デプロイメントのトレース

MLflow Tracing は、 MLflow UI で表示したり、テーブルとして分析したりできる実行の詳細をキャプチャすることで、本番運用 GenAI アプリに包括的なオブザーバビリティを提供します。 このページでは、トレース ログ オプションやガバナンスの詳細など、 MLflow Tracingを使用するエージェントまたはアプリのデプロイ オプションの詳細を説明する機能リファレンスを提供します。 ガイドとチュートリアルについては、「 トレースを使用したエージェントのデプロイ」を参照してください。

トレース・ロギング・オプション

トレースは、Databricks MLflow 追跡サービスまたは Delta テーブルに記録できます。次の図は、データフローを説明するために、すべてのログオプションを使用したアーキテクチャの例を示しています。

トレース ログ オプション	アクセスとガバナンス	利点	制限事項
MLflowエクスペリメント	トレースは、 MLflow エクスペリメントUIで表示することも、 プログラムでクエリを実行することもできます。 アクセスは、 MLflow エクスペリメント ACL によって管理されます。	リアルタイムロギング。非常に大きなトレースをサポートします。	エクスペリメントあたり100Kトレース。 最大 60 クエリ/秒 (QPS)。これらの制限を引き上げるには、Databricks アカウント チームに支援を求めてください。
本番運用のモニタリング	Delta テーブルは、 Unity Catalog 権限を使用して管理されます。	非常に大きなトレースをサポートします。	エクスペリメントロギング MLflow と同じです。 ~15分の遅延。
AI Gateway 対応推論テーブル	Delta テーブルは、 Unity Catalog 権限を使用して管理されます。	エクスペリメントごとのトレースに制限はありません。	30〜90分の遅延。トレースサイズの制限。

上の表では、 MLflow エクスペリメントがアーティファクトのカスタム保存場所で作成されている場合、エクスペリメントのトレースデータは指定した場所に格納されます。 具体的には、ワークスペースエクスペリメントを作成すると、Unity Catalogボリュームなどのartifact_locationを指定することで、アーティファクトやトレースデータに非デフォルト保存場所を設定することができます。この場合、トレース データ アクセスは、 Unity Catalog ボリューム特権などの場所のアクセス許可によって管理されます。

トレースのデプロイメント・オプション

Databricks では、MLflow 3 と MLflow 2 を使用して、Databricks の内部と外部でのデプロイがサポートされています。展開方法の選択は、使用可能なログ オプションに影響します。

展開場所 d - デプロイ方法	エクスペリメントのロギングMLflow?	本番運用 モニタリング?	推論テーブル?
Databricks	エージェントフレームワーク(推奨) または カスタムサービス展開	サポート	サポート	サポート
Databricks の外部	カスタム展開	サポート	サポート	サポートされていない

ガイドとチュートリアル

• トレースを使用したエージェントのデプロイ
• Databricks の外部にデプロイされたトレース エージェント

機能参照

このガイドの概念と機能の詳細については、以下を参照してください。

• 本番運用 モニタリングの概念 - MLflow が継続的品質モニタリングを実現する方法を理解する
• トレース データ モデル - トレース、スパン、属性について学習します
• 評価のログ記録 - フィードバックの保存方法と使用方法を理解する