AIF責任あるAIのガイドライン
大規模なMLプラットフォームを管理するチームが、本番環境へのモデルデプロイに際して「すべてのモデルのバージョン管理」「トレーニングデータのリネージ（系譜）追跡」「性能メトリクスの記録」「承認・却下・保留のステータス管理による承認ワークフロー」を一元的に実施したいと考えています。これらのモデルガバナンス要件を最もよく満たすAWSサービスはどれですか？
AAmazon SageMaker Experiments：トレーニング実験の条件・結果を比較・追跡するサービス
トレーニング実験の条件・結果を比較・追跡することが主目的です。バージョン管理や承認ワークフロー機能は備えておらず、モデルのガバナンス要件を直接満たしません。
BAmazon SageMaker Model Registry：モデルのバージョン管理と承認ワークフローを提供するサービス
✓ 正解
モデルのバージョン管理、トレーニングジョブ・データセットへのリネージ（系譜）追跡、性能メトリクス記録、および承認ワークフロー（Approved/Rejected/Pending）を一元管理し、責任あるAIの実践を実現します。
CAmazon SageMaker Feature Store：ML特徴量を一元管理・再利用するためのリポジトリ
ML特徴量の一元管理・再利用が主目的です。モデルのバージョン管理や承認ワークフロー機能は提供しないため、モデルガバナンス要件には対応していません。
DAmazon SageMaker Pipelines：MLワークフローをコードとして定義・自動化するサービス
MLワークフローをコードとして定義・自動化することが主目的です。モデルのバージョン管理や承認プロセス機能は備えておらず、ガバナンス要件を直接解決するものではありません。
解説
SageMaker Model Registryは、MLモデルのバージョン管理、トレーニングジョブ・データセットへのリネージ（系譜）追跡、性能メトリクスの記録、および承認ワークフロー（Approved／Rejected／Pending）を一元管理するモデルガバナンスサービスです。責任あるAIの実践において、どのデータでどう学習されたモデルが本番に出ているかを追跡し、承認プロセスを経てデプロイする仕組みを提供します。
Experimentsは実験比較が主目的です。
Feature Storeは特徴量管理が主目的です。
Pipelinesはワークフロー自動化が主目的です。
ドメイン別正答率・予想スコアでリアルタイムに実力把握
無限ノックでAIFを徹底対策。全問AI生成のオリジナル問題。
無料で演習を始める →