Claude CodeのDataRobotプラグインでモデル学習からデプロイ・監視まで進める
datarobot-agent-skillsプラグインの入れ方と、モデル学習・デプロイ・ドリフト監視を担うスキルの中身、認証の準備、デプロイ前に確認を挟む運用を示します。
DataRobotが公開しているdatarobot-agent-skillsプラグインを入れると、Claude Codeに「AutoMLでモデルを学習する」「デプロイする」「ドリフトを監視する」といった作業の手順書(スキル)が足されます。中身はスキルとPythonの補助スクリプトです。各スキルは、DataRobotのPython SDKを呼ぶコードをClaude Codeが書いて実行する前提で書かれています。
つまずきやすいのは入れ方より認証です。この記事では入れ方、認証、スキルの中身、スキル一覧の数の食い違い、デプロイ前に確認を挟む運用の順に扱います。
datarobot-agent-skillsは何を足すのか
マーケットプレイスの掲載ページは、このプラグインを「モデル学習、デプロイ、予測、特徴量エンジニアリング、監視、説明可能性、データ準備、App FrameworkのCI/CD、外部エージェントの監視」を扱うDataRobot向けスキル集と紹介しています。提供元はDataRobot自身で、掲載ページの導入数は1,271と表示されています。
リポジトリのマニフェスト(plugin.json)のバージョンは1.29.0です。プラグインは1つで、中に複数のスキルが入っています。スキル名は datarobot-<分野> の形に統一されています。
スキルとは、SKILL.md に手順を書いたフォルダで、必要なときだけClaude Codeが読み込む仕組みです。プラグインやスキルの位置づけはClaude.aiのプラグイン機能の解説にまとめています。
入れ方: 公式マーケットプレイスから1コマンド
READMEが示すClaude Code向けの手順は、公式プラグインのマーケットプレイスからの導入です。ターミナルからは次のように入れます。
claude plugin install datarobot-agent-skills@claude-plugins-officialClaude Codeのセッション内からは /plugin install を使います。
/plugin install datarobot-agent-skills@claude-plugins-officialリポジトリ自身をマーケットプレイスとして登録する方法もあります。この場合のマーケットプレイス名は datarobot-skills で、スキルを1つずつ選んで入れられます。
/plugin marketplace add datarobot-oss/datarobot-agent-skills
/plugin install datarobot-model-training@datarobot-skills2つ目のコマンドはREADMEの例のままで、学習スキルだけを入れる指定です。全スキルは要らず、学習だけ試したいときに向きます。
READMEにはClaude Code以外の入れ方もあります。npx ai-agent-skills install datarobot-oss/datarobot-agent-skills は、対応する複数のコーディングエージェントへまとめて入れるインストーラーです。エージェントを絞るなら --agent claude を付けます。Claude Codeだけを使うなら、上のプラグインコマンドで足ります。
認証を先に通す
スキルの中のコードは、import datarobot as dr したあとに引数なしで dr.Client() を呼びます。認証情報は環境変数かファイルから読む前提です。同梱の datarobot-setup スキルは、状態確認で次の3つを見ています。
- 環境変数
DATAROBOT_API_TOKEN - 環境変数
DATAROBOT_ENDPOINT - 設定ファイル
~/.config/datarobot/drconfig.yaml
設定ファイルがある場合は dr auth check で有効かどうかも調べます。認証情報が揃っていないと、最初のSDK呼び出しで認証エラーになります。そのときに使うのが datarobot-setup です。
このスキルは、DataRobotをまだこのマシンで使っていないとき、または認証エラーで作業が失敗したときに使うスキルです。導入前に既存のツールを調べ、足りないものだけを入れる設計になっています。Python、git、uv、dr CLI、Pulumi、Task、Node.jsなどの有無とバージョンを調べ、結果を利用者に見せて確認を取ってから進めます。
Windowsには注意があります。このスキルによれば、DataRobot Agent Assistは素のWindowsに対応していません。WSL 2を使う前提です。
学習・デプロイ・監視の3スキルは何をするか
ここからが中心です。機械学習の運用で順に使う3つのスキルを、スキル本文の記述に沿って見ます。
学習から監視までの流れ
- 1
datarobot-model-training
Use Caseを用意し、データセットをアップロードし、プロジェクトを作ってAutoMLを走らせます。結果のモデルを比較し、推奨モデルを取り出すところまでが範囲です。
- 2
datarobot-model-deployment
学習済みモデルからデプロイを作り、予測用のエンドポイントを取得します。モデルの入れ替えやチャレンジャーモデルの扱いも含みます。
- 3
datarobot-model-monitoring
稼働中のデプロイのサービス統計、特徴量ドリフト、目的変数のドリフトを取得して、健全性を判断します。
学習: Use Caseから始める
学習スキルのクイックスタートは4段階です。Use Caseを既存のものから再利用するか新規に作る、データセットをアップロードする、プロジェクトを作る、AutoMLを開始する、の順になります。スキルは、すべてのプロジェクトにWorkbench上のUse Caseが必要だと明記しています。
同梱の補助スクリプトは3本です。create_project.py、start_training.py、list_models.py が用意されています。データセットのアップロードは、データ準備スキルの upload_dataset.py が受け持ちます。スキル内の呼び出し例は次の形です。
python ../datarobot-data-preparation/scripts/upload_dataset.py \
sales_data.csv "Sales Data" use_case_456
python scripts/create_project.py \
dataset_123 "Sales Prediction" revenue use_case_456
python scripts/list_models.py project_456 AUCこれはスキルに書かれた使用例の形を、行を折って載せたものです。IDは例の値です。
AutoMLの実行モードは、Quick、Manual、Comprehensiveの3つです。時系列では日時列、系列ID列、予測ウィンドウを指定します。時間のかかる実行や、初めてのデータの試行にはQuickから始めるよう、スキルのエラー対処の節が勧めています。
見落としやすい制約も書かれています。DataRobotはプロジェクト作成に最低20行のデータを求めます。サンプルデータでも、この行数を満たす必要があります。また、データセットの作成とモデリング開始の呼び出しは、既定で最大600秒ブロックします。大きなデータでは待ち時間の引数を増やす必要があります。
デプロイ: モデル入れ替えまで
デプロイ先の環境は選べます。スキルが挙げるのは、DataRobot Serverlessと外部デプロイの2つです。Serverlessは完全マネージドで自動スケールし、大半の用途に勧められるとあります。外部デプロイは自前の基盤に置く方式で、特定のコンプライアンスや性能要件のある場合に使うと書かれています。
運用に効くのは、モデルの入れ替え(チャンピオンの差し替え)です。スキルが挙げるSDKの呼び出しは、validate_replacement_model で入れ替えられるかを検証し、perform_model_replace で非同期に実行する2段です。検証してから実行する順序は、そのままClaude Codeへの依頼にも使えます。
監視: ドリフトのしきい値
監視スキルには、ドリフトスコアの目安が載っています。
| ドリフトスコア | スキルの区分 | スキルが書く対応 |
|---|---|---|
| 0.3超 | スキルの区分高 | スキルが書く対応重大な変化。直ちに調査 |
| 0.15〜0.3 | スキルの区分中 | スキルが書く対応中程度の変化。注意して監視 |
| 0.15未満 | スキルの区分低 | スキルが書く対応小さな変化。通常の揺らぎ |
スキルは、これを推奨値としたうえで、領域や感度に応じて調整するよう書いています。一方、監視の使用例には「特徴量ドリフトが0.2を超えたら通知する」という依頼もあり、2つの数字は同じスキル内で食い違います。0.2は区分の途中にあたるので、運用ではどの値を警報にするかを依頼文で指定してください。
もう1つ、前提があります。サービス統計やドリフトの取得はDataRobotのMLOps監視が有効なことを前提にしていて、利用中のプランでMLOpsが使えるかの確認も促されています。使えない契約では、このスキルが想定する取得は失敗します。
13個か15個か: 数が合わない一覧
READMEの「Available skills」の表に並ぶスキルは13個です。表にあるのは、学習・デプロイ・予測・特徴量エンジニアリング・監視・説明可能性・データ準備・App FrameworkのCI/CD・外部エージェント監視・エージェント構築・ギャップ分析、そして2つのSQL接続スキルです。
ところが同じREADMEの .cursorrules の例には、さらに datarobot-setup と datarobot-workload-api が並び、15個になっています。表に載っていないスキルがあるので、入れたあとに実際に見えるスキルを確かめてください。
SQL接続スキルは2種類あります。1つはDataRobotに登録済みのデータ接続(データストア)経由、もう1つは呼び出し側が渡すJDBC URLに直接つなぐ方式です。どちらも、テーブルの一覧、行のプレビュー、クエリの実行を行い、DMLやDDLは承認済みのものに限ると説明されています。
Claude Code側で決めておく運用
プラグインのスキルは、依頼文で名前を出すと読み込まれます。READMEの例は「Use the DataRobot model training skill to create a new project and start AutoML training.」のような英文です。日本語でも、スキル名を添えれば意図は伝わります。
デプロイとモデル入れ替えは、本番の予測に影響する操作です。スキルの手順は依頼があれば進める作りなので、確認の段を挟むかどうかは利用側のルールで決めます。次はCLAUDE.mdに置く規約の一例です。スキルの記述ではなく、運用の案として書いたものです。
## DataRobotの作業ルール
- デプロイの作成・削除・モデル入れ替えの前に、対象のデプロイIDと
実行するSDK呼び出しを提示し、私の返事を待つ
- モデル入れ替えは validate_replacement_model の結果を見せてから
- datarobot-model-monitoring の結果は、ドリフトスコアの数値と
取得できなかった項目をそのまま報告し、健全性の判断を足さない
- DATAROBOT_API_TOKEN の値は出力にもファイルにも書かない最後の一行はトークンの扱いです。トークンはコードに直接書かせず、環境変数から読ませるのがスキルの前提と合います。規約はClaudeへの依頼にしか効きません。権限の許可リストでPythonの実行を確認制にしておけば、規約の抜けを実行側でも抑えられます。
学習を繰り返してから監視に入る流れでは、スキルを読み込む場面が増えます。プラグインに常駐の監視を組み込みたい場合は、monitors.jsonによるバックグラウンド監視の仕組みが別にあります。DataRobotのスキルは対話での取得が中心で、定期実行を自前で持つ作りではありません。
同じ系統のプラグインとの違い
機械学習基盤をClaude Codeから扱うプラグインは他にもあります。SageMaker AIプラグインは、AWS上のファインチューニングからデプロイ、HyperPod運用までを扱います。huggingface-skillsプラグインは、Hubの操作とTRLでの学習が中心です。
DataRobotのスキルは、AutoMLと、デプロイ後の監視・ガバナンスに重心があります。ファインチューニングのための基盤モデルの扱いは、スキルの一覧にありません。自前で細かく学習を組むより、DataRobot上の既存の仕組みに乗って運用まで進めたい場合の選択肢です。
まとめ
導入は claude plugin install datarobot-agent-skills@claude-plugins-official の1行で済み、詰まるのは認証です。DataRobot側のAPIトークンとエンドポイントを環境変数か設定ファイルで通したうえで、学習、デプロイ、監視の順にスキルへ依頼します。デプロイとモデル入れ替えだけはCLAUDE.mdで確認を義務づけ、ドリフトのしきい値は依頼文で数値を指定すると、スキル内の数字の揺れに影響されません。