MLOpsとは｜主要ツールとMLflowで学習・推論API・ドリフト検知を実演

機械学習のモデルは、作った時点がいちばん精度が高く、世の中のデータが変わるにつれて少しずつ外れていきます。MLOps は、その「外れ」に気づき、学習し直し、安全に入れ替えるところまでを、人の記憶ではなく仕組みで回すための考え方です。

flowchart TD
    D[データ収集・準備] --> T[学習]
    T --> E[評価]
    E --> R[モデル登録]
    R --> P[デプロイ<br>推論API]
    P --> M[監視<br>ドリフト・精度]
    M -->|劣化を検知| D

よく調べられることの答えを先にまとめます。

確認環境：Ubuntu 24.04.5 LTS（Intel Xeon 2.10GHz・2コア）の上に Python 3.13.18 の venv を作り、MLflow 3.17.2・scikit-learn 1.9.1・pandas 3.1.0・NumPy 2.5.4・SciPy 1.18.1・skops 0.16.0 を入れました。トラッキングサーバー（SQLite）と推論 API を 127.0.0.1 で起動し、架空の顧客データ（解約予測）で実験の記録・モデル登録・推論・ドリフトの検知・再学習を動かしました。応答は curl 8.5.0 で確かめ、学習とサーバーの実行ではテレメトリーを環境変数で止め、クラウドの MLOps 製品には何も送っていません。成熟度レベルは Google Cloud と Microsoft Learn の公開資料、各ツールの説明は各公式ドキュメントで確かめています。図は mermaid 11.16.0 で描画を確かめました（確認日 2026年10月29日）。

MLOpsとは（意味と、なぜ必要か）

この節では、MLOps という言葉の意味と、機械学習に運用の仕組みが要る理由が分かります。

MLOps（エムエルオプス、Machine Learning Operations）は、機械学習（ML）と運用（Operations）を合わせた言葉で、モデルを本番で安定して動かし続けるための文化・手順・道具の集まりです。 AWS は「ML の開発と、デプロイ・運用を一つにする文化と実務」、Red Hat は「DevOps と GitOps の原則に着想を得た、モデルのデプロイと保守を最適化するワークフロー」と説明しています。

機械学習のモデルは、コードを1行も変えなくても、入ってくるデータが変われば当たらなくなります。この記事の実験でも、データの性質だけが変わった月に ROC AUC（予測の当たり具合を0.5〜1で表す指標）が 0.813 から 0.690 に下がりました。

MLOpsとDevOpsの違い（CI/CD/CT）

この節では、MLOps が DevOps と何が同じで何が違うのかが、管理する対象とパイプラインの違いで分かります。

DevOps が「コード」の変更を素早く安全に届ける仕組みなら、MLOps は「コード・データ・モデル」の3つの変更を扱う仕組みです。 Google Cloud の資料は、ML システムでは CI（継続的インテグレーション）がコードだけでなくデータ・スキーマ・モデルの検証も含み、CD（継続的デリバリー）がモデル単体ではなく学習パイプラインを届けるものになり、さらに ML 特有の CT（Continuous Training：継続的トレーニング）が加わる、と説明しています。

CI/CD そのものの考え方と最初のパイプラインの作り方は、関連記事「CI/CDとは｜GitHub Actionsで最初のパイプラインを作るまで」で扱っています。

MLOpsのライフサイクル（データ→学習→評価→登録→デプロイ→監視→再学習）

この節では、MLOps で回す一連の工程と、各工程で何を残すのかが分かります。

MLOps のライフサイクルは、最後の「監視」が最初の「データ」に戻る輪です。 Google Cloud の資料は8つの手順（データ抽出・分析・準備・学習・評価・検証・提供・モニタリング）を挙げています。この記事では次の7段で動かしました。

MLOpsの成熟度レベル（Google・Microsoftの公開資料）

この節では、MLOps がどこまで自動化されているかを表す「レベル」の考え方が分かります。

よく引用されるのは、Google Cloud のアーキテクチャ資料「MLOps: ML における継続的デリバリーと自動化のパイプライン」の3段階です。 AWS の解説も同じ3段階で説明しています。

1. 0レベル0：手動のプロセスノートブックとスクリプトで手作業。リリースは年に数回。モデルの性能を能動的に監視しない
2. 1レベル1：ML パイプラインの自動化学習パイプラインごとデプロイし、新しいデータで自動的に再学習（CT）。データとモデルの検証、メタデータ管理、必要に応じて Feature Store
3. 2レベル2：CI/CD パイプラインの自動化パイプライン自体のコードも CI/CD で検証・配布。ソース管理・テストとビルド・デプロイ・モデルレジストリ・Feature Store・メタデータストア・オーケストレーター

Google の資料は、再学習のきっかけとして、手動・スケジュール・新しい学習データの到着・性能の低下・データの分布の大きな変化の5つを挙げています。この記事の実験は後ろの2つを再現しています。

Microsoft Learn の「MLOps 成熟度モデル」（2026年6月3日更新）は、もっと細かい5段階で表しています。

レベルは高いほどよいわけではありません。 月に1回しか使わないモデルにレベル2の仕組みを作ると、保守のほうが重くなります。まず「記録」と「登録」をそろえ、ドリフトが起きるかを見てから自動化します。

MLOpsツール一覧（役割別）

この節では、MLOps のツールを役割ごとに整理し、どれが何を担当するのかが分かります。

MLOps ツールは「全部入りの製品」か「役割ごとに組み合わせる」かで選びます。 次の表は各公式ドキュメントの説明に沿った事実です（2026年10月29日時点）。

LLM アプリの記録と評価は、関連記事「Langfuseとは｜使い方・料金・セルフホストとSDKの送信を実例で解説」で扱っています。ここからは、MLflow を手元で動かして、ライフサイクルを1周させます。

MLflowの環境を作る（インストールとトラッキングサーバーの起動）

この節では、MLflow を venv に入れ、記録の置き場所になるトラッキングサーバーを手元だけで起動する手順と、その重さが分かります。

python3 -m venv venv
PIP_CACHE_DIR=./pipcache ./venv/bin/pip install mlflow scikit-learn pandas

# 使用状況の送信（テレメトリー）を止める
export MLFLOW_DISABLE_TELEMETRY=true DO_NOT_TRACK=true

mlflow server --host 127.0.0.1 --port 45629 \
  --backend-store-uri sqlite:///$PWD/mlflow.db \
  --artifacts-destination $PWD/artifacts

MLflow は 3.2.0 から、匿名の使用状況を既定で送信します（MLflow 公式「Usage Tracking」）。モデルやコードの中身は送られないと書かれていますが、社内のルールで外部への送信を止めたいときは、MLFLOW_DISABLE_TELEMETRY=true か DO_NOT_TRACK=true を、サーバーと学習スクリプトの両方の環境に設定します。手元のソースコードでも、この2つの変数を見て送信を止める処理を確かめました。変数を設定する前に一度 import mlflow しただけで、~/.config/mlflow/telemetry.json（installation_id）が作られていたため、変数は最初の実行より前に設定します。

起動直後のログです。3.5.0 から入った保護（Host ヘッダーの検査など）が、localhost だけを許す設定で有効になっています。

Registry store URI not provided. Using backend store URI.
INFO mlflow.store.db.utils: Creating initial MLflow database tables...
[MLflow] Security middleware enabled with default settings (localhost-only). To allow connections from other hosts, use --host 0.0.0.0 and configure --allowed-hosts and --cors-allowed-origins.
INFO:     Uvicorn running on http://127.0.0.1:45629 (Press CTRL+C to quit)

$ curl http://127.0.0.1:45629/health
OK
$ curl http://127.0.0.1:45629/version
3.17.2
$ curl -i -H 'Host: evil.example.com' http://127.0.0.1:45629/api/2.0/mlflow/experiments/search
HTTP/1.1 403 Forbidden
Invalid Host header - possible DNS rebinding attack detected

起動の速さとメモリ（実測）

既定では uvicorn のワーカーが4つと、サーバー側のジョブを動かすプロセス（job_runner と huey）が8つ起動しました。個人の検証やメモリの少ない PC では、--workers 1 と環境変数 MLFLOW_SERVER_ENABLE_JOB_EXECUTION=false で軽くできます（ジョブ実行を使う機能は動かなくなります）。「Uvicorn running」と表示されてから実際に接続できるまでにも時間がかかり、その間の curl は Connection refused になりました。 起動を待つスクリプトは、/health が200になるまで繰り返し確かめる形にします。

実験を記録する（MLflow Tracking）

この節では、学習のたびにパラメーター・指標・モデルを自動で残す書き方と、記録した実験を比べる方法が分かります。

架空の通信サービスの顧客データ（契約月数・月額料金・問い合わせ回数・利用時間）から、解約するかどうかを予測するモデルを3種類学習しました。中心の部分です。

import mlflow, mlflow.sklearn
from mlflow.models import infer_signature

mlflow.set_tracking_uri("http://127.0.0.1:45629")
mlflow.set_experiment("churn")

for name, model in candidates.items():          # ロジスティック回帰2つ・ランダムフォレスト
    with mlflow.start_run(run_name=name):
        model.fit(X_tr, y_tr)
        pred = model.predict(X_te); proba = model.predict_proba(X_te)[:, 1]
        mlflow.log_params({"model": name, "n_train": len(X_tr), "data_seed": 1})
        mlflow.log_metrics({"accuracy": accuracy_score(y_te, pred),
                            "f1": f1_score(y_te, pred),
                            "roc_auc": roc_auc_score(y_te, proba)})
        mlflow.sklearn.log_model(
            model, name="model",
            signature=infer_signature(X_tr, pred),   # 入力の列名と型を残す
            input_example=X_tr.head(2),
            skops_trusted_types=["sklearn.tree._tree.Tree"] if name.startswith("rf") else None)

記録した実験は mlflow.search_runs で表として取り出せます。同じスクリプトを3回流したので、同じ名前の run が3つずつ並びました（logreg_C1.0 の2行を省いています）。

tags.mlflow.runName   status  metrics.accuracy  metrics.f1  metrics.roc_auc  metrics.fit_sec
        logreg_C0.1 FINISHED            0.7888      0.6071           0.8322           0.0669
        logreg_C0.1 FINISHED            0.7888      0.6071           0.8322           0.0652
        logreg_C0.1 FINISHED            0.7888      0.6071           0.8322           0.1225
        logreg_C1.0 FINISHED            0.7880      0.6062           0.8322           0.0088
        rf_depth5   FINISHED            0.7880      0.5800           0.8286           0.7008
        rf_depth5     FAILED            0.7880      0.5800           0.8286           0.5966
        rf_depth5     FAILED            0.7880      0.5800           0.8286           0.7014
best: b935d71035a94a5ca5399155ea795d52 logreg_C0.1

一番よいものは filter_string="status = 'FINISHED'" と order_by=["metrics.roc_auc DESC"] で選べます。ブラウザで http://127.0.0.1:45629/ を開くと、同じ記録を画面で比べられます。

モデルと一緒に保存されたもの

log_model 1回で、次のファイルがアーティファクト（成果物の置き場）に保存されました。

モデルを登録する（MLflow Model Registryとエイリアス）

この節では、採用したモデルを版として登録し、「本番用」の名札を付け替えて使う方法が分かります。

モデルレジストリは、モデルに名前と版番号を付けて管理する台帳です。 同じ名前で登録するたびに版が1つずつ増え、エイリアス（例：champion）という付け替えできる名札で「今の本番」を指します。

from mlflow import MlflowClient
c = MlflowClient()
mv = mlflow.register_model(f"runs:/{run_id}/model", "churn-model")
c.set_registered_model_alias("churn-model", "champion", mv.version)
c.set_model_version_tag("churn-model", mv.version, "validation_status", "approved")

m = mlflow.pyfunc.load_model("models:/churn-model@champion")   # 名札で読み込む

Successfully registered model 'churn-model'.
WARNING mlflow.tracking._model_registry.fluent: Run with id b935d71035a94a5ca5399155ea795d52 has no artifacts at artifact path 'model', registering model based on models:/m-9380d40acb524efea376e9186b43f368 instead
Created version '1' of model 'churn-model'.
alias -> 1
['tenure_months': double (required), 'monthly_fee': double (required), 'support_calls': double (required), 'usage_hours': double (required)]
pred: [0 0 0]

WARNING は、MLflow 3 でモデルが run とは別の「LoggedModel」（m- で始まる ID）として保存されるためで、登録は成功しています。log_model(..., registered_model_name="churn-model") と書けば、保存と登録を1回で行えます（再学習の節で使っています）。

推論APIとしてデプロイする（mlflow models serve）

この節では、登録したモデルを1つのコマンドで REST API にし、curl で予測を受け取る方法と、入力を間違えたときの応答が分かります。

export MLFLOW_TRACKING_URI=http://127.0.0.1:45629
mlflow models serve -m "models:/churn-model@champion" \
  -h 127.0.0.1 -p 45630 --env-manager local

--env-manager を省くと既定は virtualenv で、モデルの requirements.txt から新しい環境を作ります（パッケージを取りに行きます）。今の venv をそのまま使うときは local です。起動から /ping が200になるまで 16.5 秒でした。

$ curl -X POST http://127.0.0.1:45630/invocations -H 'Content-Type: application/json' \
  -d '{"dataframe_split":{"columns":["tenure_months","monthly_fee","support_calls","usage_hours"],
       "data":[[58,5061,1,21.0],[3,7200,5,4.5]]}}'
{"predictions": [0, 1]}

$ curl -X POST http://127.0.0.1:45630/invocations -H 'Content-Type: application/json' \
  -d '{"dataframe_records":[{"tenure_months":3,"monthly_fee":7200,"support_calls":5,"usage_hours":4.5}]}'
{"predictions": [1]}

$ printf 'tenure_months,monthly_fee,support_calls,usage_hours\n3,7200,5,4.5\n' | \
  curl -X POST http://127.0.0.1:45630/invocations -H 'Content-Type: text/csv' --data-binary @-
{"predictions": [1]}

MLflow の公式ドキュメントによると、推論サーバーのエンドポイントは /invocations（予測）・/ping と /health（死活確認）・/version（MLflow の版）の4つです。JSON の入力は dataframe_split・dataframe_records・instances・inputs のどれか1つで、dataframe_records は列の順番が保証されないため推奨されていません。

応答の速さ（実測）

同じマシンから30回（10,000行は10回）送った値です。まとめて送るほど1行あたりは安くなります。 夜間のバッチ推論なら、API を通さず mlflow.pyfunc.load_model で読み込んで predict する方法もあります。

モデル監視とデータドリフトの検知（scikit-learn・SciPyで再現）

この節では、データドリフトの2つの種類と、それぞれが監視の数値にどう表れるかが、実際の値で分かります。

データドリフトには、入力の分布が変わる「データ（共変量）ドリフト」と、入力と正解の関係が変わる「コンセプトドリフト」があります。 学習に使ったデータ（5,000件）を基準に、本番の3つの月（各2,000件）を作り、各特徴量の分布の差と、正解が分かった後の精度を測りました。

• 月1・変化なし：学習時と同じ作り方のデータ。
• 月2・値上げ：月額料金だけが平均1,500円上がった（入力の分布が変わる）。
• 月3・関係の変化：入力の分布は同じまま、「利用時間が長い人ほど解約する」へ関係が逆転した（競合への乗り換えを想定）。

import numpy as np
from scipy.stats import ks_2samp

def psi(ref, cur, bins=10):
    """Population Stability Index：基準データの十分位で区切って比べる"""
    edges = np.unique(np.quantile(ref, np.linspace(0, 1, bins + 1)))
    edges[0], edges[-1] = -np.inf, np.inf
    r = np.histogram(ref, edges)[0] / len(ref)
    c = np.histogram(cur, edges)[0] / len(cur)
    r, c = np.clip(r, 1e-6, None), np.clip(c, 1e-6, None)
    return float(np.sum((c - r) * np.log(c / r)))

for col in COLS:
    ks = ks_2samp(ref[col], cur[col])          # 2つの分布が同じかの検定
    mlflow.log_metrics({f"psi_{col}": psi(ref[col].values, cur[col].values),
                        f"ks_{col}": ks.statistic})

1_変化なし: accuracy=0.755 roc_auc=0.813 実際の解約率=0.327 予測の解約率=0.251
2_値上げ(fee+1500): accuracy=0.738 roc_auc=0.810 実際の解約率=0.476 予測の解約率=0.471
3_関係の変化: accuracy=0.703 roc_auc=0.690 実際の解約率=0.326 予測の解約率=0.235

PSI は「0.1 未満は小さい、0.25 以上は大きい」という目安がよく使われますが、公的な基準ではありません。自分のデータで、どれくらい動くと精度に響いたかを記録して決めます。

KS 検定の p 値は件数で変わる

月額料金を平均60円だけずらしたデータを、件数を変えて基準と比べました。

n=   500 fee+60円: KS=0.062 p=5.6e-02 PSI=0.028
n=  5000 fee+60円: KS=0.038 p=1.6e-03 PSI=0.008
n= 50000 fee+60円: KS=0.025 p=6.2e-03 PSI=0.005
n=200000 fee+60円: KS=0.026 p=2.7e-03 PSI=0.005

件数が多いと、業務上は無視できる60円の差でも p 値が0.01を下回ります。 本番のデータは件数が多いため、p 値だけで警報を出すと鳴りっぱなしになります。差の大きさ（KS の D 値や PSI）と組み合わせて判断します。p 値の読み方は、関連記事「ABテストとは｜やり方・サンプルサイズ・有意差の判定をPythonで実演」で扱っています。

監視の指標は、MLflow の別の実験（churn-monitoring）に月ごとに記録し、画面で並べて見られるようにしました。推論 API の応答時間やエラー率など、システムとしての監視は、関連記事「Prometheus Grafana入門｜監視構築とPromQL一覧」で扱っています。

再学習して入れ替える（エイリアスの切り替えとロールバック）

この節では、精度が落ちたときに再学習し、比べてから本番を切り替え、前の版へ戻せるようにする手順が分かります。

関係が変わった後のデータ（5,000件）で同じ設定のモデルを学習し直し、精度が落ちた月3のデータで、今の本番（版1）と比べました。

with mlflow.start_run(run_name="logreg_C0.1_retrain"):
    m = make_pipeline(StandardScaler(), LogisticRegression(C=0.1)).fit(new[COLS], new.churn)
    mlflow.log_params({"model": "logreg_C0.1", "data_seed": 5, "trigger": "concept_drift"})
    info = mlflow.sklearn.log_model(m, name="model", signature=..., input_example=...,
                                    registered_model_name="churn-model")   # 版2として登録
c.set_registered_model_alias("churn-model", "previous", 1)    # 戻し先を残す
c.set_registered_model_alias("churn-model", "champion", info.registered_model_version)

champion_v1: accuracy=0.703 roc_auc=0.690
challenger: accuracy=0.757 roc_auc=0.802
Registered model 'churn-model' already exists. Creating a new version of this model...
Created version '2' of model 'churn-model'.
{'champion': '2', 'previous': '1'}

再学習したモデル（challenger）は ROC AUC が 0.690 から 0.802 に戻りました。REST API でも、名札がどの版を指すかを確かめられます。

$ curl 'http://127.0.0.1:45629/api/2.0/mlflow/registered-models/alias?name=churn-model&alias=champion'
{
    "model_version": {
        "name": "churn-model",
        "version": "2",
        "current_stage": "None",
        "source": "models:/m-72601d985d9744a3987853d0b160c759",
        "run_id": "ca74dcaee84b44b1b6f2f20d19e4d0f0",
        "status": "READY",
        "aliases": ["champion"]
    }
}

名札を替えても、動いている推論 API は替わらない

版1と版2で答えが分かれる顧客（利用時間45時間）を、切り替えの前から動いていた推論 API に送りました。

切り替え前から動いていた推論 API:  {"predictions": [0]}     ← 版1の答え
推論 API を止めて起動し直した後:    {"predictions": [1]}     ← 版2の答え

mlflow models serve -m "models:/churn-model@champion" は、起動したときに名札が指していた版を読み込み、その後は名札を見に行きませんでした。 エイリアスを替えたら、推論 API を起動し直す（またはコンテナを入れ替える）までが切り替えの手順です。戻すときは champion を版1に付け直して起動し直します。新しい版へ一部の通信だけを流して様子を見る方法は、関連記事「デプロイ方式の種類と違い｜ブルーグリーン・カナリア・ローリング比較」で扱っています。

• 1同じデータで比べてから切り替える今の本番と新しいモデルを、同じ評価データで比べる。新しい方が負けたら登録だけして名札は動かさない
• 2戻し先の名札を残すprevious のような名札を前の版に付けておくと、戻す版を探さずに済む
• 3再学習のきっかけを記録するtrigger=concept_drift のように、なぜ学習し直したかを run のパラメーターに残す
• 4推論 API を起動し直す名札の変更だけでは、動いている API の答えは変わらなかった

MLflowのよくあるエラーとつまずき（原文つき）

この節では、手元で実際に出たエラーの原文と、その原因・直し方が一覧で分かります。

skops で信頼済みにする型は、自分で作ったモデルのものだけに絞ります。 保存形式を pickle に変える方法もありますが、MLflow は「読み込むときに任意のコードが実行されうる」と警告を出します。出どころが分からないモデルファイルは読み込みません。

MLOpsの始め方：判断表

この節では、自分のチームの状況から、まず何を入れるかを決める目安が分かります。

よくある質問

この節では、MLOps について検索でよく聞かれる疑問に短く答えます。

Q. MLOpsとは何ですか？ A. 機械学習モデルの開発から本番での運用、監視、再学習までを、継続して回せる仕組みにする考え方と手法です。DevOps の考え方を、データとモデルにも広げたものです。

Q. MLOpsとDevOpsの違いは何ですか？ A. DevOps はコードの変更を扱い、MLOps はコードに加えてデータとモデルの変化を扱います。データが変わると、コードを変えなくても精度が落ちるため、CI/CD に加えて CT（継続的トレーニング）と精度の監視が加わります。

Q. MLOpsのツールは何から入れればよいですか？ A. 実験の記録とモデルの登録から始めるのが入りやすいです。MLflow は pip で入り、1台の PC でトラッキングサーバー・レジストリ・推論 API まで動きました。Kubernetes を使っているなら Kubeflow、クラウドに寄せるなら各クラウドの ML 基盤も候補です。

Q. MLflowは無料ですか？ A. Apache-2.0 のオープンソースで、自分のサーバーで動かす分に利用料はかかりません（サーバー代と保守は自分持ち）。各社のマネージド版はそれぞれの料金に従います。

Q. データドリフトとコンセプトドリフトの違いは？ A. データドリフトは入力の分布が変わること、コンセプトドリフトは入力と正解の関係が変わることです。この記事の実験では、前者は PSI で見つかって精度はほぼ落ちず、後者は PSI では見つからず精度が 0.813 から 0.690 に落ちました。

Q. 正解（ラベル）がすぐに分からない場合、監視はどうしますか？ A. 入力の分布（PSI・KS）と、予測の分布（予測した解約率など）の変化を先に見ます。それだけではコンセプトドリフトを見逃すため、遅れてでも正解を集め、精度を測る仕組みを作ります。

Q. 再学習はどれくらいの頻度で行えばよいですか？ A. 決まった値はありません。Google の資料は、手動・スケジュール・新しいデータの到着・性能の低下・分布の大きな変化の5つをきっかけに挙げています。まず監視で「どれくらいで精度が落ちるか」を測り、それに合わせて決めます。

Q. モデルレジストリのStageは使わないほうがよいですか？ A. MLflow 3.17.2 では、Stage を変える関数を呼ぶと「2.9.0 から非推奨で、将来のメジャーリリースで削除される」という FutureWarning が出ました。新しく作るならエイリアス（champion など）とタグを使います。

Q. LLMOpsとMLOpsの違いは？ A. LLMOps は LLM を使うアプリの運用で、プロンプトの版管理・呼び出しの記録（トレース）・回答の評価が中心です。自分で学習したモデルの再学習が中心の MLOps とは、監視と評価の中身が違います。

まとめ

• MLOps は、機械学習モデルの学習・登録・デプロイ・監視・再学習を輪にして回す仕組み。DevOps との違いは、データとモデルの変化を扱い、CT（継続的トレーニング）が加わる点。
• 成熟度は Google の0〜2（手動→パイプラインの自動化→CI/CD の自動化）が基本。いきなり自動化せず、記録と登録から始める。
• MLflow 3.17.2 は pip で入り、127.0.0.1 だけで実験の記録・モデル登録・推論 API まで動いた。既定のサーバーは15プロセス・約1.7GB、--workers 1 とジョブ実行オフで2プロセス・348MB。
• データの分布が大きく動いても精度は保てた一方、分布が同じまま関係が変わると ROC AUC は 0.813→0.690 に落ちた。入力の監視と、正解との突き合わせの両方が要る。
• 再学習で 0.802 まで戻った。エイリアスを替えても動いている推論 API は前の版のままで、起動し直して初めて切り替わった。

参考・出典

確認日はいずれも 2026年10月29日です。

• Google Cloud「MLOps: ML における継続的デリバリーと自動化のパイプライン」（2024年8月28日更新）：https://docs.cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning?hl=ja
• Microsoft Learn「MLOps 成熟度モデル」：https://learn.microsoft.com/ja-jp/azure/architecture/ai-ml/guide/mlops-maturity-model
• AWS「MLOps とは何ですか?」：https://aws.amazon.com/what-is/mlops/
• Red Hat「MLOps とは」：https://www.redhat.com/ja/topics/ai/what-is-mlops
• MLflow「Tracking Server」：https://mlflow.org/docs/latest/self-hosting/architecture/tracking-server/
• MLflow「Model Registry」：https://mlflow.org/docs/latest/ml/model-registry/
• MLflow「Deploy MLflow Model as a Local Inference Server」：https://mlflow.org/docs/latest/ml/deployment/deploy-model-locally/
• MLflow「Usage Tracking」：https://mlflow.org/docs/latest/community/usage-tracking/
• MLflow（PyPI）：https://pypi.org/project/mlflow/
• Kubeflow「Introduction」：https://www.kubeflow.org/docs/started/introduction/
• DVC「User Guide」：https://doc.dvc.org/user-guide
• Feast「Introduction」：https://docs.feast.dev/
• Evidently「Introduction」：https://docs.evidentlyai.com/introduction
• scikit-learn「Model persistence」：https://scikit-learn.org/stable/model_persistence.html

株式会社RJC ― SI事業・SES事業・AI駆動開発。RJCは一緒に成長を楽しめる会社です。