DataRobot ブログ

DataRobotとApache Airflowを連携することで、機械学習 (ML) パイプラインを自動化し、MLOps ワークフローを強化する方法について説明します。

生成AIの普及が急速に進む中、多くの企業が生成AIの活用に向けた検討を進め、活用に取り組む企業も増えています。しかし、生成AIの実用化に取り組む際には、統合的な管理の複雑さや生成AIの信頼性に関連する課題に直面している企業も多く存在します。DataRobot AI Platformでは、予測AIだけでなく、生成AIも構築し、運用・管理することが可能です。

2021年11月12日に金融庁は「モデル・リスク管理に関する原則」を公表。Part 2では、金融庁の示すモデル・リスク管理における8原則を解説しながらAIサクセスとDataRobot MLOpsによってどのように対処できるかについて解説していきます。

2021年11月12日に金融庁は「モデル・リスク管理に関する原則」を公表。急速に進む金融機関のAIモデル活用ではAIモデルのリスク管理が、モデル・リスク管理では体制とそれを実現するシステムが重要になります。Part1では、3つの防衛戦などAIモデル・リスク管理における態勢構築を中心に解説。

MLOpsにチャンピオン/チャレンジャーのフレームワークが追加されました。この新しい機能により、DataRobotのお客様は、管理されたフレームワークの中で、現在最高のパフォーマンスを発揮しているモデルと並行して、チャレンジャーモデルをシャドーモードで実行できます。

本ブログではAIで活用するデータを管理するデータプラットフォームの一つであるDWHをテーマとし、DWHの最新動向やDataRobotとの接続方法および効果的にDWHを活用するため方法について説明し、モデルデプロイの観点からAIの時代に最も優れているDB選択の方法を解説します。

機械学習のビジネス利用は当たり前となり、MLOpsという概念、思想も段々と認知が進んできていますDataRobotはMLOpsのコミュニティを運営する一方、DataRobot MLOpsという製品をリリースしていきます。機械学習モデルのビジネス実装を無数に手がけてきたDataRobotならではの経験が反映された製品の一端をご紹介いたします。

機械学習プロジェクトは、モデルを作成し、デプロイをする事で完結するわけではありません。機械学習モデルに特有の運用監視を正しく行うことで、モデルの性能低下を防ぎ、またよりビジネスに即したモデルへと進化させていくことができます。この技術の集積体であるMLOpsをご紹介します。

DataRobot フィールドサポートエンジニアの小島です。 (本記事は こちら の記事からの続編です) 前編の記事では…