モデルレジストリ

モデルレジストリとは

モデルレジストリは、学習済みモデルのライフサイクル全体を管理するための中央リポジトリです。

従来の方法 vs モデルレジストリ

MLflow Model Registry

モデルの登録

import mlflow

# 方法1: 実験Run内でモデルを登録
with mlflow.start_run():
    model = train_model(X_train, y_train)
    mlflow.sklearn.log_model(
        model, "model",
        registered_model_name="churn_predictor"
    )
    # → churn_predictor のVersion 1として登録

# 方法2: 既存のRunからモデルを登録
result = mlflow.register_model(
    model_uri="runs:/abc123def456/model",
    name="churn_predictor"
)

バージョン管理

モデルレジストリでは、同じモデル名で複数のバージョンを管理できます。

# 新バージョンの登録（自動インクリメント）
with mlflow.start_run():
    model_v2 = train_improved_model(X_train, y_train)
    mlflow.sklearn.log_model(
        model_v2, "model",
        registered_model_name="churn_predictor"
    )
    # → churn_predictor のVersion 2として登録

ステージ管理

MLflow Model Registry では、モデルに以下のステージ（エイリアス）を設定できます。

from mlflow import MlflowClient

client = MlflowClient()

# ステージの変更（MLflow 2.x ではエイリアスを推奨）
# エイリアスによるステージ管理
client.set_registered_model_alias(
    name="churn_predictor",
    alias="staging",
    version=2
)

# 本番昇格
client.set_registered_model_alias(
    name="churn_predictor",
    alias="production",
    version=2
)

# エイリアスでモデルを取得
model = mlflow.pyfunc.load_model("models:/churn_predictor@production")

モデルの説明とタグ

# モデルの説明を追加
client.update_registered_model(
    name="churn_predictor",
    description="顧客離脱予測モデル。月次バッチで全顧客のスコアリングに使用。"
)

# バージョンの説明
client.update_model_version(
    name="churn_predictor",
    version=2,
    description="特徴量選択を実施、F1スコア5%向上。XGBoostベース。"
)

# タグの追加
client.set_model_version_tag(
    name="churn_predictor",
    version=2,
    key="approved_by",
    value="tanaka_vpoe"
)
client.set_model_version_tag(
    name="churn_predictor",
    version=2,
    key="approval_date",
    value="2025-12-15"
)

承認プロセスの設計

NetShop社の承認フロー

1. DS がモデルを学習・評価
   ↓
2. モデルレジストリに登録（None ステージ）
   ↓
3. 自動テスト実行（精度閾値、データバリデーション）
   ↓ テスト通過
4. Staging に昇格
   ↓
5. ステージング環境でA/Bテスト or シャドーテスト
   ↓ 問題なし
6. レビュー（田中VPoE承認）
   ↓ 承認
7. Production に昇格
   ↓
8. 旧モデルを Archived に変更

承認チェックリスト

def approval_checklist(model_name, version):
    """本番昇格前のチェックリスト"""
    checks = {
        "accuracy_threshold": check_accuracy(model_name, version) > 0.80,
        "f1_threshold": check_f1(model_name, version) > 0.75,
        "latency_check": check_latency(model_name, version) < 100,  # ms
        "data_validation": check_data_quality(model_name, version),
        "bias_check": check_fairness(model_name, version),
        "staging_test": check_staging_results(model_name, version),
        "documentation": check_documentation(model_name, version),
    }

    all_passed = all(checks.values())
    return checks, all_passed

モデルのロードと利用

本番環境でのモデル利用

import mlflow

# エイリアスで本番モデルを取得
model = mlflow.pyfunc.load_model("models:/churn_predictor@production")

# 推論
predictions = model.predict(new_data)

# モデル情報の確認
model_info = mlflow.models.get_model_info("models:/churn_predictor@production")
print(f"Model Version: {model_info.model_version}")
print(f"Run ID: {model_info.run_id}")

ロールバック

# 問題発生時のロールバック
# 前のバージョンをProductionに戻す
client.set_registered_model_alias(
    name="churn_predictor",
    alias="production",
    version=1  # 前のバージョンに戻す
)
print("Rolled back to version 1")

まとめ

チェックリスト

• モデルレジストリの必要性を説明できる
• MLflow でモデルの登録・バージョン管理ができる
• ステージ管理（エイリアス）の運用方法を理解している
• 承認プロセスを設計できる

次のステップへ

モデルレジストリでモデルの管理方法を学びました。次は、コード・データ・環境のバージョニングによる再現性の確保を学びましょう。

推定読了時間：30分