モデルレジストリ
モデルレジストリとは、学習済みの機械学習モデルを一元管理し、バージョン管理やメタデータの記録、デプロイ状態の追跡を行うための中央リポジトリです。MLOpsの中核ツールとして運用効率化とガバナンス向上を支えます。
MLOpsのAI用語一覧（2ページ目）
35件MLOpsに関するAI用語を35件掲載しています。意味や使い方、関連用語を一覧から確認できます。 現在は2ページ目です。
機械学習パイプライン
機械学習パイプラインとは、データ収集から前処理、モデルの訓練、評価、デプロイまでの各工程を自動化し、一連のワークフローとして連続的に実行する仕組みです。開発効率の向上や再現性の確保に欠かせない重要な基盤です。
モデルドリフト
機械学習モデルを本番環境で運用し続ける中で、時間の経過や環境の変化に伴い、モデルの予測精度が徐々に低下していく現象。訓練時のデータと運用時の実データとの乖離が原因で発生し、予測性能を維持するためには監視や定期的な再学習が必要です。MLOpsにおいて、システムの品質管理を行う上で重要な課題とされています。
デプロイメント
デプロイメントとは、学習済みのAIモデルを本番環境に組み込み、実際のシステムやユーザーが利用できるように配置するプロセスのことです。モデルの性能評価が終わったあとに実施され、サービス全体の安定稼働や推論の実行を支える重要なフェーズとなります。
実験管理
実験管理とは、機械学習のモデル開発において、使用したデータセットやハイパーパラメータ、コード、評価指標などのログを記録・追跡・比較する手法です。再現性の確保やチーム内での共有、効率的なアルゴリズムの選定に不可欠であり、MLOpsの基礎となる重要なプロセスです。
特徴量ストア
特徴量ストアは、機械学習モデルの訓練や推論で利用する特徴量を一元管理し、チーム間で再利用や共有を可能にするためのデータ管理基盤です。データのサイロ化を防ぎ、モデル開発の効率向上や訓練時と推論時のデータ不整合を防ぐ役割を持ちます。
パッケージング
機械学習におけるパッケージングとは、訓練済みの機械学習モデルと実行に必要なコード、ライブラリなどの依存関係を単一の形式にまとめるプロセスです。MLOpsにおいて、異なる開発・運用環境間での再現性と互換性を確保し、本番環境へのスムーズなデプロイを実現するために欠かせない重要な工程となります。
MLflow Model Registry
MLflow Model Registryは、機械学習モデルのライフサイクルを一元管理するためのコンポーネントです。登録されたモデルのバージョン管理、ステージ遷移、注釈の付与、および承認ワークフローを共同開発者間で共有・制御できます。これにより、MLOpsにおけるモデル管理の効率化と信頼性の向上を実現します。
MLflow Models
MLflow Modelsは、機械学習モデルを標準化された形式でパッケージ化し、多様なプラットフォームでの共有やデプロイを容易にする標準規格です。モデルのコードや依存関係、メタデータをまとめて保存することで、Python関数やDockerコンテナなど様々な環境で再現性高く推論を実行できるよう支援します。
MLflow Tracking
MLflow Trackingは、機械学習モデルの訓練時におけるパラメータ、メトリクス、コードのバージョン、成果物（アーティファクト）などを自動または手動で記録・管理するためのオープンソースツールです。実験の再現性を確保し、異なる実験結果を比較・可視化することで、モデル開発プロセスの効率化とトレーサビリティの向上を実現します。
ステージング
ステージングとは、AIモデルやシステムの本番リリース前に、本番環境とほぼ同一の環境で最終的な動作確認や検証を行うプロセスのことです。不具合や予期せぬ挙動を事前に発見し、安定した運用を実現するために重要な役割を持ちます。