Skip to content

アプリケーション内で をクリックすると、お使いのDataRobotバージョンに関する全プラットフォームドキュメントにアクセスできます。

AIプラットフォームリリース

DataRobotのマネージドAIプラットフォーム向けに毎月発表されているプレビューと一般提供の新機能を記録しています。 サポート終了のお知らせも含まれており、必要に応じて、サポート終了ガイドにリンクしています。

このページでは、新たにリリースされ、DataRobotのSaaS型シングル/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。

4月にリリースされたSaaS機能のお知らせ

2024年4月24日

最新のデプロイでは、DataRobotのAIプラットフォームは、以下に示す新規GAおよびプレビュー機能を提供しました。 リリースセンターからは、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。

注目の新機能

Vector database and LLM playground functionality now generally available

With the April, 2024 deployment, DataRobot makes the generative AI (GenAI) vector database (VDB) and LLM playground functionality generally available. A premium feature, GenAI was originally introduced in November, 2023 with the ability to create VDBs, compare models in the playground, and deploy LLM blueprints. The GA version of the VDB builder and LLM playground—with improved navigation—unblocks users from getting data into the DataRobot GenAI flow and models into production. Some of the many enhancements include:

  • More chatting flexibility with LLMs, including controlling how chat context is used while prompting the LLM.

  • The addition of “chats” in the playground to organize and separate conversations with LLMS.

  • Sharing functionality to easily share your playground and gather feedback; take that feedback to an AI accelerator, fine-tune in GCP or AWS, and bring that model back into DataRobot.

  • Configuration and application of evaluation and moderation assessment metrics.

  • Tracing logs to view all components and prompting activity used in generating LLM responses.

  • Citations report to better understand which documents were retrieved by an LLM when prompting a vector database.

NextGenコンソールのレイアウトを一新

今回リニューアルされたNextGenコンソールでは、重要な監視、予測、バイアス軽減の各機能を、新しく直感的なレイアウトのモダンなユーザーインターフェイスで提供します。

ビデオ:NextGenコンソール

この新しくなったレイアウトにより、ワークベンチでのモデルエクスペリメントやレジストリでのモデル登録から、コンソールでのモデルの監視と管理へシームレスに移行できます。また、DataRobot Classicの機能も引き続き利用できます。

詳細については、ドキュメントを参照してください。

April features

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 一般提供 プレビュー
生成AI
Vector database and LLM playground functionality now generally available ✔*
LLM evaluation and moderation metrics for LLM blueprints and deployments ✔*
データ
ラングリングレシピのパブリッシュ時にスマートダウンサンプリングを実行
ネイティブDatabricksコネクターを追加
ネイティブAWS S3コネクターを追加
ワークベンチでのレシピ管理を改善
ワークベンチでの特徴量探索の実行
ワークベンチでのデータ操作を改善
Make Feature Discovery predictions with distributed mode
モデリング
SHAPベースの個々の予測説明をワークベンチに追加
既存のエクスペリメントでカスタム特徴量セットを作成
増分学習で最大100GBのデータを使用可能
予測とMLOps
NextGenコンソールのレイアウトを一新
実測値と予測値のアップロード制限を設定
NextGenのレジストリを一般提供
レジストリのグローバルモデル ✔*
カスタムモデルのランタイムパラメーター
デプロイの通知ポリシー
カスタムモデルのリソースバンドル
テキスト生成モデルの評価とモデレーション ✔*
時系列カスタムモデル
デプロイのデータ品質分析 ✔*
バッチ予測のラングラーレシピ
Code-based retraining jobs
Notebooks
NVIDIA RAPIDS GPU-accelerated libraries now available
アプリ
チャット生成Q&Aアプリケーション(MLOps) ✔*
カスタムアプリケーションのランタイムパラメーターとリソースバンドルを設定
API
Pythonクライアントv3.4
DataRobot REST API v2.33
プラットフォーム
プロジェクトとノートブックをDataRobot ClassicからNextGenに移行
Microsoft Teams通知チャネルの追加
シングルテナントSaaS
サポート終了/移行ガイド
Tableau拡張機能の削除
カスタムモデルのトレーニングデータ割り当てを変更

_* プレミアム機能__

一般提供

NVIDIA RAPIDS GPU-accelerated libraries now available

This deployment introduces NVIDIA RAPIDS-powered notebooks, which allow creating GPU powered workflows for data prep and modeling needs. RAPIDS is a suite of GPU-accelerated data science and AI libraries with APIs that match popular open-source data tools.

シングルテナントSaaS

DataRobotは、公衆インターネット接続のネットワークオプションを備えた、シングルテナントSaaSソリューションをリリースしました。 この機能強化により、DataRobotのAI機能をシームレスに活用しながら、ウェブ上で安全に接続し、これまでにない柔軟性とスケーラビリティを実現できます。

Microsoft Teams通知チャネルの追加

管理者はMicrosoft Teamsの通知チャンネルを設定できるようになりました。 通知チャネルは、管理者が作成した通知配信メカニズムです。 各種類の通知には複数のチャネルを設定することができます(デプロイ関連イベントのURLを含むWebhook、すべてのプロジェクト関連イベントのWebhookなど)。

チャット生成Q&Aアプリケーションの構築と使用

プレミアム機能です。DataRobotでチャット生成の Q&Aアプリケーション を作成し、ナレッジベースのQ&Aユースケースを探索しながら、生成AIを活用してビジネス上の意思決定を繰り返し行い、ビジネス価値を示すことができます。 Q&Aアプリは、構築したLLMモデルの結果をプロトタイプ化、調査、および共有するための直感的で応答性に優れた方法を提供します。 Q&Aアプリにより、引用に裏打ちされた生成AIの会話が可能になります。 さらに、DataRobot以外のユーザーとアプリを共有して、使いやすさを広めることもできます。

ラングリングレシピのパブリッシュ時にスマートダウンサンプリングを実行

ワークベンチでラングリングレシピを構築した後、パブリッシュ設定でスマートダウンサンプリングを有効にすると、出力データセットのサイズを縮小し、モデルトレーニングを最適化することができます。 スマートダウンサンプリングは、クラスごとにサンプルを層別化することでクラスの不均衡を考慮するだけでなく、精度を犠牲にせずにモデルの適合にかかる時間を短縮するデータサイエンスのテクニックです。

ネイティブDatabricksコネクターを追加

AzureやAWSでDatabricksのデータにアクセスできるネイティブDatabricksコネクターが、DataRobotで一般提供されました。 この新しいコネクターでは、パフォーマンスの向上に加えて、次のことが可能になります。

  • データ接続を作成して設定する
  • サービスプリンシパルによる接続の認証と、セキュアな設定によるサービスプリンシパルの資格情報の共有。
  • ユースケースにDatabricksデータセットを追加する。
  • Databricksのデータセットをラングリングし、Databricksにレシピをパブリッシュして、データレジストリで出力をマテリアライズ。
  • パブリックPython APIクライアントを使用して、Databricksコネクター経由でデータにアクセスする。

ネイティブAWS S3コネクターを追加

新しいAWS S3コネクターがDataRobotで一般提供されるようになりました。 このコネクターでは、パフォーマンスの向上に加えて、ワークベンチでのAWS S3のサポートを有効にし、次のことが可能になります。

ワークベンチでのレシピ管理を改善

このリリースでは、ワークベンチでのデータラングリングに対して以下の機能強化が行われています。

  • ユースケースでデータセットをラングリングする際(同じデータセットを再度ラングリングする場合も含む)、操作を追加したかどうかに関係なく、データタブにレシピのコピーが作成されて保存されます。 その後、レシピを変更するたびに、変更内容が自動的に保存されます。 さらに、保存されたレシピを開いて変更を続けることができます。
  • ユースケースにおいて、データセットタブはデータタブに置き換えられ、データセットとレシピの両方が表示されるようになりました。 データタブに新しいアイコンが追加され、データセットとレシピをすばやく区別できるようになりました。
  • ラングリングセッション中に、将来レシピを再ラングリングする際に役立つ名前と説明をレシピに追加します。

NextGenのレジストリを一般提供

NextGenで一般提供を開始しました。レジストリは、DataRobotで使用されるさまざまなモデルのための組織的ハブです。 レジストリ > モデルディレクトリページには、_登録されたモデル_が一覧表示され、それぞれにデプロイ可能なモデルパッケージが_バージョン_として含まれています。 これらの登録モデルには、DataRobotのモデル、カスタムモデル、外部モデルをバージョンとして含めることが可能で、予測モデルや生成モデルの進化を追跡し、一元管理することができます。

このリリースから、レジストリは登録されているモデルバージョンのシステムステージと変更可能なユーザーステージを追跡します。 登録モデルのバージョンのステージ に変更を加えると、システムイベントが生成されます。 これらのイベントは通知ポリシーで追跡できます。

レジストリ > モデルワークショップのページでは、カスタムモデルを作成、テスト、登録、デプロイするためのモデルアーティファクトを、一元化されたモデル管理・デプロイハブにアップロードすることができます。 カスタムモデルは、DataRobotのMLOps機能のほとんどをサポートする事前トレーニング済みのユーザー定義モデルです。 DataRobotは、Python、R、Javaを始めとするさまざまなコーディング言語で構築されたカスタムモデルをサポートします。 DataRobot以外でモデルを作成し、DataRobotにアップロードする場合は、モデルワークショップでモデルの内容とモデル環境を定義します。

レジストリ > ジョブページでは、ジョブを使用して、モデルとデプロイのために自動化(カスタムテスト、指標、通知など)を実装します。 各ジョブは自動化されたワークロードとして機能し、終了コードによって正常終了か失敗かが判定されます。 1つまたは複数のモデルまたはデプロイ用に作成したカスタムジョブを実行できます。 カスタムジョブによって定義された自動ワークロードは、DataRobotのパブリックAPIを使用して、予測リクエスト、入力の取得、出力の保存を行うことができます。

このリリースから、カスタムジョブにリソース設定セクションが含まれています。このセクションでは、カスタムジョブの実行に使用するリソースと、カスタムジョブのエグレストラフィックを設定できます。

詳しくは、完全なドキュメントをご覧ください。

レジストリのグローバルモデル

レジストリ(NextGen)モデルレジストリ(Classic)から、予測ユースケースや生成ユースケースのために事前にトレーニングされたグローバルモデルをデプロイします。 これらの高品質でオープンソースのモデルは、トレーニング済みですぐにデプロイできるため、DataRobotのインストール後すぐに予測を行うことができます。 For GenAI use cases, you can now find global models for personally identifiable information (PII) identification, zeroshot classification, and emotions classification.

カスタムモデルのランタイムパラメーター

model-metadata.yamlファイル内のruntimeParameterDefinitionsランタイムパラメーターを定義し、カスタムモデルのアセンブル タブ内のランタイムパラメーターセクションで管理します。

defaultValueのない定義で、ランタイムパラメーターにallowEmpty: falseがある場合は、カスタムモデルを登録する前に値を設定する必要があります。

詳細については、ClassicのドキュメントまたはNextGenのドキュメントをご覧ください。

デプロイの通知ポリシー

通知ポリシーの作成を通じてデプロイ通知を設定すると、通知チャネルやテンプレートを設定したり組み合わせたりできます。 通知テンプレートは通知をトリガーするイベントを決定し、チャネルは通知されるユーザーを決定します。 使用可能な通知チャネルのタイプは、Webhook、メール、Slack、Microsoft Teams、ユーザー、グループ、カスタムジョブです。 デプロイに通知ポリシーを作成する場合、ポリシーテンプレートを変更せずに使用することも、新しいポリシーのベースとして変更を加えることもできます。 また、完全に新規の通知ポリシーを作成することもできます。

プレビュー

LLM evaluation and moderation metrics for LLM blueprints and deployments

LLM evaluation tools enable better understanding of LLM blueprint performance and whether or not they are ready for production. 評価とモデレーションのガードレールは、組織がプロンプトインジェクションや、悪意のある、有害な、または不適切なプロンプトや回答をブロックするのに役立ちます。 Many evaluation metrics connect a playground-built LLM to a deployed guard model. Moderations can intervene when prompt injection, PII leakage, and off topic discussions are detected, enabling your organization to address the most common LLM security problems.

Now in preview, tools available from the playground allow you to:

  • Configure evaluation metrics to understand LLM performance in your playground and send final models to the model workshop.

  • Add guardrails to prevent the most common LLM security problems, such as prompt injection, PII leakage, staying on topic, and more.

  • Bring in evaluation datasets. Or, DataRobot can generate an evaluation dataset, based on your vector database, to leverage during assessment in the playground.

  • Integrate with popular guardrail frameworks like NVIDIA’s NeMo and Guardrails.

プレビュー機能のドキュメントをご覧ください。

Feature flag OFF by default: GenAI capabilities are premium features. この機能を有効にする方法については、DataRobotの担当者または管理者にお問い合わせください。

SHAPベースの個々の予測説明をワークベンチに追加

SHAPベースの説明は、特定の予測が平均とは異なることに各特徴量がどの程度関与しているかを推定するため、何が予測の根拠となっているかを行単位で理解するのに役立ちます。 ワークベンチに導入されたことで、SHAPベースの説明は、すべてのモデルタイプで利用可能になりました。ただし、XEMPベースの説明は、ユースケースのエクスペリメントでは利用できません。 インサイトのコントロールを使用して、データパーティションを設定し、スライスを適用して、予測範囲を設定します。

備考

個々の行ごとにSHAP値を計算するローカルな説明方法として、この機能をよりわかりやすく伝えるため、SHAPベースの予測説明から個々の予測説明に名称を変更しました。

プレビュー機能のドキュメントをご覧ください。

デフォルトではオンの機能フラグ: NextGenでのユニバーサルSHAP

既存のエクスペリメントでカスタム特徴量セットを作成

ワークベンチでは、UIを使用して、既存の予測エクスペリメントに新しいカスタム特徴量セットを追加できるようになりました。 DataRobotでは、データの取込み時に、複数の特徴量セットが自動的に作成されます。これらは、モデルの構築と予測に使われる特徴量のサブセットを制御します。 リーダーボードからアクセスできるエクスペリメント情報ウィンドウの特徴量セットまたはデータタブから、独自の特徴量セットを作成できるようになりました。 一括選択を利用すると、ワンクリックで複数の特徴量を選択できます。

プレビュー機能のドキュメントをご覧ください。

デフォルトではオンの機能フラグ:ワークベンチでデータタブと特徴量セットタブを有効にする、ワークベンチのプレビューで特徴量セットを有効にする、ワークベンチで特徴量セットの作成を有効にする

増分学習で最大100GBのデータを使用可能

プレビュー版の機能です。二値および連続値タイプのプロジェクトで、増分学習(IL)を使って最大100GBのデータでモデルをトレーニングできるようになりました。 ILは大規模なデータセットに特化したモデルトレーニング方法であり、データをチャンク化してトレーニングのイテレーションを作成します。 設定オプションにより、上位モデルが1つのイテレーションでトレーニングを行うか、すべてのイテレーションでトレーニングを行うか、また精度の向上が頭打ちになった場合にトレーニングを停止するかどうかを制御できます。 モデルの構築が開始されたら、トレーニング済みのイテレーションを比較し、必要に応じて、別のアクティブバージョンを割り当てるか、トレーニングを継続することができます。 アクティブなイテレーションは、他のインサイトのベースとなり、予測に使用されます。

プレビュー機能のドキュメントをご覧ください。

デフォルトではオフの機能フラグ:増分学習を有効にする、データのチャンキングサービスを有効にする

実測値と予測値のアップロード制限を設定

プレビュー版の機能です。使用状況タブから、組織のデプロイに設定されている時間単位、日単位、週単位のアップロード上限値を監視できます。 処理された予測値と実測値の数を視覚化するチャートと、返された予測結果のテーブルサイズの上限値を示すタイルが表示されます。

デフォルトではオフの機能フラグ:設定可能な予測値と実測値の制限を有効にする

プレビュー機能のドキュメントをご覧ください。

カスタムアプリケーションのランタイムパラメーターとリソースバンドルを設定

プレビュー版の機能です。NextGenのレジストリで、アプリケーションのソースにリソースとランタイムパラメーターを設定できます。 リソースバンドルは、本番環境での潜在的な環境エラーを最小限に抑えるために、アプリケーションが消費できるメモリーとCPUの最大量を決定します。 アプリケーションのソースから構築されたmetadata.yamlファイルに含めることで、カスタムアプリケーションで使用されるランタイムパラメーターを作成および定義できます。

デフォルトではオフの機能フラグ: ランタイムパラメーターとリソースの上限を有効にする、リソースのバンドルを有効にする

プレビュー機能のドキュメントをご覧ください。

プロジェクトとノートブックをDataRobot ClassicからNextGenに移行

プレビュー版の機能です。DataRobot Classicで作成したプロジェクトやノートブックをDataRobot NextGenに移行することができます。 DataRobot Classicでプロジェクトをエクスポートし、エクスペリメントとしてワークベンチのユースケースに追加できます。 ノートブックも、Classicからエクスポートして、ワークベンチのユースケースに追加できます。

プレビュー機能のドキュメントをご覧ください。

デフォルトではオフの機能フラグ:アセットの移行を有効にする

ワークベンチでの特徴量探索の実行

プレビュー版の機能です。ワークベンチで特徴量探索を実行し、複数のデータセットから新しい特徴量を発見および生成できるようになりました。 特徴量探索は、次の2つの場所で開始できます。

  • データタブで、プライマリーデータセットとなるデータセットの右側にある他のオプションアイコン > 特徴量探索をクリックします。
  • 特定のデータセットのデータ探索ページで、データのアクション > 特徴量探索を開始をクリックします。

このページでは、セカンダリーデータセットを追加して、データセット間の関係性を設定できます。

特徴量探索のレシピをパブリッシュすると、DataRobotは特定の結合と集計を実行し、新しい出力データセットを生成してデータレジストリに登録し、現在のユースケースに追加します。

プレビュー機能のドキュメントをご覧ください。

デフォルトではオンの機能フラグ: ワークベンチで特徴量探索を有効にする

ワークベンチでのデータ操作を改善

このリリースでは、ワークベンチでのデータ操作に対して以下の機能強化が行われています(プレビュー版の機能です)。

  • データ探索ページでは、データセットのバージョン管理、およびデータセットの名前変更とダウンロードができるようになりました。
  • 特徴量セットのドロップダウンは、データ探索ページで独立したタブになりました。
  • 新しい特徴量の計算で、オートコンプリート機能が改善されました。
  • 動的データセットを使ってエクスペリメントを設定できるようになりました。

デフォルトではオフの機能フラグ:データ探索ビューの機能強化を有効にする

Make Feature Discovery predictions with distributed mode

Now available for preview, when enabled, DataRobot processes batch predictions in distributed mode, increasing scalability. Note that DataRobot will automatically run in distributed mode if the dataset comes from the AI Catalog.

プレビュー機能のドキュメントをご覧ください。

特徴量探索プロジェクトで予測を行う際に分散モードを有効にします

カスタムモデルのリソースバンドル

モデルを構築してリソース設定を行う際、メモリーではなくリソースバンドルを選択します。 リソースバンドルを使用すると、さまざまなCPUおよびGPUハードウェアプラットフォームから選択して、カスタムモデルを構築およびテストできます。 カスタムモデルの設定セクションで、リソース設定を開き、リソースバンドルを選択します。 この例では、モデルはNVIDIA A10デバイスでテストおよびデプロイされるように構築されています。

編集をクリックしてリソース設定の更新ダイアログボックスを開き、リソースのバンドルフィールドで、構築環境として使用可能な CPUおよび NVIDIA GPUデバイスを確認します。

プレビュー機能のドキュメントをご覧ください。

デフォルトではオフの機能フラグ: リソースのバンドルを有効にする、カスタムモデルでGPUを使用した推論を有効にする

テキスト生成モデルの評価とモデレーション

評価とモデレーションのガードレールは、組織がプロンプトインジェクションや、悪意のある、有害な、または不適切なプロンプトや回答をブロックするのに役立ちます。 また、ハルシネーションや信頼性の低い回答を防ぎ、より一般的には、モデルをトピックに沿った状態に保つこともできます。 さらに、これらのガードレールは、個人を特定できる情報(PII)の共有を防ぐことができます。 多くの評価およびモデレーションガードレールは、デプロイされたテキスト生成モデル(LLM)をデプロイされたガードモデルに接続します。 これらのガードモデルはLLMのプロンプトと回答について予測し、これらの予測と統計を中心的なLLMデプロイに報告します。 評価とモデレーションのガードレールを使用するには、まず、LLMのプロンプトや回答について予測するガードモデルを作成してデプロイします。たとえば、ガードモデルは、プロンプトインジェクションや有害な回答を識別することができます。 次に、ターゲットタイプがテキスト生成のカスタムモデルを作成する場合、評価とモデレーションのガードレールを1つ以上定義します。

プレビュー機能のドキュメントをご覧ください。

デフォルトではオフの機能フラグ: モデレーションのガードレールを有効にする、モデルレジストリでグローバルモデルを有効にする(プレミアム)、予測応答で追加のカスタムモデル出力を有効にする

時系列カスタムモデル

時系列(二値)または時系列(連続値)ターゲットタイプとして選択し、二値分類および連続値モデルに必要なフィールドに加えて、時系列固有のフィールドを設定することによって、時系列カスタムモデルを作成します。

プレビュー機能のドキュメントをご覧ください。

デフォルトではオフの機能フラグ: 時系列のカスタムモデルを有効にする、カスタムモデルの予測で特徴量のフィルターを有効にする

デプロイのデータ品質分析

生成AIデプロイのデータ探索タブで、データ品質をクリックすると、関連付けIDが一致するプロンプト、回答、ユーザー評価、カスタム指標を調べることができます。 このビューでは、生成AIモデルの回答の品質に関するインサイトが、ユーザーによる評価と、実装した生成AIのカスタム指標に基づいて提供されます。

プレビュー機能のドキュメントをご覧ください。

デフォルトではオフの機能フラグ: テキスト生成のターゲットタイプでデータ品質テーブルを有効にします、生成モデルで実測値の保存を有効にする(プレミアム

Code-based retraining jobs

When you create a custom job on the NextGen Registry > Jobs page, you can now create code-based retraining jobs. Click + Add new (or the button when the custom job panel is open), and then click Add custom job for retraining. 再トレーニング用のカスタムジョブを作成したら、それを再トレーニングポリシーとしてデプロイに追加できます。

プレビュー機能のドキュメントをご覧ください。

再トレーニングジョブを対象とした、デフォルトではオフの機能フラグ:カスタムジョブベースの再トレーニングポリシーを有効にする、カスタムジョブを有効にする、Notebooksでカスタム環境を有効にする

バッチ予測のラングラーレシピ

デプロイの予測 > 予測を作成タブを使用して、バッチ予測を行うことで、デプロイされたモデルでラングラーデータセットを効率的にスコアリングできます。 バッチ予測とは、大規模なデータセットで予測を作成する方法で、入力データを渡すと各行の予測結果が得られます。 予測データセットボックスで、ファイルを選択 > ラングラーをクリックし、ラングラーデータセットで予測を行います。

ワークベンチでの予測

ラングラーは、ワークベンチでは予測データセットソースとしても使用できます。 デプロイ前のモデルで予測を行うには、エクスペリメントのモデルリストからモデルを選択し、モデルアクション > 予測を作成をクリックします。

予測データの送信元と送信先を指定し、DataRobotが予測を実行するタイミングを決定することで、バッチ予測ジョブをスケジュールすることもできます。

プレビュー機能のドキュメントをご覧ください。

デフォルトではオフの機能フラグ: バッチ予測ジョブでラングラーレシピを有効にする、ワークベンチでのレシピ管理を有効にする

API

Pythonクライアントv3.4

DataRobotのPythonクライアントのv3.4が一般提供されました。 v3.4で導入された変更の完全なリストについては、 Pythonクライアントの変更履歴を参照してください。

DataRobot REST API v2.33

DataRobotのREST API v2.33が一般提供されました。 v2.33で導入された変更の完全なリストについては、 REST APIの変更履歴を参照してください。

サポート終了/移行ガイド

Tableau拡張機能の削除

DataRobotは以前、2つのTableau拡張機能、InsightsとWhat-Ifを提供していましたが、現在は使用非推奨となり、アプリケーションから削除されました。 これらの拡張機能は、Tableauストアからも削除されました。

カスタムモデルのトレーニングデータ割り当てを変更

2024年4月より、カスタムモデルレベルでトレーニングデータを割り当てる非推奨の方法に代わり、(2023年3月リリースでの発表どおり)カスタムモデルのバージョンにトレーニングデータが割り当てられます。 つまり、「カスタムモデルバージョンごと」の方法がデフォルトになり、「カスタムモデルごと」の方法は削除されました。

「カスタムモデルごと」の方法を使用した残りのカスタムモデルの自動変換は、使用非推奨期間が終了すると自動的に行われ、カスタムモデルのバージョンレベルでトレーニングデータが割り当てられます。 ほとんどの場合、何もする必要はありません。ただし、「カスタムモデルごと」の割り当て方法を使用していても変換されていないカスタムモデルに依存する自動化が残っている場合は、機能のギャップを避けるために、「カスタムモデルバージョンごと」の割り当て方法をサポートするように更新する必要があります。

割り当て方法の変更の概要については、カスタムモデルのトレーニングデータ割り当ての更新のドキュメントを参照してください。

記載されている製品名および会社名は、各社の商標または登録商標です。 製品名または会社名の使用は、それらとの提携やそれらによる推奨を意味するものではありません


更新しました April 2, 2024