はじめに

MLflow 3はGenAI向けの機能が大幅に強化され、トレーシング、LLM Judge評価、プロンプト管理、セッション管理など、LLMOpsに必要な機能が一通り揃いました。しかし、これだけ機能が増えると「まず何から触ればいいのか」が分かりにくいのも事実です。

MLflow 3.10(2026年2月リリース)で追加されたmlflow demoコマンドは、この問題をシンプルに解決してくれます。コマンド一発で、デモデータが事前投入されたMLflow環境が立ち上がり、GenAI機能の全体像をコードを書くことなく体験できます。

この記事では、mlflow demoで起動したデモ環境を使って、MLflow 3のGenAI機能をウォークスルーします。

セットアップ

仮想環境の作成とインストール

MLflow 3.xはPython 3.10以上が必要です。ただし、Python 3.14では一部の依存パッケージがまだ対応していないため、3.12または3.13の利用を推奨します。

python --version  # 3.10〜3.13であること

mlflow[genai]はLiteLLMなど依存パッケージが多いため、仮想環境の利用を推奨します。

python -m venv .venv
source .venv/bin/activate  # Windowsの場合: .venv\Scripts\activate
pip install "mlflow[genai]>=3.10"

uvを使う場合は、Pythonバージョンを明示的に指定できるので便利です。

uv venv --python 3.12
source .venv/bin/activate
uv pip install "mlflow[genai]>=3.10"

企業ネットワーク等でSSL証明書エラーが出る場合は--native-tlsを付けてください。

uv pip install --native-tls "mlflow[genai]>=3.10"

LiteLLMサプライチェーン攻撃に関する注意

mlflow[genai]はtransitive dependencyとしてLiteLLMを含みます。2026年3月24日、LiteLLMのPyPIパッケージがサプライチェーン攻撃を受け、バージョン1.82.7および1.82.8にクレデンシャルスティーラーが仕込まれる事件が発生しました(該当バージョンはPyPIから削除済み)。

インストール後、以下を確認してください。

# インストールされたLiteLLMのバージョン確認
pip show litellm | grep Version

# 悪意あるファイルの有無を確認
find .venv -name "litellm_init.pth" 2>/dev/null

バージョン1.82.7/1.82.8がインストールされている場合、またはlitellm_init.pthが見つかった場合は、環境を破棄し、関連するクレデンシャルをすべてローテーションしてください。詳細はLiteLLM公式のセキュリティアップデートを参照してください。

デモの起動

ターミナルで以下を実行するだけです。

mlflow demo

これだけで以下が自動的に行われます。

./mlflow-demo/ディレクトリにSQLiteデータベースとファイルベースのアーティファクトストアが作成される
デモ用のexperimentとサンプルデータ(トレース、評価結果、プロンプトなど)が生成される
ブラウザが自動で開き、デモexperimentが表示される

データは永続化されるため、再起動しても消えません。データを作り直したい場合は--refreshオプションを使います。

mlflow demo --refresh

既に起動済みのMLflowサーバーにデモデータを投入したい場合は、--tracking-uriを指定します。

mlflow demo --tracking-uri http://localhost:5000

デモデータで巡るMLflow 3 GenAI機能

デモ環境が立ち上がったら、MLflow UIでGenAI機能を順に見ていきましょう。MLflow 3.10ではナビゲーションバーがリデザインされ、GenAIアプリ/エージェント開発向けとクラシックML向けのタブが明確に分離されました。

Tracesタブ

Tracesタブには、LLMアプリケーションの実行トレースが一覧表示されます。各トレースをクリックすると、スパンのツリー構造、各スパンの入出力、レイテンシが確認できます。

MLflow 3.10の新機能として、LLMスパンからモデル情報が自動抽出され、コストが計算・表示されるようになりました。トレースビュー内で各スパンのトークン使用量とコスト(USD)が直接確認できます。

== Total token usage: ==
 Input tokens: 84
 Output tokens: 22
 Total tokens: 106

== Total cost (USD): ==
 Input cost: $0.000013
 Output cost: $0.000013
 Total cost: $0.000026

コスト計算はLiteLLMベースで行われ、主要なLLMプロバイダーのモデルに対応しています。自動計算が効かない場合は、手動でコスト情報を設定することも可能です。

import mlflow

@mlflow.trace
def my_llm_call():
    span = mlflow.get_current_active_span()
    # LLM呼び出しロジック...

    # トークン使用量を手動設定
    span.set_attribute(
        "mlflow.chat.tokenUsage",
        {
            "input_tokens": 100,
            "output_tokens": 50,
            "total_tokens": 150,
        },
    )
    # コストを手動設定(USD)
    span.set_attribute(
        "mlflow.llm.cost",
        {
            "input_cost": 0.0001,
            "output_cost": 0.0002,
            "total_cost": 0.0003,
        },
    )
    return "response"

Sessionsタブ

Sessionsタブでは、マルチターン会話がセッションIDでグルーピングされ、会話単位で品質を確認できます。個々のターンではなく、会話全体の流れを俯瞰するのに便利です。

MLflow 3.10では、セッションレベルの比較UIも追加されており、ゴールやペルソナ別にシミュレーション結果を並べて比較できます。

Evaluationタブ

Evaluationタブには、LLM Judgeによる評価結果が表示されます。デモデータには事前に評価が実行された結果が含まれているので、評価のワークフローを体感できます。

MLflow 3では、開発時と本番で同じscorerを使い回せる設計になっており、評価の一貫性が保たれます。ビルトインscorerとしては以下のようなものが用意されています。

ConversationCompleteness: ユーザーの質問が会話の終わりまでに完全に回答されたか
UserFrustration: ユーザーがフラストレーションを感じていないか
RetrievalGroundedness: 回答が取得されたドキュメントに基づいているか
Safety: 有害なコンテンツが含まれていないか

Promptsタブ

Promptsタブでは、プロンプトのバージョン管理が確認できます。MLflow 3のPrompt Registryにより、プロンプトテンプレートをバージョニングし、どのトレースがどのバージョンのプロンプトで生成されたかを追跡できます。

MLflow 3.8以降では、プロンプトにモデル設定(Prompt Model Configuration)を紐づけることも可能になり、再現性がさらに向上しています。

Overviewタブ

Overviewタブは、GenAI experimentの全体サマリーを提供するダッシュボードです。以下のようなチャートが自動生成されます。

レイテンシの推移
リクエスト数の推移
コストの集計と内訳(3.10新機能)
ツールコールのサマリー

手動でダッシュボードを構築する必要がなく、トレースデータから自動でチャートが生成される点が便利です。

UIからノーコードでLLM Judgeを実行する

MLflow 3.10のもう一つの注目機能が、UIからのノーコードLLM Judge実行です。

TracesタブやSessionsタブから、特定のトレースを選択し、ビルトインまたはカスタムのLLM Judgeをコードなしで直接実行できます。Python SDKに切り替えることなく、UI上で素早く品質評価を試せます。

この機能を使うには、事前にAI Gatewayエンドポイントのセットアップが必要です。Judge実行時にエンドポイントを選択する形になります。

またCLIからもJudgeの登録が可能です。

mlflow scorers register-llm-judge \
  -n quality_judge \
  -i "Evaluate if {{ outputs }} answers {{ inputs }}. Return yes or no." \
  -x <experiment_id>

AI Gatewayの使用量トラッキング

mlflow demoの体験と合わせて触れておきたいのが、MLflow 3.10で追加されたAI Gatewayの使用量トラッキング機能です。

AI Gatewayエンドポイントの設定画面で「Enable usage tracking」トグルを有効にすると、新しい「Usage」タブにリクエストパターンやメトリクスが表示されます。ゲートウェイの呼び出しがexperimentのトレースにリンクされ、エンドツーエンドのAI Observabilityが実現できます。

Databricks環境では、AI Gateway(Beta)のsystem.ai_gateway.usageシステムテーブルにリクエスト/レスポンスの詳細が自動キャプチャされ、ビルトインダッシュボードでトークン消費量、レイテンシ、エラーレートなどを可視化できます。

まとめ

mlflow demoコマンドは、MLflow 3のGenAI機能を手軽に体験するための最速の入口です。

コード不要: デモデータが事前投入されるため、自前のLLMアプリがなくても機能を体験できる
永続化: ./mlflow-demo/にデータが保存され、再起動しても消えない
全機能カバー: トレーシング、評価、プロンプト管理、セッション管理、コスト追跡を一通り確認できる

チームメンバーへのMLflow 3紹介やワークショップの導入ステップとして活用できます。Databricks環境ではManaged MLflowとして同等以上の機能が利用可能で、Unity Catalogとの統合によるガバナンスやProduction Monitoringによる本番トレースの自動評価も加わります。

参考リンク

はじめてのDatabricks

はじめてのDatabricks

Databricks無料トライアル

Databricks無料トライアル