無限ノック › MLA 練習問題一覧 › 問題MLA MLワークフローのデプロイとオーケストレーション
金融サービス企業が与信スコアリングモデルの本番デプロイにガバナンスプロセスを導入しています。要件は次の通りです：
①モデルのバージョンとメタデータ（アルゴリズム・ハイパーパラメータ・評価指標）を一元管理する
②リスク管理チームによる手動承認後にのみ本番デプロイを実行する
③承認後のデプロイは自動化して運用負荷を最小化する
これらすべての要件を満たす最も適切なアーキテクチャはどれですか？
A S3 にモデルアーティファクトを保存し、DynamoDB でモデルバージョンと承認状態を管理し、Lambda 関数が DynamoDB Streams を監視して承認済みモデルを自動デプロイする
S3・DynamoDB・LambdaはAWSの汎用サービスの組み合わせでモデル管理の自前実装は可能ですが、承認ワークフローの実装、DynamoDB Streamsの監視、エラーハンドリングをすべてカスタム構築する必要があり、SageMakerのネイティブ機能と比べて開発・運用負荷が大幅に増大します。
B SageMaker Experiments でモデルトライアルを管理し、リスク管理チームが Studio 上で最良のトライアルを選択後、手動で SageMaker エンドポイントを更新する
SageMaker Experimentsはハイパーパラメータ・メトリクスなど実験のトラッキングには優れていますが、正式な承認ワークフロー（PendingManualApproval→Approved）機能を持たず、リスク管理チームの承認後も手動でエンドポイントを更新する運用が残るため要件③を満たしません。
C SageMaker Model Registry でモデルグループを作成してバージョン管理と承認ワークフロー（PendingManualApproval → Approved）を管理し、EventBridge ルールで承認ステータス変更を検知して SageMaker Pipelines のデプロイパイプラインを自動トリガーする
✓ 正解
SageMaker Model RegistryはモデルバージョンとメタデータのPendingManualApproval→Approved承認フローをネイティブに提供します。Approvedへの変更をEventBridgeが自動検知してSageMaker Pipelinesをトリガーすることで、①バージョン管理、②手動承認、③自動デプロイの3要件をすべてマネージドに実現できます。
D AWS CodePipeline に手動承認アクションを追加し、承認後に Lambda 関数が SageMaker SDK を使用してエンドポイントを作成・更新する
AWS CodePipelineの手動承認アクションで承認フローは構築できますが、SageMaker Model Registryが持つモデルメタデータ管理・バージョン比較・承認ステータス管理の機能を別途実装する必要があり、Lambda関数によるカスタムデプロイコードの保守コストも発生します。
解説 SageMaker Model Registry はモデルバージョン管理と承認ワークフロー（PendingManualApproval→Approved/Rejected）をネイティブに提供し、要件①②を満たします。モデルが Approved に変更されると EventBridge ルールが自動発火し、SageMaker Pipelines のデプロイパイプラインをトリガーして要件③を実現します。完全にマネージドな統合で運用負荷が最小化されます。
選択肢Aは、S3・DynamoDB・Lambdaを組み合わせた自前実装でモデル管理は可能ですが、承認ワークフローやDynamoDB Streamsの監視ロジックをカスタム構築する必要があり、開発・保守コストが高くMLOpsのベストプラクティスから外れます。
選択肢Bは、SageMaker Experimentsはモデルトライアルの比較・実験管理に特化したサービスで、正式な承認ワークフローや自動デプロイ機能を持たないため、承認後のエンドポイント更新が手動操作になり要件③を満たしません。
選択肢Dは、AWS CodePipelineの手動承認アクションで要件②は満たせますが、SageMaker SDKを呼び出すLambdaのカスタム実装が必要でモデルメタデータ管理もCodePipeline外で別途構築する必要があり、Model Registryほどのネイティブな統合は得られません。
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MLA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 →