mcp-ml-lab

mcp-ml-lab

AI エージェントが実際の ML 実験を最初から最後まで実行できるようにします。

Claude（または MCP 対応の任意の AI エージェント）に、CSV のプロファイリング、ML タスクの定義、Optuna による XGBoost と LightGBM のチューニング、特徴量の重要度を含む Markdown レポートの作成を、すべて自然言語で行う機能を提供する MCP サーバーです。

開発の背景

既存の ML 関連 MCP サーバーは MLflow、ZenML、または Weights & Biases をラップして、読み取り専用で公開しています。エージェントは実験履歴を閲覧できますが、実際に何かを 実行 することはできません。mcp-ml-lab はこのギャップを埋め、ユーザーの自然言語によるリクエストを受けて、エージェントが実験の全工程を実行できるようにします。

「titanic.csv でモデルをトレーニングして、生存を予測して」と入力するユーザーが、XGBoost とは何か、交差検証とは何か、ハイパーパラメーター探索をどう書くかを知っている必要はありません。すべてエージェントが処理します。mcp-ml-lab は、それを可能にするツールレイヤーです。

クイックスタート

pip install mcp-ml-lab

Claude Desktop の設定（macOS の場合は ~/Library/Application Support/Claude/claude_desktop_config.json）に追加します。

{
  "mcpServers": {
    "ml-lab": {
      "command": "mcp-ml-lab"
    }
  }
}

Claude Desktop を再起動すると、以下の 5 つのツールを利用できるようになります。

クエリの例

mcp-ml-lab に接続した Claude Desktop で、次のように試してみてください。

• 「この CSV をプロファイリングして、クラスの不均衡があるか教えて」
• 「titanic.csv で XGBoost と LightGBM を、60 秒間のチューニングで比較して」
• 「最も優れたモデルが使用した上位 10 個の特徴量を見せて」
• 「wine データセットで行った直近 3 回の実験を比較すると、どうなりますか？」

ツール

ツール	機能
inspect_data	CSV をプロファイリングします — 形状、データ型、NULL 値、要約統計量、クラスバランス
define_task	ML タスクを登録します（CSV + ターゲット + 分類／回帰）
run_experiment	1 つ以上のモデルをトレーニングします。Optuna によるチューニングも指定できます
get_results	指標、ハイパーパラメーター、特徴量の重要度を含む Markdown レポート
compare_runs	複数の実験を並べて比較します

各ツールの完全なシグネチャは docstring に記載されており、LLM が参照できるよう自己説明型になっています。

仕組み

Claude Desktop  ───MCP/stdio───  mcp-ml-lab server
                                  │
                                  ├── data.py        CSV loading, schema inference, preprocessor
                                  ├── trainers/      Pluggable XGBoost + LightGBM adapters
                                  ├── search.py      Stratified CV + Optuna TPE tuning
                                  ├── metrics.py     Accuracy, F1, AUC, log loss
                                  ├── storage.py     SQLite via SQLAlchemy 2.0
                                  └── reporting.py   Markdown report generation

すべての実験と試行は ~/.mcp-ml-lab/store.db に永続化されるため、エージェントはセッションをまたいで過去の実行を参照できます。

設計の詳細は ARCHITECTURE.md をご覧ください。

ロードマップ

v0.1.0 では、XGBoost と LightGBM による分類に対応します。v0.2.0 以降で予定している項目は次のとおりです。

• 回帰タスク
• 時系列予測（sktime / darts との統合）
• ディープラーニングのベースライン（pytorch-tabular）
• Optuna による多目的探索（精度 × レイテンシ × モデルサイズ）
• Docker で再現可能な、永続化されたモデル成果物
• Permutation による特徴量重要度（gain importance に代わる、バイアスのない手法）
• ノートブックへのエクスポート — 最も優れた実行を再現する Jupyter ノートブックを出力します

Issue や PR を歓迎します。

開発

git clone https://github.com/rohithraju-ops/mcp-ml-lab.git
cd mcp-ml-lab
python -m venv .venv && source .venv/bin/activate
pip install -e ".[dev]"
pytest -v

ローカルでのデバッグには MCP Inspector が便利です。

npx @modelcontextprotocol/inspector mcp-ml-lab

ライセンス

MIT。