変更要約: 各節に図（figure）を追加＝cert-figure-retrofit。AI-300 第2章を新規作成（ドメイン2「ML モデルのライフサイクルと運用」: 学習オーケストレーション=MLflow/AutoML/スイープ・早期終了/分散学習/学習パイプライン/モデル比較、登録とバージョン管理=MLflow モデル/特徴量取得仕様/責任ある AI 評価/アーカイブ、本番デプロイと監視=オンライン・バッチ エンドポイント/段階的ロールアウト・トラフィック分割/安全なロールバック/データドリフト/再学習・アラートトリガー）
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。
学習で得たモデルは、本番で使う前に モデルレジストリに登録・バージョン管理します。これにより、どのモデルがどの実験から来たかを追跡し、デプロイやロールバックの対象を明確にできます。
2.2.1モデル登録と特徴量取得仕様
MLflow モデルとして登録すると、推論に必要なメタデータ（シグネチャ・依存環境）が一緒に保存され、デプロイが容易になります。さらに、推論時に必要な特徴量をどこから取得するかを定義した 特徴量取得仕様をモデル成果物にパッケージ化すると、学習時と推論時の特徴量の不一致（トレーニング/サービングスキュー）を防げます。各登録には バージョンが付き、追跡可能になります。
2.2.2責任ある AI 評価とライフサイクル
デプロイ前に、モデルを 責任ある AIの原則（公平性・信頼性と安全性・説明可能性など）で評価します。AML の 責任ある AI ダッシュボードは、誤差分析・公平性・解釈可能性（特徴量重要度）などを可視化します。運用面では、不要になった古いモデルを アーカイブして整理し、登録→評価→デプロイ→監視→（再学習/アーカイブ）という ライフサイクルを管理します。
| 目的 | 手段 | 要点 |
|---|---|---|
| デプロイしやすく登録 | MLflow モデル | シグネチャ/依存を同梱 |
| 特徴量の不一致防止 | 特徴量取得仕様のパッケージ化 | 学習/推論の整合 |
| 公平性・解釈の評価 | 責任ある AI ダッシュボード | 誤差/公平性/特徴量重要度 |
| 追跡可能性 | バージョン管理 | 実験→モデルを追跡 |
| 不要モデルの整理 | アーカイブ | ライフサイクル管理 |
混同に注意：
①モデルの登録（レジストリ）とエンドポイントへのデプロイは別ステップ。
②特徴量取得仕様のパッケージ化は学習/推論の特徴量不一致（スキュー）対策。
③責任ある AI 評価はデプロイ前の品質ゲート。
「要件 → 手段」：例「推論メタデータごと登録してデプロイしやすく」＝MLflow モデル、「学習と推論で特徴量がずれないように」＝特徴量取得仕様のパッケージ化、「公平性や誤差を評価」＝責任ある AI ダッシュボード、「どの実験のモデルか追跡」＝バージョン管理、「古いモデルを整理」＝アーカイブ。
2.2.3この節のまとめ
- MLflow モデルで登録（メタデータ同梱）＋バージョン管理で追跡可能に
- 特徴量取得仕様のパッケージ化で学習/推論のスキューを防止
- デプロイ前に責任ある AI で評価、不要モデルはアーカイブ
進捗の記録にはログインが必要です。
理解度チェック
（軽い確認用）Q1. 推論に必要なシグネチャや依存環境を一緒に保存し、デプロイを容易にするモデルの登録形式はどれですか？
Q2. 推論時に必要な特徴量をどこから取得するかを定義し、モデル成果物に同梱して学習/推論のスキューを防ぐのはどれですか？
Q3. デプロイ前にモデルの公平性・誤差・特徴量重要度などを評価する AML の機能はどれですか？
Q4. どのモデルがどの実験から来たかを追跡可能にするために、モデル登録に付与されるのはどれですか？
Q5. 不要になった古いモデルを整理し、ライフサイクルを管理するために行う操作はどれですか？
Q6. モデルの登録とデプロイの関係として正しいものはどれですか？