再トレーニングジョブをの作成¶

手動またはテンプレートから、コードベースの再トレーニングポリシーを実行するジョブを追加します。 再トレーニングジョブを表示および追加するには、ジョブ > 再トレーニングタブに移動し、以下の操作を行います。

• 新しい再トレーニングジョブを手動で追加するには、+ 新しい再トレーニングジョブを追加（またはジョブパネルが開いている場合は最小化された追加ボタン ）をクリックします。

• テンプレートから再トレーニングジョブを作成するには、追加ボタンの横にある をクリックし、再トレーニングの下にあるテンプレートから新規作成をクリックします。

新しいジョブがアセンブルタブに開きます。 選択した作成オプションに応じて、以下の表でリンクされている設定手順に進みます。

新しい再トレーニングジョブを追加¶

コードベースの再トレーニングのジョブを手動で追加するには：

1. 新しいジョブのアセンブルタブで、ジョブ名（または編集アイコン）をクリックして新しいジョブ名を入力してから、確認 をクリックします：

   

2. 環境セクションで、ジョブの基本環境を選択します。

   The available drop-in environments depend on your DataRobot installation; however, the table below lists commonly available public drop-in environments with templates in the DRUM repository. Depending on your DataRobot installation, the Python version of these environments may vary, and additional non-public environments may be available for use.

   マネージドAIプラットフォーム（SaaS）セルフマネージドAIプラットフォーム

   Drop-in environment security

   Starting with the March 2025 Managed AI Platform release, most general purpose DataRobot custom model drop-in environments are security-hardened container images. When you require a security-hardened environment for running custom jobs, only shell code following the POSIX-shell standard is supported. Security-hardened environments following the POSIX-shell standard support a limited set of shell utilities.

   Drop-in environment security

   Starting with the 11.0 Self-Managed AI Platform release, most general purpose DataRobot custom model drop-in environments are security-hardened container images. When you require a security-hardened environment for running custom jobs, only shell code following the POSIX-shell standard is supported. Security-hardened environments following the POSIX-shell standard support a limited set of shell utilities.

   環境名と例	Compatibility & artifact file extension
   Python 3.X	Python-based custom models and jobs. You are responsible for installing all required dependencies through the inclusion of a requirements.txt file in your model files.
   Python 3.X GenAI	生成AIモデル（Text GenerationまたはVector Databaseのターゲットタイプ）
   Python 3.X ONNX Drop-In	ONNX models and jobs (.onnx)
   Python 3.X PMML Drop-In	PMML models and jobs (.pmml)
   Python 3.X PyTorch Drop-In	PyTorch models and jobs (.pth)
   Python 3.X Scikit-Learn Drop-In	Scikit-Learn models and jobs (.pkl)
   Python 3.X XGBoost Drop-In	Native XGBoost models and jobs (.pkl)
   Python 3.X Keras Drop-In	Keras models and jobs backed by tensorflow (.h5)
   Javaドロップイン	DataRobotスコアリングコードモデル（.jar）
   ドロップイン環境	CARET（.rds）を使ってトレーニングされたRモデル CARETが推奨するすべてのライブラリをインストールするのに時間がかかるため、パッケージ名でもあるモデルタイプのみがインストールされます（例：brnn、glmnet）。 この環境のコピーを作成し、Dockerfileを修正して、必要なパッケージを追加でインストールします。 この環境をカスタマイズする際のビルド回数を減らすために、# Install caret modelsセクションで不要な行を削除して、必要なものだけをインストールすることもできます。 CARETドキュメントを参照して、モデルの手法がパッケージ名と一致しているかどうかを確認してください。 このリンクをクリックする前にGitHubにログインしてください。

   scikit-learn

   All Python environments contain scikit-learn to help with preprocessing (if necessary), but only scikit-learn can make predictions on sklearn models.

3. ファイルセクションで、カスタムジョブを構築します。 ボックスにファイルをドラッグするか、このセクションのオプションを使用して、カスタムジョブの構築に必要なファイルを作成またはアップロードします。

   

   オプション	説明
   ソース／アップロードから選択	既存のカスタムジョブファイル（run.sh、metadata.yaml、など）をローカルファイルまたはローカルフォルダーとしてアップロードします。
   作成	空のファイルまたはテンプレートを含んだファイルとして新しいファイルを作成し、カスタムジョブに保存します。 run.shを作成：エントリーポイントファイルの基本的で編集可能な例を作成します。 metadata.yamlを作成：ランタイムパラメーターファイルの基本的で編集可能な例を作成します。 README.mdを作成：基本的で編集可能なREADMEファイルを作成します。 job.pyを作成：実行時のパラメーターとデプロイをプリントするための基本的で編集可能なPythonジョブファイルを作成します。 サンプルジョブを作成：すべてのテンプレートファイルを結合して、基本的で編集可能なカスタムジョブを作成します。 簡単にランタイムパラメーターを設定し、このサンプルジョブを実行できます。 空白ファイルを作成：空のファイルを作成します。 名称未設定の横にある編集アイコン をクリックしてファイル名と拡張子を入力し、カスタムコンテンツを追加します。 次のステップでは、カスタム名とコンテンツを使用して、このように作成されたファイルをエントリーポイントとして識別できます。 新しいファイルを設定したら、保存をクリックします。

   ファイルの置き換え

   既存のファイルと同じ名前の新しいファイルを追加する場合、保存をクリックすると、ファイルセクションで古いファイルが置き換えられます。

4. 設定セクションで、ジョブのエントリーポイントシェル（.sh）ファイルを設定します。 run.sh ファイルを追加した場合、そのファイルがエントリーポイントです。それ以外の場合は、ドロップダウンリストからエントリーポイントシェルファイルを選択する必要があります。 エントリーポイントファイルでは、複数のジョブファイルを調整できます。

   

5. リソースセクションのセクションヘッダーの横にある 編集をクリックして、以下を設定します。

   プレビュー

   カスタムジョブのリソースバンドルは、デフォルトではオフになっています。 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。

   機能フラグ：リソースのバンドルを有効にする

   

   設定	説明
   リソースバンドル	プレビュー機能 カスタムジョブが実行に使用するリソースを設定します。
   ネットワークアクセス	カスタムジョブのエグレストラフィックを設定します。 ネットワークアクセスで、以下のいずれかを選択します。 パブリック：デフォルト設定。 カスタムジョブは、パブリックネットワーク内の任意の完全修飾ドメイン名（FQDN）にアクセスして、サードパーティのサービスを利用できます。 なし：カスタムジョブはパブリックネットワークから隔離され、サードパーティのサービスにアクセスできません。

   デフォルトのネットワークアクセス

   _マネージドAIプラットフォーム_では、ネットワークアクセスはデフォルトでパブリックに設定されていますが、変更可能です。 _セルフマネージドAIプラットフォーム_では、ネットワークアクセスはデフォルトでなしに設定されており、制限があります。ただし、管理者は、DataRobotプラットフォームの設定時にこれを変更できます。 詳細については、DataRobotの担当者または管理者にお問い合わせください。

6. （オプション）metadata.yamlファイルをアップロードした場合は、設定したい各キー値の行の編集アイコン をクリックして、ランタイムパラメーターを定義します。

   

7. （オプション）タグ、指標、トレーニングパラメーター、アーティファクトに、追加の キー値を設定します。

テンプレートからの再トレーニングジョブの作成¶

テンプレートから事前に作成された再トレーニングジョブを追加するには：

1. ギャラリーからカスタムジョブを追加パネルで、ジョブの作成に使用するテンプレートをクリックします。

   

2. ジョブの説明、実行環境、メタデータ、およびファイルを確認してから、カスタムジョブを作成をクリックします。

   

   アセンブルタブにジョブが開きます。

3. 新しいジョブのアセンブルタブで、ジョブ名（または編集アイコン（））をクリックして新しいジョブ名を入力してから、確認 をクリックします：

   

4. 環境セクションで、テンプレートで設定されたジョブの基本環境を確認します。

5. ファイルセクションで、テンプレートによってジョブに追加されたファイルを確認します。

   • 編集アイコン をクリックすると、テンプレートによって追加されたファイルを変更できます。

   • 削除アイコン をクリックすると、テンプレートによって追加されたファイルを削除できます。

6. 新しいファイルを追加する必要がある場合は、このセクションのオプションを使用して、カスタムジョブの構築に必要なファイルを作成またはアップロードします。

   

   オプション	説明
   アップロード	既存のカスタムジョブファイル（run.sh、metadata.yaml、など）をローカルファイルまたはローカルフォルダーとしてアップロードします。
   作成	空のファイルまたはテンプレートを含んだファイルとして新しいファイルを作成し、カスタムジョブに保存します。 run.shを作成：エントリーポイントファイルの基本的で編集可能な例を作成します。 metadata.yamlを作成：ランタイムパラメーターファイルの基本的で編集可能な例を作成します。 README.mdを作成：基本的で編集可能なREADMEファイルを作成します。 job.pyを作成：実行時のパラメーターとデプロイをプリントするための基本的で編集可能なPythonジョブファイルを作成します。 サンプルジョブを作成：すべてのテンプレートファイルを結合して、基本的で編集可能なカスタムジョブを作成します。 簡単にランタイムパラメーターを設定し、このサンプルジョブを実行できます。 空白ファイルを作成：空のファイルを作成します。 名称未設定の横にある編集アイコン（）をクリックしてファイル名と拡張子を入力し、カスタムコンテンツを追加します。 次のステップでは、カスタム名とコンテンツを使用して、このように作成されたファイルをエントリーポイントとして識別できます。 新しいファイルを設定したら、保存をクリックします。

   ファイルの置き換え

   既存のファイルと同じ名前の新しいファイルを追加する場合、保存をクリックすると、ファイルセクションで古いファイルが置き換えられます。

7. 設定セクションで、テンプレート（通常.sh）によって追加されたジョブのエントリーポイントシェル（run.sh）ファイルを確認します。 エントリーポイントファイルでは、複数のジョブファイルを調整できます。

   

8. リソースセクションで、ジョブのデフォルトのリソース設定を確認します。 設定を変更するには、セクションヘッダーの横にある  編集をクリックし、以下のように設定します。

   本機能の提供について

   カスタムジョブのリソースバンドルは、デフォルトではオフになっています。 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。

   機能フラグ：リソースのバンドルを有効にする

   

   設定	説明
   リソースバンドル	プレビュー機能 カスタムジョブが実行に使用するリソースを設定します。
   ネットワークアクセス	カスタムジョブのエグレストラフィックを設定します。 ネットワークアクセスで、以下のいずれかを選択します。 パブリック：デフォルト設定。 カスタムジョブは、パブリックネットワーク内の任意の完全修飾ドメイン名（FQDN）にアクセスして、サードパーティのサービスを利用できます。 なし：カスタムジョブはパブリックネットワークから隔離され、サードパーティのサービスにアクセスできません。

   デフォルトのネットワークアクセス

   _マネージドAIプラットフォーム_では、ネットワークアクセスはデフォルトでパブリックに設定されていますが、変更可能です。 _セルフマネージドAIプラットフォーム_では、ネットワークアクセスはデフォルトでなしに設定されており、制限があります。ただし、管理者は、DataRobotプラットフォームの設定時にこれを変更できます。 詳細については、DataRobotの担当者または管理者にお問い合わせください。

9. metadata.yamlファイルをアップロードした場合は、設定したい各キー値の行の編集アイコン（）をクリックして、ランタイムパラメーターを定義します。

   

10. タグ、指標、トレーニングパラメーター、アーティファクトに、追加の キー値を設定します。

再トレーニングジョブを作成した後、そのジョブを 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。