DataRobotからNVIDIA cuOptを使ってみた（前編）

ビジネスにおけるデータの利活用は「取得・可視化」→「分析」→「予測」→「最適化」のステージがあります。

1. 取得・可視化：データを収集し、整理して見える化する段階
2. 分析：集積したデータを深掘りし、要因やパターンを明らかにする段階
3. 予測：過去のデータと分析結果をもとに、未来の状態を推定する段階
4. 最適化：予測結果を活用し、最も効率的・効果的な行動を決定する段階

昨今、DataRobot等のAIツールの普及により、企業におけるデータの利活用は「予測」のステージまできていますが、「最適化」の部分までは着手できていない、または人が経験や勘に頼って対応している状態です。今後、データの利活用をビジネスの価値へ結びつけるために、多くの企業は「最適化」のステージへ進むと考えています。

過去データから未来を予測し、その予測結果をもとに意思決定を最適化するユースケースとして、いくつか例を挙げます。

AI予測ツールの一つであるDataRobotは、NVIDIA AI Enterpriseと連携しており、DataRobotの環境にNVIDIA NIM™ マイクロサービス (以下NIM)のモデルを取り込むことができます。
DataRobotに取り込めるNIMモデルにはGPUを活用した最適化ソルバーであるcuOptのNIMモデルも含まれており、DataRobotで予測した結果をもとにcuOptのNIMモデルで最適化問題を求解することが可能です。例えば、需要予測を入力として生産計画を最適化する流れを、予測と最適化の連携として一連のパイプラインに組み込むことができます。
このように、DataRobotとNVIDIA AI Enterpriseの連携により、『予測×最適化』という新しいワークフローが一つのプラットフォームで実現されることで、ビジネスのスピードと意思決定の質を同時に高めることが期待できます。

cuOptは、NVIDIAが提供するGPU活用型の大規模組合せ最適化ソルバーです。NVIDIAの公式ページ<cuOpt | 意思決定の最適化 | NVIDIA>には、最適化ソルバーとしてのcuOptの特徴が以下のように記載されています。

• 混合整数線形計画法 (MILP: Mixed-integer Linear Programming)、線形計画法 (LP: Linear Programming)、配送計画問題 (VRP: Vehicle Routing Problems) の解決に適している
• 数百万もの変数と制約を持つ大規模な問題に対処するように設計されている
• 低精度のソリューションで十分な場合、CPU LPソルバーと比較して大幅な高速化を実感できる
• 混合整数プログラミング ライブラリ (MIPLIB: Mixed-integer Programming Library) の記録とルーティング ベンチマークで 23 の世界記録を保持している

また、cuOptはオープンソース ソフトウェアとして提供されており、ソースコードやAPIがGitHub< GitHub - NVIDIA/cuopt: GPU accelerated decision optimization >で公開されています。

現時点でcuOptを利用する方法は大きく分けると以下の３パターンがあります。

1. NVIDIAのAPI カタログ（Webブラウザ）上で実行（サンプルのみ）
2. 自端末に環境を構築し、オープンソースのライブラリをインポートして実行
3. NVIDIA AI EnterpriseのNIMモデルをデプロイし、REST APIでリクエスト実行

今回は、「3.NVIDIA AI EnterpriseのNIMモデルをデプロイし、REST APIでリクエスト実行」の一例として、DataRobotでcuOptを利用する手順についてご紹介します。

DataRobotでのcuOptの利用手順は以下となります。

1. DataRobot上でcuOptのNIMモデルをデプロイし、デプロイしたNIMモデルのエンドポイントやAPIキーの情報を取得する
2. DataRobot上にデプロイしたcuOptのNIMモデルへ最適化問題を求解リクエストし、求解結果を取得するPythonプログラムを作成する
3. ローカル環境でPythonプログラムを実行し、cuOptでの最適化問題の求解結果を確認する

上記2のcuOptのNIMモデルをREST APIで実行するPythonプログラムについては、NVIDIAのAPI カタログに公開されているサンプルコード< cuopt Model by NVIDIA | NVIDIA NIM >の「nim_client.py」が参考になります。カスタマイズが必要な点については、以下で説明します。

サンプルコードはローカルホスト上にデプロイしたcuOptのNIMモデルに対するリクエストとなっているため、リクエストURLを変更する必要があります。
具体的には、DataRobot上でNIMモデルのベースURLが確認できるので、サンプルコードの「http://localhost:5000」の部分をベースURLに変更します。

DataRobot上にデプロイしたNIMモデルへのリクエストにはAPIキーが必要なため、下記postやgetの引数へヘッダーを追加し、ヘッダーに"Authorization"でAPIキーを設定します。（サンプルは、ローカルホストでNIMモデルのコンテナを起動しているため、リクエスト時には認証不要で、ヘッダーを設定していないコードになっています。）リクエスト時に必要なAPIキーもDataRobot上で確認することができます。

サンプルコードの求解リクエストAPIのリクエストペイロードは、ルーティング問題（TSP、VRP、PDP）用のスキーマの例となっています。求解したい最適化問題がLPまたはMILPの場合は、LP用のスキーマの内容で設定する必要があります。
求解リクエストAPIのリクエストペイロードの設定内容については、cuOpt Open-API Reference< cuOpt Open-API Reference - Swagger — NVIDIA cuOpt (25.12) >の「POST /cuopt/request」に詳細が記載されています。

前編は、「DataRobotでのcuOptの利用」の手順までをご紹介しました。後編では、実際にDataRobot上でのcuOptを実行してみた結果や、『予測×最適化』のワークフローを一つのプラットフォームで実現するイメージについてご紹介します。

参考記事：
▼数理最適化技術を応用した業務改革を実現する生産計画システムの開発について｜プレスルーム｜日鉄ソリューションズ
▼東海道新幹線の臨時ダイヤ作成をシステム化、JR東海×NSSOLが季節変動やイベントへの対応力向上に挑む～臨時ダイヤ作成ルールをモデル化し需要の変化に合わせた柔軟な列車運行計画の作成を可能に～｜TO THE FUTURE｜日鉄ソリューションズ
▼進化する最適化技術VOL.1－「日程くん」でJリーグの試合日程作成を絶妙にアシスト！｜TO THE FUTURE｜日鉄ソリューションズ

本記事で引用しているサンプルコードは、下記のNVIDIA cuOpt 公式ドキュメントページより抜粋しました。
出典: https://build.nvidia.com/nvidia/nvidia-cuopt/deploy（閲覧日：2026年1月23日）
© NVIDIA Corporation. All rights reserved.
Licensed under the Apache License, Version 2.0
http://www.apache.org/licenses/LICENSE-2.0
引用目的で必要最小限の抜粋を行い、出所と URL 、ライセンス文言を明示しています。