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、以下の詳細を示す機能リファレンスを提供します。

• デプロイ オプション: AI エージェントは、Databricks 上または Databricks の外部にデプロイできます。この選択によって、トレース・ロギングのオプションが決まります。
• トレース・ロギング・オプション: トレースは、エクスペリメント MLflow または Delta 表に記録できます。

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。

このページは MLflow 3 用です。MLflow 2 トレースについては、 MLflow バージョンのオープンソース ドキュメントを参照してください。

トレースのデプロイメント・オプション

Databricks では、Databricks の内部と外部でのデプロイがサポートされています。この選択は、トレース・ロギングのオプション (エクスペリメント・ロギング、本番運用 モニタリング・テーブル、および推論テーブル MLflow に影響します。

展開場所	展開方法	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

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。以下のアーキテクチャ例は、すべてのロギングオプションのデータフローを示しています。

Deploy on Databricks

Deploy outside of Databricks

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。

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