2ML モデルのライフサイクルと運用

• 2.1モデル学習のオーケストレーション

  MLflow による実験トラッキング、自動機械学習（AutoML）、ノートブックでの探索、ハイパーパラメーター調整（スイープ）、学習スクリプトの実行、大規模/深層学習の分散学習、学習パイプライン、そしてジョブ間のモデル性能比較を理解します。

• 2.2モデルの登録・バージョン管理・責任ある AI 評価

  MLflow モデルの登録、特徴量取得仕様をモデル成果物にパッケージ化すること、責任ある AI の原則によるモデル評価、そしてモデルのアーカイブを含むライフサイクル管理を理解します。

• 2.3本番デプロイと監視

  モデルをリアルタイム/バッチのマネージド エンドポイントとしてデプロイし、エンドポイントのテストとトラブルシュート、段階的ロールアウトと安全なロールバックを行い、本番ではデータドリフトの検出・性能メトリクスの監視・しきい値超過時の再学習/アラートのトリガーを構成することを理解します。