レジストリからのモデルのデプロイ¶

DataRobotまたは 外部モデルを登録した後、デプロイするモデルバージョンにアクセスして、レジストリからそれらのモデルをデプロイできます。

登録済みモデルバージョンをレジストリからデプロイするには：

1. 登録済みモデルのテーブルにあるモデルディレクトリページで、デプロイしたいバージョンを含む登録済みモデルをクリックして、バージョンのリストを開きます。

2. バージョンのリストでデプロイするバージョンをクリックし、登録済みモデルバージョンパネルを開きます。

   

3. 登録済みモデルバージョンパネルのいずれかのタブの右上隅で、デプロイをクリックし、 デプロイ設定を行います。

   

4. 使用可能なデータを追加し、モデルが完全に定義されたら、画面上部にあるデプロイを作成をクリックします。

デプロイ設定を行う¶

新しいデプロイを作成する場所（ワークベンチエクスペリメントまたはレジストリ）やアーティファクトのタイプ（DataRobotモデルまたは外部モード）に関係なく、デプロイ情報ページが表示され、そこでデプロイを設定できます。 デプロイ情報ページには、トレーニングデータ、予測データ、実測値など、提供されたデータに基づいて現在のデプロイの機能の概要が表示されます。

標準のオプションと情報¶

モデルデプロイを開始すると、デプロイタブが開き、モデル情報および予測履歴とサービスの正常性オプションが表示されます。

モデル情報セクションには、デプロイの予測を作成するために使用されているモデルの詳細情報が表示されます。 フィールドはデプロイのファイルおよび情報を使用して入力されるので、フィールドはグレーアウトされて編集できません。

この予測履歴とサービスの正常性セクションには、デプロイの推論（スコアリング）データ—（これは予測リクエストおよびモデルからの結果を含む）に関する詳細が表示されます。

接続されたデプロイ¶

テキスト生成ターゲットタイプで作成されたカスタムモデルをデプロイする場合、接続されたデプロイセクションが表示され、そこにはモデルワークショップでのモデルの作成中に定義されたデプロイが含まれます。

これらの接続されたデプロイは、予測と統計を中心的なデプロイに報告します。 接続されたデプロイを使用するには、最初に、LLMのプロンプトや出力について予測を行う監査モデルを作成してデプロイします。たとえば、監査モデルでプロンプトインジェクション、つまり有害な回答を識別できる場合があります。 次に、カスタムテキスト生成モデルを作成したら、適切なデプロイIDを含む1つまたは複数のdeploymentタイプのランタイムパラメーターをmodel-metadata.yamlファイルに追加して、デプロイされた監査モデルに接続します。 接続されたデプロイの予測は、監視対象のテキスト生成モデルデプロイの予測出力に統合することができます。

詳細については、 接続されたデプロイの定義のドキュメントを参照してください。

高度なオプション¶

高度なオプションを表示をクリックすると、次のデプロイ設定を行えます。

• データドリフト

• 精度

• データ探索

• チャレンジャー分析

• 高度な予測設定（ 特徴量探索デプロイ用）

• サービスの正常性に関する詳細設定

• 公平性

• カスタム指標

データドリフト¶

モデルをデプロイするとき、トレーニングおよび検定に使用するデータセットが予測データと異なっていることがあります。 ドリフト追跡を有効にするには、次の設定を行います。

DataRobotは、デフォルトでターゲットと特徴量ドリフト情報を監視し、データドリフトダッシュボードで結果を表示します。 たとえば、監視する必要のない機微データがデプロイに含まれている場合などは、ターゲット監視を有効化と特徴量ドリフト追跡を有効化のトグルを使用して追跡をオフにします。

データドリフトの監視方法をカスタマイズできます。 デプロイのデータドリフトステータスのカスタマイズに関する詳細については、データドリフトページを参照してください。

精度¶

必要となる設定を 精度タブに設定すると、標準的な統計的手法とエクスポート可能な可視化によって、時間の経過に伴うモデルデプロイのパフォーマンスを分析できます。

データ探索¶

予測行ごとの履歴保存を有効にして、 データ探索タブをアクティブにします。 ここから、デプロイの保存されたトレーニングデータ、予測データ、および実測値をエクスポートして、 カスタム指標タブまたはDataRobotの外部で、カスタムビジネスまたはパフォーマンス指標を計算し監視します。

チャレンジャー分析¶

DataRobotは、行レベルでデプロイの予測リクエストデータを安全に保存できます（外部モデルのデプロイではサポートされていません）。 この設定は、チャレンジャータブを使用するすべてのデプロイで有効にする必要があります。 チャレンジャー分析の有効化に加え、保存された予測リクエスト行へアクセスすると、予測を詳細に監査し、そのデータを使用して運用上の問題のトラブルシューティングを行うことができます。 たとえば、データを調べることによって、異常な予測結果やデータセットが不正な形式であった理由を理解できます。

高度な予測設定¶

特徴量探索は、多数のデータセットから新しい特徴量を識別し生成します。このため、多数のデータセットを1つに統合するために手動で特徴量エンジニアリングを実行する必要がなくなります。 この処理は、データセットとそのデータセット内の特徴量の関係性に基づきます。 DataRobotは、このような関係性を構築および視覚化できる直感的な関係性エディターを提供します。 グラフおよび含まれるデータセットがDataRobotの特徴量探索エンジンによって分析され、特徴量エンジニアリング「レシピ」が決定されます。そのレシピから、トレーニングおよび予測に使用するセカンダリー特徴量が生成されます。 デプロイの設定中に、 セカンダリーデータセット設定を選択できます。

サービスの正常性に関する詳細設定¶

セグメント化された分析により、デプロイ時のトレーニングおよび予測データ要求の運用上の問題点が識別されます。 DataRobotでは、データのドリフトと精度の統計を固有のセグメント属性と値にフィルタリングすることでドリルダウン分析が可能になります。

公平性¶

公平性を使用すると、デプロイの設定を行うことで、モデルの予測動作のバイアスを確認できます。 モデルのデプロイ以前に公平性設定を定義した場合、フィールドは自動的に入力されます。 追加情報については、公平性テストの定義に関するセクションを参照してください。

カスタム指標¶

For generative AI deployments, configure these settings to monitor data quality and custom metrics.

モデルのデプロイ¶

使用可能なデータを追加し、モデルが完全に定義されたら、画面上部にあるデプロイを作成をクリックします。

デプロイの作成中というメッセージが表示され、DataRobotがデプロイを作成中であることを示します。 デプロイが作成されると、概要タブが表示されます。

デプロイ名の左側にある矢印をクリックすると、デプロイインベントリに戻ります。