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、各製品を比較します。
モデリングタスクのガイド付き支援として、AI FDE には専用の機械学習モードが用意されており、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します。エージェントは、Model Studio またはプロコードの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案内できます。はじめるには、AI FDE のモードセレクターから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 | ポイントアンド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の、対話的なプロコードによるデータ分析と変換 |
| Python トランスフォーム | Foundry の Web ベースの IDE である Code Repositories での PySpark データパイプライン開発 |
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。本番環境向けの機械学習モデルを作成するための、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が用意されています。
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 | 対応ライブラリ | 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 機能を備え、モデリングワークフローに対応する強力な Web ベースの IDE。ノートブックと比べて対話性は低いです |
| 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わた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します。モデルは Spark エグゼキューターと並行して隔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、対応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 トランスフォーム内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。 |
| モデリング目標のバッチデプロイ | Modeling Objectives は、モデルのリリース管理や評価など、より広範なモデル管理機能を提供します。 | マルチ出力モデルと外部モデル、サイドカーとしてのモデル、およびこちらで説明されている Marketplace 経由のデプロイには対応していません。 |
| Jupyter® Notebook | Code Workspaces から直接、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作成できます。 | 同じノートブックから作成された推論モデルの実行にのみ対応しています。ほかの場所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 トランスフォームを使用します。 |
Pipeline Builder を使用して、ストリーミングデータに対するノーコードの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はじめにを、現在の制限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隔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使用し続けます。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 Foundry にデプロイし、REST API 経由で利用できるようにできます。モデルをデプロイすると、Foundry の内部と外部の両方で利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。迅速な反復とデプロイに最適です。 |
| モデリング目標のライブデプロイ | 本番環境向けのモデリングプロジェクト管理。モデリング目標は、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。こちらで説明されている Marketplace 経由のデプロイには対応していません。 |
直接デプロイとモデリング目標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、ライブ推論にモデルを簡単に使用できます。
| 製品 | 最適な用途 |
|---|---|
| 関数の直接公開 | ライブデプロイを持つモデルに対するノーコードの関数作成で、オントロジーとの統合が可能です。同じ機能は、Model および 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 関数にインポートして、予測をさらに処理（たとえば、オントロジーの編集）できます。Model API の型チェックに対応しています。 |