変更要約: DP-100 第3章を深掘り（図ja化・比較表/シナリオ/FAQ/ひっかけ/深掘り段落を全節に追加）
3.2監視・再学習と MLOps
デプロイ後の 監視（データドリフト・性能・推論ログ）、再学習の自動化、MLOps（パイプライン・CI/CD・モデルのバージョン管理）を理解します。モデルを継続的に良い状態に保ちます。
モデルはデプロイして終わりではありません。入力データの変化（ドリフト）や性能を監視し、必要に応じて再学習します。これを自動化するのが MLOps です。
3.2.1監視・再学習・MLOps
言語モデルの最適化（DP-100 の出題範囲）では、基盤モデルを Azure OpenAI やモデルカタログから利用し、企業データで根拠付けする RAG では Azure AI Search をベクトルストア/インデックスとして使います。プロンプトフローで評価し、必要に応じてファインチューニングします。
- データドリフト：本番の入力データ分布が学習時からずれると性能が劣化する。検出して対処する。
- 監視：推論の性能・レイテンシ・ログを Application Insights/Log Analytics で把握する。
- 再学習：新しいデータで再学習→評価→登録→再デプロイを行う（パイプライン化）。
- MLOps：パイプライン＋Git/CI-CD＋バージョン管理で学習・デプロイ・再学習を自動化する。
「入力分布のずれ＝データドリフト」「推論の監視＝Application Insights/ログ」「新データで再学習→評価→登録→再デプロイ」「自動化＝MLOps（パイプライン＋CI/CD＋バージョン管理）」 は DP-100 で頻出です。性能劣化の典型原因がデータドリフトである点を押さえましょう。
再学習はスケジュール（定期）やトリガー（ドリフト検出/新データ到着）で起動できます。CI/CD と組み合わせると、検証を通ったモデルだけが本番へ昇格します。
デプロイ後は 監視 が要：データドリフト（本番入力の分布が学習時からずれる＝性能劣化の典型原因）や コンセプトドリフト（入力と出力の関係自体の変化）、推論の 性能/レイテンシ/エラー率 を Application Insights・Log Analytics（推論ログ）・Azure ML の モデルモニタリング（データ品質・特徴量の重要度の変化）で把握します。劣化を検知したら 再学習 を起動：新データで 再学習→評価→（合格なら）登録→再デプロイ。起動は スケジュール（定期）か トリガー（ドリフト検出/新データ到着）。これらを自動化するのが MLOps＝ML ライフサイクルを パイプライン＋Git/CI-CD＋モデルのバージョン管理/レジストリ で回す考え方で、検証を通ったモデルだけを本番へ昇格（承認ゲート）。再現性のため 環境・データアセット・コンポーネント をバージョン管理し、承認/ロールバック を備えます。「分布のずれ＝データドリフト」「推論監視＝App Insights/モデルモニタリング」「自動化＝MLOps」と整理します。
| 段階 | やること | ツール |
|---|---|---|
| 監視 | ドリフト・性能・ログの把握 | App Insights / モデルモニタリング |
| 再学習 | 新データで再学習→評価→登録→再デプロイ | パイプラインジョブ |
| 自動化 | 検証通過のみ本番昇格 | MLOps（Git/CI-CD・レジストリ） |
シナリオ： 数か月運用したモデルの精度が徐々に落ちてきた。→ モデルモニタリングでデータドリフトを確認し、入力分布の変化を特定。再学習パイプライン（新データで再学習→評価で基準クリア→レジストリに新バージョン登録→トラフィック分割で再デプロイ）を起動。これを MLOps でスケジュール/トリガー自動化し、検証を通ったモデルだけ昇格させます。
FAQ： Q. モデルの精度が落ちる典型原因は？ → A. データドリフト（本番入力分布のずれ）。監視で検出し再学習します。Q. MLOps の核心は？ → A. ML ライフサイクル（学習/デプロイ/再学習）をパイプライン＋CI/CD＋バージョン管理で自動化し、検証済みモデルのみ本番へ昇格することです。
ひっかけ： 「モデルはデプロイすれば精度は一定に保たれる」は誤りです。本番ではデータドリフト等で劣化しうるため、監視と再学習が必要。また「MLOps は単なる手動デプロイ」も誤り（パイプライン＋CI/CD＋バージョン管理で自動化し、検証済みのみ昇格する継続的な営み）。
3.2.2この節のまとめ
- 監視＝データドリフト・性能・ログ
- 再学習＋自動化＝パイプライン＋MLOps（CI/CD・バージョン管理）
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. 本番の入力データ分布が学習時からずれて性能が劣化する現象は何と呼ばれますか？
Q2. 学習・デプロイ・再学習をパイプラインと CI/CD、バージョン管理で自動化する考え方は何と呼ばれますか？
Q3. デプロイ済みモデルの推論の性能やログを監視するのに使える Azure のサービスはどれですか？