あるチームが AWS Step Functions を使って ML ワークフロー（SageMaker Processing による前処理 → トレーニング → 評価 → Model Registry 登録 → エンドポイ

Question

あるチームが AWS Step Functions を使って ML ワークフロー（SageMaker Processing による前処理 → トレーニング → 評価 → Model Registry 登録 → エンドポイントデプロイ）を構築することを検討しています。同僚から「この用途には SageMaker Pipelines の方が適している」と指摘されました。Step Functions と比較した SageMaker Pipelines の利点として正しいものを 2 つ選んでください。

Accepted Answer

正解: SageMaker Pipelines は SageMaker Studio 上でパイプラインの DAG（有向非巡回グラフ：処理の依存関係を表す図）を視覚的に確認でき、各ステップの入出力・メトリクス・ログを統合的に追跡できる / SageMaker Pipelines は SageMaker 固有リソース（トレーニングジョブ・処理ジョブ・モデル登録など）の作成を高レベルに抽象化しており、低レベルの boto3 API を記述せずに Python SDK でパイプラインを定義できる。SageMaker Pipelines の主な利点は①SageMaker Studio での視覚的な DAG 表示とステップごとのログ・メトリクス・アーティファクトの統合追跡（MLOps の可視性向上）、
②Python SDK（sagemaker.workflow）による高レベル抽象化でジョブ定義を簡潔に記述できる点です。

選択肢C（Step Functions では SageMaker トレーニングを起動できない）は誤りです。Step Functions の SageMaker 統合 SDK アクションを使えばトレーニングジョブも起動できます。

選択肢D（SageMaker Pipelines の外部サービス統合）は誤りです。SageMaker Pipelines の外部サービス統合は限定的であり、広範な外部連携は Step Functions が優れています。

Answer

Step Functions では SageMaker のトレーニングジョブを起動できないため、SageMaker Pipelines が唯一の選択肢である — Step Functions の SageMaker 統合 SDK アクションを使えばトレーニングジョブも起動できます。SageMaker Pipelines が唯一の選択肢という説明は誤りです。

Answer

SageMaker Pipelines は Lambda 関数・Amazon ECS タスク・DynamoDB 操作など SageMaker 外のサービスとも同等に統合でき、Step Functions より幅広いワークフローを構築できる — SageMaker Pipelines の外部サービス統合は限定的で、Lambda・ECS・DynamoDB 等との幅広い連携は Step Functions が優れています。

Answer

SageMaker Pipelines はパイプライン実行のスケジューリングと優先度管理を自動で行い、複数パイプラインが同時起動した場合でも最適なリソース割り当てを保証するため、Step Functions より待機時間が短くなる — SageMaker Pipelines にはパイプライン間の優先度管理や自動リソース割り当て保証機能はなく、Step Functions より待機時間が短くなるという根拠はありません。

解説

解説