目次 › 第4章 › 4-1

第4章 アプリケーションの組み立てとデプロイ / 想定学習時間:30〜40分 / 最終確認:2026年8月

4-1. Unity Catalogへのモデル/チェーンの登録

1. なぜUnity Catalogに登録するのか

第3章までで、RAGチェーンやエージェントをMLflowでログする方法を学びました。ログしたモデルを本番デプロイにつなぐ次のステップが、Model Registryへの登録です。Databricksでは、MLflow Model RegistryはUnity Catalog(UC)との統合が標準になっており、モデルはテーブルや関数と同じガバナンス体系の中で管理されます。

UCに登録する利点は次の通りです。

• 一元的なアクセス制御 — テーブルと同じGRANT文の体系で「誰がこのモデルを使えるか」を制御できる(4-3で詳述)
• リネージ(系譜) — モデルがどのデータ・ノートブックから作られたかを追跡できる
• 監査 — 誰がいつモデルにアクセスしたかが記録される
• 環境間の昇格フロー — dev/staging/prodのカタログを分け、検証済みモデルを段階的に昇格できる
• ワークスペースをまたぐ共有 — UCはワークスペース横断のガバナンス層なので、複数ワークスペースから同じモデルを参照できる

2. 3レベル名での登録:catalog.schema.model_name

UC配下のモデルは、テーブルと同じく3レベルの名前空間で識別されます。

登録の基本コードは次の2ステップです。まずレジストリのURIをUCに向け、次にregister_model(またはログ時のregistered_model_name引数)で登録します。

import mlflow

# レジストリとしてUnity Catalogを使う宣言
mlflow.set_registry_uri("databricks-uc")

# 方法1: ログ済みモデルを後から登録
mlflow.register_model(
    model_uri="runs:/<run_id>/chain",
    name="prod.genai_apps.support_rag_chain",
)

# 方法2: ログと同時に登録
with mlflow.start_run():
    mlflow.langchain.log_model(
        lc_model=chain,
        artifact_path="chain",
        registered_model_name="prod.genai_apps.support_rag_chain",
    )

同じ名前で再度登録すると、バージョン番号が自動的に採番されます(1, 2, 3, …)。同名モデルの新バージョンとして履歴が積み上がるため、「どのバージョンを本番に出すか」を明示的に管理できるようになります。

3. エイリアスによるステージ管理:@champion / @challenger

従来のワークスペース版Model Registryには「Staging」「Production」という固定のステージがありましたが、UC統合レジストリではこの仕組みは廃止され、後継としてエイリアス(alias)を使います。エイリアスは「モデルの特定バージョンに付ける可変のニックネーム」で、任意の名前を付けられます。慣例としてよく使われるのは次の2つです。

from mlflow import MlflowClient

client = MlflowClient()
# バージョン3にchampionエイリアスを付ける
client.set_registered_model_alias(
    name="prod.genai_apps.support_rag_chain",
    alias="champion",
    version=3,
)

エイリアスの強みは、参照側のコードを変えずに実体を差し替えられることです。エンドポイントやバッチ処理が@championを参照していれば、エイリアスをバージョン3から4に付け替えるだけで新バージョンへ切り替わり、問題があれば3に戻すだけでロールバックできます(運用フローは4-5で詳述)。

4. 登録済みモデルのロードと昇格フロー

登録済みモデルはmodels:/スキームのURIでロードします。バージョン番号での固定参照と、エイリアスでの可変参照の2通りがあります。

# エイリアスで参照(推奨:実体の差し替えに追従する)
model = mlflow.pyfunc.load_model(
    "models:/prod.genai_apps.support_rag_chain@champion"
)

# バージョン番号で固定参照(再現性が必要な検証など)
model = mlflow.pyfunc.load_model(
    "models:/prod.genai_apps.support_rag_chain/3"
)

model.predict({"query": "返品の手順を教えてください"})

環境間の昇格は、カタログを環境ごとに分けるのが定石です。たとえばdevカタログで開発・評価したモデルを、検証に合格したらprodカタログへコピー(または再登録)し、本番はprod側だけを参照します。カタログ単位で権限を分けられるため、「開発者はdevに書けるがprodには書けない」という統制が自然に実現します。

練習問題