# ポータブル予測 > ポータブル予測 - ポータブル予測を行うには、ポータブル予測サーバー（PPS）またはスコアリングコードをダウンロードして設定します。 This Markdown file sits beside the HTML page at the same path (with a `.md` suffix). It summarizes the topic and lists links for tools and LLM context. Companion generated at `2026-07-27T18:44:30.764283+00:00` (UTC). ## Primary page - [ポータブル予測](https://docs.datarobot.com/ja/docs/workbench/nxt-console/nxt-predictions/nxt-portable-predictions.html.md): Full documentation for this topic (Markdown sidecar). ## Sections on this page - [ポータブル予測サーバー](https://docs.datarobot.com/ja/docs/workbench/nxt-console/nxt-predictions/nxt-portable-predictions.html.md#portable-prediction-server): In-page section heading. - [モデルパッケージのダウンロード](https://docs.datarobot.com/ja/docs/workbench/nxt-console/nxt-predictions/nxt-portable-predictions.html.md#download-the-model-package): In-page section heading. - [時系列モデルパッケージのダウンロード](https://docs.datarobot.com/ja/docs/workbench/nxt-console/nxt-predictions/nxt-portable-predictions.html.md#download-a-time-series-model-package): In-page section heading. - [ポータブル予測サーバーの設定](https://docs.datarobot.com/ja/docs/workbench/nxt-console/nxt-predictions/nxt-portable-predictions.html.md#configure-the-portable-prediction-server): In-page section heading. - [PPS Dockerイメージの取得](https://docs.datarobot.com/ja/docs/workbench/nxt-console/nxt-predictions/nxt-portable-predictions.html.md#obtain-the-pps-docker-image): In-page section heading. - [Dockerへのイメージのロード](https://docs.datarobot.com/ja/docs/workbench/nxt-console/nxt-predictions/nxt-portable-predictions.html.md#load-the-image-to-docker): In-page section heading. - [コードスニペットでのPPSの起動](https://docs.datarobot.com/ja/docs/workbench/nxt-console/nxt-predictions/nxt-portable-predictions.html.md#launch-the-pps-with-the-code-snippet): In-page section heading. - [スコアリングコード](https://docs.datarobot.com/ja/docs/workbench/nxt-console/nxt-predictions/nxt-portable-predictions.html.md#scoring-code): In-page section heading. - [スコアリングコードをダウンロードする](https://docs.datarobot.com/ja/docs/workbench/nxt-console/nxt-predictions/nxt-portable-predictions.html.md#download-scoring-code): In-page section heading. ## Documentation content > [!NOTE] 本機能の提供について > ポータブル予測サーバーとスコアリングコードは、DataRobot MLOpsでのみ利用可能なプレミアム機能です。 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。 DataRobotでは、 予測 > ポータブル予測 タブでポータブル予測の方法を提供しており、DataRobotアプリケーションの外で予測ジョブを実行することができます。 ポータブル予測の方法は以下に詳しく説明します。 | 方法 | 説明 | | --- | --- | | ポータブル予測サーバー | 自己完結型のDockerイメージとして配布されるDataRobotモデルパッケージ（.mlpkgファイル）用のリモートDataRobot実行環境を設定します。 | | スコアリングコード | DataRobotからスコアリングコードJARファイルをエクスポートし、予測に使用するJava、Python、またはCLIスニペットをコピーします。 スコアリングコードには移植性があるので、任意のコンピューティング環境で実行できます。 この方法は、REST APIのパフォーマンスを完全にサポートできないアプリケーションやネットワークアクセスが十分でない低レイテンシーアプリケーションの場合に便利です。 | ## ポータブル予測サーバー ポータブル予測サーバー（PPS）は、自己完結型のDockerイメージとして配布されるDataRobotモデルパッケージ（ `.mlpkg` ファイル）用のDataRobot実行環境です。 ポータブル予測サーバーを設定したら、 [単一または複数モデルのポータブルリアルタイム予測](https://docs.datarobot.com/ja/docs/classic-ui/predictions/port-pred/pps/pps-run-modes.html.md) や [ポータブルバッチ予測](https://docs.datarobot.com/ja/docs/classic-ui/predictions/port-pred/pps/portable-batch-predictions.html.md) ジョブの実行を開始できます。 > [!NOTE] CPUに関する注意事項 > DataRobotでは、Intel CPUを使用して、ポータブル予測サーバーを実行することを強く推奨します。 Intel以外のCPUを使用すると、特に、TensorflowまたはKerasで構築されたディープラーニングのようなモデルで、予測の不一致となる場合があります。 これには、ARMアーキテクチャプロセッサー（AArch32やAArch64など）が含まれます。 一般的な設定手順は次のとおりです。 1. モデルパッケージのダウンロード 2. PPS Dockerイメージをダウンロードします。 3. PPS Dockerへのイメージのロード 4. DataRobotが提供するDockerスニペットをコピーして、Dockerコンテナでポータブル予測サーバーを実行します。 > [!NOTE] 重要 > デプロイによってモデルのポータブル予測サーバーを設定したい場合は、まず [外部の予測環境](https://docs.datarobot.com/ja/docs/workbench/nxt-console/nxt-prediction-environments/nxt-pred-env.html.md) を追加して、そのモデルを外部環境へデプロイする必要があります。 ### モデルパッケージのダウンロード [外部予測環境](https://docs.datarobot.com/ja/docs/workbench/nxt-console/nxt-prediction-environments/nxt-pred-env.html.md) で実行されているデプロイ済みDataRobotモデルのPPSモデルパッケージをダウンロードして、DataRobot外部のポータブル予測サーバーで予測ジョブを実行できます。 デプロイからモデルパッケージをダウンロードすると、ポータブル予測サーバーはモデルのパフォーマンスを [監視](https://docs.datarobot.com/ja/docs/classic-ui/predictions/port-pred/pps/pps-run-modes.html.md#monitoring) して予測統計を追跡します。ただし、デプロイでモデルパッケージのダウンロードがサポートされていることを確認する必要があります。 デプロイには、 DataRobot の構築環境と 外部 予測環境が必要です。 デプロイ タブ（ デプロイインベントリ ）で、DataRobotの構築環境と 外部 の予測環境の両方を持つデプロイを開き、 予測 > ポータブル予測 タブに移動します。 | | 要素 | 説明 | | --- | --- | --- | | (1) | ポータブル予測方法 / ポータブル予測サーバー | REST APIベースの予測サーバーをDockerイメージとして設定するのに便利です。 | | (2) | ポータブル予測サーバーの使用方法 | ポータブル予測サーバーのDockerイメージを取得するAPIのキーとツールタブにリンクします。 | | (3) | モデルパッケージ（.mlpkg）をダウンロード | デプロイされたモデルのモデルパッケージをダウンロードします。 | | (4) | Dockerスニペット | モデルパッケージをダウンロードしたら、Dockerスニペットを使用して、モニタリングが有効になっているモデルのポータブル予測サーバーを起動します。 起動する前に、APIキー、ローカルファイル名、パス、[モニタリング]{1}を指定する必要があります。 | | (5) | クリップボードにコピー | Dockerスニペットをクリップボードにコピーして、コマンドラインに貼り付けられるようにします。 | 予測 > ポータブル予測 タブで、 モデルパッケージをダウンロード（.mlpkg） をクリックします。 ダウンロードが完了すると、ダウンロードがダウンロードバーに表示されます。 モデルパッケージをダウンロードしたら、 クリップボードにコピー をクリックし、後で使用するためにコードスニペットを保存します。 ダウンロードしたモデルパッケージでポータブル予測サーバーを起動するには、このコードが必要です。 #### 時系列モデルパッケージのダウンロード ポータブル予測で時系列モデルをエクスポートする場合は、モデルパッケージ生成時のモデルの時系列予測間隔（1～100）の計算を有効にすることができます。 このインターフェイスは時系列以外のモデルのインターフェイスと同じですが、 予測間隔の計算 設定が追加されています。 > [!WARNING] モデルパッケージ生成のパフォーマンスに関する注意事項 > 予測区間を計算 オプションはデフォルトで無効になっています。これは、予測間隔の計算と組み込みにより、モデルパッケージの生成に要する時間が大幅に増加する可能性があるためです。 モデルパッケージの予測間隔を有効にし、モデルをポータブル予測サーバーにデプロイした後、 `.yaml` PPS設定ファイルまたはPPS環境変数を使用して、予測間隔のパーセンタイルと指数傾向を設定できます。 > [!NOTE] 備考 > 以下の環境変数は、YAML設定が指定されていない場合にのみ使用されます。 | YAML変数 / 環境変数 | 説明 | タイプ | デフォルト | | --- | --- | --- | --- | | prediction_intervals_percentile / MLOPS_PREDICTION_INTERVALS_PERCENTILE | 予測間隔範囲の定義に使用するパーセンタイルを設定します。 | 整数 | 80 | ### ポータブル予測サーバーの設定 ダウンロードしたモデルパッケージをポータブル予測サーバーにデプロイするには、まずPPS Dockerイメージをダウンロードし、そのイメージをDockerに読み込む必要があります。 #### PPS Dockerイメージの取得 APIのキーとツール タブに移動して、 [ポータブル予測サーバーのDockerイメージ](https://docs.datarobot.com/ja/docs/platform/acct-settings/api-key-mgmt.html.md#portable-prediction-server-docker-image) をダウンロードします。 次の表で説明するように、DataRobotの環境とバージョンに応じて最新のイメージにアクセスするためのオプションが異なる場合があります。 | デプロイのタイプ | ソフトウェアバージョン | アクセス方法 | | --- | --- | --- | | セルフマネージドAIプラットフォーム | v6.3以前 | 詳細については、DataRobotの担当者に連絡してください。 イメージはリクエストに応じて提供されます。 | | セルフマネージドAIプラットフォーム | v7.0以降 | APIのキーとツールからイメージをダウンロードし、以下の説明に従ってインストールします。 イメージを取得できない場合は、DataRobotの担当者に連絡してください。 | | マネージドAIプラットフォーム | 2021年1月以降 | APIのキーとツールからイメージをダウンロードし、以下の説明に従ってインストールします。 | #### Dockerへのイメージのロード > [!WARNING] 注意 > 現在、DataRobotはイメージサイズの縮小に取り組んでいますが、圧縮されたDockerイメージは6 GBを超える場合があります（Dockerが読み込まれたイメージのレイヤーは14 GBを超える場合があります）。 PPSイメージをダウンロードおよびインポートする場合は、これらのサイズを考慮してください。 続行する前に、 [開発者ツール](https://docs.datarobot.com/ja/docs/platform/acct-settings/api-key-mgmt.html.md#portable-prediction-server-docker-image) からイメージをダウンロードします。 Dockerで読み込める、 `gzip` されたtarアーカイブです。 ダウンロードしてファイルのチェックサムを確認したら、 [docker load](https://docs.docker.com/engine/reference/commandline/load/) を使用してイメージを読み込みます。 Dockerは `gzip` されたtarアーカイブからのイメージ読み込みをネイティブにサポートしているので、ダウンロードしたファイルを解凍する必要はありません。 **Dockerへのイメージのロード:** 以下のコマンドをコピーし、 `` を置き換えてコマンドを実行すると、PPSイメージがDockerに読み込まれます。 ``` docker load < datarobot-portable-prediction-api-.tar.gz ``` > [!NOTE] ファイルパスに関する注意事項 > PPSファイルがカレントディレクトリにない場合は、tarファイルへのローカルな絶対ファイルパスを指定する必要があります（例： `/path/to/datarobot-portable-prediction-api-.tar.gz` ）。 **例：Dockerへのイメージのロード:** PPSファイルに `docker load` コマンドを実行すると、次のような出力が表示されるはずです。 ``` docker load < datarobot-portable-prediction-api-9.0.0-r4582.tar.gz 33204bfe17ee: Loading layer [==================================================>] 214.1MB/214.1MB 62c077c42637: Loading layer [==================================================>] 3.584kB/3.584kB 54475c7b6aee: Loading layer [==================================================>] 30.21kB/30.21kB 0f91625c248c: Loading layer [==================================================>] 3.072kB/3.072kB 21c5127d921b: Loading layer [==================================================>] 27.05MB/27.05MB 91feb2d07e73: Loading layer [==================================================>] 421.4kB/421.4kB 12ca493d22d9: Loading layer [==================================================>] 41.61MB/41.61MB ffb6e915efe7: Loading layer [==================================================>] 26.55MB/26.55MB 83e2c4ee6761: Loading layer [==================================================>] 5.632kB/5.632kB 109bf21d51e0: Loading layer [==================================================>] 3.093MB/3.093MB d5ebeca35cd2: Loading layer [==================================================>] 646.6MB/646.6MB f72ea73370ce: Loading layer [==================================================>] 1.108GB/1.108GB 4ecb5fe1d7c7: Loading layer [==================================================>] 1.844GB/1.844GB d5d87d53ea21: Loading layer [==================================================>] 71.79MB/71.79MB 34e5df35e3cf: Loading layer [==================================================>] 187.3MB/187.3MB 38ccf3dd09eb: Loading layer [==================================================>] 995.5MB/995.5MB fc5583d56a81: Loading layer [==================================================>] 3.584kB/3.584kB c51face886fc: Loading layer [==================================================>] 402MB/402MB c6017c1b6604: Loading layer [==================================================>] 1.465GB/1.465GB 7a879d3cd431: Loading layer [==================================================>] 166.6MB/166.6MB 8c2f17f7a166: Loading layer [==================================================>] 188.7MB/188.7MB 059189864c15: Loading layer [==================================================>] 115.9MB/115.9MB 991f5ac99c29: Loading layer [==================================================>] 3.072kB/3.072kB f6bbaa29a1c6: Loading layer [==================================================>] 2.56kB/2.56kB 4a0a241b3aab: Loading layer [==================================================>] 415.7kB/415.7kB 3d509cf1aa18: Loading layer [==================================================>] 5.632kB/5.632kB a611f162b44f: Loading layer [==================================================>] 1.701MB/1.701MB 0135aa7d76a0: Loading layer [==================================================>] 6.766MB/6.766MB fe5890c6ddfc: Loading layer [==================================================>] 4.096kB/4.096kB d2f4df5f0344: Loading layer [==================================================>] 5.875GB/5.875GB 1a1a6aa8556e: Loading layer [==================================================>] 10.24kB/10.24kB 77fcb6e243d1: Loading layer [==================================================>] 12.97MB/12.97MB 7749d3ff03bb: Loading layer [==================================================>] 4.096kB/4.096kB 29de05e7fdb3: Loading layer [==================================================>] 3.072kB/3.072kB 2579aba98176: Loading layer [==================================================>] 4.698MB/4.698MB 5f3d150f5680: Loading layer [==================================================>] 4.699MB/4.699MB 1f63989f2175: Loading layer [==================================================>] 3.798GB/3.798GB 3e722f5814f1: Loading layer [==================================================>] 182.3kB/182.3kB b248981a0c7e: Loading layer [==================================================>] 3.072kB/3.072kB b104fa769b35: Loading layer [==================================================>] 4.096kB/4.096kB Loaded image: datarobot/datarobot-portable-prediction-api:9.0.0-r4582 ``` `docker load` コマンドが `Loaded image` メッセージとともに正常に完了したら、イメージが [docker images](https://docs.docker.com/engine/reference/commandline/images/) コマンドで読み込まれていることを確認する必要があります。 **読み込んだイメージの表示:** Dockerにあるイメージのリストを表示するには、以下のコマンドをコピーして実行します。 ``` docker images ``` **例：読み込んだイメージの表示:** この例では、前の手順で読み込んだ `datarobot/datarobot-portable-prediction-api` イメージを確認できます。 ``` docker images REPOSITORY TAG IMAGE ID CREATED SIZE datarobot/datarobot-portable-prediction-api 9.0.0-r4582 df38ea008767 29 hours ago 17GB ``` > [!TIP] ディスクスペースの節約 > （オプション）圧縮されたイメージアーカイブ `datarobot-portable-prediction-api-.tar.gz` は、正常に読み込めたら削除することで、ディスクスペースを節約できます（オプション）。 ### コードスニペットでのPPSの起動 モデルパッケージをダウンロードしてDocker PPSイメージを設定したら、関連する [docker run](https://docs.docker.com/engine/reference/commandline/run/) コードスニペットを使用して、ダウンロードしたモデルパッケージでポータブル予測サーバーを起動することができます。 **OpenShiftでのPPSの起動** OpenShift環境でPPSのデプロイを実行しようとする場合、NGINXがデフォルトで特権ポートの使用を試行しないようにするには、OpenShiftにデプロイされたYAMLに以下の環境変数設定を含める必要があります。 ``` env: - name: NGINX_BIND_PRIVILEGES_MODE value: "unprivileged" ``` デプロイされたモデルからのこちらのコードスニペット例では、以下にハイライトされたオプションを設定する必要があります。 | 1 2 3 4 5 6 7 8 9 10 | docker run \ -p 8080:8080 \ -v /:/opt/ml/model/ \ -e PREDICTION_API_MODEL_REPOSITORY_PATH="/opt/ml/model/" \ -e PREDICTION_API_MONITORING_ENABLED="True" \ -e MLOPS_DEPLOYMENT_ID="6387928ebc3a099085be32b7" \ -e MONITORING_AGENT="True" \ -e MONITORING_AGENT_DATAROBOT_APP_URL="https://app.datarobot.com" \ -e MONITORING_AGENT_DATAROBOT_APP_TOKEN="" \ datarobot-portable-prediction-api | - -v /:/opt/ml/model/ \: ダウンロードしたモデルパッケージの場所へのローカルな絶対ファイルパスを指定します。-v（または--volume）オプションのバインドでボリュームをマウントし、（の）ローカルモデルパッケージディレクトリの内容をDockerコンテナの/opt/ml/modelボリュームに追加します。 - -e PREDICTION_API_MODEL_REPOSITORY_PATH="/opt/ml/model/" \:/opt/ml/model/ボリュームにマウントされたモデルパッケージのファイル名を指定します。 これにより、PPSがモデルパッケージを見つけられる場所を示す環境変数PREDICTION_API_MODEL_REPOSITORY_PATHが設定されます。 - -e MONITORING_AGENT_DATAROBOT_APP_TOKEN="" \: 監視目的で、DataRobotの開発者ツールからAPIトークンを提供します。 これにより、環境変数MONITORING_AGENT_DATAROBOT_APP_TOKENが設定され、PPSがAPIキーを見つけられるようになります。 - datarobot-portable-prediction-api：この行を、使用しているPPSイメージのイメージ名とバージョンで置き換えます。 例：datarobot/datarobot-portable-prediction-api:。 **dockerタグを使用してイメージに名前とタグを付ける** あるいは、 [docker tag](https://docs.docker.com/engine/reference/commandline/tag/) を使用して新しいイメージに `latest` というタグを付けて `datarobot-portable-prediction-api` に名前を変更すれば、最後の行に `datarobot-portable-prediction-api` を残すことができます。 この例では、Dockerはイメージの名前を変更し、 `9.0.0-r4582` タグを `latest` タグで置き換えています。 ``` docker tag datarobot/datarobot-portable-prediction-api:9.0.0-r4582 datarobot-portable-prediction-api:latest ``` 新しいタグと名前を確認するには、もう一度 `docker images` コマンドを使用します。 ``` docker images REPOSITORY TAG IMAGE ID CREATED SIZE datarobot/datarobot-portable-prediction-api 9.0.0-r4582 df38ea008767 29 hours ago 17GB datarobot-portable-prediction-api latest df38ea008767 29 hours ago 17GB ``` セットアップを完了したら、Dockerスニペットを使用して、 [単一または複数モデルのポータブルリアルタイム予測の実行](https://docs.datarobot.com/ja/docs/classic-ui/predictions/port-pred/pps/pps-run-modes.html.md) や、 [ポータブルバッチ予測の実行](https://docs.datarobot.com/ja/docs/classic-ui/predictions/port-pred/pps/portable-batch-predictions.html.md#run-portable-batch-predictions) ができます。 PPSを使用した予測ジョブの [追加の例](https://docs.datarobot.com/ja/docs/classic-ui/predictions/port-pred/pps/portable-batch-predictions.html.md#more-examples) も参照してください。 PPSは、メインのDataRobotインストール環境から切り離して実行することができます。 開始すると、イメージは `:8080` ポートを介してHTTP APIを提供します。 **FIPS対応モデルパッケージのPPSを実行する** `ENABLE_FIPS_140_2_MODE: true` （クラスターレベルの `config.yaml` ファイルで）DataRobotクラスターを設定すると、そのクラスターは、 `ENABLE_FIPS_140_2_MODE: true` のPPSを起動する必要がある `.mlpkg` ファイルを構築します。 このため、FIPS対応モデルと標準モデルを、同じPPSインスタンスでホストできません。 FIPS対応モデルをサポートしてPPSを実行するには、 [docker run](https://docs.docker.com/engine/reference/commandline/run/) に、次の引数を含めることができます。 ``` -e ENABLE_FIPS_140_2_MODE="true" ``` PPSコンテナ起動のフルコマンドは、以下の例のようになります。 ``` docker run -td -p 8080:8080 -e PYTHON3_SERVICES="true" -e ENABLE_FIPS_140_2_MODE="true" -v /:/opt/ml/model --name portable_predictions_server --rm datarobot/datarobot-portable-prediction-api: ``` ## スコアリングコード スコアリングコードを使用すると、DataRobotで生成済みモデルをJARファイルとしてエクスポートして、プラットフォームの外部で使用できます。 モデルのデプロイからモデルのスコアリングコードをエクスポートします。ダウンロードには、コンパイル済みのJARファイル（すべての依存関係を含む）とソースコードのJARファイルが含まれます。 エクスポートした後、モデルのソースコードを表示することで、DataRobotでの予測の生成手順について理解を深めることができます。 スコアリングコードJARには、予測モデルのJavaスコアリングコードが含まれています。 予測計算ロジックはDataRobot APIと同じです（コード生成メカニズムによって、生成プロセスの一部として各モデルの精度がテストされます）。 生成コードは、DataRobotアプリケーションに依存せず、どの環境にも簡単にデプロイできます。 **Q: DataRobotはスコアリングコードがあるモデルをどのように判断しますか？** スコアリングコード機能を有効にすると、DataRobotでは、各ブループリントの前処理のステップのJava代替が生成され、その結果が検定セット上で元の結果と比較されます。 結果の差分が0.00001よりも大きい場合、DataRobotでは、スコアリングコードをダウンロードするオプションは提供されません。 この方法により、元のモデルと同じ予測がスコアリングコードJARモデルで生成されることが保証されます。 > [!NOTE] Javaの要件 > MLOps監視ライブラリにはJava 11以降が必要です。 監視しない場合、モデルのスコアリングコードJARファイルにはJava 8以降が必要です。ただし、MLOpsライブラリを使用して監視を行う場合、モデルのスコアリングコードJARファイルにはJava 11以降が必要です。 セルフマネージドAIプラットフォームがインストールされている場合 、Java 11の要件がDataRobot v11.0以降に適用されます。 > [!NOTE] スコアリングコードインテグレーション > 詳細については、スコアリングコードに関する [注意事項](https://docs.datarobot.com/ja/docs/classic-ui/predictions/port-pred/scoring-code/index.html.md#feature-considerations) を参照してください。 ### スコアリングコードをダウンロードする DataRobotプラットフォームの外部で使用するために、モデルのスコアリングコードは、コンパイル済みのJARファイル（すべての依存関係を含む）としてダウンロードできます。 このトピックでは、デプロイからスコアリングコードをダウンロードする方法について説明します。 コンソール の デプロイ タブで、スコアリングコード対応のデプロイ（ DataRobot の構築環境）を開き、 予測 > ポータブル予測 タブに移動して、以下に説明するフィールドに入力します。 | | 要素 | 説明 | | --- | --- | --- | | (1) | スコアリングコード | DataRobotモデルを含むJavaパッケージを提供。 ポータブル予測法の下で、スコアリングコードを選択します。 | | (2) | 監視エージェントを含める | スコアリングコードでMLOpsエージェントをダウンロード。 | | (3) | 予測の説明を含める/予測間隔を含める（時系列） | モデルタイプに応じて、以下のいずれかの予測オプションを有効にします：スコアリングコードを使用して、予測の説明を計算するコードを含めます。 これにより、コマンドラインオプションを追加して、スコアリングコードから予測の説明を取得できます。--with-explanations。 詳細については、コマンドラインでのスコアリングを参照してください。時系列デプロイの場合、スコアリングコードを使用して、予測の説明を計算するコードを含めます。 これにより、コマンドラインオプション--interval_length=を追加することで、スコアリングコードから予測間隔（1から99）を取得できます。 詳細については、コマンドラインでのスコアリングを参照してください。 | | (4) | シークレットを表示 | _CLIコードスニペット_の場合、コードスニペットの*****によって非表示になっているシークレットを表示します。 コードスニペットでシークレットを公開すると、APIキーやdatarobot-keyを取得する便利な方法を提供できます。ただし、これらのシークレットは、セキュリティ上の理由でデフォルトでは非表示になっているため、慎重に処理してください。 | | (5) | 使用例 | 選択した方法を使用してスコアリングコードを呼び出すコード例を提供します。Python（Python API）、Java（Java API）、またはCLI（コマンドラインインターフェイス）。 場所を選択すると、下に表示されているスニペット例が対応する言語に更新されます。 | | (6) | クリップボードにコピー | スコアリングコードの例をクリップボードにコピーして、IDEやコマンドラインに貼り付けられるようにします。 | | (7) | 準備とダウンロード | 上記で選択したオプションに応じて、次のダウンロード方法のいずれかを選択します。Javaパッケージ：スコアリングコードをJavaパッケージとしてダウンロードします。 パッケージにはコンパイルされたJava実行可能ファイルがあり、すべての依存関係を含み、予測を行うのに使用することができます。ソースコード：Javaのソースコードファイルをダウンロードします。 これらは非難読化バージョンのモデルです。これらのモデルコンパイルされておらず、依存パッケージが含まれていないので、モデルのスコアリングには使用できません。 ソースファイルを使用して、モデルの意思決定プロセスを確認できます。 このオプションは、監視エージェントと予測の説明が有効になっていない場合にのみ使用できます。 | > [!TIP] ヒント > [DataRobot予測ライブラリ](https://pypi.org/project/datarobot-predict/) を利用すると、DataRobotがサポートするさまざまな予測方法を用いた予測をPython APIで行うことができます。 ライブラリは予測を行うための共通のインターフェイスを提供するので、ベースとなる実装を簡単に交換できます。 ライブラリには、スコアリングコードJARファイルが必要であることに注意してください。 設定が完了したら、 準備してダウンロード をクリックします。 > [!WARNING] 注意 > 2020年3月以前の料金プランが適用されている場合、スコアリングコードをダウンロードすると、永続的なデプロイとなり、削除できなくなります。 注意メッセージが表示され、この条件を受け入れるように求められます。 トグルを使用して理解したことを示してから、 準備とダウンロード をクリックします。 スコアリングコードのダウンロードが完了したら、タブで提供されるスニペットを使用して、スコアリングコードを呼び出します。 実装例については、MLOpsエージェントのtarballに関するドキュメントを参照してください。 [APIのキーとツール](https://docs.datarobot.com/ja/docs/platform/acct-settings/api-key-mgmt.html.md#mlops-agent-tarball) ページからダウンロードできます。 [モニタリングスニペット](https://docs.datarobot.com/ja/docs/workbench/nxt-console/nxt-predictions/nxt-monitoring.html.md) を使用してMLOpsエージェントと連携することも可能です。