NVIDIA MCG ツールキットを用いた AI モデル文書化の自動化方法（8 分読了）

AI モデルの複雑さが増し、カリフォルニア州 AB-2013 や EU AI 法（EU Artificial Intelligence Act）などの枠組みの下で規制監督が強化される中、ソフトウェアチームは優れたコードを提供することを超えた課題に直面しています。モデルリリース前に包括的で監査可能なモデルドキュメントを生成する必要があるのです。 モデルカードは、モデルの動作方法、意図された用途とライセンス、トレーニングデータ、パフォーマンス、制限事項について記述したものです。これらは[透明性と説明責任を促進し](https://developer.nvidia.com/blog/enhancing-ai-transparency-and-ethical-considerations-with-model-card/)、下流の利用者である顧客、規制当局、影響を受けるコミュニティが AI の選択と展開において情報に基づいた判断を下せるようにします。この対象者は開発者に限定されず、政策決定者、調達チーム、リスク評価担当者が、モデルの適合性を評価しベンダー間でモデルを比較するためにモデルカードを利用しています。 実際には、手動でモデルカードを作成するのは退屈で時間がかかります。ドキュメント作成は開発に遅れがちで、メタデータは出荷時点ではすでに古くなっていることがよくあります。モデルが複雑化するにつれて、フォーマットの不整合や必須項目の欠落が不要な監査リスクを生み、採用を妨げています。NVIDIA のモデルカードジェネレーター（MCG）ツールキットは、ソースデータから直接読み取ることで、1 分未満で Model Card++ フォーマットのモデルドキュメントを自動化し標準化します。 ## NVIDIA MCG ツールキットの紹介 MCG ツールキットは、モデルソースコードを読み込んでモデルカードを自動生成するコンテナ化されたパイプラインです。これはモジュール型の「取り込み→抽出→レンダリング」パイプラインに従います。中央のオーケストレーターが、URL またはアップロードされたファイルというリクエストを受け取り、ワークフローを調整して完全なモデルカードを返します。各ステージは別々のサービスとして実行されるため、個別のコンポーネントを更新または置き換えても、パイプラインの他の部分に影響を与えることはありません。 ## MCG ツールキットの仕組み ツールキットは、URL（GitHub、GitLab、HuggingFace、または任意のパブリック Web ページ）またはアップロードされたファイル（ZIP、PDF、DOCX、Markdown）を受け付ける対話型 UI を公開しています。また、プログラムによる統合のための REST API も利用可能です。 ここからデータは 3 つのステージを流れます： - 入力→取り込み。システムがコンテンツを取得し、ドキュメントチャンクとして処理します。カテゴリはタイプ別に分類され、ドキュメント、設定ファイル、コードとなります。 - ドキュメント → 抽出。この抽出ステージでは、取り込まれたドキュメントを NVIDIA Inference Microservices (NIM) に基づく検索拡張生成 (RAG: Retrieval-Augmented Generation) パイプラインに通します。NVIDIA Nemotron RAG は、高精度な埋め込み (llama-nemotron-embed-1b-v2) と再ランク付け (llama-nemotron-rerank-500m-v2) を処理し、コード、設定ファイル、ドキュメントそれぞれに専用の検索器を設けて、より信号強度の高いソースを優先します。コアとなる抽出処理は GPT-OSS-120B が担当し、取得したパッセージを読み込み、NVIDIA MC++ テンプレートおよびフィールドレベルのスタイルガイドといった専門家が手掛けたフォーマットとコンテンツガイドを適用して、期待される形式に準拠した情報を生成します。応答が受け入れられる前に検証ステップが行われます。出力は構造化された JSON 形式です。概要が完了した後、同じコンテンツがサブカードステージへ流れ、Bias（バイアス）、Explainability（説明可能性）、Privacy（プライバシー）、Safety & Security（安全性とセキュリティ）の 4 つの Model Card++ サブカードを生成します。 - JSON → レンダリング。構造化された JSON は、設定可能なテンプレートを使用して人間が読みやすい Markdown 形式に変換されます。インターフェース内でコンテンツを編集し、ダウンロードや他のシステムとの統合前に再レンダリングすることも可能です。最終的な成果物は、概要と 4 つのサブカードを組み合わせた完全なモデルカードであり、レビューまたは公開の準備ができています。 ![image](https://developer-blogs.nvidia.com/wp-content/uploads/2026/05/image2-7.webp)*図 1. MCG ツールキットのアーキテクチャ：ソースコードを直接読み込んで包括的なモデルカードを生成* ## 柔軟性のために設計 1 つのモデル、テンプレート、または規格に縛られる必要はありません。このツールキットは 3 つの次元においてカスタマイズ可能です: **1) モデル:** システムでは、言語モデル、埋め込み（embeddings）、再ランク付け（reranking）のための設定可能なエンドポイントを使用します。プロトタイピングを小規模なモデルで行う場合でも、本番環境向けにスケールアップする場合でも、パフォーマンス、コスト、データ所在地の要件に合わせて、異なる NIM や互換性のある API を指し示すことができます。 **2) テンプレート:** 出力形式は Markdown テンプレートによって駆動されます。組織は抽出ロジックを変更することなく、Model Card++、社内規格、または新興する規制フォーマット向けにこれをカスタマイズできます。また、出力は [CycloneDX](https://cyclonedx.org/) に準拠しています。新しい開示要件が現れた場合、パイプラインではなくテンプレートを更新します。 **3) ガイド:** どのフィールドを捕捉し、どのように記述するかといったフィールドレベルのガイダンスは、設定可能なナレッジベースから提供されます。規制やドメインのニーズが進化しても、コアコードに触れることなくガイドを更新できます。同じパイプラインで異なる業界やコンプライアンス体制に対応可能です。 ## 必要な場所で実行する このツールキットは、ワンコマンドでのセットアップが可能なコンテナ化されたサービスとして提供されます。オーケストレーター、インジェクション（ingestion）、抽出、サブカードの各ステージは別々のコンテナとして実行され、インフラストラクチャ（データベースおよびタスクキュー）も含まれています。独自のクラウドへのロックインはありません。MCG はオンプレミスまたはお客様のクラウド上で動作し、Kubernetes のサポートにより、お客様の独自インフラストラクチャ上で簡単に起動できます。 ## パフォーマンス結果 公開モデルリポジトリに対して標準化されたテストを実施し、完了率、生成時間、精度を測定しました。各項目はソースドキュメントに対してスコアリングされました。精度は、プレースホルダー以外のフィールドにおける正解数の割合として計算されます。以下の表 1 に結果を示します。 **モデル****生成までの時間****完了率****精度** NVIDIA Nemotron Nano 8B56s97%92% NVIDIA Cosmos Reason 286s94%82% NVIDIA Parakeet65s92%87% NVIDIA Proteina52s94%82% サードパーティ製モデル*(DeepSeek-V3, Evo2, Gemma, Llama)*平均約 80s 約 89% 約 80% *表 1. 標準化されたテストモデルにおける MC++ の概要に関するパフォーマンス。完了率 = 意味のあるコンテンツを含むフィールド数 / フィールド総数。精度 = 正解数 / プレースホルダー以外の全応答数。 このツールキットは、ほとんどのリポジトリで 1 分未満で完全なモデルカード（概要と 4 つのサブカード）を生成します。全体の完了率は 91%（サードパーティ製モデルのベースライン）、精度は標準化されたテストセット全体で 76% です。完了率と精度はモデルやリポジトリによって異なりますが、README や設定ファイルが充実しているリポジトリほど高い結果を示します。 このツールキットは、サポートドキュメントが存在し、コードベースが適切に構造化されている場合に最もよく機能し、可能な限りコード解析を補完として利用します。ドキュメントが少ない場合や存在しない場合は、入力されるフィールド数が少なくなります。推測するのではなく、システムは「見つからない」または「情報 unavailable」と表示して、人間のレビューが必要なギャップをフラグ付けします。 ドキュメントを完全に削除した場合にどうなるかもテストしました。標準的なテストセットと同じリポジトリを使用し、すべての.pdf、.md、.txtファイルを除去して、ツールキットをコードのみに対して再実行しました。5 つのモデル全体で、完了率は 91% から 61% に低下し、検証可能なフィールドのみを対象とした厳密な精度は、標準テスト（完了したフィールドのみを対象に精度を評価）での 76% と比較して 28% に落ち込みました。 61% の完了率から、ツールキットがコード、設定ファイル、リポジトリ構造のみからも意味のあるシグナルを抽出できていることがわかります。一方、精度の低下は、これらのフィールドを正しく埋めるためにドキュメントがどれだけ貢献しているかを反映しています。 重要なのは、ツールキットが推測によって補おうとしないことです。自信を持ってフィールドを埋められない場合、それらは「見つからなかった」または「情報利用不可」として表示されます。これにより、まだドキュメント作成中のチームにとってはギャップを見つけるための有用な手段となり、ドキュメントが完成しているチームにとっては生成ツールとしても機能します。 ## 初期採用者と業界パートナー Oracle は、MCG ツールキットを生産インフラに統合した最初のパートナーの一つです。A10 から GB200 NVL72 に至る GPU 構成を網羅する OCI AI オファリングの一環として、Oracle は [OCI コンテナエンジン for Kubernetes と AI オファリング](https://www.oracle.com/cloud/cloud-native/kubernetes-engine/) の組み合わせを展開し、標準の VCN アーキテクチャ内で MCG ポッドと NIM ポッドを実行しています。このアーキテクチャは、NIM モデル用にオブジェクトストレージによってバックアップされています。 そのデプロイでは、コア抽出モデルとして Llama-3.3-Nemotron-Super-49B-v1 を使用し、[Nemotron RAG](https://huggingface.co/collections/nvidia/nemotron-rag) が埋め込みと再ランク付けを担当しています。GPT-OSS-120B モデルは、H100 カードを 2 枚搭載した専用 AI クラスター上でも、モデルのオンデマンド提供サービス上でもホストおよびテストされました。OCI は大規模な AI トレーニングと推論のためのますます強力な GPU インフラストラクチャをサポートしており、それに伴い、一貫性があり監査可能なモデルドキュメンテーションの必要性も高まっています。 OCI Dedicated AI Cluster (DAC) は、独自の専用 GPU、エンドポイント、およびセキュリティ境界を備えたプライベートで完全に管理された生成 AI 環境です。MCG ツールキットは、顧客が自ら構築する必要なく AI の透明性ツールをそのワークフローに直接導入するだけでなく、OCI Dedicated AI クラスター環境内およびベアメタル GPU インフラストラクチャ上でモデルをホストするために必要な最適な GPU 構成を顧客自身が特定できる能力も提供します。 ## はじめに 早期採用者になりたい場合は、[信頼性の高い AI チーム](mailto:Trustworthy_AI_Team@exchange.nvidia.com) までお問い合わせください。パートナーシップについて喜んでお話しさせていただきます。 完全自動化されたツールキットにまだ準備ができていない場合は、[Trustworthy AI GitHub リポジトリ](https://github.com/NVIDIA/Trustworthy-AI) にて、青写真（blueprints）、データセット、コンテナ、システム向けに今日から使用可能なオープンソース [Model Card++ テンプレート](https://github.com/NVIDIA/Trustworthy-AI/blob/main/LICENSE.md) や AI 透明性カードをご用意しています。 ドキュメンテーションは、出荷するモデルのペースに合わせて更新されるべきです。MCG ツールキットを採用するか、あるいは当社のオープンソーステンプレートから始めるかにかかわらず、[NVIDIA の信頼できる AI イニシアチブ](https://www.nvidia.com/en-us/ai-trust-center/trustworthy-ai/) は、その実現を容易にするためにコミットしています。

NVIDIA MCG ツールキットを用いた AI モデル文書化の自動化方法（8 分読了）

背景や根拠まで確認しますか？

調べる

選ぶ

サイト