MLAMLソリューションの監視、メンテナンス、セキュリティ
MLエンジニアが本番稼働中の複数のSageMakerリアルタイムエンドポイントで散発的にレイテンシー高騰が発生する問題を調査しています。問題が発生した具体的なリクエスト（入力パターン・タイムスタンプ・推論時間）を過去30日分のエンドポイントログから効率的に検索・集計し根本原因を特定したいと考えています。最も適切な調査アプローチはどれですか？
AAWS X-Ray をSageMakerエンドポイントに有効化してリクエストのトレースデータを収集し、サービスマップとセグメント詳細でレイテンシー高騰が発生したコンポーネントを特定する
X-RayはAWSサービス間のリクエストトレーシングに有効だが、事前のX-Ray有効化設定が前提であり、新たな設定なしで過去30日分のデータを即時に検索・集計するアドホック調査には向かない。CloudWatch Logs Insightsの方が既存ログへの即時クエリに適している。
BCloudWatch Logs Insights を使用してSageMakerエンドポイントの推論ロググループにクエリを実行し、過去30日分から推論時間が閾値を超えたリクエストのパターンを検索・集計する
✓ 正解
CloudWatch Logs InsightsはCloudWatchに収集されているSageMakerエンドポイントの推論ログに対して即時クエリを実行でき、フィルタリング・パターン抽出・集計を追加設定なしで数秒〜数分以内に完了できる。過去30日分の遡及調査が可能で根本原因特定に最も効率的なアプローチ。
CSageMaker Model Monitor のカスタム統計ルールでレイテンシーの外れ値を検出するモニタリングジョブを定義し、過去30日分の推論ログを遡ってバッチ解析する
SageMaker Model Monitorはスケジューリングされた継続的モニタリング向けのサービスであり、過去に収集されたログをさかのぼって遡及解析する機能を持っていない。カスタム統計ルールも将来の監視ジョブに適用されるものであり、過去データへのアドホック調査には機能しない。
DAmazon Athena でCloudWatchのエンドポイントメトリクスをS3にエクスポートしてSQLクエリを実行し、エンドポイントごとのレイテンシー高騰リクエストを30日分で集計・分析する
Amazon AthenaはS3に保存された構造化データへのSQLクエリに優れるが、CloudWatchメトリクスは集計済み時系列データであり個別リクエストの推論ログとは異なる。S3へのエクスポート設定も事前に必要で、CloudWatch Logs Insightsに比べて調査手順が煩雑になる。
解説
CloudWatch Logs Insights は、CloudWatch Logs に蓄積されたログデータに対してインタラクティブなクエリを実行できるサービス。SageMaker エンドポイントの推論ログはCloudWatch Logsに自動的に出力されており、Logs Insightsのクエリ言語を使ってレイテンシーが特定閾値を超えたリクエストのフィルタリング・パターン抽出・集計グラフ化を数秒〜数分で実行できる。ロググループの保持期間内であれば追加設定なしで過去30日分のログを即座に調査でき、アドホックな根本原因調査に最も効率的。
選択肢AのAWS X-Rayはトレーシングサービスとして有用だが、事前にX-Rayを有効化している必要があり、さかのぼった過去30日分のデータが取得できているかの前提が問題文にない。
選択肢CのSageMaker Model Monitorは継続的なスケジュールモニタリング向けのサービスであり、過去ログへの遡及的なバッチ解析ツールではない。
選択肢DのAmazon AthenaはS3上の構造化データへのSQLクエリに強みがあるが、CloudWatchメトリクスは集計済み時系列データであり個別リクエストのログではない。事前にS3エクスポート設定も必要で手順が増える。
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 →