MLAMLワークフローのデプロイとオーケストレーション複数選択
MLエンジニアリングチームは、データサイエンティストがGitリポジトリ（GitHub等）にコードをプッシュした際に、以下を自動化するMLOpsパイプラインを構築したいと考えています。
・モデルのトレーニング
・評価
・ステージング環境へのデプロイ
・本番環境への手動承認後デプロイ
SageMakerを中心に最小限の追加インフラで実現するために採用すべき構成要素を2つ選んでください。
ASageMaker Projects の組み込みMLOpsテンプレートを使用し、AWS CodePipeline と SageMaker Pipelines を統合した CI/CDワークフローを構築する
✓ 正解
SageMaker Projectsは組み込みMLOpsテンプレートでCodePipeline・SageMaker Pipelinesを統合し、最小構成でCI/CDを実現します。
BAWS Step Functions を使用して全MLステップ（トレーニング・評価・デプロイ）を定義し、CodeCommit のWebhookで起動する
Step FunctionsはMLオーケストレーションに利用可能ですがSageMaker Projectsより設定負荷が高く統合テンプレートがないため最適ではありません。
CAWS CodeBuild でモデルのトレーニングをコンテナとして実行し、Amazon ECS（コンテナ実行サービス）に本番モデルをデプロイする
CodeBuild+ECSはML特化のエンドポイント管理機能を持たずSageMaker Endpointと比較して推論基盤の運用負荷が高くなります。
DSageMaker Model Registry を使用してモデルのバージョン管理と承認ステータス管理を行い、承認済みモデルのみを本番エンドポイントにデプロイするゲートとして機能させる
✓ 正解
SageMaker Model RegistryはPending→Approved→Rejectedの承認ワークフローで手動承認ゲートを実現しバージョン管理も提供します。
EAmazon SageMaker Experimentsを使用してトレーニング実験の記録・比較を行い、最良モデルを手動で選定して本番エンドポイントへデプロイする
SageMaker Experimentsは実験記録・比較に特化しており、コードプッシュから自動デプロイまでのMLOpsパイプライン全体はカバーしません。
解説
SageMaker Projects は CodePipeline・CodeBuild・SageMaker Pipelines を統合した組み込みMLOpsテンプレートを提供し、コードプッシュから本番デプロイまでのCI/CD（継続的インテグレーション/継続的デリバリー）を最小構成で実現します。SageMaker Model Registry はモデルのバージョン管理と承認ワークフロー（Pending→Approved→Rejected）をサポートし、手動承認ゲートとして機能します。この2つを組み合わせることでSageMakerネイティブな完全なMLOpsパイプラインが構築できます。
選択肢BのAWS Step Functions を使用してMLステップを定義し、CodeCommit のWebhookで起動することは、MLステップのオーケストレーションに使用できますが、SageMaker Projectsと比較して設定負荷が高くSageMakerとの統合テンプレートがないため最適ではありません。
選択肢CのAWS CodeBuild でモデルのトレーニングをコンテナとして実行し、Amazon ECS にデプロイすることは、ML特化のエンドポイント管理機能がなく、SageMaker Endpointと比較して運用負荷が高くなります。
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 →