あるMLプラットフォームチームは、開発・ステージング・本番の3環境に対して、同一構成のSageMakerモデル・エンドポイント設定・エンドポイントを再現性高くデプロイしたいと考えています。構成はバージョン管理し、レビュー

Question

あるMLプラットフォームチームは、開発・ステージング・本番の3環境に対して、同一構成のSageMakerモデル・エンドポイント設定・エンドポイントを再現性高くデプロイしたいと考えています。構成はバージョン管理し、レビューを経て繰り返し適用できる必要があります。最も適したアプローチはどれですか。

Accepted Answer

正解: AWS CloudFormation または AWS CDK でインフラをコード化し、環境ごとにテンプレートをデプロイする。CloudFormationやCDKを使えば、モデル・エンドポイント設定・エンドポイントをコードとして定義でき、Gitでバージョン管理・レビューしながら各環境に同一テンプレートを適用できる。再現性のある反復デプロイ（IaC）に最適である。

選択肢Aの手動作成は再現性・バージョン管理ができない。
選択肢Bの手元ノートブックは属人化し標準化されない。
選択肢DのAWS BackupはSageMakerエンドポイント構成の環境間展開には対応していない。

Answer

SageMaker Studio のコンソール画面から各環境で手動でエンドポイントを作成する — コンソールからの手動作成は再現性とバージョン管理ができず、環境間で設定差異やヒューマンエラーが生じやすい。レビューを経て繰り返し適用するIaCの要件を満たせない。

Answer

各環境でJupyterノートブックを実行し、boto3で都度エンドポイントを作成するスクリプトを手元で管理する — 手元のノートブックとboto3スクリプトは実行環境に依存し、バージョン管理やレビューの仕組みが標準化されない。3環境への再現性ある一貫デプロイを保証できず属人化しやすい。

Answer

本番でエンドポイントを作成後、AWS Backupでスナップショットを取得し他環境へ復元する — AWS BackupはSageMakerのエンドポイント構成のデプロイには対応しておらず、スナップショット復元でインフラ構成を環境間に展開する仕組みではないため、IaCによる再現デプロイの代替にならない。

解説