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）
2.3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。
モデルは マネージド エンドポイントとして本番にデプロイし、運用中は劣化を検知して対応します。デプロイの安全性と、デプロイ後の監視・自動対応が AI-300 の重点です。
2.3.1オンライン/バッチ エンドポイントと安全なデプロイ
推論は用途で使い分けます。オンライン（リアルタイム）エンドポイントは低遅延の同期推論（API 呼び出し）、バッチ エンドポイントは大量データの非同期推論に向きます。新バージョンの公開は 段階的ロールアウト（トラフィック分割で新デプロイへ少しずつ流す＝カナリア的）で安全に行い、問題があれば 安全なロールバックで旧デプロイへ即時に戻します。公開前後には エンドポイントのテストとトラブルシュート（ログ・スコアリングの確認）を行います。
2.3.2データドリフトと再学習トリガー
本番では、入力データの分布が学習時から変化する データドリフトを検知します。ドリフトや 性能メトリクスの劣化（精度低下など）を監視し、しきい値を超えたら再学習やアラートを自動的にトリガーする仕組みを構成します。これにより「デプロイして終わり」ではなく、継続的に品質を保つ MLOps のループを回します。
| 目的 | 手段 | 要点 |
|---|---|---|
| 低遅延の同期推論 | オンライン エンドポイント | API 呼び出し・リアルタイム |
| 大量データの推論 | バッチ エンドポイント | 非同期・スケジュール |
| 安全な新版公開 | 段階的ロールアウト（トラフィック分割） | 少しずつ流す・カナリア的 |
| 問題時の復旧 | 安全なロールバック | 旧デプロイへ即時復帰 |
| 品質劣化の検知 | データドリフト/性能監視 | しきい値超過で再学習/アラート |
混同に注意：
①オンライン エンドポイント（リアルタイム・低遅延）とバッチ エンドポイント（大量・非同期）。
②段階的ロールアウト/トラフィック分割（安全な公開）とロールバック（問題時の復帰）。
③データドリフト（入力分布の変化）を検知し、しきい値超過で再学習/アラートを自動トリガー。
「要件 → 手段」：例「低遅延で同期推論」＝オンライン エンドポイント、「夜間に大量データを推論」＝バッチ エンドポイント、「新モデルを少しずつ公開」＝トラフィック分割（段階的ロールアウト）、「問題時に即旧版へ戻す」＝安全なロールバック、「入力分布の変化を検知して再学習」＝データドリフト検出＋再学習トリガー。
MLOps の CI/CD では Azure DevOps も選択肢です。Azure Repos でソースを管理し、Azure Pipelines で学習・評価・デプロイを自動化します。GitHub Actions と同様にパイプラインから Azure Machine Learning のジョブやエンドポイント更新をトリガーでき、組織の標準に合わせて使い分けます。
2.3.3この節のまとめ
- デプロイ：オンライン（リアルタイム）/ バッチ（大量・非同期）のマネージド エンドポイント
- 安全な公開＝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。事前/事後にテスト・トラブルシュート
- 本番監視＝データドリフト/性能を監視し、しきい値超過で再学習/アラートを自動トリガー
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. 低遅延の同期推論（API 呼び出し）に最も適したデプロイ先はどれですか？
Q2. 大量データに対する非同期・スケジュール実行の推論に向くのはどれですか？
Q3. 新しいモデルのデプロイへトラフィックを少しずつ流して安全に公開する方法はどれですか？
Q4. 新バージョンに問題が見つかったとき、旧デプロイへ即座に戻す方法はどれですか？
Q5. 本番で入力データの分布が学習時から変化していないかを検知するのはどれですか？
Q6. 本番監視でモデルの性能がしきい値を下回ったときに自動で行うべき対応はどれですか？