注: 以下の翻訳の正確性は検証されていません。AIPを利用して英語版の原文から機械的に翻訳されたものです。
Palantir のモデリング製品群を使用すると、モデルの開発、管理、運用化ができます。このページでは、ニーズに合ったツールを選択できるように、さまざまな製品を比較します。
モデリングタスクのガイド付き支援として、AI FDE には、モデルのトレーニング、評価、デプロイ、チューニングを支援する専用の機械学習モードが用意されています。エージェントは、Model Studio またはプロコードリポジトリを使用して、特徴量エンジニアリングからモデルのトレーニング、デプロイまでのワークフロー全体をガイドできます。はじめるには、AI FDE のモードセレクターで機械学習モードを選択するか、モデリングタスクを説明して、エージェントにモードを自動選択させます。
| 製品 | 詳細 |
|---|---|
| Pipeline Builder | ポイント&クリックによる大規模なデータ変換 |
| Code Workspaces | JupyterLab® などの使い慣れた環境で、コードを記述して行う対話的なデータ分析と変換 |
| Python Transforms | Foundry の Web ベース IDE である Code Repositories での Python データパイプライン開発(軽量または Spark) |
Model Studio では、ノーコードのモデルトレーニングツールを利用できます。シンプルなポイントアンドクリックのインターフェースで、本番環境で使用できる品質の機械学習モデルを作成できます。
palantir_models ライブラリは、モデルアダプターの概念を使用して、Palantir プラットフォーム内でモデルを公開および利用するための柔軟なツールを提供します。その前身である foundry_ml ライブラリは、2025年10月をもって正式に非推奨となりました。
| 製品 | ライブラリのサポート | 詳細 |
|---|---|---|
| Code Workspaces | palantir_models | Jupyter® ノートブックでの対話的なモデル開発 |
| Code Repositories | palantir_models | ネイティブの CI/CD 機能とモデリングワークフローのサポートを備えた強力な Web ベース IDE。ノートブックに比べると対話性は低くなります。 |
| 製品 | 詳細 |
|---|---|
| Experiments | モデルのトレーニングジョブ中にメトリクスとハイパーパラメーターを記録するためのフレームワーク |
| 製品 | 詳細 |
|---|---|
| Evaluations | 評価メトリクスをモデルに記録するためのフレームワーク |
モデルを使用して、データセット全体に対する大規模なバッチ推論パイプラインを実行できます。
| 製品 | 詳細 | 注意事項 |
|---|---|---|
| Pipeline Builder | トレーニング済みモデルノードを使用して、パイプラインキャンバス上で直接ノーコードのバッチ推論を実行できます。モデルは Spark エグゼキューターと並行して、分離されたサイドカーとして実行され、ビルドごとに利用可能な最新のモデルバージョンを使用します。 | 要件と制限については、サポートされるモデルと実行モードを参照してください。 |
| Python トランスフォーム | Python トランスフォームで直接バッチ推論を実行できます。特定のモデルバージョンの固定に対応しています。 | @lightweight デコレーターとモデルサイドカーの使用を推奨します。 |
| Modeling Objective のバッチデプロイ | Modeling Objectives は、モデルのリリース管理や評価など、より幅広いモデル管理機能を提供します。 | 複数出力モデル、外部モデル、サイドカーとしてのモデルの実行、およびこちらで説明する Marketplace 経由のデプロイには対応していません。 |
| Jupyter® Notebook | ユーザーは、スケジュールされたトレーニングジョブや推論ジョブを Code Workspaces から直接作成できます。 | 同じノートブックで作成されたモデルの推論実行にのみ対応しています。ほかで作成されたモデルをオーケストレーションするには、Python Transforms を使用します。 |
Pipeline Builder を使用すると、ストリーミングデータに対してノーコードでモデル推論を実行できます。パーティションキーとウィンドウを設定して、推論用にストリームレコードをグループ化します。セットアップ手順については入門を、現在の制限事項については実行モードを参照してください。
モデルは、各 Flink タスクマネージャー上で分離されたサイドカーとして実行されます。実行中のストリーミングパイプラインは、読み込み済みのモデルバージョンを引き続き使用します。最新のモデルバージョンに更新するには、パイプラインを再起動または再デプロイします。
モデルは、REST API 経由で利用できるように Foundry にデプロイできます。モデルをデプロイすると、Foundry の内外で使用できるようにモデルが運用化されます。
| 製品 | 詳細 |
|---|---|
| モデルの直接デプロイ | 自動アップグレードされるモデルデプロイです。迅速な反復開発とデプロイに最適です。 |
| Modeling Objective のライブデプロイ | 本番環境に対応したモデリングプロジェクト管理です。Modeling Objective は、モデルのリリース管理と評価のためのツールを提供します。こちらで説明する Marketplace 経由のデプロイには対応していません。 |
直接デプロイと Modeling Objective を介したデプロイの違いについて詳しくはこちら。
モデルを関数として公開すると、Workshop、Slate、アクション、その他の下流の Foundry アプリケーションで、モデルをライブ推論に簡単に使用できます。
| 製品 | 最適な用途 |
|---|---|
| 関数の直接公開 | ライブデプロイされたモデルに対してノーコードで関数を作成し、オントロジーと統合できます。同じ機能を Model アプリケーションと Modeling Objectives アプリケーションでも利用できます。 |
| モデル関数を Functions リポジトリにインポートする | モデル関数を TypeScript v1、v2 または Python の関数にインポートして、予測結果をさらに処理します(たとえば、オントロジーの編集)。Model API の型チェックにも対応しています。 |