザーとトライアルユーザーが利用できるようになりました。 GPT-4o miniは、小型モデルカテゴリーの中で最も先進的なモデルであり、低コストかつ低レイテンシーでより幅広いAIアプリケーションを実現します。 GPT-4o miniはテキストと画像の処理に優れており、適切なユースケースでは、GPT-3.5 Turboシリーズモデルの代替として検討してください。 DataRobotで利用可能なLLMの全リストをご覧ください。適切なモデルを選択するための開発者向けドキュメントへのリンクもあります。
モデリング¶
大規模データセット向けに特徴量エンジニアリング機能を拡張¶
今回のデプロイでは、特徴量変換を用いた時間認識予測がワークベンチに導入されました。これにより、時間を認識したユースケースでは、10GBを超えるデータセットで特徴量エンジニアリングのメリットを活用できます。 この手法を時間認識ラングリングと組み合わせて使用すると、完全に透明な変換プロセスを実現できます。 予測距離に基づいて行を割り当て、予測を行う方法を設定するには、モデリングパラメーターを使用します。 それによって、DataRobotは各距離に別個のモデルを構築して、1行ずつ予測します。

NextGenのモデルリーダーボードが再構成されたことで、インサイトのナビゲーションが容易に¶
今回のデプロイから、予測と時間認識の両方のエクスペリメントで、リーダーボードのインサイトがタブにまとめられ、各タブがインサイトの機能を示すようになりました。 特定のインサイトを検索したり、タブ内の複数のインサイトを同時に開いたりすることができます。
2つの新しいインサイトが導入されました。
-
関連アセット。どのアセットが現在のモデルにリンクしているかを示します。
-
指標スコア。すべての指標のすべてのパーティションスコアが、1つのビューに一覧表示されます。

さらに、4つの新しいインサイトがDataRobot Classicから移植されました。
- ログ
- モデル情報
- ダウンロード
- Eureqa
ワークベンチで多ラベルモデリングのサポートを開始¶
予測モデリングで多カテゴリーのターゲットがサポートされるようになり、多ラベルモデリングのエクスペリメントを構築できるようになりました。 多ラベルモデリングは分類タスクの一種で、データセットの各行を1つ、複数、またはゼロのラベルに関連付けることができ、標準の多クラスモデリングを超える柔軟性を提供します。 エクスペリメントを設定する際、モデルの複雑さを軽減するために、選択したラベルを削除する設定もできます。 モデリングが完了したら、多ラベル:ラベルごとの指標インサイトを使用して、さまざまな予測しきい値でのラベルごとの指標のパフォーマンスを集計することで、モデルを評価します。

カスタムタスクのスコアリングでRAMの上限を引き上げ¶
これまで、カスタムタスクを含むモデルの予測では、メモリーの上限が決まっていましたが、動的にメモリーが割り当てられるようになりました。 ディープラーニング指向の機械学習エクスペリメントを含めて、大規模なモデルでのエクスペリメントをサポートするため、上限が4GBから14GBに引き上げられました。 効率を上げるため、特定のカスタムタスクのメモリー割り当ては、フィット時のテストによって決定されます。
Composable MLプロジェクトでクラスタリングのサポートを開始¶
クラスタリングは教師なし学習の応用で、自然なセグメントをグループ化して識別することでデータを探索できますが、Composable MLを適用してブループリントをカスタマイズするためのプロジェクトタイプとしてサポートされるようになりました。
予測とMLOps¶
カスタム地理空間指標の作成と監視¶
カスタム指標およびホストされたカスタム指標ジョブを作成する際に、指標が地理空間であることを指定し、地理空間セグメント属性を選択できます。 デプロイに地理空間カスタム指標を追加した後、新しい地理空間指標チャートビューを使用して、カスタム指標タブで指標データを確認できます。

テキスト生成プロジェクトでコンプライアンスドキュメントのテンプレートをサポート¶
このリリースから、テンプレート管理者権限を持つユーザーは、テキスト生成プロジェクトでコンプライアンスドキュメントのテンプレートを作成できるようになりました。

詳細については、コンプライアンスドキュメントの生成およびコンプライアンスレポートのテンプレートビルダーをご覧ください。
Notebooks¶
DataRobot Notebooksとcodespaceでデバッグのサポートを開始¶
DataRobot NotebooksにPythonデバッガー(pdb)とIPythonデバッガー(ipdb)が組み込まれ、Pythonコードを対話的にデバッグできるようになりました。 コードを実行する前にipdb.set_trace()
でデバッガーをアクティブにするか、実行したコードで例外が発生した後に%debug
magicで遡及的にデバッグするかを選択します。 連携されたターミナルからpdb
を使用して、codespace内のPythonスクリプトをデバッグすることもできます。