MLflow Model Registry徹底ガイド: モデル昇格・ステージ運用・デプロイ

MLflow Model Registryは、学習済みモデルのバージョン管理、昇格フロー（Challenger → Champion）、 権限管理、Model Servingへのデプロイを一元的に管理するDatabricksの中核機能です。 2024年以降、DatabricksはWorkspace版Model Registryから Unity Catalog（UC）版Model Registryへの移行を推進しており、 UC版ではエイリアス機能やクロスワークスペース共有などの強化が行われています。

この記事では、Model Registryの全体像、Workspace版とUC版の違い、 モデル登録・エイリアス運用の実装、昇格フロー設計を解説します。

Model Registryの概要

Model Registryは、MLflowエコシステムの「モデルカタログ」に相当するコンポーネントです。 MLflow Trackingで記録した実験RunのモデルアーティファクトをRegistryに登録すると、 以下の管理機能が使えるようになります。

• バージョン管理：同一モデル名に対して複数バージョンを管理。 各バージョンは元のMLflow Tracking RunへのリンクとModel Signatureを保持する
• エイリアス / ステージ管理：UC版ではエイリアス（Champion / Challenger）、 旧Workspace版ではステージ（Staging / Production / Archived）でモデルの状態を管理する
• 権限管理：UC版ではGRANT / DENYでモデルへのアクセスを制御。 誰がモデルを登録 / 読み取り / 昇格できるかを厳密に管理する
• Model Servingとの連携：登録済みモデルをModel Servingエンドポイントに 直接デプロイ。エイリアスの付け替えで推論モデルを自動更新する

旧Workspace版 vs UC版 比較表

モデル登録の実装

モデルをModel Registryに登録する基本フローは以下の通りです。

import mlflow
from mlflow import MlflowClient

# 1. UC版を使用するためにRegistry URIを設定
mlflow.set_registry_uri("databricks-uc")

# 2. 学習 + Tracking記録
with mlflow.start_run() as run:
    mlflow.autolog()
    model = train_model(X_train, y_train)  # 学習処理
    mlflow.sklearn.log_model(
        model,
        artifact_path="model",
        input_example=X_train[:5],
        signature=mlflow.models.infer_signature(X_train, y_pred)
    )

# 3. Model Registryに登録
model_uri = f"runs:/{run.info.run_id}/model"
mv = mlflow.register_model(
    model_uri=model_uri,
    name="prod_catalog.ml_schema.churn_predictor"
)
print(f"登録完了: バージョン {mv.version}")

# 4. エイリアスの付与
client = MlflowClient()
client.set_registered_model_alias(
    name="prod_catalog.ml_schema.churn_predictor",
    alias="Challenger",
    version=mv.version
)

エイリアス vs 旧ステージの詳細比較

モデル昇格フロー

実務で推奨される昇格フローの全体像を以下に示します。

[Step 1: 学習 & 実験]
  │  mlflow.start_run() → autolog() → log_model()
  │  ⇒ MLflow Tracking Runに記録される
  │
  ▼
[Step 2: Registry登録]
  │  mlflow.register_model("runs:/{id}/model", "catalog.schema.model")
  │  ⇒ Model Registry に Version N が作成される
  │
  ▼
[Step 3: Challengerエイリアス付与]
  │  client.set_registered_model_alias(..., "Challenger", N)
  │  ⇒ 本番候補としてマーク
  │
  ▼
[Step 4: バリデーション（自動）]
  │  ├─ 精度テスト（AUC ≥ 0.85 / RMSE ≤ 閾値）
  │  ├─ データドリフト検出（PSI / KS統計量）
  │  ├─ レイテンシテスト（p99 < 100ms）
  │  └─ フェアネステスト（保護属性間の予測差）
  │
  ▼
[Step 5: 承認（手動 or 自動）]
  │  ├─ 全テスト合格 → MLリードが承認
  │  └─ テスト不合格 → 却下・フィードバック
  │
  ▼
[Step 6: Champion昇格]
  │  client.set_registered_model_alias(..., "Champion", N)
  │  ⇒ Model Servingが自動的に新バージョンに切り替え
  │
  ▼
[Step 7: 旧Champion → Archived]
     client.delete_registered_model_alias(..., "Champion")  # 旧版
     ⇒ 参照用に保持、推論からは外れる

Model Servingとの連携

UC Model RegistryのモデルはDatabricks Model Servingに直接デプロイできます。 エンドポイント作成時にエイリアスを指定すると、エイリアスの付け替えだけで 推論モデルの更新が完了します。

# エイリアスベースでのモデル読み込み（推論時）
import mlflow

model = mlflow.pyfunc.load_model(
    "models:/prod_catalog.ml_schema.churn_predictor@Champion"
)
predictions = model.predict(new_data)

試験で問われるポイント

• 「モデルのバージョン管理と昇格フローを実現するDatabricksの機能は？」→ UC Model Registry
• 「UC版とWorkspace版の最大の違いは？」→ エイリアス vs ステージ、3層名前空間、クロスワークスペース共有
• 「mlflow.register_model()の役割は？」→ Tracking RunのモデルアーティファクトをRegistryに登録し、バージョン管理の対象にする
• 「Model Servingでモデルを更新するには？」→ Championエイリアスを新バージョンに付け替え
• 「モデルの参照URIの形式は？」→ models:/catalog.schema.model_name@Champion

問題で確認

よくある質問